Искусственный интеллект в Яндекс Директе: как автоматизировать аналитику и креатив без потери качества

Вывод: ИИ (искусственный интеллект) пока не заменяет инструменты в реальном времени. Модели находят профильные компании, но не могут гарантировать, что у них прямо сейчас запущена реклама.

Анализ объявлений и формирование уникального торгового предложения

Когда круг конкурентов определен, мы подключаем искусственный интеллект для анализа их рекламных коммуникаций. На этом этапе нейросети оказываются особенно полезны: они помогают быстро выявить, на чем строится привлечение клиента – скидках, сроках, гарантиях, условиях поставки или других преимуществах.

Отдельно стоит отметить, что Алиса чаще делает акцент на конкретных цифрах и фактах. Для рекламных объявлений это особенно важно: такая детализация напрямую влияет на CTR и конкурентоспособность кампаний в Директе. Ниже представлена сводка результатов, в которую мы также добавили Gemini, чтобы оценить его аналитические возможности.

Работа с сайтом и рекламными объявлениями

Нейросети – это не источник готовых решений, а способ ускорить процесс. Они моментально структурируют данные, генерируют гипотезы и расставляют акценты. Однако база – знание ниши и сбор реального конкурентного поля - по-прежнему остается за специалистом

На этапе подготовки объявлений нейросетям ставилась прикладная задача: сформировать тексты под строгие ограничения Яндекс Директ. Формат был следующим:

• Заголовок 1 – до 56 знаков;
• Заголовок 2 – до 30 знаков;
• Текст – до 81 знака.

После нескольких корректировок Алиса выдала рабочие варианты. Но при потоковой генерации регулярно всплывают одни и те же технические недочеты:

1. Превышение лимитов: ИИ может ошибиться в подсчете символов кириллицы.
2. Галлюцинации: подмена или «придумывание» УТП (уникальных торговых предложений), которых нет у товара.
3. Ссылки: использование некорректных URL (унифицированных указателей ресурса) или неуместных ссылок.
4. Смешение услуг: попытка объединить разные направления сайта в одном объявлении.

Отдельная сложность заключается в том, что рекламная кампания не собирается только из красивых формулировок. В ней важны связка между запросом, объявлением и посадочной страницей, корректная структура групп, логика минус-слов, соответствие УТП реальному предложению и техническая точность всех ссылок. Нейросеть может быстро предложить десятки вариантов заголовков и текстов, но она не всегда понимает коммерческий контекст: какой товар является приоритетным, какие условия действительно доступны клиенту, какие формулировки могут завысить ожидания, а какие – привести нецелевой трафик. Поэтому в работе с ИИ особенно важна не скорость генерации, а качество контроля: специалист должен не просто выбрать удачные варианты, а проверить, как они встроены в общую стратегию кампании и не создают ли рисков на следующих этапах воронки.

Кейс: автоматизация подготовки кампаний через ChatGPT

На практике это означает, что нейросети лучше всего работают не как самостоятельный «сборщик» кампаний, а как инструмент для ускорения отдельных операций. Они помогают быстрее увидеть повторяющиеся паттерны в объявлениях, предложить варианты формулировок и собрать первичный черновик. Но финальная проверка всё равно остаётся за специалистом: именно он оценивает, соответствует ли текст реальному предложению, не нарушены ли ограничения площадки и не потеряна ли коммерческая логика кампании.

Мы протестировали кастомного ассистента на базе ChatGPT, который должен был закрывать полный цикл подготовки рекламной кампании: от анализа сайта до формирования готового файла для импорта в «Директ».

На настройку и первичное обучение системы ушло около 70 часов работы специалиста. При этом в расчет не входили регулярные корректировки, которые потребовались уже в процессе тестирования.

В результате инструмент действительно смог взять на себя часть линейных задач. Однако на практике проявились системные ошибки: ассистент добавлял несуществующие страницы, ведущие на 404; некорректно обрабатывал домены на кириллице, в том числе в зоне .рф; проставлял лишние или случайные UTM-метки; а при длинных запросах терял логику ответа.

Главный вывод: даже обученный искусственный интеллект пока эффективнее использовать как помощника на отдельных этапах, а не как инструмент полной автоматизации. В ряде случаев исправление ошибок занимает столько же времени, сколько ручная сборка кампании с нуля.

ИИ в видеокреативах: как мы тестировали генерацию видео из изображений

Создание коротких роликов из статичных фотографий особенно актуально для товарной рекламы: динамика помогает быстрее привлечь внимание и преодолеть баннерную слепоту. В рамках теста мы попытались «оживить» изображения ювелирных колец, задав им вращение, похожее на демонстрацию товара на реальной витрине.

KlingAI показал самый качественный результат. Сервис корректно сохраняет форму объекта и создаёт наиболее чистую анимацию. Основные ограничения – долгий рендер и лимиты в бесплатной версии.

Grok дал результат среднего уровня. В отдельных роликах он добавлял лишние детали, но в динамике это почти не бросалось в глаза. Такой вариант можно использовать для быстрых тестов и черновых креативов.

Sora показала нестабильное качество. В части роликов результат выглядел убедительно, но примерно в половине случаев появлялись заметные искажения объекта.

Алиса продемонстрировала самый слабый результат среди протестированных инструментов. Она часто искажала исходное изображение и добавляла лишние элементы, из-за чего продукт терял форму и визуальную достоверность.

Использование нейросетей для «оживления» товарных позиций – это кратчайший путь к повышению эффективности кампаний. По нашим данным, внедрение видео в товарные объявления дает следующие результаты:

• Показатель кликабельности (CTR): +0,88%;
• Конверсия (выполнение целевого действия): +1,71%;
• Стоимость привлеченного лида (CPL): -29%.

Для работы с видео важно соблюдать технические требования: формат MP4, длительность около 10 секунд и корректная настройка фида (файла с данными о товарах) через тег < video >.

Искусственный интеллект в аналитике: глубокий аудит

Анализ запущенных кампаний – это наиболее ответственная область. Мы проверяли модели на задачах оценки эффективности по устройствам и поисковым запросам.

Результат на 90% зависит от подготовки данных. Перед загрузкой в Gemini, ChatGPT или DeepSeek необходимо:

1. Использовать формат текстовых данных с разделителями (CSV).
2. Удалить лишние столбцы, заменить пустые значения на нули.
3. Сформулировать запрос (промпт) максимально четко.

Важное предупреждение по минус-словам: это самая слабая зона всех моделей. Искусственный интеллект часто «минусует» целевые запросы или игнорирует опечатки, которые могут давать конверсионный трафик. Автоматическую чистку запросов нельзя использовать без ручного контроля специалиста.

Сравнение аналитических способностей:

• DeepSeek: наиболее стабилен, быстрее находит закономерности в цифрах.
• ChatGPT: Хорошая логика анализа, но трудности с файлами большого объема.
• Gemini: за счет окна контекста в 2 млн токенов (в платной версии Advanced) идеально подходит для анализа огромных массивов данных (Big Data) и длинных периодов.

Практика доказывает: алгоритмы уже сегодня забирают на себя большинство технических задач в контексте. Но ИИ – это не замена человеку, а его «экзоскелет».

Самый продуктивный формат работы выглядит так: нейросети ускоряют процессы и черновую работу, а маркетолог отвечает за стратегию, проверку настроек и финальную сборку кампаний.

Больше новостей, аналитики и трендов в мире диджитал ищите в нашем Telegram-канале.