Генеративные нейросети в рекламе

Происхождение и история термина

Выражение «генеративные нейросети в рекламе» соединяет название класса технологий со сферой применения. Надёжного первичного свидетельства об одном авторе или дате появления именно этого сочетания не установлено. Историю явления точнее показывают этапы развития моделей, из которых выросли современные рекламные инструменты.

В 2014 году Иэн Гудфеллоу и соавторы представили генеративно-состязательные сети, или GAN: генератор создаёт образцы, а дискриминатор учится отличать их от обучающих данных. ^[2] В 2017 году архитектура Transformer показала, как механизм внимания обрабатывает связи между элементами последовательности, а декодер по одному создаёт элементы ответа. ^[3] В 2020 году работа о вероятностных диффузионных моделях продемонстрировала синтез изображений через обращение процесса добавления шума. ^[4] Эти публикации отмечают технические этапы, а не дату рождения рекламы с ИИ.

К 2024 году профиль NIST описывал генеративный ИИ как широкий класс систем для текста, изображений, видео, аудио и других цифровых материалов. ^[1] Современный термин поэтому охватывает разные архитектуры и сервисы.

Суть и механизм

Во время обучения модель подбирает параметры, чтобы воспроизводить статистические закономерности данных. При использовании она получает условие: например, описание товара, исходное изображение и требования к формату. Затем формирует вероятный результат. Для текста это может быть последовательное предсказание следующего элемента; для диффузионного изображения — последовательное удаление шума. ^{[1] [3] [4]}

Генерация сама по себе не сверяет результат с карточкой товара. Модель может уверенно создать неверную характеристику, ссылку или подпись — NIST называет это конфабуляцией. ^[1] Кроме того, запрос задаёт направление, но не определяет каждую деталь результата. ^[11] Поэтому промпт, то есть инструкция модели, не заменяет бриф и подтверждённые сведения о продукте.

Учебный пример. Производитель просит показать кофемашину на кухне. Модель добавляет на корпус кнопку функции, которой у устройства нет. Композиция может подойти дизайнеру, но кнопку надо удалить: визуальная деталь создаёт ложное обещание.

Виды и классификации

Для рекламной работы полезна редакционная классификация по роли результата. Идейный эскиз помогает выбрать направление. Производственная заготовка становится фоном, вариантом текста или раскадровкой. Адаптация меняет размер, язык или стиль согласованного материала. Кандидат на размещение прошёл содержательную и техническую проверку. Это классификация редакции, а не отраслевой стандарт.

По формату различают генерацию текста, изображения, звука и видео. По способу работы — создание по условию и преобразование предоставленного материала. Технически применяются состязательные, авторегрессионные и диффузионные модели. Авторегрессионная модель создаёт последовательность шаг за шагом: каждый следующий элемент зависит от уже созданных. ^{[2] [3] [4]}

Как применяется на практике

Команда составляет бриф: что рекламируется, кому адресовано сообщение, какие свойства подтверждены и какие элементы запрещены. Затем создаёт варианты и проверяет текст, числа, логотипы, упаковку, лица, фон и показанный способ использования товара.

В Google Ads рекламодатель может получать изображения из материалов кампании или посадочной страницы и решает, какие варианты добавить. Ручная генерация доступна не всем аккаунтам и внедряется постепенно; сгенерированные материалы проходят те же правила и проверку, что и прочая реклама. ^[5] Google сообщает, что при соблюдении правил и условий сервиса не ограничивает использование сгенерированного контента вне своей экосистемы. Это не самостоятельная передача прав на входные материалы или каждый результат; применимые условия Google Ads зависят от страны рекламодателя. ^{[5] [6]}

Российский пример даёт справка Яндекс Директа о Мастере кампаний без сайта. Сервис может подготовить лендинг, тексты и изображения по описанию бизнеса, а интерфейс предлагает несколько элементов объявления. Справка прямо просит проверить, что их сочетания не противоречат друг другу. ^[7] Эти возможности нельзя переносить на другие режимы или платформы.

Финальную версию сохраняют вместе с брифом, источниками утверждений и решением согласующего лица. Сохранённый промпт помогает восстановить процесс, но не подтверждает факты или наличие прав.

Как измерить или проверить

На этапе производства можно считать долю пригодных вариантов:

где $G$ — число сгенерированных вариантов, а $A$ — число вариантов, прошедших заранее установленную проверку. Если из 20 изображений пять соответствуют брифу, $Y = 5 / 20 \times 100\% = 25\%$. Это показатель производственного выхода, а не продаж.

Причинный эффект рекламы оценивают в рандомизированном сравнении, где аудиторию случайно делят на группы. Источник ^[8] подтверждает такой дизайн для измерения brand lift по опросам; он не исследует конверсии из следующего примера. Учебный расчёт: вариант с генеративным изображением дал 120 конверсий на 6000 показов, контроль — 96 на 6000. Конверсия равна 2,0% и 1,6%; абсолютная разница — 0,4 процентного пункта, относительная — 25%. Для вывода нужны заранее выбранная метрика, достаточная выборка и оценка неопределённости. Если одновременно изменились цена и аудитория, разницу нельзя приписать изображению.

Ошибки, ограничения и спорные вопросы

Правдоподобие не равно точности. Проверяют мелкие надписи, количество предметов, свойства продукта и контекст сцены. После исправления одного фрагмента весь макет просматривают заново.

Число вариантов также не равно качеству: большой объём может размножить один дефект. Полезнее фиксировать причины отклонения, время исправления и долю материалов, прошедших единый критерий.

Для загруженных материалов и результата проверяют отдельные основания. Например, Google Ads сообщает, что при соблюдении его правил и применимых условий не ограничивает внешнее использование созданного сервисом контента; применимый договор зависит от страны рекламодателя. ^{[5] [6]} Это условие сервиса не доказывает права на загруженный логотип, фотографию или образ человека. NIST рекомендует отдельно учитывать права третьих лиц, условия поставщика и конфиденциальность данных. ^[1]

Правовой аспект

В России к сгенерированному объявлению применяются общие требования Федерального закона от 13 марта 2006 года № 38-ФЗ «О рекламе» в редакции от 4 августа 2026 года. Части 1, 3 и 7 статьи 5 требуют добросовестности и достоверности, запрещают ложные сведения о характеристиках, цене, правах и исследованиях, а также пропуск существенной информации, который искажает смысл. ^[9]

Статья 1259 части IV ГК РФ в редакции от 23 июля 2025 года, действующей с изменениями с 4 января 2026 года, перечисляет виды произведений, требует объективной формы и отделяет произведение от неохраняемых идей, методов и фактов. ^[10] Она не решает автоматически вопрос о правах на любой сгенерированный макет. Отчёт U.S. Copyright Office 2025 года относится только к праву США и оценивает охраноспособность с учётом фактического человеческого вклада. ^[11]

Федеральный закон от 26 июля 2026 года № 243-ФЗ действует в основной части с 1 сентября 2026 года и относится к большим фундаментальным моделям: статья 3, среди прочих признаков, устанавливает порог не менее одного миллиарда параметров и назначение для множества задач. ^[12] Поэтому закон применим не к любой нейросети. Статьи 9 и 10 вступят в силу 1 марта 2027 года. Статья 9 предусматривает возможность разместить предупреждение об использовании ИИ для аудио- и визуального материала; она не обязывает рекламодателя маркировать каждое объявление. С 1 марта 2027 года часть 1 статьи 10, если иное не предусмотрено законодательством РФ, обяжет лиц, которые предоставляют возможность применять большие фундаментальные модели, уведомлять пользователей о принадлежности прав на полученные результаты и об условиях доступа к ним и их использования. Об условиях сохранения надо будет сообщать при наличии технической возможности. ^[12] Такое уведомление не определяет права само по себе и не заменяет проверку конкретного сервиса и макета.

Частые вопросы

Связанные термины

• reklamnyy-kreativ
• generativnyy-ii-i-etika-smi
• prompt
• prompt-inzhiniring
• dipfeyk
• avtorskoe-pravo-v-internete