AI-медиабайинг в арбитраже : разбираем первый ИИ-кейс от AIO

Всем привет, дорогие читатели и зрители! Это Денисенко Лайв. Сегодняшний стрим – особенный: мы разбираем, по всей видимости, первый публичный кейс функционального AI-медиабаинга в арбитраже трафика.  Это не концепт и не демо на два объявления, а полноценная ИИ-команда, которая заливала трафик, тратила деньги и генерировала результаты, пока мы за ней наблюдали.

В гостях – Валерий Захаров, со-founder многофункциональной платформы AIO, отвечающий за техническую часть продукта. Сегодня мы разберем и покажем то, что обычно не показывают публично: как внутри устроена система из ИИ- агентов, сколько она стоит, как она ошибается и что из этого получилось.

Вайб-кодинг

Прежде чем перейти к самой системе, обсудим вайб-кодинг, который сейчас везде. Именно он стал основным инструментом в первой версии AI-медиабаинга. 

«Вайб-кодинг – это всего лишь один из инструментов работы программиста. Зачем верстать очередную таблицу вручную, если можно сэкономить два часа?»  

Команда разработки AIO использует AI-инструменты давно – ещё со времён GitHub Copilot. Но, когда в ноябре 2024 года искусственный интеллект вошел в моду, это не выглядело чем-то принципиально новым, как, например, для большинства менеджеров и аналитиков, которые смотрели на это как на откровение.

Программисты уже «наигрались» в эту восторженность давно. 

Как с ChatGPT было: сначала «вау, он отвечает!», потом – «ага, здесь тупит, там галлюцинирует». Та же история с агентами.

Главная проблема вайб-кодинга – перемножение вероятностей. Валера объясняет это через метафору с джинном:

«Говорю джинну: хочу водички. На голову падает кастрюля. Переформулирую: хочу водички, чтоб стояла рядом. Выпиваю – умираю, потому что в ней черви. На четвёртый раз говорю: хочу безопасную воду для питья на столе в кружке. Выпиваю – окей. Но я уже три раза умер»

Задача, которую агент выполняет с вероятностью 95%, при цепочке из 20 шагов, дает вероятность успеха около 35%. При 100 шагах – стремится к нулю. 

Поэтому восторг от агентов прекрасен, но реальная автономная работа – это вопрос архитектуры и контроля, а не просто «запустил и смотришь».

Идея

Идея AI-медиабаинга родилась поздней ночью. В результате очередного брейншторма, просто решили делать. Без размышлений про монетизацию, без ТЗ, без продуктовой стратегии. Просто делать.

При этом важно понимать контекст: AI-медиабаинг создавался полностью отдельно от основных ресурсов команды AIO. Никаких выделенных разработчиков, никаких ресурсов из продуктовых команд. 

Только Валера, технический специалист, и иногда использовались советы Дениса (co-founder AIO) о том, где находится кнопка Ads Manager.

Архитектура

Система построена на 7 агентах. Это семь сущностей, находящихся на одном сервере, каждая из которых имеет набор инструментов и роль.

Head – «голова» команды. Читает чат, ставит задачи, принимает решения. Если аналитик написал в чат «кампания CL-49 превысила порог» – Head это видит и реагирует. Может сказать «зальём» или «стопаем». Это ключевой агент, от которого зависит вся координация.

Media-Buyer – управляет рекламными кампаниями. Создает кампании в Facebook, меняет бюджеты, следит за метриками, выполняет указания Head’а.

Creative – генерирует всё, что связано с контентом: тексты объявлений, тексты для лендингов, сценарии видео, картинки.

RnD (Research & Development) – ищет подходы в интернете. Буквально гуглит: Reddit, Google, тематические сайты. Находит потенциальный подход, пишет черновик в систему и репортует Head'у: «Я нашёл подход, что будем делать?»

Landing-Tech – создает лендинги. Получает задачу от хэда, делает страницу, пишет в чат «ЛП готов».

Analytic – анализирует данные. Смотрит на метрики, пишет отчёты, участвует в утреннем брифинге.

UGC – генерирует UGC-контент (был отключен в ходе основного теста по тактическим соображениям).

Ключевой архитектурный принцип: агенты общаются только через чат. Никаких скрытых API-вызовов между ними, никаких общих баз данных, никаких синхронных вызовов функций. Если одному агенту нужно передать информацию другому – он пишет в чат.

По сути, это коммуникация живой команды, как она обычно происходит в Slack или Discord. 

Типичный цикл работы AI-команды выглядит почти как обычный процесс внутри медиабаинговой команды. 

Сначала RnD-агент ищет подход: анализирует, смотрит возможные идеи, находит потенциальную связку и сообщает об этом в общий чат. После этого Head принимает решение: стоит ли этот подход тестировать. Если да – он запускает процесс и ставит задачи другим агентам. 

Дальше в работу включается Creative: он готовит креативы, тексты для Facebook, тексты для лендинга и другие материалы, которые нужны для запуска. Когда всё готово, агент пишет в чат, что задача выполнена.

После этого Head передаёт задачу Landing Tech'y: нужно собрать лендинг под конкретный подход, гео и оффер. Landing Tech выполняет и также отчитывается в чат: «ЛП готов». Затем Head ставит задачу Media-Buyer'y  – запустить кампанию. Media- Buyer берёт подготовленные материалы, создаёт кампанию и начинает залив.

Параллельно в любой момент Analytic может поднять тревогу: «Кампания CL-49, порог 5 превышен». Head читает и принимает решение.

Получается своего рода Kanban в реальном времени. Слева панель – это чат, как будто люди в комнате сидят и общаются. Посередине – канбан. Справа – расходники, чтобы мы могли взять и посмотреть, что они конкретно делают, а не просто читать чат.

Дашборд

Дашборд v2.0 был собран за 3–4 часа с помощью вайб-кодинга. Это был не enterprise-подход с инструментами вроде Kafka или Postgres, а быстрый эксперимент со стеком Supabase, деплоем на Vercel и чатом через Telegram-бота. .

Валера прямо называет это «стрёмным драфтом». Она была сделана скорее для проверки идеи: могут ли AI-агенты в принципе взаимодействовать как команда, ставить задачи, генерировать материалы, запускать процессы и отчитываться друг перед другом. Есть вещи получше, которые покажут позже. Но и эта версия работоспособна и доступна публично.

Что видно на дашборде сверху вниз:

Блок статистики – spend, revenue, profit, количество лидов, CPL, EPL. На момент написания статьи ROI был – 83%. Однозначно это грустно, но вполне ожидаемо и нормально.

Фильтры – сегодня, вчера, 7 дней, 30 дней. Можно смотреть в любом разрезе.

Левая панель – чат агентов. Это главная часть. Здесь вы видите, как агенты общаются в реальном времени: утренний брифинг, обсуждение кампаний, алерты, задачи, ответы. Есть фильтры по типам сообщений.

Канбан – очередь задач. Задача в статусе «ждёт», «в работе», «выполнено». Это то, через что Head передаёт задачи другим агентам: «Создай ленд для sweepstakes US в таком-то формате, для такого-то гео».

Правая панель – расходники и история: подходы, статистика по кампаниям, лендинги, креативы. Это нужно не системе – системе достаточно чата. Это нужно тебе, чтобы понимать, что агенты делают, а не просто читать их переписку.

Один из запомнившихся эпизодов во время стрима: Денис переходит в раздел с конкретным агентом и видит там сообщение в духе «кампания CL-49, порог 5 превышен». И говорит: «Я не могу. Меня это с одной стороны смешит, с другой – как мы дожили до такого времени?»

Деньги

На тест выделили $100 000. Из них на залив потрачено $11 000. Ещё около $1 000–2 000 ушло на начальные эксперименты, понимание рынка, тестирование подходов вручную, прежде чем запустить. 

Такой бюджет выбрали не случайно. Валера объясняет это просто: чтобы проверить гипотезу всерьёз, недостаточно запустить пару кампаний на $200. Эксперимент должен дать достаточно данных, чтобы можно было увидеть закономерности, понять ошибки и сделать выводы. В разработке это тоже привычная логика: один middle frontend-разработчик может стоить около $6 000 в месяц, поэтому полноценную техническую гипотезу невозможно качественно проверить на минимальном бюджете. 

Ребята в AIO посчитали: $100 000 – это плюс-минус нормально.Этого достаточно, чтобы досконально понять реальную картину и получить результат.

Итог теста: ROI –83% при потраченных $11 000 на залив. Профит отрицательный.

Важный момент: никто из команды не умеет заливаться. Ни Валера, ни его технический специалист. Это намеренная часть эксперимента – проверить, может ли система сама разобраться, без опытных медиабаеров

При создании задача формулировалась так: сделать не просто очередной инструмент для медиабаинга, а условную кнопку «Деньги». 

Как агенты принимают решения

В первой версии системы все решения агентов принимались на основе одного параметра – оффера. Точнее, выплаты по офферу. Тестировали sweepstakes, гео – Чили и Колумбия.

Логика была довольно простой: есть оффер, у него есть GEO и payout. Дальше агенты пытались от этой выплаты рассчитать всю остальную экономику связки: какой CPC в Facebook нужен, какой CR должен быть на лендинге, какой процент approve должен получиться и каким в итоге может быть теоретический CPL. 

Например, если выплата за лид составляет $25, система считает, сколько может стоить лид, чтобы связка оставалась в плюсе. Если по расчётам теоретический CPL получается около $20, то остаётся примерно $5 маржи, и такую связку можно пробовать запускать. 

На третий день пришло понимание: высокая выплата по офферу – не всегда хорошо. Выплата не коррелирует напрямую с качеством трафика, поведением аудитории и реальным CR. 

Поэтому один из главных выводов первой версии: 

Оффер – это стартовая точка, но не полноценная основа для принятия решений. 

Системе нужна более широкая логика оценки: с учетом реальных метрик, поведения пользователей и качества трафика. 

Ошибки

Что пошло не так в v2.0, помимо неверной логики оффера:

Стоимость токенов. Система в первой версии «ела» токенов на $100 каждые 8 часов,то есть $300–400 в сутки. Это при том, что она была не оптимизирована примерно на 80%. Агенты жгли токены на бессмысленные операции.

Бесконтрольность. Агентам дали задачу «залейтесь в плюс по-братски» и оставили действовать свободно. Без флоу, без ограничений, без правил. Результат – хаотичные решения, размытые ресурсы, непредсказуемое поведение.

Отсутствие структуры по расходникам. Система не знала заранее, какие бренды использовать, какие форматы лендов, какие методы доставки для sweepstakes. Агентам приходилось это придумывать каждый раз с нуля.

Один конкретный случай из кулуаров AIO. Валера дал одному CMO API-ключ от Telegram. CMO начал писать в чат одно сообщение с инструкцией «Сделай мне это любой ценой». Ключевое слово – «любой ценой». Агент воспринял буквально. Результат: за короткое время агент сжёг токенов на $2 000. Просто потому что пытался выполнить задачу любой ценой, включая стоимость.

Версия 3.0

Новая версия – принципиально другой подход.

Стек: Vercel, Supabase и другие не-enterprise-решения. Но сама логика разработки стала намного ближе к нормальному продуктовому подходу: появились доменные модели, архитектурные слои, мультитенантность, пользователи, доступы и более четкая структура процессов. 

Стоимость разработки – около $5 000–6 000 на токены.

Потребление токенов в сутки: $20–30 вместо $300–400. Разница – в десять раз. Это результат нормальной архитектуры, а не вайб-кодинга «на коленках».

Флоу

Главное новшество – конфигурируемый флоу. Раньше агентам говорили «делайте, что хотите». Теперь – ты задаёшь маршрут, по которому реализуется подход.

Флоу – это цепочка шагов. Для sweepstakes это может выглядеть так:

1. Найти идею (направление для свипа: «пройди опрос», «вступи в VIP-клуб», «выиграй приз»)
2. Написать тексты для Facebook
3. Написать тексты для лендинга, создать опросник
4. Сгенерировать картинки продукта
5. Сгенерировать комментарии для накрутки
6. Написать сценарий видео
7. Смонтировать видео
8. Настроить AIO: создать кампанию по смете
9. Запустить накрутку комментариев и реакций
10. Запустить залив
11. Мониторить метрики по фазам

Флоу полностью настраиваемый. Хочешь заливать без видео – убираешь шаги с видео. Хочешь другую вертикаль – меняешь промпты в конкретных шагах. Хочешь нутру вместо свипов – меняешь несколько параметров.

На каждом шаге ты можешь вмешаться вручную: посмотреть, что сгенерировано, поправить или нажать «Auto» и агент пройдёт весь флоу самостоятельно.

Расходники

Теперь система содержит структурированную базу «расходников» – всё, что нужно агентам для работы:

Методы доставки – для sweepstakes важно показывать реальные методы доставки в стране гео. Агенты теперь используют готовую базу, которую можно пополнять вручную или через AI-саджесты.

Бренды – магазины и компании, на которые заливается реклама. Пишешь название бренда – система через AI подтягивает логотип, цвет бренда, категорию для Facebook, описание.

Продукты – что конкретно рекламируется. Это «бланки» – никакого реального товара нет, просто шаблон оффера.

Meta-аккаунты и Fan Pages – добавляются в систему, агенты используют их для запуска кампаний.

Шаблоны лендов – система хранит шаблоны, агент подставляет нужный контент.

Курсы валют – автоматически обновляются. Потому что продукт стоит в долларах, а на лендинге нужно показывать цену в местной валюте.

Саджесты

На любом шаге – и для тебя, и для агентов – система предлагает AI-suggest. Например, открываешь раздел доставок, пишешь «Почта России» – система сама генерирует логотип, описание, формат доставки. 

Или пишешь «Пятёрочка» – система отдаёт крупнейшую розничную сеть с цветами бренда, категорией Facebook, логотипом.

Это работает одинаково: можешь нажать кнопку, и агент сам заполняет, или ты заполняешь вручную.

Интерфейс       

Мультиюзерная, мультитенантная система. Есть светлая и тёмная тема. Несколько уровней доступа – от SaaS-клиента до White Label с полным брендингом.

Демо

Попробуем инициировать реальный залив.

Тест: Rolex → магазин Costco → Мексика → sweepstakes.

Это, конечно, провокационный тест – продавать Rolex в Costco в Мексике. Но для демонстрации системы это отлично подходит.

Что происходило пошагово:

Создание подхода. 
Валера открывает раздел «Подходы» в v3.0, вводит название (Costco Rolex), выбирает гео (Мексика), добавляет бренд Costco с саджестом – система сама подтягивает цвет бренда, логотип.

Добавление продукта. 
Добавляют Rolex как продукт через саджест. Система генерирует описание, категорию, технические параметры для объявления.

Запуск Auto-режима,

и система начинает прогонять подход по флоу самостоятельно.

За 15 минут система:

• Сгенерировала идею кампании: «Сделай сальто и получи Rolex» – типичный sweepstakes-этюд
• Написала тексты для Facebook
• Сгенерировала текст для лендинга с опросником: «Сколько раз в неделю вы ходите в Costco?»
• Сгенерировала комментарии для накрутки в стиле «Не поверю, что я нашёл Rolex в Costco!»
• Написала сценарий видео: 4 сцены, Voice Over, Vertical Cinematic Portrait формат, голос за кадром
• Смонтировала видео через Kling
• Наложила озвучку через Gemini TTS
• Создала компанию в AIO с нужными настройками
• Опубликовала пост на Fan Page
• Запустила кампанию в Meta

В результате клоакинг отработал, трафик пошёл.

Параллельно система генерировала еще один подход, который запустили утром того же дня – кофе неизвестного бренда на неизвестное гео. Система сама нашла этот оффер через RnD-агента.

По итогу за 2 часа запусков и 14 часов работающих компаний

Итог: ROI 52%

Токены

Вопрос стоимости токенов – один из самых частых, потому что именно это делает систему или рентабельной, или убыточной. Разница между первой и новой версией здесь особенно заметна. 

Версия 2.0:

• Около $100 на токены каждые 8 часов
• Итого примерно $300–400 в сутки
• Система неоптимизирована на 80%
• Агенты часто жгли токены на лишние действия и ненужные операции

Версия 3.0:

• Примерно $20–30 в сутки
• Итоговая сумма зависит от интенсивности работы
• Серверная часть – Vercel hobby-план (бесплатно)
• Основные траты – обращения к AI-моделям, генерация изображений, видео и voice-over. 

Отдельные расходы – видео. Одно видео через Kling стоит примерно $5–6, но это не финальная планка: можно подключать более дешёвые сервисы, где генерация обходится в $1 или даже меньше.

Если считать полный подход – тексты, картинки, видео и настройку кампании – при текущих ценах он может стоить около $5. При дальнейшей оптимизации стоимость потенциально можно снизить почти до $0.10 за подход, если рутинные задачи отдавать более дешёвым моделям.

Как снизить стоимость?

• Использовать Gemini вместо Claude для задач, где качество не критично
• Для генерации картинок использовать более дешёвые модели
• Статику генерировать через Gemini, потому что это дешевле
• Для серых вертикалей использовать китайские модели или другие решения с меньшими ограничениями

FAQ

Дальше – самые интересные вопросы, которые задали Валере во время стрима. Часть из них касается технической стороны системы, часть – экономики, токенов, рисков, AIO и того, насколько всё это вообще можно применять в реальном медиабаинге. 

– Даёт ли один агент обратную связь другому по креативу? Или принимает любой результат?

Нет, агенты не переделывают креативы. Они их выбрасывают и делают новые. В этом суть. Зачем менять креатив, если можно собрать новый за пять минут ?  Поэтому эффект Конкорда здесь исключён. Агент – безразличный компьютер. Он смотрит на цифры: если теоретический CPL получается выше выплаты, значит, связка не сходится.   Всё, он её выбрасывает и делает новую. 

– Как решаете отказ Anthropic в использовании Claude для серых вертикалей?

У команды особых проблем с банами не было. Используют платную подписку на Claude, не ту, что за $20/месяц. Плюс к этому – команда активно использует Claude и для других инструментов, не только для этого проекта.

Но если говорить про серые вертикали – гемблу, нутру и всё похожее, – там, конечно, рано или поздно Claude может сказать: «Это скам, я в этом не участвую». Поэтому для таких задач локальные LLM или менее зарегулированные модели – это, по сути, единственный нормальный путь.

Что можно делать:

• использовать китайские модели, которым всё равно на такие ограничения
• применять промт-инжиниринг: например, объяснять задачу через роль тестировщика, аналитика или специалиста по проверке безопасности
• комбинировать модели: часть задач отдавать Claude или Gemini, где нет риска блокировки, а спорные куски – локальным или нейтральным моделям
• разделять процесс на этапы, чтобы одна модель не видела весь контекст целиком и не стопорила выполнение всей цепочки

– Сколько бюджета и времени нужно, чтобы система поняла, что льёт в минус?

Примерно $20 на фазовый мониторинг. Система работает по фазам:

• Фаза 0–20: смотришь на базовые метрики – CPC, CTR, данные Facebook
• Следующая фаза: более глубокие метрики с учётом качества
• Есть пересекающиеся сигналы: даже если одни метрики плохие, другие могут говорить «продолжай»

Плюс есть понятие теоретического CPL. Когда кампания проходит обучение, стоимость целевого действия может упасть примерно на 10–30%. Поэтому система пытается посчитать не только текущую стоимость, но и потенциальную: если сейчас дорого, но после обучения CPL может опуститься до нормального уровня, связке можно дать ещё немного времени. И здесь начинается самая сложная часть – атрибуция и оценка эффективности. Бывает, что трафик льётся неделю без депозитов, а потом в воскресенье прилетает сразу несколько. И возникает вопрос: сколько тебе стоил этот депозит? Только тот день, когда он пришёл? Вся неделя до него? Или ещё и период после? Это уже почти философский вопрос, но именно от таких вещей зависит, как система будет принимать решения: стопать связку сразу или дать ей добрать данные.

– Агенты умеют создавать аккаунты и фармить их?

Технически – да. Агент может открыть антидетект-браузер и нажимать кнопки. Для этого нет инструментов, встроенных в текущую версию, но ничего не мешает их добавить. Вопрос только в том, насколько ты хочешь это автоматизировать и есть ли в этом смысл, когда агентские аккаунты можно просто купить.

– Компании в Facebook создаются через API или через антидетект?

Частично через Meta API, частично через антидетект – зависит от конкретной задачи и аккаунта.

– Есть ли смысл реализовывать через локальный LLM, чтобы не бояться бана за нутру?

Не «есть ли смысл» – это единственный способ для серых тематик. Claude (и другие крупные LLM) рано или поздно скажет «стоп, это скам». Поэтому – да, используйте локальные модели, китайские API, промт-инжиниринг.

– Сколько стоит система по серверам и токенам в сутки?

v3.0:

• Vercel Hobby: бесплатно
• Supabase: бесплатно (Hobby-tier)
• Токены: $20–30/сутки

Итого: ~$600–900/месяц только на токены

При оптимизации – можно тратить сильно ниже.

– Почему не сделать нормальную документацию AIO?

Это вопрос приоритизации. У нас каждый день плюс-минус 100 задач. И надо выбрать, какие пять из них делать прямо сейчас. Можно сесть и писать документацию. А можно в это же время делать, например, фичу по Meta-аккаунтам, которая тянет 120 000 рекламных кабинетов каждые 15 минут. И вот тут начинается выбор: что сейчас важнее для продукта и клиентов? Плюс есть ещё одна проблема – AIO очень быстро меняется. Деплои могут происходить до семи раз в день, и из-за этого документация быстро устаревает. Ты сегодня описал один процесс, а через месяц он уже работает по-другому. Это не значит, что документации не будет. Она будет. Просто продукт ещё молодой, дайте время. 

– Чем AIO лучше Binom?

«Это как спросить, чем экскаватор лучше лопаты. Лопата плохая? Нет. Просто для разных задач. Глупо копать лунки под картошку экскаватором. И рыть траншею лопатой»

Binom – это трекер. AIO – это ядро, вокруг которого строится весь бизнес. Через него проходит трафик, строятся команды, подключаются White Label-решения. Это другой уровень продукта, налог – Hubspot, Salesforce. Это не трекер, аплатформа, на которой строят бизнес.

У меня есть конкретный аргумент: 9% трафика теряют те, кто не использует AIO. У пользователей AIO – 1–2%. Это не маркетинговые слова – это технически объяснимо через централизацию и масштабирование.

– Каким будет AIO через три года?

«Через AIO уже сейчас проходят очень большие объёмы трафика. Буквально: бывают моменты, когда 10-гигабитный канал на сервере забит полностью. И для команды это не финальная точка, а только фундамент. Через три года AIO видится не просто как трекер или набор отдельных инструментов, а как полноценная бизнес-платформа в по типу HubSpot. То есть система, в которую можно завести не тольео трекинг, а практически весь медиабаинговый бизнес »

– Какие скиллы нужны для построения такого?

Честный ответ: фулстак. И не в смысле технологий, а в смысле опыта:

• Архитектура программных систем: понимать, как правильно строить, чтобы не развалилось
• Разработка: видеть код агентов, понимать, что они делают
• Менеджмент: если ты не можешь заменеджить пятерых живых людей так, чтобы извлечь прибыль, то и с агентами не выйдет
• Медиабаинг: понимать, что такое подход, зацеп, как работает Facebook, что такое обучение кампании
• Терпение: умение кратко и точно объяснить роль агента в промте. Если за три часа не можешь объяснить идею команде живых людей, то в трёх строчках промта это тоже не объяснить

И самое главное: надо просто делать. Нигде не написано, что если 10 раз не получилось – не получится никогда. Сделай 400 раз.

Планы

Что будет с самой системой AI-медиабаинга?

Валера несколько раз подчёркивал: это эксперимент, а не отдельный медиабаинговый бизнес, который команда AIO прямо сейчас собирается строить и масштабировать. 

Скорее всего, один из сценариев – выложить систему в open source или дать к ней открытый доступ в каком-то формате. Логика простая: самим серьёзно заливаться не хочется, это не основной бизнес команды. 

Основной бизнес — это AIO. При этом у системы, скорее всего, останется важное ограничение: она будет работать только вместе с AIO. Это намеренно. Если кто-то захочет пользоваться AI-медиабаингом, ему всё равно понадобится инфраструктура AIO. 

Что появится в AIO из этого эксперимента?

По словам Валеры, часть идей уже есть в бэклоге:

• Кнопка «Generate Landing» прямо в AIO
• Кнопка «Generate Creative»
• Чат с агентом: пишешь «создай кампанию» – агент делает
• Саджесты по параметрам кампании
• Автоматический анализ метрик и рекомендации

Как говорит Валера: почему бы не сделать кнопку Generate? Почему бы не сделать агентский чат, где ты пишешь: «создай кампанию», а система сама собирает нужные элементы и запускает процесс. То есть AI в этом случае не живёт отдельно от продукта, а встраивается прямо в рабочую инфраструктуру AIO. 

Итоги

Что доказывает этот эксперимент – честно, без маркетинга:

1. Рутину медиабайера можно оцифровать. 90% их работы – это повторяющиеся действия: найти подход, написать тексты, сделать крео, настроить кампанию, посмотреть метрики. Это автоматизируется. Не «скоро», не «в теории» – это работает уже сейчас, с реальными деньгами и реальным трафиком.

2. Вайб-кодинг – инструмент, не волшебство. Первая версия показала, что можно быстро собрать рабочий драфт, но нельзя построить устойчивую систему. Чтобы это стало похоже на продукт, нужны архитектура, доменные модели, понятные флоу, ограничения и контроль. Без этого получается красивая демка, которая быстро начинает жечь токены, путаться в действиях и разваливаться на длинных цепочках. 

3. Эффект Конкорда исключён. Человек может месяц делать проклу, а потом не хотеть её выбрасывать, потому что уже вложил время, силы и нервы. Агенту всё равно. Если креатив не конвертит или связка не сходится по цифрам, он не пытается в неё «верить». Он просто выбрасывает вариант и собирает новый за несколько минут. Для медиабаинга это реально ценно. 

4. Нужна комбинация. Работает не AI в вакууме, а комбинация: архитектура, понимание медиабаинга, продуктовая логика, менеджмент, промты, данные и инфраструктура. Claude может написать код, Gemini – сделать картинку, Kling – собрать видео, но кто-то должен правильно спроектировать систему, задать роли, ограничения и процесс. Без этого агентам просто нечем управлять. 

5. Это начало, не финал. AIO – всего около двух лет на рынке. Для сравнения – конкуренты работают 10–15 лет. То, что для многих решений на рынке уже выглядит как потолок, для AIO пока только база, на которую можно наращивать AI-слой, автоматизацию, новые сценарии и более сложные процессы. 

6. Минус на старте – нормально. Первая версия не должна была сразу идеально залиться в плюс. Её задача была другая: проверить гипотезу, найти слабые места, понять экономику, увидеть, где агенты ошибаются, и собрать данные для следующей итерации. Здесь хорошо ложится мысль Валеры, которую мы уже озвучивали выше:

 «Если у тебя не получается, нигде не написано, что это вообще никогда у тебя не получится. [...] Сделай 11 раз, сделай 400 раз». 

Следите дальше – будет объявление о выходе v3.0 и открытии наблюдательного режима.

Если вы пользователь AIO, то следите за обновлениями, AI-функционал будет появляться прямо в продукте.