Маркетолог тратил 11 часов в неделю на ручной сбор статистики с площадки b17.ru, у которой нет API и которая активно блокирует ботов. Через три недели после запуска ИИ-агента на связке n8n, браузерного расширения и LLM время сократилось до одного часа. Проект закрыли. Это лучший результат, которого можно было достичь.
Агент не заменил человека. Он перенёс его фокус с копирования цифр в Excel на стратегические решения. Система собирала статистику по объявлениям, связывала её с лидами, считала CTR и CPL и готовила рекомендации. Расчётная экономия составила 47 600 рублей в месяц. Главный результат - data-driven подтверждение: канал рабочий, лиды есть, но продукт не закрывает потребности, а отдел продаж не обрабатывает заявки. Без автоматизации на этот вывод ушли бы месяцы и сотни тысяч рублей.
Разберём архитектуру решения, метрики, которые привели к остановке проекта, и критерии, когда такой подход окупается.
Проблема: реклама на площадке без API и 11 часов рутины в неделю
b17.ru - специализированная платформа для психологов и их клиентов. Площадка не предоставляет API для рекламодателей. Любая попытка автоматизированного сбора данных наталкивается на эшелонированную защиту: проверку заголовков, поведенческий анализ, периодическое обновление вёрстки. Стандартные инструменты вроде готовых парсеров или HTTP-запросов отваливаются в течение нескольких часов.
Маркетолог заходил в личный кабинет, открывал каждое объявление, копировал показы и клики в таблицу. Затем выгружал лиды из отдельного раздела, вручную сопоставлял их с объявлениями по косвенным признакам - временным меткам и названиям. После этого в Excel рассчитывались CTR, CPL и конверсия в заявку. Весь цикл занимал 11 часов в неделю.
Это тормозило проверку гипотез. Чтобы понять, работает ли канал, требовалось минимум две-три недели плотной ручной работы. Стратегические задачи - анализ аудитории, тестирование креативов, работа с возражениями - откладывались. Маркетолог превратился в оператора по вводу данных.
Похожая проблема возникает при внедрении AI в других процессах: ИИ-агент для разработки провалил боевые задачи, но закрыл более 50% исследовательских запросов аналитиков. Там тоже ключевым оказался не сам агент, а контекстная инфраструктура вокруг него.
Архитектура решения: n8n, браузерное расширение и LLM в одной связке
Система состоит из трёх компонентов. Браузерное расширение имитирует поведение пользователя и собирает сырые данные. n8n оркестрирует потоки: принимает данные через webhook, очищает, сопоставляет объявления с лидами, считает метрики и вызывает LLM. Языковая модель анализирует таблицы и генерирует отчёт с рекомендациями.
Выбор n8n обусловлен self-hosted-развёртыванием и визуальным построением workflow. Это позволяет быстро менять логику без переписывания кода. Для тех, кто строит AI-агентов с нуля, полезен разбор архитектурных решений: архитектура самописного AI-агента с оркестрацией LLM, памятью и инструментами.
Браузерное расширение: как мы обошли защиту от ботов
Расширение работает на уровне DOM. Оно не отправляет прямых HTTP-запросов к серверу - все действия выполняются через интерфейс браузера, как если бы их совершал человек. Алгоритм парсинга завязан на CSS-селекторы и структуру страницы.
Принцип работы:
- Расширение авторизуется в существующей сессии браузера - не требуется хранить логин и пароль;
- Имитирует естественные задержки между действиями: скролл, клики, паузы 2-5 секунд;
- Извлекает данные из DOM: показы, клики, ставки, текст объявления;
- Передаёт JSON через webhook напрямую в n8n.
Ограничения подхода: любое изменение вёрстки на стороне b17.ru ломает селекторы. Расширение требует периодического обновления - в среднем раз в две-три недели. Полная защита с капчей высокого уровня сделает этот метод неработоспособным.
n8n: оркестрация и связывание данных
Workflow в n8n решает главную задачу: склеить разрозненные данные в единую картину. Сырые цифры с расширения и выгрузка лидов живут в разных источниках и не имеют прямых ключей для связи.
Логика обработки:
- Webhook-узел принимает JSON от расширения - статистика по каждому объявлению за период;
- Узел HTTP-запроса забирает лиды из внутренней CRM через её API;
- JavaScript-узел сопоставляет лиды с объявлениями по названию услуги и временному окну (лид, пришедший в течение 24 часов после клика, привязывается к этому объявлению);
- Расчёт метрик: CTR = клики / показы, CPL = расход / лиды, конверсия = оплаты / лиды;
- Вызов LLM через OpenAI API с передачей структурированной таблицы и инструкции по анализу;
- Отправка отчёта в Telegram маркетологу.
Вся цепочка запускается по расписанию раз в сутки. Время выполнения - 3-5 минут.
LLM: от цифр к рекомендациям
Языковая модель получает на вход таблицу с колонками: название объявления, показы, клики, CTR, расход, лиды, CPL, оплаты, конверсия. Промпт содержит инструкцию:
Ты - маркетинговый аналитик. Проанализируй данные по объявлениям. Для каждого объявления: 1. Оцени эффективность по CTR (норма 1.5-3%) и CPL (норма до 300 руб.) 2. Выдели топ-3 и аутсайдеров 3. Дай рекомендацию: масштабировать / оптимизировать / остановить 4. Если конверсия в оплату ниже 0.5% - отметь это как критическую проблему Формат вывода: маркированный список, без воды.
Пример вывода LLM:
Объявление «Консультация психолога»: CTR 2.1%, CPL 180 руб., конверсия в оплату 0.08%. Лиды есть, но они не доходят до оплаты. Рекомендация: остановить до выяснения причин в отделе продаж.
Модель не принимает решений. Она структурирует данные и подсвечивает аномалии. Финальное решение - за маркетологом.
Результаты внедрения: не только экономия 47 600 рублей
Время на сбор и анализ сократилось с 11 часов до 1 часа в неделю. При ставке маркетолога 1 400 рублей в час прямая экономия составила 47 600 рублей в месяц. Это приятный бонус. Реальная ценность - в скорости получения выводов.
Первые две недели агент исправно приносил отчёты. Данные показывали: CTR объявлений 1.5-3%, CPL 200-500 рублей. Для ниши психологических услуг это рабочие показатели. Канал привлекал лиды. Проблема обнаружилась на следующем шаге воронки.
Метрики, которые открыли глаза
К концу третьей недели накопилась статистика по конверсии в оплату. Цифры:
| Объявление | CTR | CPL | Конверсия в оплату |
|---|---|---|---|
| Консультация психолога | 2.1% | 180 руб. | 0.08% |
| Семейная терапия | 1.8% | 250 руб. | 0.12% |
| Детский психолог | 2.9% | 320 руб. | 0.05% |
| Кризисная помощь | 1.5% | 480 руб. | 0.03% |
Бенчмарк для b2c-услуг в этой нише - конверсия в оплату от 2% до 5%. Фактические цифры оказались в 20-50 раз ниже. LLM подсветила аномалию в первом же отчёте, но для статистической значимости потребовалось три недели данных.
Дальнейший аудит показал: продукт не соответствовал ожиданиям клиентов с площадки, а отдел продаж обрабатывал заявки с задержкой в 2-3 дня. Лиды остывали. Агент не мог исправить эти проблемы - он мог только показать их.
Почему мы свернули проект и почему это победа
Канал b17.ru приносил лиды по адекватной цене. Без автоматизации мы бы продолжали вливать бюджет ещё два-три месяца, постепенно оптимизируя креативы и ставки. Каждый месяц стоил бы около 50 000 рублей рекламного бюджета плюс 44 часа работы маркетолога.
Агент дал жёсткое data-driven обоснование для остановки. Не «кажется, что не работает», а «конверсия 0.08% при бенчмарке 2%». Решение о закрытии приняли за один день. Совокупная экономия по сравнению с типичным циклом проверки гипотезы (три месяца) - около 280 000 рублей.
Этот кейс перекликается с опытом оценки AI-агентов: переход от unit-тестов к end-to-end оценкам с фреймворком Harbor. Там тоже ключевой метрикой стала не производительность, а способность быстро выявлять проблемы.
Ограничения и риски: когда такой подход не сработает
Связка «браузерное расширение + n8n + LLM» не универсальна. Три главных ограничения:
- Зависимость от вёрстки. Изменение структуры страниц на стороне площадки ломает парсинг. Требуется мониторинг и оперативное обновление селекторов. Без разработчика, готового чинить расширение, система деградирует за две-три недели.
- Риск блокировки. Площадка может внедрить капчу или поведенческий анализ, который отличит расширение от человека. Аккаунт рекламодателя рискует попасть в бан. Перед запуском оцените: готовы ли вы потерять доступ к площадке?
- Агент не принимает решений. LLM генерирует рекомендации на основе промпта, но не понимает бизнес-контекст. Маркетолог остаётся обязательным звеном для финального вердикта.
Подход не работает для полностью защищённых платформ с продвинутой капчей, Web Application Firewall и динамической обфускацией DOM. Если площадка целенаправленно инвестирует в защиту от автоматизации, стоимость обхода превысит выгоду.
Выводы: когда стоит строить ИИ-агента для рекламы без API
Автоматизация окупается при трёх условиях. Первое: ручной сбор данных занимает больше пяти часов в неделю. Второе: площадка не предоставляет API, но и не имеет эшелонированной защиты уровня банковских систем. Третье: у вас есть разработчик, готовый поддерживать браузерное расширение.
Практический порядок действий:
- Начните с MVP: браузерное расширение для сбора сырых данных и n8n для их обработки. Не подключайте LLM на старте - сначала убедитесь, что данные стабильно поступают и связываются.
- Когда таблицы с метриками формируются автоматически, добавьте LLM для анализа. Промпт должен быть конкретным: какие метрики считать нормой, какие аномалии подсвечивать, какой формат вывода использовать.
- Настройте ежедневную отправку отчёта в мессенджер. Маркетолог открывает сообщение, видит готовые выводы и принимает решение за пять минут.
Главная ценность агента - не экономия денег, а скорость проверки гипотез. Месяц ручного анализа превращается в неделю автоматизированного. Если гипотеза провальная, вы теряете бюджет за неделю, а не за квартал. Если рабочая - масштабируете на месяц раньше конкурентов.
В этом кейсе агент подтвердил: канал работает, но продукт и отдел продаж - нет. Проект закрыли через три недели. Это победа. Потому что три месяца ручной работы и 150 000 рублей рекламного бюджета остались нетронутыми.