ИИ-агенты в рекламе: как «Зерокодер» получил ROAS 370%

Я часто вижу, как перформанс-маркетинг в агентствах упирается в человеческий фактор: сотрудники выгорают на рутине, а масштабирование кампаний сливает бюджет. Коллеги из «Зерокодера» показали отличный кейс. Они доказали, что ИИ-агенты в рекламе – это уже не футуристичный концепт, а рабочий инструмент оптимизации. Они передали управление ставками и запуск объявлений в «Яндекс Директе» автономной системе. За два месяца эксперимента ИИ-агент принес компании 2,6 млн рублей выручки при затратах на рекламу в 702 тысячи рублей и показал окупаемость вложений (ROAS) на уровне 370%.

Почему ручное управление контекстом ломается

После ухода крупных зарубежных площадок конкуренция в «Яндекс Директе» резко выросла. Для рекламодателей это означает высокую цену ошибки при управлении бюджетом. Стандартные автостратегии площадки оптимизируют кампании только по тем метрикам, которые видят сами: кликам и заявкам. Но дешевый лид не гарантирует продажу. Оценивать рекламу нужно по реальным деньгам в кассе, а не по промежуточным действиям.

Сводить данные из разных систем и принимать решения по продажам приходится человеку. На практике маркетолог тратит львиную долю времени на рутину: сборку отчетов, сверку выгрузок и мелкие правки в кабинете. На глубокую аналитику сил уже не остается.

В «Зерокодере» столкнулись с тремя барьерами ручного управления:

Потолок масштабирования. При росте бюджета подрядчики переливали трафик и конкурировали за одну аудиторию. Окупаемость успешных связок падала с рабочих 130–150% до провальных 90–105%.
Скорость проверки гипотез. Цикл проверки одной идеи занимал больше месяца. Пока команда собирала данные, гипотезы теряли актуальность.
Стоимость расширения штата. Наращивание мощности требовало найма новых людей, которые выходили на целевые показатели только через два месяца.

Как устроена агентная система без слепого доверия

Разработчики распределили задачи между двумя ИИ-агентами. Агент «Голиаф» ежедневно анализирует связки, предлагает решения и запускает объявления. Агент «Соломон» готовит для него чистые данные из базы. При создании системы разработчики опирались на жесткие правила безопасности, так как языковым моделям нельзя доверять слепо.

Главное правило: ИИ не считает деньги в уме. Модели строго запрещено генерировать цифры. Всю арифметику, выручку и стоимость заявки рассчитывают детерминированные скрипты на базе данных. Модель лишь интерпретирует готовые расчеты. Это исключает галлюцинации, когда система выдумывает показатели по памяти.

Действия ИИ ограничивают жесткие правила. Система автоматически останавливает кампанию, если за семь дней нет заявок или если стоимость целевого действия превысила план в 1,7 раза. Бюджет успешных объявлений агент увеличивает только небольшими ступенями с паузами на проверку. Также разработчики закрыли ИИ доступ к персональным данным клиентов. Система видит только маркетинговые метрики и ID заказов.

Главная опасность автоматизации и роль человека

Слабым местом проекта оказалась подготовка исторических данных, а не логика ИИ. Перед запуском директору по маркетингу пришлось вручную устранять серьезные искажения в базе данных за 605 дней работы.

Например, из-за технических ошибок в CRM терялось около 18% оплат, и клиенты выглядели неокупившимися. Почти половина дешевых заявок приходилась на старых пользователей, которые регистрировались повторно. Для алгоритмов Яндекса это была успешная конверсия, а для бизнеса – нулевая ценность.

Даже после чистки на второй неделе тестов ИИ-агент за несколько секунд отключил прибыльное направление с окупаемостью 160%. Новые объявления забыли привязать к карте продуктов, ИИ увидел нулевую выручку и мгновенно остановил кампанию. Человек в такой ситуации засомневался бы в цифрах, но машина действует строго по алгоритму.

Этот случай доказал: дорого обходятся не ошибки ИИ, а его слепые зоны. Теперь финансовые показатели проверяют тремя независимыми способами – через кабинет, веб-аналитику и CRM. Качественная автоматизация на 80% состоит из правильной подготовки данных человеком.

Что это меняет для продюсеров и агентств

Результаты двух месяцев работы впечатляют. Из 2,6 млн рублей выручки половину принесли новые клиенты, а вторую половину – реактивация старой базы. У ручной команды обычно не хватает ресурсов, чтобы одновременно качественно вести оба направления.

Инфраструктурные расходы на ИИ составили около 30 тысяч рублей за два месяца. Сюда вошли оплата токенов, облачного сервера и API для генерации баннеров. При этом агент работает круглосуточно, не уходит на больничные и не срывает сроки.

Кейс показывает важный тренд. Привычная модель найма, когда агентства берут много джунов для рутинных задач и растят их годами, теряет смысл. Рутину гораздо дешевле и быстрее закрывать автоматизацией. Будущее за компактными командами, где каждый сильный специалист управляет собственной сетью ИИ-агентов. Нам нужно учиться проектировать такие системы уже сейчас, чтобы сохранять конкурентоспособность и контролировать маржинальность проектов.