AI в рекламе долго продавался как ускоритель отдельных операций: сгенерировать варианты креатива, подсказать аудиторию, быстрее собрать отчет, найти ошибку в кампании. В 2026 году разговор стал жестче. Рынок начал обсуждать не ассистентов, а агентов: системы, которые способны не только отвечать, но и инициировать действие внутри рекламной инфраструктуры.
Для programmatic это принципиальная граница. Обычный AI-помощник может объяснить, почему кампания недотрачивает бюджет. Agentic-система уже может предложить изменение ставки, перестройку supply path, аудиторию, сделку, creative variant или новую структуру кампании. Чем ближе агент к действию с бюджетом, тем меньше это похоже на удобный чат и тем больше похоже на новую систему управления медиабаингом.
Сильный сигнал пришел от The Trade Desk. В августе 2026 года компания описала Koa Agents как closed beta внутри Kokai: единый разговорный вход к набору специализированных агентов. Первые четыре зоны - help and search, campaign creation, insights и troubleshooting. Это не замена трейдера, а попытка встроить AI в те места, где медиабаинг тратит часы на рутину, поиск и диагностику.
Что меняется
Koa может отвечать на вопросы по кампаниям и настройкам, находить кампании, ad groups и creatives по описанию, разбирать media plan, задавать уточняющие вопросы, подсвечивать ошибки, объяснять pacing и performance в естественном языке. Важно, что The Trade Desk отдельно подчеркивает: агент действует в рамках существующих permissions, а финальное решение остается у пользователя. Это очень правильная формулировка для рынка, который пока не готов доверять AI полный контроль над spend.
- Уровень 1: агент ищет кампании, термины, настройки и документы.
- Уровень 2: агент собирает черновик медиаплана или структуры кампании.
- Уровень 3: агент предлагает оптимизацию и объясняет альтернативы.
- Уровень 4: агент меняет настройки только после подтверждения.
- Уровень 5: агент действует автономно в пределах лимитов и журналирует каждое решение.
- Уровень 6: агент тратит бюджет без контроля - зона, которую рынок пока должен ограничивать.
Вторая линия развития идет через стандарты. IAB Tech Lab в июле 2026 года выпустил AAMP 2.3, обновление Agentic Advertising Management Protocols. В релизе много технических деталей, но смысл для рынка простой: agentic advertising пытаются вывести из режима лабораторных демо в enterprise-ready инфраструктуру. Там появляются deployment-модели, privacy diligence, pricing integrity, support для существующих платформ и стандартизированная работа с агентными аудиториями.
Самый интересный блок AAMP 2.3 - не маркетинговая часть про AI, а hard controls. IAB Tech Lab говорит о deterministic negotiation guardrails, server-side trust verification, real inventory availability, privacy approval gates и human approvals outside thresholds. Переводя на язык buyer-команды: агент не должен придумывать цену, не должен видеть непроверенного vendor, не должен проводить spend без понятного правила и должен оставлять проверяемый след.
Как это работает
PubMatic идет в ту же сторону с другого конца цепочки. В мае 2026 года компания представила Detailed Reasoning Agent внутри AgenticOS и прямо поставила вопрос, который будет главным для каждого рекламодателя: почему агент выбрал именно это действие. По описанию PubMatic, buyers получают аудируемую запись consequential decisions: какие данные использовались, какие варианты рассматривались, какие предположения были сделаны, где остались пробелы.
Коммерчески agentic buying продается сразу в трех упаковках. Первая - скорость: меньше времени на setup, меньше ручного поиска, быстрее диагностика проблем. Вторая - эффективность: лучшее распределение между inventory, deals, audiences и pacing. Третья - контроль: не просто автоматизировать закупку, а доказать, что автоматизация не превращается в черный ящик. Для крупных брендов третья часть может оказаться важнее первых двух.
Google AI Max показывает соседний, но важный сдвиг. Это не programmatic display и не независимый агент медиабаинга, но рынок search движется к AI-слою, который работает с matching, creative, final URL expansion, controls и disclaimers. Для рекламодателя это общий сигнал: интерфейс закупки постепенно перестает быть набором ручных переключателей и становится слоем постановки задачи, контроля и интерпретации.
- Какие действия агент может делать сам, а какие только рекомендовать?
- Где задаются budget caps, inventory exclusions и category rules?
- Как выглядит журнал решений и можно ли выгрузить его клиенту?
- Как агент проверяет pricing provenance и vendor approval?
- Можно ли откатить действие и увидеть, что именно изменилось?
- Кто несет ответственность за ошибку: buyer, агентство, платформа или vendor?
Где появляются деньги
Главный риск в agentic advertising - не то, что AI ошибется. Ошибались и люди, и алгоритмы. Риск в скорости масштабирования ошибки. Если агент получает плохие данные, неясную цель, неверную таксономию кампаний или слишком широкие права, он может быстро и уверенно оптимизировать неэффективность. Поэтому зрелость agentic buying начинается не с модели, а с порядка в naming, data access, objectives и measurement.
Второй риск - конфликт интересов. AI-агент внутри DSP, SSP, retail media network или walled garden всегда живет в экономике платформы. Он может помогать пользователю, но одновременно усиливать логику своего поставщика: рекомендовать свои inventory paths, свои оптимизационные продукты, свои аудитории, свои измерительные модели. Это не делает инструмент плохим, но buyer должен понимать, где заканчивается нейтральная рекомендация и начинается platform incentive.
Третий риск - brand safety и suitability. Agentic-система может хорошо видеть performance proxy и плохо понимать репутационную цену контакта. В средах с MFA, AI-generated content, creator adjacency, политическим контентом и спорными новостными контекстами агенту нужны не общие запреты, а конкретные policy rules: что нельзя покупать никогда, что можно покупать только после проверки, где нужно отдельное подтверждение клиента.
Где нужен контроль
Четвертый риск - юридический и privacy. Агент может использовать аудиторию, сигнал, matched data или clean room output быстрее, чем команда успеет задать вопрос о consent. Поэтому агентные workflow должны быть связаны с privacy diligence и vendor approval. Иначе рекламодатель получает красивый AI-интерфейс поверх старой проблемы: непонятно, какие данные использованы и на каком основании.
Для российских агентств тема не выглядит далекой. Даже без прямого доступа ко всем глобальным продуктам уже можно строить локальную методологию: какие действия можно автоматизировать, какие требуют подтверждения, какие данные доступны агенту, кто отвечает за ошибку, как устроен rollback. Это работа не будущего, а ближайшего product governance.
Самый безопасный старт - low-risk automation. Агент может искать кампании, объяснять термины, находить расхождения в настройках, собирать черновик структуры, проверять media plan на противоречия, подсвечивать недотрату, готовить варианты оптимизации. Следующий уровень - recommended actions с обязательным review. Полная автономия spend должна появляться только там, где есть лимиты, журнал решений и понятная ответственность.
Что можно применить в России
Для локальных DSP и SSP ключевой продуктовый вывод: добавление чата в кабинет само по себе почти ничего не меняет. Нужны permissions, audit trail, policy engine, scenario templates, доступ к документации, знание campaign taxonomy, интеграции с отчетностью и интерфейс подтверждения действия. Только тогда AI становится рабочим слоем, а не демонстрационной фичей.
Для бренда вопрос нужно ставить не 'можно ли нам использовать AI-агента', а 'какую часть медиабаинга мы готовы формализовать'. Если цель, KPI, запреты, данные и правила оптимизации не описаны, агенту нечего доверять. Если описаны, AI может резко сократить стоимость операционной работы и повысить дисциплину принятия решений.
Следующий этап рынка - агентные протоколы и журналы решений как часть закупочной документации. Так же как programmatic научился обсуждать ads.txt, sellers.json, SPO и auction transparency, agentic buying будет обсуждать agent permissions, pricing provenance, vendor approval gates, decision logs и human override. Это скучные слова, но именно они решат, какие бюджеты рекламодатели реально доверят агентам.
Что спросить у поставщика
Коммерческая модель agentic buying, скорее всего, будет развиваться не одним способом. DSP может включать агента как premium workflow для крупных клиентов. Агентство может продавать managed service с AI-operations внутри. SSP может использовать агентную логику для упаковки supply и сделок. Retail media network может дать продавцам агента, который собирает кампании и объясняет, почему товару нужен тот или иной формат.
Отдельно появится рынок агентного аудита. Если агент принимает решения или влияет на spend, бренду нужен независимый способ проверить логику: какие inventory paths рассматривались, почему был выбран конкретный deal, какие комиссии и ограничения учитывались, где система рекомендовала действие в пользу платформы. Это может стать новой услугой для консультантов, агентств и measurement-компаний.
Внедрение лучше начинать не с кампаний, где много политики и репутационного риска, а с технически понятных сценариев. Например, campaign QA перед запуском, диагностика no spend, проверка taxonomy, поиск расхождений между media plan и setup, объяснение аномалий в pacing, автоматическая подготовка посткампейн-комментария. Эти задачи не требуют отдавать агенту кошелек, но быстро показывают пользу.
Что дальше
Метрики пилота тоже должны быть приземленными. Не 'AI улучшил медиабаинг', а конкретно: сколько часов setup сэкономлено, сколько ошибок найдено до запуска, насколько быстрее диагностируется underdelivery, сколько рекомендаций принято человеком, сколько отклонено, сколько действий потребовало rollback, как изменилась скорость ответа клиенту. Так агентная тема перестает быть презентационной и становится операционной.
Сложная часть - ownership. В компании должен появиться владелец agentic workflow: не только IT и не только media buying. Ему нужны полномочия согласовывать data access, privacy rules, client approvals, vendor requirements, documentation и обучение команд. Без такого владельца агент будет жить как отдельная фича в кабинете, а не как новая логика работы.
Мне кажется, российскому рынку здесь особенно важно не перескочить через этап контроля. Мы часто любим быстрые решения: подключить инструмент, показать демо, назвать это AI-трансформацией. Но agentic advertising требует скучной дисциплины: кто нажал, что предложил агент, почему согласились, где был риск, что изменилось в бюджете. Именно это и будет отличать зрелый продукт от опасной автоматизации.
Что меняется
Российскому рынку важно не ждать, пока все придет в готовом виде. Можно уже сейчас проектировать требования к поставщикам: показать журнал действий, объяснить источники данных, описать лимиты бюджета, дать механизм отката, отделить совет от действия, раскрыть роль платформенного интереса. Так агентная реклама станет не очередной волной AI-риторики, а нормальным управляемым инструментом.
