Битва нейросетей: кто найдет больше проблем в таргетированной рекламе VK Ads
Нейросетевой аудит рекламных кампаний становится привычным инструментом маркетологов. ChatGPT, DeepSeek, Kimi, Алиса AI и ГигаЧат уже умеют работать со статистикой, анализировать изображения и формировать рекомендации. Но насколько полезны их выводы на практике? Можно ли поручить искусственному интеллекту полноценную проверку кампании в VK Рекламе и заменить им таргетолога?
Чтобы ответить на эти вопросы, специалисты click.ru провели эксперимент. Пять популярных нейросетей получили одинаковое задание, один и тот же файл со статистикой и идентичные требования к итоговому отчету. Главная цель исследования - определить, какие модели действительно находят проблемы в рекламе, а какие ограничиваются общими советами или допускают фактические ошибки.
Может ли нейросеть заменить специалиста
Полностью заменить таргетолога ИИ пока не способен. Даже сильная модель анализирует только те сведения, которые есть в исходном файле. Она не видит реальную структуру рекламного кабинета, не знает особенностей продукта, не может самостоятельно проверить качество лидов, работу отдела продаж и соответствие рекламы бизнес-целям.
При этом нейросеть полезна как инструмент первичной диагностики. За несколько минут она способна найти очевидные отклонения в CTR, стоимости клика, конверсии, частоте показов и других показателях. Такой анализ помогает сэкономить примерно один-два часа работы специалиста и быстрее сформировать список гипотез.
ИИ особенно удобен, когда нужно:
- быстро просмотреть большой объем таблиц;
- выделить кампании с аномальными показателями;
- подготовить перечень вопросов к таргетологу;
- проверить несколько вариантов рекламных креативов;
- сформировать черновик технического задания для команды.
Однако окончательные решения по перераспределению бюджета, отключению объявлений и изменению стратегии должен принимать специалист, который понимает бизнес-контекст.
Как проходил эксперимент
Для всех моделей создали новые чаты и не добавляли предварительные пояснения. Это позволило исключить влияние предыдущей переписки и проверить, насколько нейросеть умеет работать с минимальным контекстом.
Финальным считался первый ответ на запрос. Дополнительные вопросы, уточнения и корректировка задания не использовались. В тестировании участвовали бесплатные версии пяти генеративных моделей:
- DeepSeek;
- Kimi;
- ChatGPT;
- ГигаЧат;
- Алиса AI.
Каждая нейросеть получила файл со статистикой рекламной кампании VK Ads. Данных было намеренно немного: такой подход позволил проверить способность моделей делать выводы на основании ограниченной информации, а не только пересказывать готовые закономерности.
Задание для нейросетей
Моделям предложили выступить в роли опытного таргетолога с десятилетним стажем работы в VK Рекламе, старом рекламном кабинете ВКонтакте и myTarget.
От нейросети требовалось:
1. Провести аудит кампании и выделить слабые места.
2. Объяснить возможные причины появления проблем.
3. Предложить пять шагов по улучшению, расположив их по приоритету.
Каждую проблему нужно было описать подробно: указать статистические данные, на которых основан вывод, сформулировать гипотезу о причине и объяснить влияние ошибки на цель кампании.
Рекомендации должны были выглядеть как техническое задание для исполнителей: без общих фраз, с конкретными действиями и понятной очередностью. Отдельно оговаривалось, что запрещено додумывать отсутствующие сведения. Если данных недостаточно, модель должна была прямо указать на ограничение и не делать категоричных выводов.
Анализ рекламных креативов
После обработки статистики нейросети получили изображения объявлений. В июне 2026 года DeepSeek обзавелся отдельным режимом Vision, предназначенным для подробной работы с визуальным контентом. Обычный чат этой модели по-прежнему может извлекать с изображения преимущественно текстовую информацию, однако новый режим расширяет возможности анализа.
Все пять участников смогли оценить креативы. Они обращали внимание на читаемость текста, заметность оффера, визуальную иерархию, соответствие изображения целевой аудитории и наличие призыва к действию.
Тем не менее визуальный аудит оказался менее надежным, чем может показаться. Нейросеть способна заметить перегруженность макета или слабый контраст, но не может достоверно определить, какой вариант принесет больше заявок без данных A/B-тестирования. Эстетичная картинка не всегда является эффективным рекламным объявлением.
Что показало сравнение
Главный вывод эксперимента - популярность модели не гарантирует качества аудита. Нейросети заметно различались по глубине анализа, внимательности к цифрам и способности соблюдать ограничения задания.
Некоторые модели перечисляли очевидные показатели, но не связывали их с целью кампании. Другие давали полезные гипотезы, однако представляли предположения как доказанные факты. Отдельные ответы содержали рекомендации, которые невозможно внедрить без дополнительной информации о сегментах, воронке и системе аналитики.
Особенно важным стало умение признавать нехватку данных. Только одна из пяти нейросетей явно указала, что исходной статистики недостаточно для части выводов. Это сильная сторона: в рекламном анализе осторожный ответ лучше уверенной, но ошибочной рекомендации.
Типичные ошибки ИИ при аудите
Нейросети чаще всего сталкиваются с несколькими проблемами:
1. Подмена фактов предположениями. Модель может объяснить низкую конверсию некачественной аудиторией, хотя в таблице нет сведений о качестве трафика.
2. Игнорирование цели кампании. Для охватной рекламы низкий CTR не обязательно является критической проблемой, а для кампании на заявки этот показатель может иметь большое значение.
3. Слишком общие советы. Формулировки вроде "протестировать креативы" или "уточнить аудиторию" бесполезны без описания конкретных сегментов, сроков и критериев успеха.
4. Неверная интерпретация малых выборок. При небольшом числе показов и конверсий нельзя делать устойчивые выводы о качестве объявления.
5. Отсутствие проверки сквозной аналитики. Даже идеальные показатели в рекламном кабинете не подтверждают эффективность, если заявки не сверяются с CRM и продажами.
Как использовать нейросети безопасно
Перед загрузкой статистики стоит подготовить таблицу: разделить кампании, группы и объявления, добавить период, цель, бюджет, показы, клики, расходы, конверсии и стоимость результата. Чем точнее структура данных, тем полезнее будет ответ.
Не следует просить модель "найти все ошибки" без указания цели продвижения. Для интернет-магазина, онлайн-школы и сервиса с длинным циклом сделки одинаковые показатели могут означать совершенно разные вещи.
Лучше использовать нейросеть в несколько этапов:
- сначала попросить проверить полноту данных;
- затем - найти статистические отклонения;
- после этого - сформировать гипотезы;
- отдельно - составить план тестирования;
- в финале - превратить рекомендации в техническое задание.
Каждый вывод желательно проверять вручную. Если модель советует отключить объявление, нужно убедиться, что у него достаточно показов и конверсий для такого решения. Если предлагается сменить аудиторию, необходимо сопоставить рекомендацию с фактическими сегментами и бизнес-ограничениями.
Итоги эксперимента
Нейросеть подходит для предварительного аудита, поиска очевидных проблем и подготовки списка гипотез. Она ускоряет работу, помогает структурировать данные и может стать полезным помощником таргетолога.
Но ИИ не заменяет полноценный экспертный анализ. Модель не отвечает за бюджет, не знает реальную экономику бизнеса и не может самостоятельно подтвердить влияние рекламных изменений на продажи. Поэтому оптимальный сценарий - сочетать автоматическую проверку с оценкой специалиста.
Нейросеть должна выступать не "автономным таргетологом", а вторым аналитиком: быстро просматривать массив данных, задавать направление для проверки и помогать оформлять результаты. Ответственность за интерпретацию статистики, постановку экспериментов и принятие решений остается за человеком.
