Мультиагентный ИИ для масштабирования рекламы в ритейле и CPG на AWS

Компании, работающие в сегменте товаров повседневного спроса (Consumer Packaged Goods, CPG) и розничной торговли, управляют рекламными кампаниями для десятков категорий товаров и сотен SKU. Сезонные распродажи, Prime Day, подготовка к учебному году и праздничные периоды дополнительно увеличивают нагрузку на маркетинговые команды.

При этом бюджеты и численность команд не всегда растут пропорционально сложности рекламных операций. Аналитикам приходится переключаться между отчётами, инструментами управления кампаниями, внутренними инструкциями и историческими данными, прежде чем принять и реализовать решение.

Мультиагентный искусственный интеллект (ИИ) помогает изменить этот подход. На базе Amazon Web Services (AWS) можно создавать системы, в которых специализированные ИИ-агенты совместно анализируют данные, находят рекомендации во внутренних базах знаний и выполняют согласованные операции с рекламными кампаниями.

Почему управление рекламой требует нового подхода

Представим бренд товаров повседневного спроса, который одновременно продвигает снеки, напитки, средства личной гигиены и товары для дома. В его рекламном аккаунте могут работать сотни кампаний Sponsored Products.

Если после запуска купона конкурентом рентабельность рекламных расходов (Return on Ad Spend, ROAS) одной из кампаний снижается на 22%, аналитику необходимо:

• проверить показатели эффективности кампании;
• получить исторические данные о ставках для конкретных товаров (ASIN);
• найти внутренние рекомендации по оптимизации во время промоакций;
• изменить дневной бюджет и настройки таргетинга;
• проверить результат внесённых изменений.

При ручном выполнении такой процесс может занимать около 20 минут на одну кампанию. Если необходимо регулярно анализировать и оптимизировать десятки кампаний, операционная нагрузка быстро становится существенной.

Согласно опросу Gartner, опубликованному в мае 2026 года, на тот момент с помощью ИИ автоматизировалось 16% маркетинговой работы. В исследовании также отмечалось ожидание маркетинговых руководителей, что к 2028 году доля такой автоматизации достигнет 36%.

В условиях растущей сложности рекламных портфелей мультиагентный ИИ становится одним из подходов к сокращению ручных операций и более эффективному использованию ресурсов маркетинговой команды.

Источник: Gartner — исследование об автоматизации маркетинговой работы с помощью ИИ

Новая модель: один запрос и несколько специализированных ИИ-агентов

Вместо последовательной работы в нескольких системах аналитик может сформулировать задачу на естественном языке:

«Покажи результаты рекламных кампаний категории снеков за выходные. После запуска купона конкурента показатели снизились. Найди рекомендации по защите кампании во время промоакций и предложи изменения бюджета и таргетинга».

Мультиагентная система распределяет запрос между специализированными агентами. Один получает данные об эффективности рекламы, другой ищет подходящие рекомендации во внутренних инструкциях, а третий может подготовить или выполнить изменения через доступные API — в соответствии с предоставленными полномочиями и настройками контроля.

В такой архитектуре Amazon Bedrock помогает реализовать интеллектуальную обработку запросов и взаимодействие компонентов. Вместо одного универсального помощника используется набор специализированных агентов, координируемых центральным агентом-оркестратором.

Команда Amazon Ads Solutions Architecture продемонстрировала подобный подход в практическом воркшопе, посвящённом созданию мультиагентных решений на AWS.

Практический воркшоп Amazon Ads по созданию мультиагентных систем

Архитектура: центральный оркестратор и специализированные агенты

Архитектура построена по принципу hub-and-spoke: центральный агент принимает запрос на естественном языке, определяет его содержание и передаёт соответствующие задачи профильным агентам.

• Агент управления кампаниями (Campaign Management Agent). Создаёт, изменяет и приостанавливает рекламные кампании и профили через Amazon Advertising API и Amazon Ads MCP Server. Может выполнять такие операции, как изменение бюджета, корректировка таргетинга и запуск кампаний.
• Агент аналитики и отчётности (Analytics and Reporting Agent). Получает показатели показов, кликов, расходов, ROAS и доли рекламного присутствия (share of voice) по кампаниям, категориям и выбранным периодам. Помогает готовить регулярные отчёты и отслеживать результаты промоакций.
• Агент знаний (Knowledge Agent). Ищет рекомендации в подготовленной базе рекламных инструкций и отраслевых практик. Например, он может найти подход к корректировке ставок и перераспределению бюджета при усилении конкуренции во время промоакции.
• Агент работы с данными (Database Agent). Запрашивает исторические данные кампаний, хранящиеся в Amazon Relational Database Service (Amazon RDS), и помогает анализировать сезонные тренды, сравнивать результаты год к году и формировать отчёты по категориям и отдельным товарам.

В рассматриваемой архитектуре агенты запускаются в отдельных контейнерах с использованием Amazon Bedrock AgentCore. Это позволяет масштабировать компоненты независимо друг от друга. Протокол Agent2Agent (A2A) поддерживает обнаружение агентов и взаимодействие между ними на основе опубликованных описаний их возможностей.

При необходимости архитектуру можно расширить новым специализированным агентом — например, для сезонного планирования. Такой подход позволяет добавлять функциональность без необходимости полностью перестраивать центральный оркестратор.

Как работает мультиагентная система на практике

Рассмотрим типичный сценарий работы маркетингового аналитика.

Шаг 1. Анализ эффективности

Аналитик: «Покажи результаты рекламных кампаний снеков и напитков за выходные».

Агент аналитики запрашивает данные из рекламной отчётности и возвращает показатели ROAS, расходы и количество показов с разбивкой по категориям.

Шаг 2. Поиск рекомендаций

Аналитик: «Показатели кампании снеков снизились после запуска купона конкурента. Что рекомендует наш план действий для таких промоакций?»

Агент знаний ищет подходящие инструкции и возвращает рекомендации по корректировке ставок и перераспределению бюджета во время конкурентных промоакций.

Шаг 3. Подготовка и выполнение изменений

Аналитик: «Увеличь дневной бюджет кампании снеков до 1 200 долларов и смести таргетинг в сторону товаров в упаковках по 24 штуки».

Агент управления кампаниями обращается к Amazon Advertising API и выполняет разрешённые операции. Система может подтвердить результат и сообщить о внесённых изменениях.

Таким образом, получение данных, поиск рекомендаций и управление кампанией объединяются в единый диалоговый процесс. Amazon Bedrock AgentCore Memory может сохранять контекст между последовательными запросами, чтобы аналитику не приходилось каждый раз заново указывать, о какой кампании идёт речь.

Фактическое выполнение операций зависит от настроек интеграции, доступных разрешений и предусмотренных процедур подтверждения.

Какие бизнес-результаты может обеспечить мультиагентный ИИ

Для руководителей маркетинга и бизнеса ключевой вопрос заключается не только в возможностях технологии, но и в том, как она влияет на операционную эффективность. Ниже приведены ориентировочные оценки, основанные на описанном сценарии рабочего процесса, а не на результатах внедрения у конкретного заказчика.

1. Больше кампаний при тех же ресурсах команды

В приведённом примере ручная оптимизация одной кампании занимает около 20 минут, тогда как мультиагентный сценарий позволяет выполнить аналогичную последовательность действий менее чем за две минуты. Это потенциально даёт примерно десятикратное увеличение количества кампаний, которые аналитик может обработать за единицу времени.

Реальный результат зависит от сложности кампаний, качества данных, необходимости согласования изменений и уровня автоматизации.

2. Сокращение времени на рутинные операции

Если экономия составляет около 18 минут на одну оптимизацию, то при еженедельном цикле анализа 80 кампаний суммарная экономия может достигать 24 часов. Это более половины стандартной рабочей недели.

Высвободившееся время можно направить на стратегические задачи: тестирование креативов, планирование категорий, анализ конкурентов и развитие рекламной стратегии.

3. Более быстрая реакция на действия конкурентов

Когда конкурент запускает купон или изменяет рекламную стратегию, задержка с реакцией может приводить к дополнительным расходам и снижению эффективности кампании. Сокращение времени между обнаружением проблемы и принятием мер помогает быстрее корректировать ставки, бюджеты и таргетинг.

Это особенно актуально в периоды высокой рекламной активности — во время Prime Day, подготовки к учебному году и праздничных распродаж. Конкретный эффект для ROAS и выручки необходимо оценивать на основе данных каждой компании.

4. Управление рекламой в масштабе всего портфеля

Мультиагентная архитектура позволяет распределять задачи между независимыми специализированными агентами. Это помогает одновременно работать с несколькими категориями и сотнями SKU, снижая зависимость от последовательной ручной обработки каждой кампании.

Более оперативная и последовательная оптимизация может помочь поддерживать долю рекламного присутствия в конкурентных категориях.

5. Более единообразное применение лучших практик

Если рекламные инструкции, сезонные стратегии и сценарии защиты от действий конкурентов доступны через агента знаний, сотрудники могут опираться на общую базу проверенных рекомендаций.

Это помогает стандартизировать рабочие процессы, быстрее адаптировать новых сотрудников и снизить зависимость от неформальных знаний отдельных специалистов.

6. Постепенное масштабирование

Вместо создания комплексной системы сразу для всех категорий можно начать с наиболее загруженного направления и двух основных агентов. По мере оценки результатов архитектуру можно расширять новыми специализированными компонентами.

Такой подход позволяет проверять бизнес-ценность на ограниченном сценарии до увеличения масштаба решения.

Технологический стек AWS

В описанной архитектуре используются следующие сервисы и технологии:

• Amazon Bedrock AgentCore. Среда для развёртывания и масштабирования ИИ-агентов, а также организации взаимодействия между ними.
• Amazon Ads MCP Server и Amazon Advertising API. Инструменты интеграции с Amazon Ads для получения данных и выполнения операций с рекламными кампаниями в рамках предоставленных разрешений.
• Протокол Agent2Agent (A2A). Поддерживает обнаружение агентов и взаимодействие между ними на основе описаний их возможностей.
• Amazon S3 Vectors. Используется для семантического поиска по инструкциям, рекламным стратегиям и другим документам. В описанном решении для создания векторных представлений применяется Amazon Titan Text Embeddings V2.
• Amazon Bedrock AgentCore Memory. Поддерживает сохранение контекста диалога между последовательными этапами рабочего процесса.
• Amazon RDS. Хранилище исторических данных, используемых для анализа динамики рекламных кампаний и формирования отчётности.

Комбинация этих компонентов позволяет объединять диалоговое взаимодействие, поиск по внутренним знаниям, аналитику и выполнение операций в рамках единого рабочего процесса.

Как начать работу с мультиагентным ИИ

Для знакомства с архитектурой Amazon Ads предлагает практический воркшоп по созданию мультиагентных решений на AWS. Полный вариант рассчитан примерно на три часа, а ускоренный — примерно на один час.

Материалы помогают изучить подход к построению системы, в которой специализированные агенты взаимодействуют для решения задач управления рекламными кампаниями.

Перейти к практическому воркшопу Amazon Ads

Заключение

По мере роста рекламных портфелей ручное управление кампаниями становится всё более сложным. Мультиагентный ИИ на базе AWS предлагает подход, при котором аналитика, поиск рекомендаций и выполнение операций объединяются в единый процесс.

Для компаний в сегменте CPG и ритейла это возможность сократить время на повторяющиеся задачи, стандартизировать применение рекламных стратегий и быстрее реагировать на изменения рынка. При этом специалисты сохраняют контроль над бизнес-решениями, разрешениями и процессами согласования.

Как официальный партнёр Amazon Web Services, Softprom помогает компаниям знакомиться с возможностями AWS и рассматривать облачные технологии для решения задач бизнеса. Выбор архитектуры и сценариев внедрения мультиагентного ИИ следует основывать на потребностях организации, требованиях к безопасности и ожидаемых бизнес-результатах.