Радио 
Цифровая реклама постепенно переходит от реакции на сигналы пользователя к прогнозированию его потенциальных намерений. Современные рекомендательные модели способны анализировать длинную последовательность действий и находить в них закономерности. Вместе с этим крупные экосистемы расширяют доступный алгоритмам контекст, подключают новые прокси-сигналы и генеративные инструменты. О том, насколько далеко рекламные системы могут зайти в предсказании спроса, в материале корреспондента Sostav Мирона Малафая.
Общий план
Диджитал-реклама эволюционирует от работы с очевидными сигналами пользователей, в числе которых поисковые запросы — к прогнозированию их потенциальных намерений. Теперь алгоритмы нейросетей анализируют длинные последовательности разрозненных действий пользователя — например, просмотр погоды или визовых требований, — выявляя его неочевидные намерения еще до появления конкретного запроса. ИИ позволяет учитывать больше контекста, смещая фокус с реакции на уже проявленный спрос к оценке вероятности его появления, подобно тому, как работают рекомендательные ленты, постоянно корректируя прогнозы на основе действий пользователя.
Большинство рекомендательных моделей чаще всего обучается на таких типах взаимодействий, как поисковые запросы, просмотры контента или карточек товара, клики, взаимодействия с сайтом или приложением и других, отмечает операционный директор диджитал-департамента 
Group4Media Ольга Пенькова. Так как информация о фактических покупках и техническая возможность сбора, хранения и аналитики транзакционного поведения есть у ограниченного количества компаний, доля таких сигналов пока не столь высока. При этом единого алгоритма нет — каждая платформа адаптирует свою систему отдельно, располагая совершенно разным объемом данных, дополнил директор по стратегии 
Realweb Никита Антонов.
По словам Ольги Пеньковой, к наиболее ценным можно отнести те прокси-сигналы, которые:
- непосредственно связаны с пользователем;
- имеют длительный период хранения;
- повторяющиеся или закономерные действия;
- имеют статистически значимый объем.
Чтобы не зависеть от внешних данных и поставщиков, важно работать с first-party данными (данными первого порядка), собираемыми на уровне отдельных брендов и больших экосистем: от поискового запроса до покупки.
Одно из направлений развития рекомендательных систем — увеличение контекста, который модель может обработать за один прогноз. Так, в конце 2025 года Meta* активизировала обучение системы Generative Ads Recommendation Model (GEM), что позволило работать с более длинными последовательностями пользовательского поведения и подключить дополнительные данные об органическом взаимодействии в соцсетях.
В «Яндексе» рекомендательная технология Argus расширила историю поведения пользователей, доступную рекламным алгоритмам, с 256 до 8000 событий. Параллельно модель Gorgona использует более широкий спектр сигналов конверсии для лучшего прогнозирования результатов и управления ставками.
Максим Кузин, руководитель отдела качества рекламы «Яндекс Рекламы»:
Первая задача — понять, какая реклама заинтересует пользователя. За это отвечает поведенческий прогнозатор Argus: как только пользователь заходит на сайт, система обращается к каталогу из миллиардов рекламных объявлений и, анализируя обезличенную историю действий пользователя, отбирает из них кандидатов — объявления, которые с высокой вероятностью окажутся релевантными для пользователя. Прогнозатор конверсий Gorgona прогнозирует множество прокси-сигналов: чем больше — тем лучше, качество каждого отдельного сигнала вторично. На финальном этапе универсальная третья модель (Hyperion) объединяет оба потока сигналов. Ее задача — определить, какие именно рекомендации поведенческого прогноза и оценки прогнозатора конверсий релевантны для данного момента, и на их основе принять итоговое решение о показе.
Hyperion — нейросетевая архитектура «Яндекса» на моделях глубокого обучения, которая в рекламных технологиях используется для ранжирования объявлений. Это универсальная архитектура, которая используется там, где требуется агрегировать сигналы от нескольких рекомендательных источников. Если конкретный прокси-сигнал оказывается бесполезным, Hyperion его просто игнорирует — то есть система сама отбирает надежные сигналы, а не полагается на ручной выбор инженера. Если решение оказалось не идеальным, модель дообучается на логах. Здесь работает функция потерь: за ошибочные прогнозы модель получает «штраф», за точные — условное «поощрение». Постепенно Hyperion подстраивает внутренние параметры и меняет подход к ранжированию так, чтобы снижать ошибки на свежих данных.
Однако из опыта крупных игроков не следует формула «больше истории — точнее реклама». Длинная последовательность должна содержать сигнал, который помогает именно предсказать пользовательское действие. Одновременно расширение контекста упирается в доступность first-party данных (данные первого порядка), вычислительные ресурсы и регуляторные ограничения на использование пользовательской информации. Кроме того, каждая крупная экосистема видит лишь ту часть поведения человека, которая доступна внутри ее собственного контура. При этом рекламный алгоритм не един и не субъектен, подчеркивает Никита Антонов.
Никита Антонов, директор по стратегии Realweb:
Технически рекламные алгоритмы в каждой экосистеме — отдельные субъекты со своим ID, которые не пересекаются друг с другом. Не говоря уже о том, что часть данных не шерится даже внутри одной экосистемы. Например, данные о поездке на такси маркетплейс автоматически не получает. Также стоит учитывать и 152-ФЗ, и разные ID пользователя на разных типах устройств, благодаря которым передача данных даже в рамках одного пользователя не всегда доступна. Таким образом, практически ни один игрок не имеет доступа к стабильным и полным данным о поведении пользователя — каждый видит лишь фрагменты его медиапотребления в моменты соприкосновения с их продуктом.
Чтобы рекламные алгоритмы расширяли историю поведения пользователей, необходимо решить вопрос разрозненности данных технически и организационно, отметила Ольга Пенькова.
Ольга Пенькова, операционный директор диджитал-департамента Group4Media:
Один пользователь ежедневно и по-разному взаимодействует с сервисами: заходит с нескольких устройств, идентифицирует себя или же пользуется сервисом анонимно. Каждый день просматривает сотни единиц контента на десятках сайтов и в приложениях, пользуется сервисами, которые остаются слепыми зонами для большинства платформ, такими как государственные порталы, маркетплейсы, совершает покупки без карт лояльности и за наличный расчет или, наоборот, платит картой, — получить устойчивый профиль в таких условиях крайне затруднительно даже внутри одной экосистемы. На разрозненность данных и сложность их агрегирования в одном хранилище дополнительно влияют требования комплаенса, политики доступа и конкуренция за контроль над данными не только между разными платформами и экосистемами, но даже внутри одной компании. Не стоит забывать, помимо технических и организационных барьеров, про экономические ограничения: хранение, обработка и использование всех сигналов пользователя требует сложной и дорогой инфраструктуры.
При этом кросс-системный data-sharing между конкурирующими платформами, и даже между компаниями из разных категорий рынка, на сегодняшний день — мечта, убеждена Ольга Пенькова. Невозможность обмена данными можно объяснить следующими причинами:
- данные — это актив и часто конкурентное преимущество;
- различия в идентификаторах и таксономиях делают возможность обмена заведомо дорогим процессом;
- регуляторные и юридические риски, высокая чувствительность к передаче персонализированных данных, даже поведенческих.
Ольга Пенькова, операционный директор диджитал-департамента Group4Media:
В индустрии небольшой опыт обмена данными между компаниями, для решения задач участников обмена. Но, к сожалению, он пока не становится массовым, тем более кажется невероятным говорить о том, что будет открыт доступ сторонним компаниям в случае создания единого хаба данных телекома или маркетплейсов. Скорее стоит ожидать развития обмена данными между активами в рамках больших экосистем.
ROAS или инкрементальный прирост
По данным Meta*, каждый доллар, вложенный в продукты Advantage+ с ИИ, в среднем приносил рекламодателям 4,52 доллара выручки — на 22% больше, чем традиционные кампании. Однако возникает вопрос о приросте спроса, обнаруженного моделью, ведь часть потребителей могла совершить транзакцию вне зависимости от рекламного воздействия.
В Meta* утверждают, после обновления модели в четвертом квартале 2025 года компания зафиксировала на 24% больше инкрементальных конверсий по сравнению со своей стандартной моделью атрибуции. В таком случае рекламная система уже пытается ответить на вопрос: «Изменила ли реклама вероятность этой покупки?»
Никита Антонов, директор по стратегии Realweb:
Инкрементальный прирост — чуть более честная метрика, чем ROAS (показатель эффективности рекламной кампании, который определяет ее окупаемость), потому что ROAS при расчете не учитывает множество дополнительных факторов, влияющих на продажу, и часто присваивает прямой рекламе чрезмерную значимость — или, наоборот, недооценивает ее. В случае с ИИ-рекомендациями получить прямые результаты крайне сложно, так как пользователь может обращаться к ИИ на разных этапах своего CJM (карты пути клиента). Я бы сказал, что ключевая метрика для нас в ИИ — это видимость бренда в разных сценариях запроса и потребления для GEO (практики оптимизации бренда, контента и цифрового присутствия через ИИ‑системы), а в перспективе — прямые покупки для Agentic Commerce. Отдельно считать любую другую метрику в данный момент возможно, но со слишком большим количеством условностей.
Рекомендации или реклама?
Чем сильнее рекламные алгоритмы перенимают механику рекомендательных систем, тем менее очевидной становится техническая граница между двумя задачами. Органическая лента пытается предсказать, какой контент заинтересует человека. Рекламная система решает похожую задачу, но добавляет к ней коммерческую цель рекламодателя, ставку и ограничения кампании.
У Meta* сближение видно даже на уровне архитектуры: GEM использует знания о том, с чем пользователи естественным образом взаимодействуют в Facebook** и Instagram**, чтобы определять, какую рекламу им показывать. После расширения последовательностей поведения и подключения дополнительных данных об органической активности система получила больше информации для рекламного ранжирования.
Одновременно платформы сталкиваются с обратным запросом рекламодателей, которым нужно понимать, что именно делает автоматика. Так, Google в 2026 году расширяет отчетность Performance Max: рекламодатели получают более подробные данные об аудиториях, распределении размещений по сетям и расходовании бюджета. Появилась и возможность исключать собственные first-party списки, например, уже совершивших конверсию клиентов, чтобы сосредоточить бюджет на привлечении новых.
А что с креативами?
С ростом точности рекомендательных моделей в определении пользователя и момента показа возникает проблема — риск отсутствия релевантных объявлений. Несколько заранее подготовленных креативов ограничивают возможности системы находить оптимальные комбинации аудитории, контекста и размещения.
Генеративные модели постепенно закрывают этот разрыв. В 2025 году Meta* добавила в Advantage+ инструменты, позволяющие генерировать текст и изображения с учетом элементов фирменного стиля — логотипов, цветов, шрифтов, tone of voice и визуальных особенностей бренда. В систему могут поступать и существующие материалы рекламодателя: контент сайта, предыдущая реклама и информация о товарах. В том же году компания тестировала генерацию многоэпизодных видео из нескольких изображений с автоматическим добавлением текста и музыки. Другой инструмент с помощью ИИ выделяет ключевые моменты рекламного ролика и позволяет пользователю переходить непосредственно к ним. Использование таких инструментов уже измеряется не только количеством сгенерированных картинок. В 2025-м годовой темп выручки, связанной с инструментами видеогенерации Meta*, достиг 10 млрд долларов.
Генеративные инструменты российских экосистем работают как DCO 2.0, отметила Ольга Пеньков. Они позволяют значительно экономить время и бюджет на создание креативов для различных сегментов, но пока это не «волшебная кнопка», мгновенно создающая креатив с нуля для конкретного пользователя.
Максим Кузин, руководитель отдела качества рекламы «Яндекс Рекламы»:
Механизм похож на то, как обучают языковые модели: там есть отдельный алгоритм, который оценивает, насколько ответ понравился пользователю, и модель постепенно учится генерировать те ответы, которые получают более высокую оценку. Здесь принцип тот же, но для креативов. Есть модель-симулятор, которая предсказывает реакцию пользователя (клик или конверсию) на конкретный креатив, сайт или товар — она учится на том, какие варианты пользователи реально выбирали. Генератор креативов внутри рекламной платформы, в свою очередь, учится создавать варианты, которые симулятор оценивает как наиболее вероятные для отклика. То есть один компонент прогнозирует, какой вариант вызовет отклик аудитории, второй — учится предлагать именно такие варианты.
Перспективы
Смещение цифровой рекламы от реакции на явные сигналы пользователя к прогнозированию его намерений на основе длинных поведенческих последовательностей меняет экономику перфоманс-кампаний. Такие системы, как GEM от Meta*, Argus и Gorgona от «Яндекса», значительно увеличивают вычислительные ресурсы и «память» для обработки расширенных данных о поведении пользователей, переходя от ручного отбора сигналов к самообучающейся агрегации. Кроме того, модели используют знания об органическом взаимодействии для улучшения рекламного ранжирования. Главный ограничитель — данные.
Исходя из этого, рекламодателям стоит инвестировать в first-party данные и сквозную аналитику внутри экосистем, смещать оптимизацию к инкрементальности и сценарной видимости, а также масштабировать креативы через генерацию и тестирование вариантов под сегменты. Правда, в периоды турбулентности и высокой неопределенности сделать это еще сложнее.
*Meta — признана экстремистской организацией и запрещена в России
**Facebook и **Instagram — обе соцсети запрещены в России, принадлежат Meta, деятельность которой признана экстремистской и запрещена в РФ