Adobe купила индийский стартап Rilo: как ИИ-оркестрация меняет enterprise-маркетинг

Adobe купила Rilo за нераскрытую сумму, добавив автоматизацию рабочих процессов на естественном языке к платформе после покупки Semrush за $1,9 млрд. Что агентская ИИ-архитектура

Adobe приобрела индийский стартап Rilo, добавив к своей платформе технологию автоматизации маркетинговых процессов через естественный язык. Сделка включает команду из шести человек и лицензии на часть разработок — финансовые условия не раскрываются. Приобретение следует за покупкой Semrush за $1,9 млрд и показывает, как Adobe выстраивает агентскую ИИ-архитектуру для enterprise-маркетинга: вместо управления отдельными задачами бренды получают единый интерфейс для исследований, анализа, создания контента и дистрибуции.

Adobe купила rilo

Rilo позволяла пользователям создавать рабочие процессы на естественном языке — от анализа конкурентов и репозиционирования контента до разбора звонков продаж и генерации лидов. Автономный продукт закрывается после сделки, но технология встраивается в экосистему Adobe CX Enterprise. Компания не уточнила, в каких именно продуктах появится функциональность Rilo, но команда будет работать над ИИ-инструментами для корпоративных маркетологов.

Логика очевидна: после покупки Semrush Adobe получила данные по поисковой видимости и конкурентной аналитике, Rilo добавляет слой автоматизации, который связывает эти данные с производством контента и его распространением. Вместо цепочки «аналитик выгружает отчёт → копирайтер пишет бриф → дизайнер готовит креатив → таргетолог запускает кампанию» бренд описывает задачу на естественном языке, а ИИ-агенты последовательно выполняют шаги и передают результат друг другу.

Агентская архитектура ИИ заменяет управление отдельными инструментами на управление цепочками задач — маркетолог формулирует цель, система сама выбирает инструменты и последовательность действий.

Что происходит на рынке марктех-платформ с ИИ-агентами

Rilo — не единственный игрок, автоматизирующий маркетинговые workflow. ActiveCampaign запустила Active Intelligence: Wavelength, которая анализирует историю аккаунта, результаты прошлых кампаний, активность на сайте и более 500 бизнес-сигналов, чтобы составлять письма, строить сегменты и находить разрывы в customer journey. Archive выпустила Archie — агента для кампаний с авторами, который оценивает описание бренда, анализирует контент-историю блогеров, проверяет данные аудитории и возвращает шорт-листы проверенных кандидатов.

Auxia представила Agent Studio — операционную систему для маркетинговых процессов, где агенты анализируют сырые данные кампаний, картируют точки ухода в воронке, генерируют креативные брифы и автоматически вносят изменения в сторонние инструменты. Webflow запустила агентскую платформу веб-разработки, которая превращает описание на естественном языке в макет сайта, пишет тексты, оптимизирует код и поддерживает дизайн-системы. Crescendo выпустила платформу управления клиентским опытом, где ИИ-модели обрабатывают входящие запросы, распределяют задачи и обновляют внутренние workflow.

Как агентские ИИ-системы меняют работу с инфлюенсерами и контентом

Для брендов, работающих с блогерами, агентская архитектура решает проблему разрозненности данных. Сейчас типичный процесс выглядит так: аналитик выгружает метрики охвата и вовлечённости из одного сервиса, менеджер проверяет аудиторию в другом, юрист согласовывает договор в третьем, бухгалтерия отслеживает маркировку в четвёртом. ИИ-агенты могут объединить эти шаги: описываешь требования к кампании (ЦА, бюджет, тематика), система сама находит подходящих авторов, проверяет данные, генерирует бриф, согласовывает условия и контролирует публикацию с маркировкой.

Archive Archie уже реализует часть этой логики: анализирует бренд, проверяет историю контента блогеров и аудиторию, возвращает готовый список. Но полная автоматизация требует интеграции с платформами размещения, системами маркировки, CRM и финансовыми инструментами — именно такую экосистему выстраивает Adobe вокруг CX Enterprise.

Чек-лист: как подготовиться к работе с агентскими ИИ-платформами

• Структурируйте данные о прошлых кампаниях: ИИ-агенты учатся на исторических метриках — чем чище данные (бюджет, охват, CPM, конверсии), тем точнее прогнозы.
• Унифицируйте требования к контенту и авторам: создайте документ с параметрами ЦА, tone of voice, запрещёнными темами — агент будет использовать его как базовый фильтр.
• Проверьте интеграции: убедитесь, что CRM, платформы аналитики и системы маркировки предоставляют API — без них агент не сможет выполнять действия автоматически.
• Определите точки контроля: решите, на каких этапах требуется ручное подтверждение (например, согласование бюджета или юридическая проверка договора).
• Тестируйте на ограниченных кампаниях: запустите агента на небольшом сегменте (например, поиск микроинфлюенсеров для тестовой коллаборации), прежде чем масштабировать на весь медиаплан.

Видимость в генеративных поисковых системах: новая метрика для брендов

Параллельно с автоматизацией workflow марктех-платформы встраивают инструменты для отслеживания видимости в ИИ-поисковиках. Bazaarvoice представила AI Visibility Package, форматирующий данные о продуктах и пользовательский контент для генеративных движков — структурирует отзывы, характеристики и визуальные материалы, чтобы LLM индексировали и цитировали бренд в диалоговых запросах покупателей.

CrunchJunkie расширила аналитику для мониторинга упоминаний бренда в генеративных поисковиках — платформа измеряет видимость, тональность и позиционирование в ChatGPT, Gemini, Perplexity и Google AI Overviews. Dreamdata выпустила функции отслеживания, как покупатели используют диалоговые платформы в процессе принятия решений: анализирует упоминания бренда в LLM, рассчитывает атрибуцию и оценивает влияние рекомендаций ИИ на конверсии. Influencer запустила Creator-First Answer Engine Optimization — платформу для отслеживания рекомендаций бренда в ИИ-поисковиках, которая анализирует, как диалоговые системы цитируют контент авторов, измеряет социальный авторитет и отслеживает видимость бренда.

Для российского рынка генеративные поисковики пока не стали основным каналом, но тренд заметен: пользователи всё чаще задают вопросы Яндекс GPT, GigaChat или Claude вместо традиционного поиска. Бренды, работающие с блогерами, должны учитывать: если контент автора индексируется LLM, он может влиять на рекомендации в диалоговых запросах. Это значит, что интеграция продукта в обзор или упоминание в сторис может работать не только на прямой охват подписчиков, но и на долгосрочную видимость в ИИ-ответах.

Ограничения агентских систем: где требуется ручной контроль

Агентская архитектура эффективна для повторяющихся процессов с чёткими критериями — поиск авторов по параметрам охвата и CPM, проверка данных аудитории, генерация стандартных брифов. Но креативные задачи (концепция интеграции, сценарий видео, нестандартные механики) и юридические вопросы (согласование условий с правообладателями, проверка соответствия закону о рекламе) пока требуют участия человека.

Вторая проблема — качество данных. ИИ-агенты учатся на исторических кампаниях: если в базе нет структурированных метрик (например, все охваты записаны в одном столбце без разделения на органику и рекламу), система будет выдавать неточные прогнозы. Третье — интеграции: большинство платформ для работы с блогерами в России не предоставляют открытые API, и агент не сможет автоматически разместить заказ или проверить маркировку без ручного переноса данных.

Как измерить эффективность workflow-автоматизации

Основная метрика — сокращение времени на рутинные операции. Сравните, сколько часов команда тратила на поиск авторов, проверку аудитории и согласование брифов до внедрения агента и после. Вторая метрика — количество ошибок: если агент автоматически проверяет наличие маркировки или соответствие контента брифу, фиксируйте процент публикаций, требующих доработки.

Третья — точность прогнозов. Если система предлагает авторов на основе исторических данных, отслеживайте, какой процент рекомендаций приводит к успешным размещениям (публикация состоялась, метрики совпали с прогнозом, CPM уложился в бюджет). Четвёртая — масштабируемость: сколько кампаний команда может вести одновременно с агентом по сравнению с ручным управлением.

Что покупка Rilo значит для российского рынка

Adobe CX Enterprise в России представлен ограниченно, но тренд на агентскую архитектуру актуален для локальных платформ. Российские инфлюенс-агентства и SaaS-сервисы для работы с блогерами могут перенимать логику: вместо набора несвязанных инструментов (поиск, аналитика, CRM, маркировка) предлагать единый интерфейс, где маркетолог описывает задачу, а система выполняет цепочку действий.

Препятствие — фрагментированность данных. Метрики охвата хранятся у одних платформ, данные аудитории — у других, информация о маркировке — у третьих. Пока нет единого API-стандарта, агентам придётся интегрироваться с каждым сервисом отдельно. Второе препятствие — юридическая специфика: закон о рекламе требует обязательной маркировки, проверки статуса иноагента, согласования с Роскомнадзором для определённых категорий. ИИ-агент может автоматизировать техническую проверку (например, наличие токена ОРД), но финальное согласование пока остаётся за юристом.

Частые вопросы

Что такое агентская ИИ-архитектура в маркетинге

Это система, где маркетолог описывает задачу на естественном языке, а несколько специализированных ИИ-агентов последовательно выполняют шаги — от исследования и анализа до создания контента и запуска кампании. В отличие от традиционных инструментов, где нужно вручную переключаться между платформами, агентская архитектура автоматически передаёт данные между этапами и выбирает подходящие инструменты.

Зачем Adobe купила Rilo после покупки Semrush

Semrush дала Adobe данные по поисковой видимости и конкурентной аналитике, Rilo добавляет автоматизацию рабочих процессов на естественном языке. Вместе они позволяют связать исследование, контент-производство и дистрибуцию в единый workflow, управляемый ИИ-агентами — маркетолог формулирует цель, система сама выполняет шаги.

Можно ли полностью автоматизировать подбор блогеров через ИИ

Частично — ИИ-агенты эффективны для фильтрации по количественным параметрам (охват, CPM, демография аудитории, тематика контента). Но финальную оценку креативного соответствия бренду, проверку юридических рисков и согласование нестандартных условий пока лучше делать вручную. Оптимальная схема: агент формирует шорт-лист, менеджер выбирает финальных кандидатов.