Покажем на кейсах российских проектов
ИИ всё заметнее меняет рекламный продакшн: расширяет выбор решений, а не просто ускоряет работу. Там, где раньше нужна была сложная съёмка или долгая графическая обработка, теперь можно быстрее собрать нужную сцену и довести её до согласованной финальной версии. Но даже в самых удачных кейсах многое решает ручная доводка и контроль деталей. В статье разберём, как крупные бренды используют нейросети, почему это им выгодно, где возникают сложности и какие правовые моменты стоит предусмотреть.
Ещё пару–тройку лет назад нейросети в дизайне редко внушали доверие. Их часто воспринимали как признак низкого качества и использовали скорее ради разового эксперимента. Сейчас ситуация меняется: ИИ всё чаще становится обычной частью продакшена.
Технологии стали быстрее и стабильнее. А продакшн-команды уже лучше понимают, в каких задачах ИИ-генерация даёт качественный результат, а где нужно работать вручную. Поэтому работу с ИИ проще встроить в обычный пайплайн: с дедлайнами, зонами ответственности и чёткими требованиями к качеству.
Пайплайн — это порядок работы в проекте: какие шаги идут друг за другом, кто за что отвечает и где команда проверяет результат. Проще говоря, это схема производства от идеи до готового материала.
Сейчас уже сложился простой и понятный порядок работы с ИИ. Сначала быстро проверяют идею и стиль на тестовых вариантах, потом арт-директор выбирает направление и задаёт требования. Далее делают генерации, а результат почти всегда доводят вручную: чистят артефакты, собирают композицию, иногда — делают реальные подсъёмки. В конце — правки и финальная проверка, чтобы материал выглядел цельно и убедительно.
Процессы, если говорить про пайплайны, везде плюс-минус похожие: подготовка ТЗ под промпты, получение стиллов, клинап, генерация видео, композ, ЦК и озвучка — по ситуации. Технически все инструменты дают примерно одинаковый потолок. Новые модели постепенно улучшают базовые вещи: дольше держат сцену, дают меньше артефактов, повышают детализацию.
Это доступно всем одинаково и разрыва на уровне качества картинки почти нет.
Но «рвётся» там, где тонко. Если за картинкой стоит человек с бэкграундом в арт-дирекшне, режиссуре, операторской работе или вообще в кино, это видно сразу. Монтажная логика, композиция, ощущение кадра — это багаж, который сразу заметно.
Второй момент: даже если ИИ-ролик делает человек с бэкграундом режиссера, то теперь он делает это один. Приходится закрывать сразу много ролей — со смежными знаниями про свет, драматургию, звук и так далее.
И третье: демократизация инструмента сняла порог входа. На рынок пришло много людей, которые технически могут сделать картинку как в Голливуде, но их насмотренность не связана с тем, как мы смотрим на вещи. Отсюда и ощущение, что «ИИ — это слоп». Нет, он просто затоплен. Качество не упало — его стало труднее найти.
Нейросети не заменят целую продакшн-команду: ИИ не придумывает рекламную идею и композицию сам по себе, не понимает, что в кадре главное, где нужен акцент и как выстроить композицию, чтобы сообщение считывалось с первого взгляда. Промпты формулирует человек, а результат почти всегда требует ручной доводки. Поэтому ИИ — часть набора средств, как Photoshop, After Effects, Cinema 4D и другие программы. Вот, где именно его чаще всего используют:
Фото- и видеопродакшн без съёмки. Здесь ИИ помогает сделать материалы без площадки, актёров, моделей и съёмочной группы. Чаще всего это OLV (онлайн-видео), KV-серии (ключевые визуалы кампании), короткие анимации, контент для соцсетей и каталогов.
Это особенно полезно, когда нужна скорость и картинка, которую сложно, долго или дорого снимать: фантазийные сцены, нереалистичные локации, стилизованные вселенные.
Основные риски: артефакты и «пластиковый» вид, проблемы с деталями, типографикой и логотипами, нестабильность объектов от кадра к кадру. Чем выше требования к точности продукта, тем больше ручной работы остаётся у команды.
Иллюстрацией этого подхода стал видеоролик Яндекс Карт, полностью созданный нейросетями без реальных съёмок. С помощью Midjourney, Stable Diffusion и Runway команда визуализировала персонажей и интерьеры. Кейс подтвердил, что ИИ-продакшн справляется с быстрым созданием реалистичных сцен, хотя и требует тонкой настройки инструментов для сохранения единой стилистики.
Отрывок из рекламы Яндекс Карт, сгенерированной нейросетью. Источник
Если говорить о замене студийной фотосъёмки для ключевых образов, брендинга и оформления соцсетей, хороший пример — айдентика ресторана японской кухни Tottori от студии Repina branding. Команда вдохновилась японскими дверями сёдзи: за ними видны силуэты предметов и людей, но детали остаются скрыты. Эту логику перенесли в визуалы — в кадрах с размытием считывается процесс приготовления и подачи блюд, но кадр будто «вибрирует»: не видно лиц, конкретных ингредиентов и мелких деталей, остаются только силуэты.
Гибридный продакшн (ИИ + съёмка/CGI + постпродакшн). Здесь ИИ не полностью заменяет съёмку, а дополняет её. Например, снимают продукт или людей, а фон, эффекты, часть анимации или стилевые элементы добирают нейросетями. Дальше всё соединяют.
При таком подходе качество выше, потому что у команды больше ресурсов (в том числе и бюджетных). Фидбэк аудитории в таких случаях как правило более позитивный, так как картинка выглядит максимально натурально (даже в условиях фантазийных сюжетов).
Главный минус: экономия бюджета при таком подходе незначительная, не все проекты смогут позволить себе это. Зато растёт сложность процесса: больше итераций правок и больше задач на стыке генерации и постпродакшна.
Примером такого гибридного подхода стал ролик сервиса «Домклик», где реальные съёмки с актёрами объединили с генеративными технологиями. Команда не стала полностью полагаться на ИИ, а использовала его точечно: нейросеть Kandinsky помогла отрисовать сложные визуальные объекты (например — футуристичный портал), а нейросеть Boomy создала музыкальное сопровождение. Вышло быстрее и дешевле, чем отрисовка такой же графики вручную. При этом в кадре остались живые человеческие эмоции.
Кадры из рекламы «Домклик». Источник
Ещё один гибридный кейс — ролик Cloud.ru, где реальные съёмки на натуре соединили с генеративной графикой. Идея ролика — показать масштаб облачных технологий через образы просторов России. Натуру сняли в Казани, съёмка заняла один день, а постпродакшн шёл около месяца. Дальше команда делала графику в два этапа: статику генерировали в Midjourney, Stable Diffusion, ChatGPT и Kandinsky, а затем анимировали в Luma, Runway, Kling, Minimax и доводили через Topaz Video; на проекте сделали более 16 000 картинок и около 1000 видео, а на один удачный кадр уходили десятки попыток. В итоге около 90% графических элементов в ролике создали с помощью ИИ, часть кадров всё равно дорабатывали вручную.
Кадры из ролика Cloud.ru. Источник
Виртуальные персонажи и нейро-амбассадоры. ИИ используют, чтобы создать маскота или персонажа для конкретной рекламной кампании или регулярного контента. Иногда это превращают в инфлюенсерскую механику, когда персонаж живёт в соцсетях и общается с аудиторией от лица бренда.
Такой подход может принести дополнительную узнаваемость, а также позволяет экономить на привлечении реальных медийных личностей в качестве лица бренда.
С другой стороны, этот рекламный ход может подорвать доверие и создать эффект «зловещей долины», когда персонаж выглядит почти как человек, но всё равно странно и неестественно. Плюс — вопросы этики и права: похожесть на реальных людей и прозрачность того, что контент сделан с помощью ИИ.
Неоднозначный результат получила рекламная кампания спортивного бренда Demix. Осенью 2023 года компания представила нейроамбассадора Деми. Она должна была вести соцсети, общаться с подписчиками и «тренироваться» с профессиональными спортсменами. Пользователи могли выбирать ей вид спорта или цвет волос. Но проект быстро столкнулся с критикой: аудитория остро среагировала на неестественность персонажа и противоречивые тексты постов нейроамбассадора. В итоге эксперимент остался разовой акцией — компания не стала делать Деми постоянным лицом бренда.
Культурные коллаборации и проекты на стыке рекламы и искусства. Бренды делают выставки, партнёрства с музеями, арт-объекты и коллаборации с нейрохудожниками. Часто это работает как имиджевый ход: бренд показывает себя как меценат технологий и культуры.
Главный эффект — медийность, усиление бренда, более яркое и долгоживущее впечатление, чем у классической рекламы.
Но есть и высокие риски: конфликт с художниками, вопросы авторства, обвинения в воровстве стиля. Здесь особенно важны прозрачные правила: кто автор, какие материалы использовали, как оформлены права и договорённости.
Иллюстрация такой коллаборации — арт-проект «Витражизнь», реализованный банком «ДОМ.РФ». Нейрохудожница разработала эскизы витражей, которые затем превратили в реальные стеклянные интерактивные объекты. Бренд выступает «меценатом», объединяя современные технологии с классическим искусством для создания медийного повода.
Стенд «ДОМ.РФ» с нейровитражами. Источник
В России заметна экосистемная модель: крупные игроки стараются задействовать собственные нейросети и сервисы в рекламных кампаниях. Это решает две задачи сразу. С одной стороны, команда получает полный набор инструментов и поддержку внутри экосистемы. С другой — сам проект становится витриной технологии, которую компания параллельно продвигает на рынке. У Сбера в таких кейсах часто фигурируют Kandinsky и GigaChat, у Яндекса контент собирают через «Шедеврум», который работает на базе YandexART и YandexGPT.
Примером использования внутренних разработок стал проект Сбера для выставки Бориса Кустодиева в Третьяковской галерее. В этой кампании экосистема задействовала сразу несколько своих сервисов: нейросеть Kandinsky оживила героев полотен для рекламного ролика, GigaChat стал основой для интерактивного AR-гида в образе купчихи, а модель SymFormer написала музыку к экспозиции.
Кадры из рекламного ролика выставки. Источник
Некоторые инхаус-команды стараются опираться на свой стек: так проще выстроить процесс, быстрее получать доступ к новым версиям и не зависеть от внешних ограничений. У них появляются собственные нейросети под конкретные задачи. Например, у Самоката есть Molbert AI — внутренний AI-редактор для пакетной обработки фото для катологов. Его используют для фоновой чистки, теней и форматов, а в карточках товаров также тестируют и AI-контент.
Развивать свои решения и держать ИИ-специалистов инхаус может быть выгодно, потому что вы платите человеку фиксированную сумму и можете регулярно давать задачи. С фрилансерами иначе: чем больше задач, тем больше бюджет.
А качество внутренних разработок, если говорить про небольшие компании и их локальные инструменты «под себя», часто пока не очень высокое. На это нужно время.
При этом большинство агентств, независимых нейрохудожников и продакшн-студий работают с популярными международными моделями и сервисами. Самый популярный набор нейросетей:
Хороший пример того, как международные нейросети используют в продакшене — серия роликов для «Фрау Марта» от Open Production. За 3,5 недели команда сделала 5 OLV-роликов для диджитал-площадок без съёмки, студийного света и фуд-стилистов. Чтобы избежать пластиковой картинки, модели донастраивали на макроснимках еды и вместе с клиентом сверяли генерации с реальными овощами, правя цвет, текстуру и мелкие детали. Статику делали в Flux и NanoBanana, анимацию — в Kling и Minimax, озвучку — через Google AI Studio.
Финальная версия видеоролика. Источник
Иногда крупные компании привлекают специалистов и агентства на аутсорс и могут выдвигать требование использовать только определённые инструменты в работе. Это могут быть собственные разработки, но чаще — популярные нейросети, в зависимости от того, какие подписки оплачиваются компанией. Это делается для того, чтобы в случае непредвиденных обстоятельств, инхаус-команда смогла доделать работу или внести в неё правки в том же софте. Но на практике такие кейсы — скорее исключение, чем правило.
У меня никогда не было такого, чтобы заказчик прямо прописывал конкретные инструменты. Большинство заказчиков, к сожалению, не понимают, как именно это делается. Они знают пару слов, могут сказать Nano Banana, Kling и кинуть тебе эти названия — и обычно на этом всё.
По факту им важен результат. Мы же не ставим 3D-специалисту условие делать строго в 3ds Max, если он профессионал в Blender — какая разница, в чём он сделает, если на выходе качественный продукт. Нормальный заказчик приходит за результатом, а не за названием софта.
Для заказчика выставлять ограничения на софт — не лучшая стратегия. Один и тот же результат часто можно получить с разными сервисами, а продакшн-команда собирает пайплайн под задачу: где-то важнее стабильность видео, где-то — скорость итераций, где-то — точность продукта и удобство доводки. Когда заказчик заранее «назначает» конкретную нейросеть, он сужает выбор решений и может потерять в качестве или скорости, потому что исполнителю приходится подстраиваться под чужой стек.
В своей практике я не сталкивался с ограничениями по использованию ИИ-инструментов, но логика очевидна: если бренд прописывает конкретный инструмент — это, скорее всего, не про качество. Это лобби. Убивают двух зайцев: получают контент и продвигают свой инструмент. Для студии это неудобно — ты берёшь на себя ограничения чужого стека и теряешь гибкость.
Скорость. С нейросетями можно быстро проверить, хороша ли идея и как она выглядит в реальном визуале, а не на словах.
Масштаб. ИИ помогает делать больше материалов без привлечения большой команды.
Экономия. ИИ действительно снижает расходы, но чаще — точечно. Он может заменить часть съёмки или сложных постановочных сцен, сократить затраты на локации и реквизит, ускорить часть графики и постпродакшна.
PR и внимание. AI-креатив всё ещё может давать дополнительный интерес, особенно если бренд реализовал смелую идею и честно показал технологию. Такие проекты легче подхватывают медиа и индустрия, их обсуждают в соцсетях, они попадают в подборки кейсов. Но это работает только при хорошем качестве.
Эксперименты. С нейросетями легче пробовать разные стили и «миры», которые сложно собрать обычными методами.
МТС Live провёл эксперимент и сделал два ролика для сервиса покупки билетов Ticketland с одинаковым сюжетом и видеорядом, но с разным способом производства: один сняла классическая съёмочная группа с актёрами, а второй собрали с помощью генеративного ИИ, который покадрово повторил действия, эмоции и визуальные решения первого видео.
Эффективность проверяли в два этапа: сначала оба ролика показали выборке московских абонентов МТС и замерили восприятие, понимание сообщения и запоминаемость бренда. Затем ролики выложили в интернет, и каждый из них набрал свыше 2,3 млн просмотров. По итогам «человеческая» версия дала более сильный эмоциональный отклик и лучше запомнилась, а ИИ-ролик оказался эффективнее по performance-метрикам: VTR был выше на 22%, PI — на 34%, а CPV ниже.
Кадры из ролика, снятого с актёрами. Источник
Кадры из ролика, сделанного ИИ. Источник
Кажется, что раз камера и съёмочная студия не нужна, то и бюджет должен резко упасть. На практике всё сложнее. Качественный ИИ-продакшн тоже стоит денег, потому что в нём остаются ключевые роли — продумывание идеи, арт-дирекшн, сборка, доработка и контроль качества. При этом экономия правда бывает, но чаще она появляется не во всём сразу, а в конкретных статьях расходов.
По большей части ИИ-продакшн дешевле классического, и иногда сильно. Экономия обычно есть на этапе съёмок — на логистике, времени людей, организации процесса. Нет необходимости выезжать куда-то, организовывать съёмку, тратить время на то, чтобы отснять человека.
Если результат внутри ИИ вас устраивает, то такой продакшн будет заметно дешевле. Но такого же результата, как от реальной дорогой съёмки, мы не получим — и это нормально.
А вот дальнейшая постобработка стоит примерно одинаково. В ней всегда очень много ручного труда. Поэтому качественный ИИ-ролик всё равно может быть дорогим: нейросети закрывают часть генерации, но монтаж, спецэффекты, моушн и прочее остаются такими же, как и при реальной съёмке. Плюс — если идея сложная, нужно много проб, много генераций — это деньги, время и ресурсы.
Где экономия реальна:
Где сэкономить не получится, а иногда — даже станет дороже:
Отвечая на вопрос о том, дешевле ли ИИ-продакшн, существует несколько гипотез. Можно выбрать одну или суммировать все:
Вариант А: дешевле — это иллюзия первого раза. Один итерационный цикл с правками заказчика съедает всю экономию быстрее, чем классический референс-бриф.
Вариант Б: экономия реальна на этапе препродакшна — концепты, раскадровки, визуализация идей до съёмки. На самом производстве — зависит от задачи. Статичный контент дешевле. Видео со сложной режиссурой — сопоставимо с классическим, только без съёмочных смен и оплаты парковки, кухни, админов площадки.
Вариант В: качественный AI-контент дорогой по той же причине, по которой дорогой любой качественный контент — за ним стоит человек с экспертизой. Инструмент не стоит ничего. (Ну или цену подписки). Время, взгляд и позиция автора — то, где остаются высокие чеки.
Думаю, ответ всё-таки в сумме этих углов.
ВкусВилл вместе с нейропродакшеном Open Production сделал летнюю кампанию мороженого «Моёженое»: за 3,5 недели команда выпустила четыре 15-секундных OLV-ролика для диджитал. Сюжеты строились на идее «мороженое, которое спасает ситуацию» — герои сталкиваются с летними неудобствами (пробка, жара, дождь, комары), а мороженое помогает сменить настроение. По ходу работы выяснилось, что генерация не всегда точно держит запрос: например, вместо вафельного стаканчика нейросеть упорно делала рожок, и деталь приходилось править вручную. А продуктовые планы решили не доверять нейросетям вовсе и сделали мороженое в 3D, чтобы точно контролировать вид и анимацию. В проекте использовали Imagen 3 для генерации, Kling для анимации, плюс 3D и ручную доводку.
Кадры из финальной версии ролика. Источник
Одна из самых острых тем в AI-продакшне — юридическая чистота результата. Во-первых, модели обучаются на большом массиве чужого контента, поэтому всегда остаётся риск, что генерация окажется слишком похожей на чью-то работу. Во-вторых, встаёт вопрос, кому принадлежат права на итоговые материалы и исходники, если над ними работали и люди и нейросети. В-третьих, важно честно обращаться с аудиторией: продумать маркировку и формулировки так, чтобы не вводить людей в заблуждение и не подрывать доверие к бренду.
В моей практике прямых юридических коллизий пока не возникало, работаем аккуратно. Но в мировой практике уже есть показательные прецеденты: судебные иски художников к Midjourney и Stability AI за использование работ без согласия в тренировочных данных; кейс Getty Images против тех же компаний — за воспроизведение водяных знаков в генерациях. Но все эти иски направлены именно к компаниям, предоставляющим ИИ-сервисы.
Есть несколько основных зон риска.
Сгенерированные персонажи похожи на реальных людей. Визуал может случайно напоминать реальную персону. Отдельный риск — когда ИИ подменяет внешность знаменитости: делает моложе, оживляет фото или совмещает лица разных людей. Здесь встаёт вопрос согласия человека на использование образа.
Музыка и голоса, особенно синтез. С голосом проблем больше, чем кажется: похожесть на конкретного диктора, актёра или известный тембр может стать поводом для претензий. С музыкой похожая история: генерация иногда воспроизводит узнаваемые паттерны, а это может выглядеть как заимствование.
Логотипы, упаковка, элементы чужих брендов. Нейросети могут подмешивать знакомые знаки, формы, шрифтовые решения и даже упаковку, особенно если стиль описан слишком общими формулировками. В рекламе это опасно: такие детали легко воспринимаются как использование чужого брендинга.
Датасеты и референсы, которые бренд не готов объяснять публично. Иногда проблема не в юридических формулировках, а в том, как проект выглядит со стороны. Если аудитория или профессиональное сообщество спрашивают, на чём это обучено и почему это похоже на конкретного автора, бренду важно иметь внятный ответ. Иначе можно получить репутационный удар даже без суда и официальных претензий.
Но на практике не всё так страшно:
Я не встречал юридических проблем при работе с ИИ-контентом. Делал много заставок для больших проектов, и чаще всего это был контент, сгенерированный в нейросетях, которые допускают коммерческое использование: Midjourney, Stable Diffusion на своём компьютере.
Проблем не будет, если изначально не пытаться никого обмануть: не заниматься дипфейками, подделками кого-либо и не пытаться выдавать ИИ-контент за настоящий.
Чтобы снизить риски, лучше сразу закрепить правила работы с ИИ официальными документами — и с агентством, и с продакшном, и с отдельными исполнителями. Вот что следует прописать в договоре:
Инструментарий и задачи. Перечислите используемые сервисы и модели. Укажите, для чего именно они применяются (тексты, визуал, звук, видео), чтобы избежать споров о происхождении контента.
Права на результаты. Зафиксируйте, кому принадлежат финальные файлы и все исходные материалы (проекты, промпты, промежуточные генерации). Если исходники остаются у исполнителя — укажите это.
Ответственность. Определите, кто отвечает за претензии третьих лиц (авторские права, товарные знаки, изображения людей). Укажите, кто берет на себя юридическую защиту и коммуникацию в случае споров.
Безопасность и данные. Пропишите, какие данные (конфиденциальные концепты, внутренняя аналитика) запрещено загружать в нейросети. Закрепите регламент хранения промптов и доступов.
Маркировка контента. Заранее согласуйте требования к раскрытию использования ИИ. Утвердите формулировки для титров и описаний, чтобы сохранить прозрачность перед аудиторией.
Скорее всего, рынок будет выбирать гибридный подход как «золотую середину». Полностью нейросетевые ролики останутся как отдельный любительский жанр, но в большинстве коммерческих проектов ИИ будет работать рядом с привычным продакшном: где-то заменять часть съёмки, где-то ускорять графику и постобработку, где-то помогать собрать серии материалов.
Параллельно у брендов будут появляться внутренние правила: что можно генерировать, что нельзя, какие проверки обязательны и кто их проводит. И ещё один важный сдвиг — в коммуникации: меньше «смотрите, это сделано ИИ», больше «смотрите, какая идея и постановка», потому что именно это отличает сильный кейс от очередной технологической демонстрации.
Я считаю, что процессы работы с ИИ пока ещё не устаканились. Да, есть пайплайны, которые работают хорошо. Но как только появляется что-то более качественное, флагманское, оно быстро меняет привычный процесс.
Поэтому примерно раз в три месяца у меня сильно меняется то, чем и как я создаю контент: появляются более эффективные нейросети, меняются сами подходы внутри них.
Что касается качества работ, мне не хватает большей реалистичности и разнообразия. Арты уже получаются очень детализированные, но внутри них всё равно мало вариативности — пока нам не хватает большого датасета. Но качество растёт постоянно, и я думаю, что уже в следующем году это будет выглядеть неузнаваемо по сравнению с тем, что мы видим сейчас.
Если говорить именно про видео, здесь не хватает правильной физики и деталей. Да, уже сейчас реалистичность и уровень креатива удивляет людей. Но когда ты специалист, ты часто отталкиваешься не от того, что придумал, а от того, что умеет нейросеть. А хотелось бы наоборот: чтобы ты придумал — и это можно было воплотить.
В Unisender есть всё для быстрого старта в email-маркетинге: блочный редактор, 200+ шаблонов, ИИ-помощник.
Искренние письма о работе и жизни, эксклюзивные кейсы и интервью с экспертами диджитала.
