Москва вместо Петербурга: как ИИ реклама месяцами сливала бюджет медцентра премиум класса

ИИ-реклама премиум медцентра в Санкт-Петербурге 10 месяцев показывала объявления в Москве, генерировала несуществующие услуги ("выезд на дом") и несоответствующие креативы (текст про одну процедуру, фото оборудования для другой). Бюджет расходовался, новых пациентов не было.

Не раскрываю канал ИИ (федеральный ресурс)- здесь важнее логика ошибок и проверки, чем бренд рекламной платформы. В компании я разрабатывала стратегию, объединяя каналы привлечения в систему. Этот канал внешне работал нормально: показы и клики были, но новых клиентов не прибавлялось. Внутри ИИ искажал данные и тратил бюджет впустую.

ИИ реклама выглядит как быстрый способ получить заявки, но на практике может просто ускорить слив бюджета. Проблема не в самом ИИ, а в том, что без контроля он начинает оптимизироваться под удобные метрики - показы, клики и охваты - вместо клиентов и выручки.

К моменту, когда меня попросили разобраться, стоит ли продлевать кампанию и есть ли эффект, она крутилась уже 10 месяцев. Статистика этого канала не выделялась отдельно от других инструментов того же разработчика. Сервис был простым: загружаешь 10-20 объявлений, ИИ генерирует креативы и сам выбирает аудиторию. Проблема была в непрозрачности: внутри кабинета нельзя было увидеть, какие именно креативы создавались и как система к ним пришла.

Сначала нужно понять, кому и что именно показывает реклама: аудитории, географии, частоте и пути до заявки. Если не смотреть на эти параметры, можно увидеть показы и клики, но не получить клиентов. В нашем случае ИИ целился в новых клиентов, людей, которые не бывали в клинике, и это сильно затрудняло проверку. Мы ловили показы за пределами города через знакомых с чужих IP и гаджетов. Потом начали всплывать первые звоночки: фото не соответствовало тексту. Все это сразу фиксировали письменно, чтобы не потерять доказательства и детали. Техподдержка сначала отвечала: "Так видит ИИ".

С первого сигнала-обращения прошло 53 дня. Бюджет расходовался, шум в данных накапливался. В итоге мы добились отката модели, переобучения на новое гео, семантику, а также бесплатного продления размещения и личного менеджера.

ИИ, вероятно:

YMYL (Your Money or Your Life) - сферы, где информация влияет на здоровье, финансы, безопасность людей. Ошибка в рекламе - не только слив бюджета, но и риск получения опасной услуги для клиента, штрафов и потери репутации для бизнеса. В медицине особенно опасно, когда креатив выглядит убедительно, но не соответствует реальной услуге.

Лучше не верить цифрам "на автомате": сначала смотрим каждый канал, креатив и аудиторию отдельно, а потом уже - реальность заявки, записи в CRM и прихода клиента. Если этого нет, показы и клики сами по себе ничего не доказывают.

Логично масштабировать методом индукции: собирать данные по премиум сегментам - поведение клиентов, визуалы, тексты, которые переходят в сделки. Затем выделить YMYL подсегмент - медцентры. Потом применять общие паттерны к конкретному случаю методом дедукции: проверять, сработает ли набор гипотез на новом клиенте. Такой подход полезнее, чем обучение только на кликах и показах, потому что он связывает генерацию с реальной продажей.

Контроль качества ИИ должен быть двусторонним: со стороны разработчика и со стороны бизнеса. Разработчик отвечает за прозрачность логики, фильтры и ограничения, а бизнес - за приемку, фактчекинг, белый список услуг, гео, цен и визуалов.

Бизнесу важно проверять соответствие оффера реальным услугам, корректность гео и аудитории, цены, ограничения, визуал и тональность креатива, а также качество лидов и их коммерческую ценность. В премиум сегменте особенно важно, чтобы реклама не только давала заявки, но и соответствовала позиционированию бренда. Главный вопрос бизнеса: приводит ли реклама нужного клиента по нужной цене.

Продакт и ИТ команда должны проверять, откуда ИИ берет данные, как формируется семантика и аудитория, есть ли прозрачность по креативам, логирование и воспроизводимость, можно ли связать показы и клики с CRM, а также есть ли фильтры, белые списки и возможность отключить автогенерацию. Для разработки это еще и вопрос качества данных: если источник "грязный", модель будет масштабировать ошибку.

Гипотезы для проверки:

Проверка на практике:

Пишите в комментариях ваши ИИ фейлы. Как проверяете качество?