Зачем читать этот материал
AI быстро входит в видеозакупку: платформы используют его для прогноза, выбора инвентаря, ставок, pacing, распределения бюджета и измерения результата. Для рекламодателя это звучит логично: видео сложнее баннера, а вариантов показа больше, чем команда может разобрать вручную. Но у автоматизации есть неприятная особенность: она ускоряет не только хорошие решения, но и плохую постановку задачи.
Этот материал нужен командам, которые хотят запустить или проверить AI-оптимизацию в OLV (онлайн-видеорекламе), CTV (интернет-телевидении) или programmatic video. Мы не будем доказывать, что алгоритм «умнее человека». Вместо этого разберём, как подготовить пилот, какие данные и ограничения дать системе, какие метрики разделить между собой и в какой момент остановить автоматизацию.
Короткий вывод
- Outcome и baseline
- Сигналы и quality
- Guardrails и бюджет
- 14 дней наблюдения
- Решение о масштабировании
IAB в руководстве AI-Powered Video Outcomes, опубликованном 24 августа 2026 года, описывает AI как слой, который уже затрагивает планирование, прогнозирование, bidding, pricing, optimization и measurement. Одновременно организация подчёркивает проблему прозрачности: чем больше решений принимает алгоритм, тем понятнее должны быть его входы и последствия.
Из этого следует не призыв «включать AI везде», а более строгая рабочая логика. Сначала команда определяет, какой outcome она хочет улучшить. Затем готовит чистые сигналы и guardrails. Только после этого алгоритму передают ограниченную зону решений и сравнивают её с контрольным сценарием.
Три тезиса, которые стоит унести из статьи:
- AI-оптимизация видеокампании начинается с дизайна измерения, а не с выбора кнопки в DSP.
- Completed view (полный просмотр), viewability (техническая видимость), reach (охват), frequency (частота контакта) и бизнес-результат нельзя смешивать в одну «среднюю эффективность».
- Первый пилот должен быть обратимым: с лимитом бюджета, журналом изменений, контрольной группой и заранее заданными условиями остановки.
Что именно меняет AI в видеозакупке
- Delivery
- Media quality
- Video outcome
- Business outcome
В ручной кампании специалист задаёт аудиторию, форматы, список сделок, ставки, частоту контакта и бюджет, а затем периодически смотрит отчёт. AI может работать с этими рычагами почти непрерывно: оценивать новую рекламную возможность, выбирать, принять ли bid request, менять ставку, направлять деньги в другой формат или поднимать приоритет отдельной цепочки поставки инвентаря (supply path).
У видеорекламы есть дополнительная сложность. Один показ может быть технически засчитан, но не дать полноценного контакта: ролик мог стартовать вне видимой области, быть прерван пользователем, попасть в среду с низким вниманием или повториться слишком часто. Поэтому алгоритм, который оптимизируется только под completion rate или дешёвый CPM, способен выглядеть эффективным, одновременно ухудшая качество рекламного контакта (media quality).
The Trade Desk в своём материале о convergence AI, transparency и supply quality приводит собственный пример: его platform AI анализирует до 20 миллионов рекламных возможностей в секунду. Это заявление поставщика, а не независимый benchmark рынка, но оно хорошо показывает масштаб задачи. При таком объёме ручная проверка невозможна, зато становится критичной архитектура сигналов: что система видит, что считает ценным и какие ограничения не может нарушить.
Для российского рекламодателя принцип тот же, даже если он использует другую платформу или локальный стек. Нельзя переносить американские названия продуктов и считать, что вместе с ними переносится качество. Переносится только рабочая логика: разделить цель, сигнал, действие алгоритма и способ проверки.
Четыре уровня цели: от доставки к бизнесу
Перед пилотом выпишите цели в четыре слоя. Первый — delivery (доставка кампании): кампания должна доставить нужный объём показов, охват и частоту. Второй — media quality (качество рекламного контакта): контакт должен быть viewable, пригодным по brand safety (защите бренда от нежелательного контекста) и полученным из допустимого supply. Третий — video outcome (результат просмотра): старт, quartile (четверть длительности ролика), completed view (полный просмотр) или другой показатель просмотра. Четвёртый — business outcome (бизнес-результат): визит, заявка, продажа, рост знания или инкрементальный эффект.
Эти уровни связаны, но не взаимозаменяемы. Высокий completion не гарантирует продажу. Дешёвый CPM не означает дешевый качественный контакт. Большой reach не говорит, что частота распределена разумно. AI должен получать иерархию приоритетов, иначе он начнёт оптимизировать самую доступную метрику.
| Уровень | Вопрос к кампании | Что можно делегировать AI | Что проверяет человек |
|---|---|---|---|
| Delivery | Доставляем ли охват и частоту? | Pacing, распределение бюджета | Недодоставка и перекос частоты |
| Media quality | Качественный ли контакт? | Выбор supply и bid adjustment | Viewability, fraud, suitability |
| Video outcome | Смотрят ли ролик? | Оптимизацию по quartile/completion | Причины отвалов и формат среды |
| Business outcome | Меняется ли поведение? | Поиск сигналов с корреляцией | Атрибуция, контроль, инкрементальность |
Пилот начинается с брифа, а не с алгоритма
Хороший бриф для AI-видеокампании должен отвечать на семь вопросов: кого хотим охватить, в каких средах допустим контакт, какой outcome главный, какие ограничения для алгоритма (guardrails) нельзя нарушать, какой бюджет можно отдать тесту, с чем сравниваем результат и кто имеет право остановить кампанию.
В брифе также нужно явно записать, что алгоритм не должен делать. Например: не расширять географию без согласования, не превышать частоту в связке OLV и CTV, не покупать инвентарь без нужных сигналов о продавце, не считать post-view конверсию достаточным доказательством и не перераспределять весь бюджет в один формат только потому, что он быстрее набирает KPI.
| Поле брифа | Пример содержимого | Почему это важно |
|---|---|---|
| Главный outcome | Qualified reach и completed view; продажи — вторичная проверка | Не даёт алгоритму выбрать удобный прокси |
| Допустимый supply | Список сделок, площадок, приложений и исключений | Ограничивает качество среды |
| Частота | 2–3 контакта на пользователя за 7 дней | Не позволяет купить результат чрезмерным повтором |
| Бюджет теста | Отдельный лимит на 10–14 дней | Делает эксперимент обратимым |
| Контроль | Прежняя стратегия или holdout | Даёт точку сравнения |
| Стоп-условие | Fraud, suitability или стоимость качественного контакта выше порога | Защищает бюджет до финального отчёта |
Какие данные нужны до старта
AI не делает сигнал хорошим сам по себе. Для видеопилота заранее проверьте качество пяти групп данных: описание инвентаря, аудиторию, креатив, события просмотра и бизнес-события. Если в отчёте смешаны разные определения impression, viewable impression и completed view, модель будет учиться на несопоставимых наблюдениях.
Для OLV отдельно проверьте, как платформа считает видимость и досмотр: учитывается ли звук, какой размер плеера, что происходит при переключении вкладки, как обрабатывается autoplay и как фильтруется invalid traffic (недействительный трафик). Для CTV добавьте вопросы к SSAI (серверной вставке рекламы), household reach, co-viewing, device graph и дедупликации. Не все параметры удастся получить в каждом российском стеке, но отсутствие данных нужно фиксировать, а не маскировать общим словом «AI».
Если креативы разные, алгоритм должен видеть их версии и правила показа. Иначе он может приписать результат сегменту или площадке, хотя сработал другой ролик. Минимальный набор — длительность, формат, call to action, версия сообщения и дата выхода. Для rich video полезно отдельно отмечать интерактивные элементы и событие, которое считается взаимодействием.
Как сравнивать AI и контроль
В простом тесте контрольная группа получает прежнюю стратегию, а тестовая — новую AI-логику. Прежняя стратегия здесь выступает baseline (базовым сценарием для сравнения). Важно не менять одновременно всё остальное. Если в тесте добавились новые сделки, другой ролик, новая география и иной attribution window (период, в который результат можно приписать контакту), вывод «AI улучшил результат» не подтверждён.
Сравнивайте кампании по одинаковому периоду и одинаковому набору ограничений. Если цель — охват, смотрите incremental reach и частоту. Если цель — просмотр, сравнивайте completed view вместе с viewability и качеством среды. Если цель — бизнес-действие, заранее определите, какую долю результата можно считать наблюдаемой и где понадобится geo-test, holdout (контрольная группа, исключённая из воздействия) или другой дизайн инкрементальности (дополнительного эффекта рекламы).
| Метрика | Что показывает | Чего не показывает |
|---|---|---|
| CPM | Цена тысячи показов | Качество, видимость и влияние |
| Viewability | Вероятность, что контакт был видим | Внимание и запоминание |
| Completion rate | Доля досмотров | Причину просмотра и бизнес-эффект |
| Reach/frequency | Масштаб и повтор контакта | Уникальный вклад канала в результат |
| Qualified visit | Качество визита после рекламы | Полную инкрементальность без контроля |
Порядок запуска на 14 дней
Дни 1–2 — подготовка. Зафиксируйте цель, контроль, список разрешённых источников, частоту, версию креатива, определения событий и стоп-условия. Попросите у поставщика пример отчёта до запуска, а не после него. Если он не может объяснить, где появятся данные по supply, viewability и частоте, тест ещё не готов.
Дни 3–4 — техническая проверка. Проверьте пиксели, события quartile, post-view и post-click окна, передачу креативных идентификаторов, работу brand safety и корректность UTM. Для CTV отдельно сверяйте устройство, приложение, контентную среду и household-level ограничения. Первые два дня доставки не оценивайте как финальный результат: это период поиска ошибок.
Дни 5–10 — наблюдение. Не меняйте правила ежедневно. Снимайте журнал: дата, действие алгоритма, причина, изменившийся сегмент, эффект на delivery и quality. Если поставщик показывает только итоговую цифру, запросите хотя бы агрегированную историю изменений. В противном случае вы не сможете отличить обучение от случайного перераспределения.
Дни 11–14 — разбор. Сравните тест с контролем по четырём уровням целей, разложите результат по OLV и CTV, форматам, устройствам, сделкам и частоте. Укажите, что доказано, что вероятно и что осталось неизвестным. Решение по масштабированию принимается только после этого разбора.
Красные флаги в отчёте
Первый красный флаг — победа только по CPM при ухудшении viewability или росте частоты. Второй — рост completion без информации о качестве среды и доле invalid traffic. Третий — внезапное перераспределение бюджета в один источник без объяснения. Четвёртый — результат считается по post-view конверсиям без контрольной группы. Пятый — поставщик называет AI причиной успеха, но не показывает, какие действия система совершала.
Ещё один сигнал риска — отсутствие разницы между отчётом до и после подключения AI. Если платформа не может показать новые решения, новые сигналы или изменение workflow, возможно, перед нами ребрендинг старой автоматизации. Это не обязательно плохо, но это нельзя продавать команде как новый уровень автономности.
Что можно перенести в российскую практику
Российскому рынку не нужно ждать полного доступа к международным измерительным системам, чтобы запускать такой пилот. Уже сейчас можно разделять OLV и CTV, фиксировать definitions, требовать разрез по источникам, проверять frequency, строить контрольный сценарий и ограничивать бюджет теста. Сложнее будет с единой дедупликацией reach и независимым измерением внимания, поэтому эти ограничения нужно честно писать в выводах.
Практическая адаптация выглядит так: сначала тестировать AI на одной задаче и одном формате, затем подключать второй формат только после понятного baseline. Не стоит начинать с единого «омниканального автопилота», если команда не умеет объяснить, как сопоставляются OLV и CTV. У каждого канала разные условия контакта, а значит, разные требования к измерению.
Для агентства такой пилот — способ перейти от продажи технологии к продаже управляемого процесса. Для бренда — возможность проверить, где автоматизация действительно экономит время и улучшает решение, а где просто прячет его. Для паблишера — аргумент в пользу качественного описания инвентаря: AI не может оценить то, что supply chain не передаёт.
Итоговый чек-лист редактора и медиаменеджера
| Перед стартом | Во время пилота | Перед масштабированием |
|---|---|---|
| Определён главный outcome | Ведётся журнал изменений | Тест сравнен с контролем |
| Разделены OLV и CTV | Контролируется частота | Проверены quality-срезы |
| Описан допустимый supply | Нет ежедневного хаотичного тюнинга | Объяснено действие AI |
| Настроены video events | Проверяется delivery и quality | Зафиксированы ограничения |
| Задано стоп-условие | Сохраняются версии креативов | Есть план следующего теста |
Главный вывод не в том, что AI нельзя доверять. Доверять ему можно в ограниченной зоне, если команда понимает цель, качество входных данных и последствия автоматического действия. Видеопилот нужно строить как эксперимент с контролем и журналом, а не как включение новой галочки в кабинете.
IAB прямо связывает будущее AI-powered video с прозрачностью, а MRC продолжает поддерживать отдельные стандарты для digital video, OTT/CTV, viewability, attention и auction transparency. Это не готовый российский регламент, но полезная рамка для вопросов к любому поставщику. Прежде чем масштабировать AI, попросите не обещание эффективности, а определение метрик, состав данных, правила ограничений и доказательство изменения результата.
