Как я настраиваю себе не автопилот, а ИИ-директолога-наставника
На прошлой неделе писала, что решила попробовать сама запустить Yandex Direct через агентов.
Кампании собрали.
Семантику собрали.
Кабинет подготовили.
Но дальше возник более интересный вопрос:
А как вообще правильно дать ИИ управлять рекламой?
Потому что вариант:
«Вот тебе доступ к кабинету, оптимизируй»
мне совсем не нравится.
В рекламе очень легко «улучшить» CTR, CPC или даже стоимость заявки, и при этом начать получать ещё больше нерелевантных лидов.
Шаг 1. Разделила советника и исполнителя
Для анализа взяла Ask Ads - бесплатного read-only агента для Yandex Direct.
Он может смотреть реальные данные кабинета и советовать, что изменить.
Но не может сам ничего поменять.
Мне это оказалось даже важнее автоматизации.
Схема теперь такая:
Ask Ads предлагает → Claude проверяет рекомендацию → объясняет мне → я принимаю решение.
Шаг 2. Сделала Claude не исполнителем, а арбитром
Я не хочу, чтобы Claude просто соглашался с другим агентом.
Поэтому прописала ему:
если Ask Ads говорит:
«Отключаем этот запрос»
Claude должен сначала проверить:
— сколько на него потратили;
— какие реальные поисковые запросы он привёл;
— были ли заявки;
— стали ли они MQL;
— достаточно ли вообще накопилось данных.
И только потом сказать:
«согласна, делаем»
или
«не согласна — вот почему»
или, что особенно важно:
«данных пока мало, ничего не трогаем».
Шаг 3. Убрала оптимизацию ради красивых рекламных цифр
Главная метрика теперь не CTR.
И даже не CPL.
Иерархия такая:
Sale → SQL → MQL → Lead → CTR / CPC / остальные показатели Direct.
Потому что можно получить заявку за 3 000 ₽, которая никогда не станет MQL.
А можно получить заявку за 8 000 ₽, из которых половина — нужные компании.
Первая реклама на бумаге выглядит дешевле.
Для бизнеса — может быть в разы хуже.
Поэтому отдельно будем считать Cost per MQL и уже от него определять, что действительно дорого, а что нет.
Шаг 4. Запретила универсальные правила
Например:
«потратил два CPA — отключаем»
или
«10% бюджета обязательно отдаём на эксперименты».
Для B2B такие правила слишком грубые.
Если запрос редкий, дорогой и потенциально может привести контракт на несколько миллионов — отключать его после пары кликов довольно странно.
Поэтому перед каждым действием агент обязан оценить:
достаточно ли данных вообще для вывода.
Шаг 5. Задала формат каждого совета
Теперь любое предложение агента должно выглядеть так:
Действие → данные → почему → ожидаемый эффект → риск → достаточно ли данных → уверенность.
То есть не:
«Добавьте минус-слово».
А:
Этот запрос привёл X кликов, стоил Y ₽, относится к другой аудитории и не дал ни одного MQL. Предлагаю исключить его. Риск потерять релевантный спрос низкий, потому что…
Вот в таком виде мне уже интересно работать.
Потому что я не просто нажимаю кнопки за ИИ.
Я учусь понимать, почему он принимает решение.
Шаг 6. Сделала отдельный контур поиска новых ключей
Новые ключи теперь должны приходить не только из первоначального Wordstat.
Источники:
— реальные Search Terms из рекламы;
— Wordstat;
— Bukvarix;
— CRM и разговоры Sales;
— наши ИИ-менторы.
Особенно интересен последний пункт.
Если ИИ-менторы начинают замечать новую повторяющуюся боль клиента, это ещё не повод сразу покупать по ней трафик.
Сначала:
боль клиента → поисковая гипотеза → Wordstat → тест → MQL.
Получается довольно красивый learning loop.
И ещё одно правило, которое мне очень нравится:
не обязательно постоянно что-то оптимизировать.
У агента теперь есть четыре решения:
SCALE — работает, можно усиливать.
HOLD — данных мало, не трогаем.
FIX — сначала исправляем проблему.
STOP — данных достаточно, гипотеза не работает.
То есть «ничего не менять» теперь тоже считается нормальным профессиональным решением.
Следующий этап — запуск.
Эксперимент продолжается.
Посты по теме:
АГЕНТЫ YANDEX DIRECT
#ai_marketing