«Внедрение ИИ в рекламу упёрлось в два узких места: людей, которые умеют с ним работать, и данные, на которых он должен учиться.»
Комитет по AI/ML АРИР совместно с аналитическим центром РИР опубликовал исследование применения искусственного интеллекта и машинного обучения в рекламе — данные за 2025 год. Цифры показывают раскол рынка примерно пополам. Одни уже получают измеримый эффект, другие смотрят с обочины.
Половина рынка перешла черту
48% компаний применяют технологии искусственного интеллекта (ИИ) и машинного обучения (МО) в рекламных кампаниях — по данным АРИР/РИР.
Это не эксперименты в лаборатории. Речь идёт о рабочих инструментах в боевых кампаниях.
Для рекламного рынка России 2025 года — цифра значимая. Ещё два года назад большинство обсуждений ИИ в маркетинге заканчивались на уровне «интересно, надо попробовать».
Где именно применяют: три рабочих сценария
Данные исследования дают конкретику по направлениям использования:
- 47% компаний — оптимизация бюджетов между каналами
- 38% компаний — динамическая оптимизация креативов (DCO, Dynamic Creative Optimization): автоматическая сборка объявлений под каждый сегмент аудитории
- 35% компаний — управление частотой показов
Все три сценария решают одну задачу — снизить потери бюджета.
Оптимизация бюджетов между каналами означает, что модель в реальном времени перераспределяет деньги туда, где стоимость привлечения (CAC — стоимость одного привлечённого клиента) ниже. Руками это делают раз в неделю, модель — каждые несколько минут.
DCO — это когда одно объявление существует в сотнях вариантов. Заголовок, картинка, призыв к действию подбираются автоматически под конкретного пользователя. Результат: рост отклика без увеличения бюджета.
Управление частотой показов снижает раздражение аудитории и экономит показы. Пользователь, который видел рекламу семь раз и не купил, дальше — только сжигает деньги.
Почему вторая половина ещё не внедрила
Исследование фиксирует два ключевых препятствия:
- 49% — нехватка компетенций у специалистов
- 41% — проблемы с данными
Это классическая ситуация: инструмент появился быстрее, чем рынок успел подготовить людей для работы с ним.
Проблема данных глубже, чем кажется. ИИ-модель учится на исторических данных о конверсиях, поведении пользователей, атрибуции. Если данные собираются нерегулярно, хранятся в разных системах или содержат ошибки — модель выдаёт мусор. Принцип «мусор на входе — мусор на выходе» здесь работает буквально.
Нехватка компетенций — это не только про аналитиков. Это про маркетологов, которые не умеют читать выводы модели. Инструмент есть, интерпретировать его некому.
Что стоит за словами «прикладные решения»
Виктория Колесникова из Media Wise в комментарии к исследованию говорит о запросе рынка на «быстрый измеримый эффект при относительно невысоких затратах».
Переводим на управленческий язык: бизнес хочет видеть влияние на ROI (возврат на инвестиции) и продажи, а не на «охваты» и «узнаваемость».
Именно поэтому лидируют оптимизация ставок, таргетинг и прогнозные модели. Их эффект считается в деньгах. Это важный сигнал для тех, кто выбирает, с чего начать внедрение.
Что стоит за оптимизацией бюджетов между каналами
Это направление набрало максимальный процент (47%) — и неслучайно.
Задача звучит просто: деньги должны идти туда, где они работают эффективнее. На практике сравнить эффективность поисковой рекламы, таргета в соцсетях и programmatic вручную — задача с десятками переменных.
Модели атрибуции на основе МО учитывают всю цепочку касаний пользователя до покупки. Линейная атрибуция (последний клик) теряет деньги: она переоценивает финальный канал и недооценивает каналы влияния.
Компании, которые перешли на многоканальную атрибуцию с МО, как правило, находят 15–25% бюджета, который перераспределяется в более эффективные каналы без увеличения общих затрат.
DCO: почему это работает лучше ручного А/Б тестирования
Динамическая оптимизация креативов (DCO) используется в 38% компаний.
Стандартное А/Б тестирование проверяет два варианта объявления. DCO одновременно тестирует сотни комбинаций: заголовок × изображение × аудитория × время суток × устройство.
Модель определяет выигрышную комбинацию значительно быстрее, чем это возможно руками. Бюджет на «проигрышные» варианты сокращается в реальном времени.
Для e-commerce это означает возможность показывать разные товары разным сегментам без ручной настройки сотен объявлений.
Управление частотой: деньги, которые просто сжигаются
35% компаний используют ИИ для контроля частоты показов.
Стандартный ограничитель частоты — грубый инструмент: «показывать не более 5 раз в день». Модель работает тоньше. Она учитывает поведение конкретного пользователя и снижает частоту, когда вероятность конверсии падает.
Пересечение аудиторий между каналами — отдельная проблема. Один пользователь получает рекламу в поиске, в соцсетях и в programmatic одновременно. Без управления это выглядит как преследование и снижает лояльность.
Как выглядит компания, которая ещё не внедрила
Признаки компании из «второй половины» рынка:
- Бюджет перераспределяется раз в неделю или реже — по отчётам
- А/Б тесты идут месяцами
- Данные о конверсиях живут в нескольких разных системах
- Атрибуция строится по последнему клику
- Частота показов контролируется вручную в каждой платформе отдельно
Это не катастрофа, но это потери бюджета, которые уже сейчас считают конкуренты.
Что делать
Аудит данных прежде инструментов. Прежде чем покупать любое ИИ-решение, проверьте качество данных: полнота, актуальность, единая система хранения. Модель на грязных данных даёт ошибочные рекомендации.
Начните с оптимизации бюджетов между каналами. Это направление лидирует по распространённости (47%) не случайно. Эффект считается напрямую в деньгах, порог входа относительно низкий.
Обучите команду читать выводы моделей. Инструмент без человека, который понимает его логику, опасен. Маркетолог должен уметь оспорить рекомендацию модели, а не просто нажать «применить».
Переходите на многоканальную атрибуцию. Атрибуция по последнему клику искажает картину распределения бюджета. Это первый шаг к осмысленному использованию прогнозных моделей.
Установите KPI (ключевые показатели эффективности) для ИИ-инструментов. Снижение CAC (стоимость привлечения клиента), рост ROI (возврат на инвестиции), изменение ROMI (возврат на маркетинговые инвестиции) — конкретные цифры до и после внедрения. Без этого невозможно оценить, работает ли инструмент.
48% — это уже не «ранние последователи», это мейнстрим. Вторая половина рынка теряет деньги на ручных процессах, которые давно автоматизированы у конкурентов. Два реальных узких места — люди и данные — решаются последовательно, а не одновременно. Начните с данных: без чистой базы любой ИИ-инструмент работает вхолостую. Потом инвестируйте в компетенции команды. Рынок дал чёткий сигнал: побеждают те, кто умеет соединить модель с бизнес-метрикой, а не те, кто просто подключил «умный» инструмент.