Опыт работы в платформе оркестрации ИИ-агентов для контекстной рекламы на примере работы агентства и клиента в категории EdTech
Переход от «бутикового» маркетинга, где каждая кампания настраивается вручную под уникальные задачи, к «промышленному» — это главный вызов для агентств и крупных рекламодателей. Когда бюджет растет, а количество кампаний исчисляется сотнями, ручной труд становится узким горлышком. В этой статье мы разберем, как платформа оркестрации ИИ-агентов помогает совершить этот переход, используя опыт работы с EdTech-клиентом, и честно расскажем о том, что пока не получилось.
От универсального солдата к оркестру специалистов
Рынок ИИ-агентов стремительно эволюционирует. Еще год назад многие платформы предлагали одного «супер-агента», который пытался делать всё: от исследования рынка до генерации кода. На практике это приводило к падению точности . Современный подход — это оркестрация, где несколько специализированных агентов работают под управлением «дирижера» .
В нашей платформе мы реализовали архитектуру, аналогичную той, что используют лидеры рынка вроде Adobe и Smartly. Оркестратор разбивает задачу на подзадачи и делегирует их профильным агентам .
Для кейса в EdTech мы задействовали четыре типа агентов:
- Агент-исследователь (Explore): Анализирует рынок, целевую аудиторию и конкурентов. В нашем случае он изучал поведение студентов в разных городах и их реакцию на различные УТП.
- Агент-исполнитель (Worker): Генерирует гипотезы, пишет тексты объявлений и настраивает кампании. Используя данные от исследователя, он создавал десятки вариантов объявлений для разных сегментов.
- Агент-ревьюер (Reviewer): Проверяет качество работы исполнителя, ищет ошибки и регрессии. Это критически важный агент, который перехватывает ошибки до того, как они попадут в продакшн .
- Агент-оператор (Operator): Взаимодействует с внешним миром — рекламными кабинетами, CRM, системами аналитики. Он загружал объявления, менял ставки и отслеживал расход бюджета.
Результат на старте: переход от одного агента к оркестру четырех специалистов повысил точность выполнения сложных задач с 65% до 92% . В контексте EdTech это означало, что мы перестали тратить бюджет на нерелевантные показы и начали точечно работать с разными сегментами аудитории.
Реальные сценарии использования в EdTech
Как выглядит промышленный подход на практике? Вместо того чтобы настраивать одну кампанию для всех, оркестратор создает экосистему взаимосвязанных кампаний.
Сценарий 1: «Горячий» спрос vs «Холодное» информирование
Для EdTech-клиента мы разделили семантику на две большие группы. Первая — «горячие» запросы, где пользователь уже ищет курсы. Вторая — информационные запросы, которые формируют спрос . ИИ-агенты не просто группировали ключевые слова, но и создавали разные типы креативов и посадочных страниц под каждый этап воронки.
Сценарий 2: Динамическая оптимизация креативов
В высококонкурентной нише EdTech тексты объявлений быстро «выгорают». Мы использовали ИИ для массовой генерации креативов на основе успешных связок. В одном из экспериментов объявления, сгенерированные нейросетью, на второй неделе теста обогнали по CTR и конверсии объявления, написанные человеком . Однако на дистанции в месяц «человеческие» эмоциональные тексты снова вышли в лидеры. Вывод: ИИ — идеальный инструмент для быстрого тестирования гипотез и масштабирования, но финальная «полировка» эмоций зачастую остается за человеком .
Сценарий 3: Автономное управление ставками и бюджетом
Вместо ручного управления ставками для тысяч ключевых слов, агенты использовали контекстуальный бандит (Contextual Bandit) для принятия решений. Агент анализировал ключевые показатели эффективности (CTR, CVR, стоимость) и автоматически принимал решение, оставить ключевое слово или «отрезать» его, чтобы не распылять бюджет . Это позволило высвободить до 30% бюджета, который перераспределялся на высокоэффективные ключевые слова.
Метрики эффективности
Мы тестировали систему в течение трех месяцев. Ключевые показатели, на которые мы ориентировались:
- Снижение времени на настройку (Setup Time): На начальном этапе мы фиксировали время, которое тратит команда на сборку и запуск новой кампании. Внедрение оркестратора сократило этот показатель на 87% . То, что раньше занимало неделю, теперь делалось за несколько часов.
- Cost Per Action (CPA): Для клиента это была главная метрика. Благодаря точному таргетингу и управлению ставками, нам удалось снизить CPA на 38% на «горячих» запросах и на 15% — на «теплых» .
- Конверсия в договор (Lead-to-Customer Rate): Здесь мы увидели самый интересный эффект. ИИ-агент в диалогах (чат-бот) не просто собирал контакты, а «прогревал» лида. За счет этого конверсия из лида в договор выросла с 12% до 51% . В контекстной рекламе это означало, что мы передавали в отдел продаж уже готовых к покупке клиентов.
Что пока не получилось
Несмотря на впечатляющие результаты, мы столкнулись с рядом ограничений, о которых важно говорить честно.
- Проблема «Черного ящика» в креативе. Как показал наш эксперимент, на длинной дистанции (более 4 недель) «эмоциональные» тексты, написанные человеком, обходят ИИ-генерацию . Агенты отлично справляются с A/B-тестированием, но создание по-настоящему цепляющих историй и метафор остается слабым местом. Мы решили эту проблему, внедрив гибридный подход: ИИ генерирует 80% вариантов для теста, а человек создает «бомбы» для масштабирования победивших гипотез.
- Зависимость от качества данных. Агент-исследователь работает настолько хорошо, насколько хороши данные, которые он анализирует. На старте мы столкнулись с проблемой «мусорных» данных из CRM клиента. Агент ревьюер помогал выявлять эти аномалии, но на исправление данных ушло около месяца .
- Задержки в ответах моделей (Latency). В сценарии ИИ-продавца в чате мы столкнулись с проблемой: использование тяжелых reasoning-моделей приводило к задержке ответа до нескольких минут. Это убивало пользовательский опыт. Мы решили проблему, внедрив более легкие модели для первого касания и переключая на тяжелую модель только при сложных вопросах .
Вывод
Масштабирование маркетинга через платформу оркестрации ИИ-агентов — это не футуризм, а операционная реальность 2026 года . Переход от «бутикового» подхода к «промышленному» требует смены мышления: вместо того чтобы делать одну идеальную кампанию, вы создаете систему, которая может сделать 1000 «хороших» и найти среди них 10 лучших.
Ключевой урок: ИИ-агенты не заменяют маркетологов, они меняют их роль. Теперь ваша задача — не настраивать ставки, а управлять оркестром, задавать бизнес-цели и «полировать» креативы, оставляя машинам рутину и анализ больших данных.
