В разделе про креативный продакшн автор OMD приводит кампанию Heinz A.I. Ketchup:
- задача была понять, как ИИ «видит» кетчуп;
- через DALL-E 2 прогоняли запросы от «ketchup scuba diving» до «ketchup in outer space»;
- значительная часть результатов напоминала бутылки Heinz.
Вывод кампании из презентации: «Just like humans, A.I. prefers Heinz» — бренд настолько встроен в категорию, что даже text-to-image-модель ассоциирует слово «кетчуп» именно с ним.
Подробности кампании можно посмотреть, например, в разборе Heinz A.I. Ketchup на Campaigns of the World и в аналитике на 80.lv. ([campaignsoftheworld.com][2])
Для нас как маркетологов это демонстрация, что AI-генерация может быть не только продакшн-инструментом, но и частью big idea, основанной на данных из самой нейросети.
💻 Кейс: атрибуция рекламы и кодинг с помощью AI-агентов
В файле есть два важных технических сюжета.
1. Атрибуция для Digitalbudget.ru
-
Система мониторит рекламу на сайтах и считает видимость.
-
Объём данных в презентации:
-
более 40+ млн рекламных размещений;
-
более 400+ тыс. кликовых URL;
-
более 50+ тыс. размещений в сутки — всё это надо проанализировать и атрибутировать за 24 часа.
-
Требования: автономный сервис, задержка атрибуции не более 3 секунд на CPU, горизонтальное масштабирование, CI/CD-модели.
-
Результаты из файла:
-
общая точность — 88.13%;
-
время обработки — 1 s;
-
стоимость обработки — 0.00035 $.
Это классический пример AI-агента, который не генерирует тексты и картинки, а решает тяжёлую прикладную задачу на стыке маркетинга и ML-инфраструктуры.
Подробности о самом продукте и подходах к атрибуции можно посмотреть в материалах DigitalBudget / BannerStat и в презентациях компании на AdIndex. ([bannerstat.ru][3])
2. Разработка с GitHub Copilot для FSK
Команда «FSK» использует GitHub Copilot как ассистента разработчиков. В презентации приведены конкретные цифры за 2024 год (внутренний кейс):
- количество строк кода, написанных специалистом в час, снизилось на 17%;
- количество багов уменьшилось на 68% при том же времени разработки;
- число успешных релизов в месяц (CI/CD-pipeline) выросло на 15%;
- объём закрытых задач и багов в месяц вырос на 12%.
В выводах автор подчёркивает:
- Copilot — не магия и не универсальное решение; его подсказки всё равно должен проверять специалист;
- лучшая зона применения — генерация тестов и улучшение структуры кода;
- адаптация разработчика к работе с ассистентом занимает 1.5–2 месяца активной работы.
Публичные исследования GitHub и независимых команд в целом подтверждают, что GitHub Copilot может ускорять разработку и улучшать качество кода (функциональность, читаемость, время цикла), что согласуется с выводами кейса из презентации. ([The GitHub Blog][4])
То есть AI-агенты — это не только маркетинг на поверхности, но и глубинные технические истории, которые влияют на скорость и качество всего digital-продукта.
⚖️ Линии, которые ИИ пока не переходит: big idea и регулирование
В презентации выделены две «линии», которые пока остаются за человеком и за регуляторами.
1. BIG IDEA / INSIGHT / VISION
Автор прямо пишет: есть линия, которая отделяет то, что можно доверить ИИ, от того, что всё ещё зона человека. AI-агенты могут собрать инсайты, сегменты, паттерны и варианты коммуникаций, но решение о большой идее, позиционировании и видении бренда остаётся человеческим — с учётом риска, контекста и культуры.
2. AI-регулирование: copyright и ответственность
В разделе про политику регулирования AI отмечены два основных фокуса:
- защита авторских прав на любой контент, созданный с помощью ИИ;
- понимание ответственности за результаты и решения, принятые с использованием AI-инструментов.
Автор подчёркивает: продукт ИИ всегда зависит от компаний и их решений, а последствия этих решений могут создавать риски на уровне целых индустрий.
Даже в «магическом toolbox’е» ИИ остаётся инструментом, а ответственность за стратегию и последствия лежит на людях и организациях.