AWS об'єднав 4 AI-агенти для керування рекламою
Команда Amazon Ads показала на воркшопі мультиагентну систему на Bedrock AgentCore: оркестратор розподіляє запити між агентами для кампаній, аналітики, playbook'ів і бази даних. Зміна бюджету з перевіркою playbook'у займає до 2 хвилин замість 20 хвилин ручної роботи в 4 інструментах.
Gartner: у травні 2026-го лише 16% маркетингової роботи автоматизовано AI; у 2025 році 59% CMO скаржились на брак бюджету при бюджетах 7.7% доходу компанії. За орієнтовними оцінками AWS, що ґрунтуються на порівнянні робочих процесів, а не на даних реального клієнта, аналітик на ~80 кампаніях може зекономити ~24 години на тиждень, а час реакції на демпінг конкурентів скоротитися на 80-90%.
Ранок аналітика: як виглядає робочий процес до і після
У першоджерелі AWS наводить конкретний сценарій. Бренд товарів повсякденного попиту (CPG) веде рекламу в кількох категоріях — снеки, напої, засоби особистої гігієни, побутова хімія — і легко накопичує сотні активних кампаній Sponsored Products, не виходячи за ліміт Amazon у 10 000 кампаній на акаунт. У понеділок вранці аналітик відкриває дашборд звітності й бачить: кампанія снеків «назад до школи» за вихідні впала на 22% за ROAS після того, як конкурент запустив купон.
Далі — типовий ручний процес: аналітик перемикається в інший інструмент за історичними даними ставок по ASIN, відкриває внутрішню wiki, щоб знайти плейбук команди з мід-флайт оптимізації під час промо-періодів (20 хвилин пошуку), а потім заходить у консоль управління кампаніями, щоб підняти денний бюджет з $800 до $1200 і змінити таргетинг на розміри упаковки, що краще конвертують. Одна кампанія опрацьована — лишається ще 82.
У мультиагентній версії той самий результат досягається за кілька реплік аналітика в одному діалозі:
Кампанія снеків недопрацьовує з моменту запуску купону конкурентом. Що радить наш плейбук захисту від промо, і чи можна підняти денний бюджет до $1200?Оркестратор на Amazon Bedrock розпізнає намір і в межах діалогу звертається до трьох агентів: спочатку аналітики — підняти показники ROAS, витрат і показів; потім знань — знайти розділ плейбуку про ескалацію ставок і перерозподіл бюджету під час конкурентних промо; і управління кампаніями — виконати зміну через Amazon Advertising API. Весь діалог у трьох репліках — менше двох хвилин. Amazon Bedrock AgentCore Memory утримує контекст між репліками, тож аналітику не потрібно повторно пояснювати, про яку кампанію йдеться.
Чотири спеціалісти й що робить кожен
Архітектура побудована за принципом hub-and-spoke: оркестратор не виконує роботу сам, а розподіляє запити між чотирма вузькопрофільними агентами.
- Агент управління кампаніями — створює, оновлює й призупиняє кампанії та рекламні профілі через Amazon Advertising API та Amazon Ads MCP Server: зміни бюджету, коригування таргетингу, запуск кампаній у різних товарних категоріях.
- Агент аналітики та звітності — витягує показники ефективності (покази, кліки, витрати, ROAS, частка голосу) по кампаніях, категоріях і періодах; використовується для щотижневих бізнес-оглядів і моніторингу промо в реальному часі.
- Агент знань — шукає в бібліотеці категорійних плейбуків, збережених як семантичні ембединги; на запит типу «як діяти, коли конкурент запускає купон у снеках» повертає стратегію, засновану на перевірених практиках, а не загальну пораду.
- Агент бази даних — опитує історичні дані кампаній в Amazon RDS для трендового аналізу по сезонних періодах, порівнянь рік до року та кастомних звітів по категорії чи SKU.
Кожен агент працює у власному контейнері на Amazon Bedrock AgentCore, масштабується автономно і виявляє інших агентів автоматично через протокол Agent2Agent (A2A). Додавання нового спеціаліста — наприклад, агента сезонного планування — не вимагає жодних змін в оркестраторі.
Інший сценарій: навчання нового співробітника й поступове впровадження
Крім щоденної оптимізації, у матеріалі описано ще дві ситуації. Перша — консистентність команди: коли категорійні плейбуки, сезонні стратегії й тактики захисту від промо зберігаються в агенті знань, новий співробітник виконує завдання ближче до рівня досвідченого бренд-менеджера. За оцінкою AWS, це знижує розкид якості виконання в команді та залежність від знань кількох експертів.
Друга — поступове впровадження без переробки архітектури. AWS радить починати з двох агентів для категорії з найбільшим обсягом кампаній і розширювати систему по мірі підтвердження результату: оскільки оркестратор виявляє нових спеціалістів автоматично, додавання агентів не потребує повторного проєктування системи, а інвестиція росте разом із доведеною віддачею, а не вимагає великого авансового вкладення.
Що варто перевірити перед впровадженням
Самі автори матеріалу застерігають: наведені показники (у 10 разів більше опрацьованих кампаній за годину, ~24 години на тиждень для аналітика з ~80 кампаніями, скорочення часу реакції на 80-90%) — орієнтовні. Вони виведені з порівняння «до і після» описаного робочого процесу, а не взяті з конкретного впровадження в реального клієнта. Реальний результат для конкретного бренду залежатиме від того, наскільки його процеси й дані відповідають описаній моделі.
Технологічний стек передбачає залежність від кількох компонентів: Amazon Bedrock AgentCore для запуску й масштабування агентів, Amazon Ads MCP Server і API для інтеграції з рекламним кабінетом, Amazon S3 Vectors з Amazon Titan Text Embeddings V2 для семантичного пошуку по плейбуках, Amazon RDS для історичних даних.
Варто зважити й на час входу: повний воркшоп AWS займає близько трьох годин, прискорений варіант — приблизно годину. Ціни запуску системи й умов для конкретних постачальників у матеріалі немає.