Топ-5 провалов при использовании нейросетей в маркетинге: от «галлюцинаций» ИИ до юридических рисков за использование сгенерированных изображений

Нейросети стали волшебной палочкой для маркетологов: автоматизация контента, предиктивная аналитика, персонализация рекомендаций — всё это обещает снизить затраты и повысить результативность кампаний. Однако реальность намного сложнее красивых презентаций на конференциях. За прошедшие годы крупнейшие бренды — Google, Coca-Cola, McDonald's — столкнулись с серьёзными провалами, которые стоили им репутации, бюджетов и доверия аудитории. Давайте разберём пять критических ошибок, которые нельзя повторять.

Суть проблемы

"Галлюцинации" — это когда нейросеть порождает убедительно звучащую, но абсолютно ложную информацию. По данным McKinsey, в 2024 году галлюцинации ИИ привели к потерям в 67,4 млрд долларов глобально. Даже лучшие модели галлюцинируют между 15% и 27% времени, в зависимости от сложности задачи.

Что особенно опасно для маркетологов: эта дезинформация подаётся с полной уверенностью. Клиент видит текст, выглядящий как факт, и принимает на его основе решения. Согласно данным Deloitte, 47% пользователей корпоративного ИИ принимали серьёзные бизнес-решения на основе информации, которая оказалась ошибочной.

Примеры из практики

Когда Google запустил AI Overviews в 2024 году, система начала выдавать откровенно ложную информацию о брендах. ИИ приписывал кампании и партнёрства одной компании другой, путал параметры продуктов, генерировал несуществующие сертификаты и услуги.

В сфере e-commerce галлюцинации особенно опасны: ИИ может указать неправильные характеристики товара, цены или статус доступности, отправляя потенциальных покупателей к конкурентам.

Каскадный эффект

В современных маркетинговых организациях ошибка ИИ не остаётся изолированной — она распространяется между командами и системами. Единственная галлюцинация о тренде может привести к неправильному распределению бюджета, провальной кампании и потере доверия клиентов. По статистике, 77% компаний, использующих ИИ, беспокоятся о проблеме галлюцинаций.[2][1]

Даже передовые системы машинного обучения часто завышают точность своих рекомендаций. Проблема кроется в фундаментальном несоответствии между логикой алгоритма и реальным поведением людей. ИИ анализирует исторические данные и ищет паттерны, но психология человека намного сложнее статистики.

Только 20% организаций по продажам прогнозируют с точностью выше 75%. 79% компаний промахиваются в прогнозах более чем на 10%. Когда данные неполные, устаревшие или смещённые (что особенно вероятно при сборке больших объёмов информации), модель выдаёт рекомендации, которые выглядят логичными, но не соответствуют реальному спросу.

Проблема переупрощения

Маркетологи часто ищут "одно число" для решения задачи, но предпочтения клиентов — это не таблица со столбцами. Эмоции, контекст, социальное окружение, даже сезонные изменения в настроении — всё это влияет на решение о покупке, но ИИ это редко учитывает.

Когда предиктивная модель рекомендует сегментировать аудиторию или выбрать канал, основываясь на неполных данных, результат часто оказывается противоположным ожиданиям. Бюджет перенаправляется на бесполезные платформы, а кампания проходит мимо целевой аудитории.

Использование нейросетей для создания изображений — это "юридическое минное поле". В 2024 году дело Andersen v. Stability AI ясно показало: как разработчики ИИ, так и конечные пользователи могут нести ответственность за нарушение авторских прав.

Почти все популярные генераторы изображений (DALL-E, Midjourney, Stable Diffusion) обучены на миллиардах изображений, собранных в интернете, часто без согласия авторов. Когда ИИ генерирует новое изображение, оно может воспроизводить элементы оригинальных работ настолько точно, что будет являться по факту копией.

Кто платит?

Здесь начинается настоящая головная боль. DALL-E заявляет, что пользователи получают коммерческие права на созданные изображения, но в условиях говорится: эти права теряются при нарушении политики OpenAI. Stable Diffusion и Midjourney в своих условиях указывают, что пользователь отказывается от всех прав интеллектуальной собственности на генерированный контент.

Самое опасное: несмотря на заявления о коммерческом использовании, платформы не предоставляют никакой правовой защиты при судебном разбирательстве. Риск полностью падает на конечного пользователя. Компания может получить судебное письмо от владельца оригинального произведения, а генератор ИИ будет просто смотреть со стороны.

Реальные последствия

Дело Andersen v. Stability AI подтвердило, что конечные пользователи AI-генераторов "способны создавать очень похожие, если не идентичные работы по сравнению с изображениями из обучающего набора", что может привести к ответственности за нарушение авторских прав. Компании, которые использовали генерированные изображения в рекламе без должной проверки, рискуют не только убытками от судебных исков, но и репутационным ущербом — особенно если речь идёт о присвоении чужого художественного стиля или копировании известных персонажей.

AI не может быть объективнее данных, на которых он обучен. Если исторические данные отражают дискриминацию, ИИ её не только воспроизведёт, но и усилит. Amazon пришлось закрыть свою AI-систему найма сотрудников после того, как выяснилось, что она систематически дискриминирует женщин — потому что модель была обучена на исторических данных, где в tech-секторе доминировали мужчины.

Скрытые переменные

Проблема в том, что дискриминация работает не только через явные характеристики. Если вы удалите из модели "пол" или "раса", ИИ всё равно найдёт косвенные признаки — род занятия, место жительства, образование — которые коррелируют с защищаемыми характеристиками. Результат: модель продолжает дискриминировать, но более хитро.

По статистике, 85% плохо управляемых проектов ИИ рискуют выдавать ошибочные или предвзятые результаты. В маркетинге это может привести к дискриминационному таргетированию, оскорбительным рекомендациям и серьёзным репутационным потерям.

В 2025 году скандал, раскрытый Adalytics, показал невероятный масштаб проблемы: объявления крупнейших брендов мира (Google, Amazon и другие) размещались на сайте, который размещал материалы с детским сексуальным насилием. Минимум 80 известных компаний не знали об этом. Платформы вроде DoubleVerify и Integral Ad Science, которые обещают защиту бренда, явно не справляются.

В среднем 20-30% размещений объявлений оказываются на "мусорных" сайтах — MFA (Made-for-Advertising) сайтах с низкокачественным контентом, ботами и потенциально вредоносным окружением. Это не только тратит маркетинговый бюджет впустую, но и повреждает репутацию бренда.

Проблема автоматизации

Алгоритмы программатик-рекламы (programmatic advertising) работают в миллисекундах, торгуя за место размещения без какого-либо человеческого надзора. ИИ не может по-настоящему понять контекст: что рядом с вашим объявлением? Какие статьи, комментарии, другие объявления находятся на странице? Система видит только метаданные и вероятности.

Компании YouTube и McDonald's столкнулись с подобными скандалами ещё в 2017 году, когда их объявления оказались рядом с экстремистским контентом. Эта проблема не исчезла — она только усложнилась.

1. Никогда не доверяйте ИИ на 100%

Любой вывод нейросети перед публикацией должен проверить живой человек. Галлюцинации не исчезнут — с ними нужно работать.

2. Относитесь к данным критически

Перед обучением модели проведите аудит данных на предмет смещений, пропусков и устаревшей информации. Разнообразие источников данных — ключ к справедливым результатам.

3. Получайте правовую консультацию

Перед использованием генерированного контента в коммерческих целях убедитесь, что вы понимаете риски и ответственность. Лучше потратить бюджет на адвоката сейчас, чем на судебные разбирательства потом.

4. Не полагайтесь только на алгоритмы бренд-безопасности

Требуйте прямые отчёты о размещении объявлений, регулярно проводите выборочный аудит. Программатик-реклама — это не полностью автоматизированный процесс.

5. Тестируйте на реальной аудитории

Перед запуском кампании с ИИ-контентом, даже если он прошёл лабораторные тесты, проверьте реакцию небольшой группы целевой аудитории. Google Gemini "хорошо прошёл тестирование", но всё равно провалился в реальности.

Нейросети — это мощный инструмент, но они не избавляют вас от необходимости критически мыслить, проверять факты и нести ответственность за результаты. Каждый провал, о котором мы рассказали, был предотвратим. Компании просто пошли по пути наименьшего сопротивления, полностью доверившись алгоритмам.

2025 год — это время, когда маркетологи должны взрослеть в отношении ИИ. Не "как быстрее автоматизировать?", а "как безопасно и этично использовать эту технологию?". Те, кто это поймёт, получат конкурентное преимущество. Остальные повторят ошибки Google, Coca-Cola и McDonald's.

Помните: ИИ — это ассистент, а не замена маркетолога. Когда вы забываете об этом, ваша кампания становится следующей историей провала в LinkedIn.