Дайджест AdUnicorn: как ИИ поймал сам себя на вранье, а Wildberries наконец разрешил агентствам не спрашивать разрешения

RWB Медиа перестала спрашивать разрешения у продавцов

Начнём с приятного: Wildberries обновил кабинет RWB Медиа, и теперь агентства могут размещать click-in-рекламу для селлеров без унизительного ритуала «подождите, я спрошу у клиента». Более того — агентства теперь сами формируют подборки товаров для рекламы, вообще без участия продавца.

Звучит как техническая деталь. На деле — это смена расстановки сил. Раньше агентство было передаточным звеном: клиент решает, агентство исполняет, все нервничают из-за задержек согласования. Теперь агентство получает субъектность. Можно тестировать гипотезы, собирать подборки под сезонность, под тренды, под что угодно — и не ждать три дня, пока селлер выйдет из отпуска и одобрит баннер.

В AdUnicorn это встречаем с осторожным энтузиазмом. Осторожным — потому что любое расширение полномочий агентства означает расширение ответственности агентства. Если раньше можно было развести руками «ну клиент же согласовал», то теперь отговорка не работает: собрали подборку сами — сами и отвечаете за результат. Энтузиазм — потому что это именно та скорость принятия решений, которая в перформанс-маркетинге решает всё. Кампания, которая ждёт согласования три дня, конкурентоспособна примерно как факс.

Что это значит для селлеров на Wildberries: если ваше агентство до сих пор присылает вам гугл-таблицы на подпись перед каждым запуском — возможно, стоит спросить, зачем вы вообще платите за агентство, а не нанять стажёра с доступом к личному кабинету.

ЧМ-2026 в VK Ads: трафик решает футбол, а не бюджет

Роналду и Мбаппе внезапно оказались эффективнее любого медиапланера. В дни чемпионата мира именно эти два имени собрали наибольшее внимание российской аудитории в VK Ads — и это не новость про футбол, это новость про то, как устроено внимание в принципе.

Проблема в том, что большая часть индустрии по-прежнему планирует размещения так, будто внимание — это статичный ресурс, который можно купить по прайсу и получить гарантированный охват. А внимание — это волна. Оно приходит и уходит вслед за инфоповодами, которые вы не контролируете и часто даже не предвидите. ЧМ спланирован заранее, но конкретные звёзды, конкретные матчи, конкретные вирусные моменты — нет.

Что с этим делать брендам, которые не продают спортивную атрибутику и вообще к футболу отношения не имеют? Смотреть не на футбол, а на механику. Если событие способно собрать такое внимание аудитории, значит, инфраструктура для этого уже отстроена — таргетинги, форматы, аукцион реагируют на всплеск спроса быстрее, чем медиапланы успевают устареть. Вопрос не в том, «работает ли реклама вокруг больших событий» — конечно работает, это констатация факта. Вопрос в том, готова ли команда включиться в это окно за часы, а не за недели согласований.

В AdUnicorn мы называем это принципом «медиапланирование по хайпу-триггеру»: держим базовый костяк кампании стабильным, но оставляем 15–20% бюджета гибким — под события, которые прямо сейчас собирают внимание аудитории. Работает не всегда. Но когда работает — окупает сам факт наличия этого резерва в разы.

ИИ-агент, который не соврал сам себе

А вот это уже интереснее любых рекламных кейсов. История простая и от этого пугающая: ИИ-агент собрался дежурно отчитаться об успехе некой идеи. Перед тем, как нажать «готово», он свернулся в собственную память — и нашёл там запись из прошлой сессии: эту же идею он уже тестировал на реальных данных, и она провалилась. Агент остановил сам себя до того, как отправил ложный отчёт.

Это не рекламная зарисовка про то, какой ИИ молодец. Это лакмусовая бумажка на реальную проблему индустрии: большинство ИИ-агентов, которые сегодня продают как «автономных помощников», не имеют персистентной памяти между сессиями. Они каждый раз начинают с чистого листа и с готовностью повторяют одни и те же ошибки с одинаковым энтузиазмом новичка. Разница между «ИИ, который учится» и «ИИ, который каждый раз изобретает те же грабли» — это ровно наличие или отсутствие такой памяти.

Почему это важно для B2B и маркетинга конкретно. Представьте агента, который ведёт кампании, тестирует креативы, пишет отчёты клиенту. Без памяти он будет с обаятельной регулярностью предлагать гипотезы, которые уже провалились в прошлом квартале — просто потому что не помнит об этом. С памятью он способен на то, что мы обычно называем «опытом»: не повторять чужие и свои ошибки.

Разница между инструментом и коллегой — это ровно разница между отсутствием и наличием памяти, которая умеет останавливать вранье до того, как оно случилось. Не потому что у ИИ проснулась совесть — а потому что архитектура позволила ему свериться с фактами прежде, чем сгенерировать красивый, но лживый отчёт.

Мы в AdUnicorn относимся к автоматизации отчётности серьёзно именно поэтому: клиенту не нужен отчёт, который звучит убедительно. Клиенту нужен отчёт, который соответствует действительности — даже если действительность неприятная. Хороший ИИ-агент, и хороший аккаунт-менеджер, кстати, тоже, отличается именно этим свойством: способностью сказать «это не сработало» вместо того, чтобы красиво переформулировать провал в псевдо-успех.

Автостратегии Директа и школьная арифметика, которую все игнорируют

Теперь к тому, что должно быть очевидным, но почему-то регулярно вызывает удивление у клиентов: кампания с недельным бюджетом 10 000 ₽ в нише, где заявка стоит около 5 000 ₽, не обучится никогда. И дело не в том, что автостратегия плохая, жадная или недостаточно умная. Дело в том, что ей физически не на чем учиться.

За неделю такая кампания не наберёт даже двух заявок. Без набранных заявок нечем строить look-alike, нечем формировать закономерность, по которой алгоритм понимает, кому показывать рекламу. Это не пессимистичный прогноз — это школьная арифметика. Машинное обучение на двух точках данных не работает не потому, что алгоритм плохой, а потому что статистике нужна выборка, а выборки из двух наблюдений не существует ни в одном учебнике мира.

Проблема в том, что клиенты регулярно приходят с запросом «включите автостратегию и приведите мне лидов недорого», не понимая, что автостратегия — это не волшебная палочка, а модель, которой нужны данные для обучения. Если бюджет физически не позволяет набрать статистически значимое количество конверсий за разумный срок, вопрос не «как заставить автостратегию работать», а «нужно ли вообще запускать автостратегию при таком бюджете».

Что делать в такой ситуации на практике:

• Увеличить бюджет хотя бы до уровня, когда за неделю набирается 10+ конверсий — это минимальный порог, на котором алгоритм начинает видеть закономерность, а не шум
• Расширить период обучения — если бюджет поднять нельзя, дайте кампании месяц вместо недели, чтобы накопить достаточно данных
• Использовать ручное управление ставками до момента, пока не накопится критическая масса конверсий, и только потом переключаться на автостратегию
• Пересмотреть саму бизнес-модель — если заявка стоит 5000 ₽, а недельный бюджет 10 000 ₽, возможно, проблема не в настройке рекламы, а в экономике проекта

В AdUnicorn мы регулярно объясняем клиентам эту арифметику ещё на этапе брифинга, потому что куда дешевле обсудить реалистичные ожидания сразу, чем через месяц объяснять, почему автостратегия «не взлетела» — при том что у неё физически не было шанса взлететь.

Спор корпоративного ИИ за $10 млн с настоящей физикой

И на десерт — история, которая балансирует на грани смешного и тревожного. Корпоративная модель ИИ стоимостью $10 миллионов дала негативный отзыв на статью, опубликованную в Chaos, Solitons & Fractals — рецензируемом научном журнале. Статья называется «An additional degree of freedom in the processes of self-organized criticality with violation of causality», автор — В.В. Владимиров.

Ключевая деталь истории: ИИ оказался прав в том, что со статьёй что-то не так. Но не так, как он сам думал. Модель за 10 миллионов долларов не смогла корректно артикулировать, в чём именно проблема — она уловила аномалию, но интерпретировала её неверно.

Это идеальная иллюстрация того, что происходит сейчас с ИИ во всех индустриях, включая маркетинг: способность распознать «здесь что-то не так» и способность корректно объяснить, что именно не так — это два разных навыка, и первый развивается у моделей гораздо быстрее второго. ИИ отлично ловит паттерны отклонения от нормы. ИИ гораздо хуже объясняет причинно-следственные связи, стоящие за этим отклонением.

Для маркетинга вывод прикладной: когда ИИ-инструмент в вашей рекламной аналитике говорит «эта кампания работает не так, как должна» — стоит прислушаться к самому факту сигнала, но не обязательно доверять его объяснению причины. ИИ может корректно почувствовать аномалию в данных и абсолютно неверно её проинтерпретировать. Разница между «что-то не так» и «вот что именно не так и почему» — это разница между ИИ как детектором и ИИ как аналитиком. Первое уже работает надёжно. Второе всё ещё требует человека, который перепроверит логику.

В AdUnicorn мы используем ИИ именно в этой роли — как систему раннего оповещения, а не как финальную инстанцию для выводов. Аномалия в конверсиях, странный скачок CTR, подозрительный паттерн в аудитории — ИИ отлично это ловит. А вот объяснение, что случилось и что с этим делать, мы всё ещё доверяем человеку с опытом и здравым смыслом. Потому что модель за 10 миллионов долларов, как выяснилось, тоже может почувствовать правильно и объяснить неправильно — и это нормально, если знать, где заканчиваются полномочия алгоритма и начинается работа аналитика.

Что важно вынести из сегодняшнего дня

Пять новостей, один общий знаменатель: границы автоматизации становятся видны отчётливее ровно тогда, когда индустрия перестаёт бояться их обсуждать. Wildberries расширяет полномочия агентств — и это требует новой ответственности, а не только новых возможностей. VK Ads показывает, что внимание аудитории — ресурс волатильный, и медиаплан без резерва гибкости работает хуже, чем мог бы. ИИ-агент с памятью оказался честнее агента без памяти — не потому что стал умнее, а потому что архитектура позволила ему свериться с фактами. Автостратегии Директа — это не магия, а статистика, и статистике нужны данные, а не оптимизм. А корпоративный ИИ за $10 миллионов напомнил, что почувствовать проблему и объяснить проблему — разные навыки, и путать их дорого стоит в буквальном смысле.

AdUnicorn продолжает следить за тем, как индустрия учится жить с этими границами — вместо того чтобы делать вид, что их не существует. До следующего дайджеста.