GIGASCHOOL показала, как ИИ-агент сэкономил 47 600 рублей в месяц: автоматизация рекламы без API

Максим Тодоров, учредитель компании, тестировавшей продвижение услуг через специализированную площадку b17.ru, столкнулся с проблемой: канал давал дешёвые и качественные лиды, но не имел API, что делало автоматизацию рекламных кампаний практически невозможной. Ручная работа маркетолога по сбору статистики, атрибуции лидов и анализу занимала до 11 часов в неделю. После внедрения ИИ-агента это время сократилось до 1 часа, что могло приносить экономию до 47 600 рублей в месяц. Однако главным результатом стало не это, а быстрое подтверждение или опровержение бизнес-гипотезы.

В рекламных кампаниях на платформах без API маркетологи вручную собирают данные, сопоставляют лиды с объявлениями и анализируют результаты. Это часы рутины, которая не только отнимает время, но и приводит к устареванию данных, замедляет принятие решений и увеличивает стоимость лида. Каждый такой час, это упущенная возможность для быстрой проверки гипотез и своевременной корректировки стратегии. Сегодня эту нагрузку можно полностью снять.

Боль ручной работы в рекламных кампаниях без API

Компания Максима Тодорова активно использовала площадку b17.ru для продвижения услуг. Несмотря на то, что лиды с этого источника были дешевле и качественнее, чем с других каналов, работа с платформой была сопряжена с серьёзными трудностями. Главное ограничение заключалось в отсутствии API, что не позволяло автоматизировать сбор данных и управление рекламными объявлениями. Площадка активно боролась с ботами, и даже базовые операции приходилось выполнять вручную.

До автоматизации маркетолог тратил около 11 часов в неделю на рутинные задачи: сбор статистики по показам, кликам, расходам и заявкам, сопоставление лидов с конкретными объявлениями, расчёт показателей и анализ кампаний. Этот процесс был линейным и трудоёмким: чем больше объявлений, тем дольше каждый этап. Из-за этого полноценный пересмотр стратегии происходил не чаще раза в месяц, когда часть данных уже теряла актуальность. Это замедляло проверку гипотез и не позволяло быстро реагировать на изменения.

Почему привычные инструменты не помогали

Обычные инструменты автоматизации, такие как стандартные скрипты или интеграции, были бесполезны из-за отсутствия API и активного противодействия со стороны площадки. Нужен был принципиально иной подход – система, способная имитировать действия человека в браузере, собирать данные и затем обрабатывать их, принимая во внимание все ограничения. Компания искала не просто способ выгрузить данные, а интеллектуального помощника, который мог бы взять на себя весь цикл работы с рекламными кампаниями, от сбора до формирования рекомендаций.

Так появилась идея ИИ-агента, который мог бы работать в условиях, когда традиционная автоматизация невозможна, и освободить маркетолога от рутины, оставив ему только стратегические задачи.

Проектирование ИИ-агента: архитектура и функционал

ИИ-агент был спроектирован как комплексная система, включающая несколько компонентов, работающих в связке. Его задачей было не только автоматизировать сбор данных, но и проводить их глубокий анализ, выявлять аномалии и формировать рекомендации для маркетолога. Система состояла из:

• Браузерного расширения. Отвечало за извлечение данных с b17.ru, имитируя действия пользователя. Это позволило обойти отсутствие API.
• Платформы n8n. Выступала в роли оркестратора, управляя всем процессом, от сбора данных до отправки результатов.
• Google Таблиц. Использовались для промежуточного хранения и обработки данных.
• Языковой модели. Отвечала за анализ подготовленных метрик, поиск закономерностей и аномалий, формирование гипотез и черновиков рекомендаций.
• Telegram-бота. Для запуска процесса и отправки отчётов.
• DataLens. Для визуализации технических и экономических показателей работы системы.

ИИ-агент был задуман как система, где языковая модель не делает всё, а фокусируется на интерпретации и формировании гипотез, тогда как сбор, атрибуция, расчёты и валидация выполняются детерминированным кодом. Это обеспечивало предсказуемость и воспроизводимость результатов на этапах, где ошибки критичны.

Внедрение и работа системы

Процесс начинался с ручного запуска: пользователь открывал b17.ru и активировал браузерное расширение, которое извлекало статистику и отправляло её в n8n. Далее процесс продолжался автоматически. Агент собирал более 20 параметров по каждому объявлению, очищал и форматировал данные, проверял на пропуски и дубли. Затем объявления связывались с заявками из форм для атрибуции лидов, что позволяло оценивать не только CTR, но и стоимость лида и конверсию.

Языковая модель получала уже подготовленные метрики. Её задача заключалась в интерпретации данных: она отличала объявления с низким CTR от объявлений с высоким CTR, но низкой конверсией, выявляла аномалии и предполагала причины слабых результатов. На выходе агент предлагал, какие объявления стоит оставить, изменить или отключить. Эти рекомендации не применялись автоматически, а проверялись маркетологом, который принимал окончательные решения.

Результаты и неожиданные выводы

После запуска система отправляла в Telegram краткую сводку и HTML-отчёт с метриками и рекомендациями. Для детального анализа была создана таблица с фильтрами, а DataLens использовался для мониторинга работы системы, включая время выполнения, стоимость запуска и корректность ответов модели. Среднее время одного прогона составляло около 124 секунд, а расчётная стоимость обработки одного объявления — 52 копейки.

Главный результат оказался не в прямой экономии. ИИ-агент быстро снял ограничение в верхней части воронки, подтвердив эффективность канала привлечения лидов. Однако дальнейший анализ показал, что продукт компании был недостаточно адаптирован к аудитории, которую приводила реклама. Таким образом, автоматизация выявила более глубокую проблему в продукте и обработке заявок, что привело к решению свернуть проект, для которого создавалась автоматизация. Это позволило избежать дальнейших затрат на масштабирование неэффективного направления.

Как применить этот подход у себя

Кейс GIGASCHOOL демонстрирует, что даже в условиях отсутствия API и активного противодействия автоматизации можно эффективно использовать ИИ-агентов. Если в вашем бизнесе есть процессы, где рутина съедает время, а традиционные методы автоматизации не подходят, рассмотрите следующие шаги:

• Используйте браузерные расширения для сбора данных. Отсутствие API не приговор. Если данные видны в браузере, их можно извлечь и передать для дальнейшей обработки.
• Разделяйте задачи между кодом и ИИ-агентом. Для детерминированных операций (сбор, расчёты, валидация) используйте обычный код. Языковую модель применяйте там, где нужна интерпретация, анализ и формирование гипотез.
• Начните с узких, но критичных мест. Автоматизация рутины, которая замедляет проверку бизнес-гипотез, может дать не только экономию, но и ценную информацию о жизнеспособности ваших продуктов или каналов.

Если этот кейс похож на то, что происходит у вас, наш менеджер поможет разобраться: бесплатно проанализирует ваш бизнес и нишу и подскажет, где ИИ-агент даст реальный результат именно в вашем случае. Написать менеджеру