Google больше не хочет оптимизироваться по мусорным лидам
Долгое время рекламные системы жили в странном компромиссе. Алгоритм видел отправленную форму и считал её успехом, а бизнес уже потом разбирался, был ли это реальный клиент или очередная заявка без намерения покупать.
С запуском встроенной панели управления лидами Google делает шаг к другой модели. Теперь рекламодатель получает возможность работать не только с объёмом заявок, но и с их дальнейшим статусом прямо внутри рекламной экосистемы. И это куда важнее, чем может показаться на первый взгляд.
Главный тренд последних лет — переход от оптимизации под количество к оптимизации под качество. Когда система получает обратную связь о том, какие лиды дошли до квалификации, а какие оказались бесполезными, она начинает искать аудиторию совсем иначе. Фактически Google получает дополнительный слой данных для обучения своих алгоритмов.
Для креативщиков это тоже сигнал. Если раньше слабый оффер мог компенсироваться большим объёмом дешёвых заявок, то теперь ценность креатива всё сильнее определяется качеством привлечённого пользователя. Объявление должно не просто собирать клики и формы, а привлекать людей с более высокой вероятностью дальнейшей конверсии.
Интересно и другое: рынок постепенно признаёт проблему некачественных лидов как системную. В отдельных вертикалях доля нерелевантных заявок может достигать значительных значений, что серьёзно искажает обучение рекламных алгоритмов.
Похоже, следующая большая гонка в performance-маркетинге будет идти не за CTR и не за CPL. Побеждать будут команды, которые смогут передавать платформам максимально чистый сигнал о реальной ценности каждого лида.
Долгое время рекламные системы жили в странном компромиссе. Алгоритм видел отправленную форму и считал её успехом, а бизнес уже потом разбирался, был ли это реальный клиент или очередная заявка без намерения покупать.
С запуском встроенной панели управления лидами Google делает шаг к другой модели. Теперь рекламодатель получает возможность работать не только с объёмом заявок, но и с их дальнейшим статусом прямо внутри рекламной экосистемы. И это куда важнее, чем может показаться на первый взгляд.
Главный тренд последних лет — переход от оптимизации под количество к оптимизации под качество. Когда система получает обратную связь о том, какие лиды дошли до квалификации, а какие оказались бесполезными, она начинает искать аудиторию совсем иначе. Фактически Google получает дополнительный слой данных для обучения своих алгоритмов.
Для креативщиков это тоже сигнал. Если раньше слабый оффер мог компенсироваться большим объёмом дешёвых заявок, то теперь ценность креатива всё сильнее определяется качеством привлечённого пользователя. Объявление должно не просто собирать клики и формы, а привлекать людей с более высокой вероятностью дальнейшей конверсии.
Интересно и другое: рынок постепенно признаёт проблему некачественных лидов как системную. В отдельных вертикалях доля нерелевантных заявок может достигать значительных значений, что серьёзно искажает обучение рекламных алгоритмов.
Похоже, следующая большая гонка в performance-маркетинге будет идти не за CTR и не за CPL. Побеждать будут команды, которые смогут передавать платформам максимально чистый сигнал о реальной ценности каждого лида.
Entropy-Cut: как модель принимает решения — новый взгляд на креативные тесты
Свежая работа из arXiv меняет правила для тех, кто работает с AI-генерацией в рекламе. Алгоритм Entropy-Cut Metropolis-Hastings не просто ускоряет рассуждения модели, он показывает, что качество ответа зависит не от длины цепочки токенов, а от точек, где модель делает развилки.
На практике это значит: при тестировании AI-креативов мы часто оцениваем только финальный текст — хук, визуал, CTA. Но реальное качество закладывается раньше, на этапе сэмплирования. Модель может выдать убедительный заголовок, но если в решающей точке выбора были плохие альтернативы, вся генерация будет нестабильной.
Для медиабайеров это сигнал: не доверяйте «длинным рассуждениям» — смотрите, как модель выбирает. В гео- и AI-оверлеях этот сдвиг уже заметен. Если сейчас не начать тестировать схемы сэмплинга вместе с промптами, можно пропустить момент, когда одинаковые креативы на разных моделях начнут давать разный результат из-за внутренних развилок.
Коротко: Entropy-Cut — не про скорость, а про контроль над решениями. Для креативщиков это повод пересмотреть метрики оценки AI-слоя.
Связанная тема раскрывается в @ForgeAttributionMeasurementSigna
Свежая работа из arXiv меняет правила для тех, кто работает с AI-генерацией в рекламе. Алгоритм Entropy-Cut Metropolis-Hastings не просто ускоряет рассуждения модели, он показывает, что качество ответа зависит не от длины цепочки токенов, а от точек, где модель делает развилки.
На практике это значит: при тестировании AI-креативов мы часто оцениваем только финальный текст — хук, визуал, CTA. Но реальное качество закладывается раньше, на этапе сэмплирования. Модель может выдать убедительный заголовок, но если в решающей точке выбора были плохие альтернативы, вся генерация будет нестабильной.
Для медиабайеров это сигнал: не доверяйте «длинным рассуждениям» — смотрите, как модель выбирает. В гео- и AI-оверлеях этот сдвиг уже заметен. Если сейчас не начать тестировать схемы сэмплинга вместе с промптами, можно пропустить момент, когда одинаковые креативы на разных моделях начнут давать разный результат из-за внутренних развилок.
Коротко: Entropy-Cut — не про скорость, а про контроль над решениями. Для креативщиков это повод пересмотреть метрики оценки AI-слоя.
Связанная тема раскрывается в @ForgeAttributionMeasurementSigna
Когда креатив «поплыл» не в метафоре, а по фактам — это уже не вопрос вкуса, а вопрос системы.
В arXiv вышла работа про обнаружение галлюцинаций в клинических саммари. Смысл простой: модель не просто пишет итоговый текст, а получает сигнал, где именно она начала выдумывать, и на этом основании переправляет свой ответ. Вторая версия подхода идёт дальше: такие исправленные траектории превращают в пары предпочтений и используют для дообучения.
На Llama-3.1-8B-Instruct это дало заметное снижение галлюцинаций: примерно на 24% в режиме правок по ходу генерации и до 48% в варианте с preference learning. При этом текст не развалился по качеству — сохранялись связность, читаемость и уместность.
Почему это важно не только для медицины? Потому что в рекламных креативах и лендингах проблема похожая: модель может звучать уверенно, но при этом додумывать пользу, характеристики, ограничения или даже сам оффер. И чем жёстче ниша — здоровье, финансы, B2B, legal — тем дороже обходится такая «уверенность».
Хороший сигнал для медиапланеров и креативных команд: проверку фактов лучше встраивать не в финальную вычитку, а в сам цикл генерации. Не «сначала написали, потом поймали ошибки», а «ошибка не проходит дальше».
Для тех, кто делает AI-креативы, UGC-скрипты или текстовые вариации под performance, это прямой повод пересмотреть пайплайн. Модель должна не только генерировать больше вариантов, но и уметь отсекать те, что красиво звучат и плохо соответствуют реальности.
В arXiv вышла работа про обнаружение галлюцинаций в клинических саммари. Смысл простой: модель не просто пишет итоговый текст, а получает сигнал, где именно она начала выдумывать, и на этом основании переправляет свой ответ. Вторая версия подхода идёт дальше: такие исправленные траектории превращают в пары предпочтений и используют для дообучения.
На Llama-3.1-8B-Instruct это дало заметное снижение галлюцинаций: примерно на 24% в режиме правок по ходу генерации и до 48% в варианте с preference learning. При этом текст не развалился по качеству — сохранялись связность, читаемость и уместность.
Почему это важно не только для медицины? Потому что в рекламных креативах и лендингах проблема похожая: модель может звучать уверенно, но при этом додумывать пользу, характеристики, ограничения или даже сам оффер. И чем жёстче ниша — здоровье, финансы, B2B, legal — тем дороже обходится такая «уверенность».
Хороший сигнал для медиапланеров и креативных команд: проверку фактов лучше встраивать не в финальную вычитку, а в сам цикл генерации. Не «сначала написали, потом поймали ошибки», а «ошибка не проходит дальше».
Для тех, кто делает AI-креативы, UGC-скрипты или текстовые вариации под performance, это прямой повод пересмотреть пайплайн. Модель должна не только генерировать больше вариантов, но и уметь отсекать те, что красиво звучат и плохо соответствуют реальности.
Sora — это не магия, а ускоритель производства
Sora уже в доступе, и для баеров это важнее, чем кажется. Не потому что «теперь всё будет AI», а потому что у креативной команды появился ещё один быстрый способ штамповать вариации видео под тесты.
По факту инструмент закрывает базовые задачи: короткие ролики до 20 секунд, разные форматы под вертикаль и горизонталь, работа со своими ассетами, а также remix и blend. И вот здесь начинается интересное: голый генеративный ролик часто выглядит стерильно, но если брать рабочий UGC-скелет или демо-материал и собирать на его основе несколько сценических версий, можно резко ускорить поиск рабочей подачи.
Главная ошибка — ждать, что генератор сам найдет сильный angle. Не найдет. Он может быстро собрать обёртку, но не заменяет оффер, первый хук и логику пре-селла. Если связка слабая, красивое видео просто быстрее сольёт бюджет.
Что стоит тестировать в первую очередь: один и тот же хук в нескольких визуальных исполнениях, короткие демонстрации под разные форматы, варианты темпа и композиции первого кадра. Sora полезна не как “вау-эффект”, а как станок для увеличения числа осмысленных креативных веток.
По этой же логике полезен @NativePushTrafficTools9
Sora уже в доступе, и для баеров это важнее, чем кажется. Не потому что «теперь всё будет AI», а потому что у креативной команды появился ещё один быстрый способ штамповать вариации видео под тесты.
По факту инструмент закрывает базовые задачи: короткие ролики до 20 секунд, разные форматы под вертикаль и горизонталь, работа со своими ассетами, а также remix и blend. И вот здесь начинается интересное: голый генеративный ролик часто выглядит стерильно, но если брать рабочий UGC-скелет или демо-материал и собирать на его основе несколько сценических версий, можно резко ускорить поиск рабочей подачи.
Главная ошибка — ждать, что генератор сам найдет сильный angle. Не найдет. Он может быстро собрать обёртку, но не заменяет оффер, первый хук и логику пре-селла. Если связка слабая, красивое видео просто быстрее сольёт бюджет.
Что стоит тестировать в первую очередь: один и тот же хук в нескольких визуальных исполнениях, короткие демонстрации под разные форматы, варианты темпа и композиции первого кадра. Sora полезна не как “вау-эффект”, а как станок для увеличения числа осмысленных креативных веток.
По этой же логике полезен @NativePushTrafficTools9
Zero-click теперь угрожает не только SEO, но и креативу
Google всё сильнее превращает поиск в экран с ответом, а не в маршрут до сайта. Для медиа это уже проблема трафика. Для нас, кто делает креативы под перфоманс, это ещё и сигнал про то, как меняется сам путь пользователя.
Если раньше можно было рассчитывать на цепочку «запрос → выдача → клик → лендинг», то теперь часть запросов закрывается прямо в SERP. Пользователь видит краткий ответ, получает “достаточно” и уходит без перехода. В результате падает не только объём входящего трафика, но и ценность широких информационных углов, которые держались на любопытстве, а не на намерении.
Что это значит для рекламных связок:
— меньше надежды на холодный инфотрафик как на бесплатный разогрев;
— больше веса у креативов, которые сразу бьют в конкретную задачу;
— выше ценность лендинга, который отвечает не “в целом”, а “почему именно сейчас и почему у нас”;
— слабее работают общие формулировки, если они не подталкивают к действию.
Именно поэтому пересматривать стоит не только семантику, но и хуки в объявлениях. Когда пользователь привыкает получать быстрый ответ на уровне поиска, креатив тоже должен закрывать вопрос быстрее: что болит, что теряется, почему это важно. Не «узнай больше», а «вот причина, по которой это касается тебя».
Для медиабайера вывод простой: считать надо не только показы, CTR и позиции, но и то, сколько реальных переходов ещё остаётся после того, как платформы начали забирать внимание себе. А для креатива — меньше общих обещаний, больше точных сценариев и визуалов, которые режут шум с первых секунд.
Google всё сильнее превращает поиск в экран с ответом, а не в маршрут до сайта. Для медиа это уже проблема трафика. Для нас, кто делает креативы под перфоманс, это ещё и сигнал про то, как меняется сам путь пользователя.
Если раньше можно было рассчитывать на цепочку «запрос → выдача → клик → лендинг», то теперь часть запросов закрывается прямо в SERP. Пользователь видит краткий ответ, получает “достаточно” и уходит без перехода. В результате падает не только объём входящего трафика, но и ценность широких информационных углов, которые держались на любопытстве, а не на намерении.
Что это значит для рекламных связок:
— меньше надежды на холодный инфотрафик как на бесплатный разогрев;
— больше веса у креативов, которые сразу бьют в конкретную задачу;
— выше ценность лендинга, который отвечает не “в целом”, а “почему именно сейчас и почему у нас”;
— слабее работают общие формулировки, если они не подталкивают к действию.
Именно поэтому пересматривать стоит не только семантику, но и хуки в объявлениях. Когда пользователь привыкает получать быстрый ответ на уровне поиска, креатив тоже должен закрывать вопрос быстрее: что болит, что теряется, почему это важно. Не «узнай больше», а «вот причина, по которой это касается тебя».
Для медиабайера вывод простой: считать надо не только показы, CTR и позиции, но и то, сколько реальных переходов ещё остаётся после того, как платформы начали забирать внимание себе. А для креатива — меньше общих обещаний, больше точных сценариев и визуалов, которые режут шум с первых секунд.
TikTok убирает хаос из запуска рекламы — и это не случайно
TikTok в своей логике запуска рекламы делает очень понятную вещь: сначала не заставляет вас тонуть в настройках, а предлагает выбрать намерение кампании. Awareness, Consideration, Conversion — три больших корзины вместо десятков разрозненных решений. И это не просто UX-удобство, а способ снизить порог входа для бизнеса.
В такой модели выигрывает не тот, кто дольше крутит параметры, а тот, кто быстрее понимает, на каком участке воронки работает креатив. Один и тот же UGC-угол может быть отличным для охвата и слабым для конверсии. И наоборот: прямой продающий месседж часто не нужен на верхнем уровне, но может вытянуть performance на нижнем.
Отдельно показательно, что Smart+ решения тоже собраны вокруг упрощения выбора: бюджет, таргетинг, плейсменты, catalog ads. Платформа как будто говорит маркетологу: меньше ручного контроля на старте, больше дисциплины в постановке цели. Для креативных команд это сигнал пересмотреть, как они оценивают свои связки: не по «нравится / не нравится», а по роли конкретного угла внутри воронки.
TikTok в своей логике запуска рекламы делает очень понятную вещь: сначала не заставляет вас тонуть в настройках, а предлагает выбрать намерение кампании. Awareness, Consideration, Conversion — три больших корзины вместо десятков разрозненных решений. И это не просто UX-удобство, а способ снизить порог входа для бизнеса.
В такой модели выигрывает не тот, кто дольше крутит параметры, а тот, кто быстрее понимает, на каком участке воронки работает креатив. Один и тот же UGC-угол может быть отличным для охвата и слабым для конверсии. И наоборот: прямой продающий месседж часто не нужен на верхнем уровне, но может вытянуть performance на нижнем.
Отдельно показательно, что Smart+ решения тоже собраны вокруг упрощения выбора: бюджет, таргетинг, плейсменты, catalog ads. Платформа как будто говорит маркетологу: меньше ручного контроля на старте, больше дисциплины в постановке цели. Для креативных команд это сигнал пересмотреть, как они оценивают свои связки: не по «нравится / не нравится», а по роли конкретного угла внутри воронки.
Когда креативный пайплайн начинают «проверять» моделью, легко получить красивую, но пустую уверенность.
В свежем разборе на данных SEC 10-K прогнали LLM по чистым финансовым строкам и собрали очень неприятную картину: даже на входе без явных ошибок модель массово находила несуществующие проблемы. На одном из наборов false positives доходили до 95–100%. То есть система уверенно «видела» баги там, где их не было.
Для креативщиков и медиабайеров вывод прямой: если вы используете LLM для QA объявлений, сверки цифр, проверки лендингов или генерации комментариев к performance-данным, нельзя считать её универсальным фильтром. Особенно если на входе есть:
- округления и разные форматы чисел;
- сравнение периодов;
- связки между таблицами, офферами и метриками;
- данные, где ошибка может быть «похожей на правду».
В этом тесте отдельно видно, что поведение модели сильно зависит от типа входа: на одном формате recall был ниже, на другом — выше, но цена за это — ложные срабатывания. А в одном из сравнительных прогонов часть запросов вообще не прошла через gateway. То есть проблема не только в точности, но и в стабильности самого контура.
Практический вывод для ad creatives stack простой: LLM хороша как помощник для первичного скрининга, идей и подсветки рисков. Но если речь о финальной валидации креатива, цифр в тексте, claims на лендинге или согласовании отчётов, нужен ручной контроль и отдельная настройка под формат данных.
Иначе модель будет уверенно браковать рабочие объявления — и так же уверенно пропускать реальные ошибки.
В свежем разборе на данных SEC 10-K прогнали LLM по чистым финансовым строкам и собрали очень неприятную картину: даже на входе без явных ошибок модель массово находила несуществующие проблемы. На одном из наборов false positives доходили до 95–100%. То есть система уверенно «видела» баги там, где их не было.
Для креативщиков и медиабайеров вывод прямой: если вы используете LLM для QA объявлений, сверки цифр, проверки лендингов или генерации комментариев к performance-данным, нельзя считать её универсальным фильтром. Особенно если на входе есть:
- округления и разные форматы чисел;
- сравнение периодов;
- связки между таблицами, офферами и метриками;
- данные, где ошибка может быть «похожей на правду».
В этом тесте отдельно видно, что поведение модели сильно зависит от типа входа: на одном формате recall был ниже, на другом — выше, но цена за это — ложные срабатывания. А в одном из сравнительных прогонов часть запросов вообще не прошла через gateway. То есть проблема не только в точности, но и в стабильности самого контура.
Практический вывод для ad creatives stack простой: LLM хороша как помощник для первичного скрининга, идей и подсветки рисков. Но если речь о финальной валидации креатива, цифр в тексте, claims на лендинге или согласовании отчётов, нужен ручной контроль и отдельная настройка под формат данных.
Иначе модель будет уверенно браковать рабочие объявления — и так же уверенно пропускать реальные ошибки.
Аукцион Meta: ставка — не главное, качество креатива решает
В аукционе Meta итоговая ценность объявления считается по формуле: ставка × прогнозируемая вероятность действия + оценка качества. И если про вероятность действия многие помнят (цель кампании), то качество объявления часто недооценивают.
Качество строится на реакциях пользователей: лайки, комментарии, скрытия и жалобы. Скрытие и жалоба — прямой удар по оценке. Вы можете поставить высокую ставку и правильно выбрать цель, но если пользователи скрывают объявление, аукцион отдаст показ конкуренту с более «чистым» креативом.
Оплата работает по принципу VCG — платите минимум, необходимый для выигрыша, а не свою ставку. Это создаёт иллюзию, что можно просто поднять ставку. Но на практике низкое качество заставляет вас платить больше за тот же показ или вообще его не получить.
Вывод для креативщиков: тестировать надо не только оффер и угол, но и формат подачи, который снижает негативные реакции. Меньше скрытий и жалоб — выше оценка качества, ниже реальная цена показа. Ставка — последнее, что стоит трогать.
В аукционе Meta итоговая ценность объявления считается по формуле: ставка × прогнозируемая вероятность действия + оценка качества. И если про вероятность действия многие помнят (цель кампании), то качество объявления часто недооценивают.
Качество строится на реакциях пользователей: лайки, комментарии, скрытия и жалобы. Скрытие и жалоба — прямой удар по оценке. Вы можете поставить высокую ставку и правильно выбрать цель, но если пользователи скрывают объявление, аукцион отдаст показ конкуренту с более «чистым» креативом.
Оплата работает по принципу VCG — платите минимум, необходимый для выигрыша, а не свою ставку. Это создаёт иллюзию, что можно просто поднять ставку. Но на практике низкое качество заставляет вас платить больше за тот же показ или вообще его не получить.
Вывод для креативщиков: тестировать надо не только оффер и угол, но и формат подачи, который снижает негативные реакции. Меньше скрытий и жалоб — выше оценка качества, ниже реальная цена показа. Ставка — последнее, что стоит трогать.
Google Ads всё сильнее лезет не только в закупку трафика, но и в разбор того, что с этим трафиком дальше происходит.
В кабинете появилась встроенная панель Lead Management Dashboard: она показывает не просто число заявок, а раскладывает их по статусам — новые, квалифицированные, потерянные, закрытые. И главное не в самом табло, а в том, что статус лида можно возвращать обратно в систему как сигнал для оптимизации.
Это уже не про «собрали лиды и ушли в CRM». Это про связку креатив → форма → продажа → обратный сигнал в рекламный алгоритм. И если раньше многие кампании жили по логике «дешевле лид — значит лучше», то теперь этот подход начинает ломаться.
Для поиска и lead form extensions это особенно чувствительно. Когда льётся объёмом, мусор быстро размазывает статистику: фрод, случайные заявки, нецелевые контакты. На практике доля таких лидов в жёстких заливах легко съедает заметную часть потока, и без пост-апрува кабинет видит только верхушку айсберга.
Что это меняет для креативов и медиабаинга?
Побеждать будут не самые крикливые объявления, а те, что сразу отсекают слабый спрос. То есть:
- более точный hook вместо «всем, кому интересно»;
- конкретный angle вместо расплывчатого оффера;
- визуал, который не тащит случайных кликов;
- форма, которая не собирает мусор ради красивого CPL.
По сути, Google двигается в сторону модели, где качество лида становится частью рекламной системы, а не отдельной болью отдела продаж. И для тех, кто привык оптимизироваться только по объёму, это плохая новость. А для тех, кто умеет строить связку под реального покупателя — хорошая.
В кабинете появилась встроенная панель Lead Management Dashboard: она показывает не просто число заявок, а раскладывает их по статусам — новые, квалифицированные, потерянные, закрытые. И главное не в самом табло, а в том, что статус лида можно возвращать обратно в систему как сигнал для оптимизации.
Это уже не про «собрали лиды и ушли в CRM». Это про связку креатив → форма → продажа → обратный сигнал в рекламный алгоритм. И если раньше многие кампании жили по логике «дешевле лид — значит лучше», то теперь этот подход начинает ломаться.
Для поиска и lead form extensions это особенно чувствительно. Когда льётся объёмом, мусор быстро размазывает статистику: фрод, случайные заявки, нецелевые контакты. На практике доля таких лидов в жёстких заливах легко съедает заметную часть потока, и без пост-апрува кабинет видит только верхушку айсберга.
Что это меняет для креативов и медиабаинга?
Побеждать будут не самые крикливые объявления, а те, что сразу отсекают слабый спрос. То есть:
- более точный hook вместо «всем, кому интересно»;
- конкретный angle вместо расплывчатого оффера;
- визуал, который не тащит случайных кликов;
- форма, которая не собирает мусор ради красивого CPL.
По сути, Google двигается в сторону модели, где качество лида становится частью рекламной системы, а не отдельной болью отдела продаж. И для тех, кто привык оптимизироваться только по объёму, это плохая новость. А для тех, кто умеет строить связку под реального покупателя — хорошая.