ИИ-агент без API: как автоматизировать рекламу и вовремя свернуть провальную гипотезу

# Автоматизация рекламы без API: как ИИ-агент сэкономил месяцы работы и помог свернуть провальную гипотезу

В современной цифровой среде рекламные кампании часто упираются в технические барьеры. Многие специализированные площадки не предоставляют API для выгрузки статистики, активно борются с роботами и требуют ручного ввода данных. Это создает «узкое горлышко» в процессах, когда маркетолог вынужден копировать цифры из таблиц, сопоставлять их с заявками и делать выводы вручную.

Кейс, разобранный в материалах Habr AI, демонстрирует альтернативный подход. Разработчик создал систему автоматизации для платформы b17.ru (психологические услуги), где официальный инструмент для автоматизации отсутствовал. Проект стал итоговой работой на курсе по автоматизации бизнес-процессов, наставником которого выступил эксперт @Dataist.

Архитектура решения на n8n

Основой системы стала платформа n8n, где был построен пайплайн (workflow). Поскольку прямой HTTP-запрос к статистике площадки невозможен, для сбора данных использовалось браузерное расширение. Оно выполняло действия как настоящий пользователь: открывало страницу, фильтровало объявления, копировало метрики в буфер обмена, откуда данные затем парсили с помощью кода JavaScript внутри узлов n8n.

Как работала автоматизация

Процесс сбора данных состоял из нескольких этапов:

1. Формирование списка: Пользователь вручную вводил ID кампаний или запускал скрипт для парсинга конкретных страниц. 2. Сбор метрик: Скрипт извлекал CTR (кликабельность), CPL (стоимость лида), конверсии и расходы. 3. Атрибуция: Самой сложной задачей стал сопоставление кликов и конверсий с конкретными объявлениями. Без API для этого использовался специальный алгоритм атрибуции, который учитывал временные промежутки между кликом и заявкой. Система рассчитывала не только клики, но и стоимость привлечения клиента (CPA), а также средние значения и отклонения. 4. Анализ ИИ: Полученные данные передавались языковой модели (LLM), которая занималась интерпретацией, а не расчетами. Модель искала закономерности, аномалии и формировала рекомендации.

Почему такой подход эффективен

Главное преимущество архитектуры, выбранной разработчиком, заключалось в разделении ответственности между кодом и моделью:

• Код (deterministic): отвечал за сбор, проверку валидности данных, расчет математических формул и обработку ошибок. Это обеспечило стабильность и воспроизводимость результатов.
• LLM (interpretive): занималась качественной оценкой ситуации, формулированием гипотез (например, «низкий CTR из-за устаревшего оффера» или «высокий CPL из-за низкой конверсии») и формированием рекомендаций (оставить, изменить или отключить объявление).

Этот подход позволил избежать дорогостоящих ошибок, связанных с «галлюцинациями» модели при работе с числовыми данными. Языковая модель выступила аналитиком, а не калькулятором.

Экономика проекта: от 11 часов до 1 минуты

Одной из главных целей было повышение эффективности работы маркетолога. До внедрения системы один цикл анализа занимал примерно 11 часов. С помощью ИИ-агента этот процесс сократился до 1 часа (в некоторых этапах — до 1 минуты на прогон).

Расчетная экономия

| Параметр | Значение | | :--- | :--- | | Стоимость работы маркетолога до автоматизации | ~12 100 рублей за цикл | | Стоимость работы с автоматизацией | ~1 130 рублей за цикл | | Экономия за месяц | ~47 600 рублей | | Возможный эффект от снижения CPL | +15 000 рублей | | Срок окупаемости | 3 месяца (оптимистично) / 6 месяцев (пессимистично) |

Система запускалась через Telegram-бота, который присылал сводные отчеты в HTML-формате. Также был создан дашборд на DataLens для отслеживания работы агента: время выполнения, стоимость запуска, успешность ответов модели.

Что делал ИИ-агент

Модель не просто выводила числа, а анализировала кампанию в целом:

• Выявляла слабые объявления и предлагало их изменить или отключить.
• Отличала объявления с высоким CTR и низкой конверсией от тех, где низкий CTR объяснялся малым объемом трафика, но хорошим результатом.
• Формулировала конкретные рекомендации для маркетолога.

Решения не применялись автоматически — они всегда проверялись специалистом. ЛLM была лишь одним элементом системы, а не «чёрным ящиком», принимающим решения вместо человека.

Главный вывод: проблема была не в рекламе

Несмотря на успешную автоматизацию процесса анализа, проект был свернут раньше ожидаемого. Система быстро показала, что канал привлечения работал корректно, но продукт не был адаптирован под аудиторию, которую привлекала реклама.

Маркетолог столкнулся с проблемой обработки лидов, а не их получения. Это позволило ему вовремя понять, что дальнейшее масштабирование кампании не имеет смысла, так как корень проблемы лежит не в маркетинге, а в качестве продукта и последующей работе с клиентами.

Итоги кейса

1. Отсутствие API не является препятствием. Браузерные расширения и ручные сценарии позволяют автоматизировать процессы там, где других способов нет. 2. Разделение ролей. Код справляется с рутинными задачами (сбор, расчеты), а ИИ — с аналитикой и интерпретацией. 3. Скорость принятия решений. Автоматизация помогла быстро выявить, что масштабировать пока нечего, и перенаправить ресурсы на решение реальных проблем бизнеса. 4. Проверка гипотез. Система доказала гипотезу о том, что выбранный канал эффективен, но продукт требует доработки.

Таким образом, проект стал отличным примером того, как технологии помогают не просто экономить время, а быстрее находить истинные проблемы бизнеса и принимать взвешенные решения.