← JOURNAL / LEIMAN LAB
FIELD NOTE 006ПРОДАКШЕН И БИЗНЕСRESEARCH / MEDIA ECONOMY

Кому принадлежит внимание?

Производство контента дешевеет. Доходы авторов остаются неравномерными, а просмотры не гарантируют доверия и денег. Что подтверждают исследования?

Редакционная иллюстрация к статье Кому принадлежит внимание
LEIMAN LAB / 006   ·   EDITORIAL ILLUSTRATION

Я занимаюсь AI-продакшеном и наблюдаю, как меняется стоимость производства. То, что прежде требовало отдельной съёмки или многочасовой постобработки, иногда удаётся сделать несколькими генерациями. Но создание ролика ещё ничего не говорит о том, увидят ли его люди, захотят ли вернуться и принесёт ли он деньги.

Я изучил исследования 2025–2026 годов по экономике внимания, доходам авторов, психологии просмотра и эффективности генеративной рекламы. Здесь разбираю, что подтверждается измерениями, где начинаются гипотезы и почему бесплатное производство может соседствовать с дорогим доступом к зрителю. В конце — практический гайд на 90 дней для авторов, медиа и студий.

01 / Внимание — сложнее, чем минуты просмотра

В обзоре The Economics of Attention, опубликованном в Journal of Economic Literature в сентябре 2025 года, Джордж Левенштейн и Закари Войтович показывают, как внимание связано с экономическим выбором, скукой, любопытством и внешними эффектами цифровых технологий. Это существенно сложнее привычного представления об ограниченном резервуаре свободных минут. Loewenstein & Wojtowicz (2025) ↗

Йелле Брюнеберг в Philosophical Psychology критически разбирает основания классической модели экономики внимания. Он показывает, почему внимание нельзя автоматически представлять единым запасом, который расходуется на сообщения: важны контекст, деятельность и релевантность происходящего. Bruineberg, Rethinking the Cognitive Foundations of the Attention Economy ↗

Для медиа это означает простую вещь. Тридцать секунд просмотра могут быть проявлением интереса, привычки, раздражения или случайного проигрывания видео. Один показатель не раскрывает смысл действия. Охват удобен для отчёта, но недостаточен для оценки отношений с аудиторией.

02 / Почему доступ к производству не уравнивает доходы

В 2026 году Илан Штраусс, Янхо Ян и Мариана Маццукато опубликовали в Industrial and Corporate Change анализ доходов 104 719 создателей контента, связанных с крупными платформами. Использованы срезы данных Patreon за 2018, 2021 и 2024 годы. У доходов обнаружен тяжёлый хвост распределения, примерно соответствующий показателю Парето α≈2. Это признак очень сильной концентрации доходов в верхней части выборки. Strauss, Yang & Mazzucato (2026), рецензируемая статья ↗

Исследование показывает, что на площадках с более концентрированными доходами средний сегмент авторов получает меньше. Но α≈2 не означает, будто зарабатывают исключительно два процента создателей. Это параметр математической модели, а не доля успешных блогеров.

Нужно учитывать ограничение исследования. Patreon отражает лишь часть доходов: деньги от рекламы, интеграций, лицензирования и товаров могут поступать через другие каналы. Авторы рассматривают рекомендательные алгоритмы как возможный источник концентрации, однако отмечают влияние готовности аудитории платить и коэффициентов конверсии. Доказать причинную роль каждого алгоритма на этих данных нельзя.

Ещё одна работа о YouTube-каналах Германии, Австрии и Швейцарии сообщает о коэффициенте Джини 0,89 для распределения оцениваемого заработка. Это иной рынок и метод, поэтому складывать цифры двух исследований неправильно. Но оба результата заставляют осторожнее относиться к обещанию, что новые инструменты сами по себе создадут устойчивый средний класс авторов. Working on an algorithm-controlled platform as a content creator (2026) ↗

03 / Чем отличается дешёвый контент от эффективного

Быстрая генерация снижает стоимость производства вариантов. При этом профессиональная себестоимость включает отбраковку, исправления, постановку задачи, правовую проверку, согласование с клиентом и стоимость человеческого времени. Если ролик стоил один доллар в генераторе, это ещё не значит, что его производство обошлось в один доллар.

Хартманн, Экснер и Домдей сравнили более 10 тысяч сгенерированных маркетинговых изображений с человеческими работами, собрав 254 400 оценок. Их результаты показывают, что изображения от моделей способны конкурировать с человеческими по качеству, реалистичности и эстетике. При этом красивая картинка и коммерческий результат остаются разными измерениями. Hartmann, Exner & Domdey, International Journal of Research in Marketing ↗

Ли, Тодри, Адамопулос и Гош исследовали три подхода: рекламу специалистов, AI-редактирование существующих макетов и полностью AI-созданные объявления. В их полевых тестах целиком созданные моделью объявления обеспечивали повышение CTR до 19% относительно контрольных вариантов, тогда как простое AI-редактирование готовых объявлений не дало устойчивого преимущества. Lee et al., The Impact of Visual Generative AI on Advertising Effectiveness (препринт) ↗

Результат «до 19%» относится к конкретным условиям тестирования. Из него нельзя сделать вывод, что вся реклама с ИИ повышает продажи на 19%: CTR измеряет клики, а не прибыль. Это важно для контрактов, в которых студии обещают бизнес-эффект, управляя лишь частью факторов.

В исследовании Marketing Science персонализированная видеореклама с использованием генеративного ИИ дала увеличение вовлечённости на 6–9 процентных пунктов относительно двух контрольных условий в мобильной кампании одного DTC-бренда. Здесь эксперимент поддерживает вывод о возможности эффективной персонализации, но перенос результата на любой рынок требует отдельных испытаний. Generative AI and Personalized Video Advertisements, Marketing Science ↗

04 / Когда больше активности означает меньше качества

В эксперименте Scientific Reports приняли участие 680 жителей США. Исследователи сравнили несколько типов помощи ИИ внутри социальной дискуссии. Часть инструментов увеличивала активность и объём публикаций, но одновременно ухудшала воспринимаемое качество и подлинность общения. Наблюдались и отрицательные эффекты для других участников обсуждения. Møller et al., The Impact of Generative AI on Social Media: An Experimental Study (2026) ↗

Эксперимент относится к разговорным платформам, а не напрямую к коротким видео. Однако он выявляет важную для редакции ловушку: метрика публикационной активности может расти одновременно с ухудшением опыта аудитории. Регулярность сама по себе не служит доказательством ценности.

05 / Кому принадлежит доступ к зрителю

У автора внутри социальной сети есть контент, подписчики и статистика. Но способ показа публикаций определяется внешней площадкой. Рекомендации способны за один день привести десятки тысяч незнакомых зрителей и за следующий день перестать это делать. Поэтому подписка внутри платформы не равнозначна гарантированному доступу к человеку.

Я различаю три слоя. Заёмный охват — показы из рекомендаций, рекламы и поискового трафика. Возвращаемая аудитория — люди, которые сами ищут новые материалы автора. Управляемые отношения — собственная рассылка с согласия получателей, сайт, продуктовая подписка или клиентская база. Даже третий слой зависит от инфраструктуры, но помогает не ставить всю экономику на одну рекомендательную ленту.

Собственный домен не означает независимость от Google, как и рассылка не обеспечивает 100% открытий. Разница в том, что появляется пространство для долгосрочных измерений и отношений, которые можно развивать вне интерфейса одной платформы.

06 / Из чего теперь складывается стоимость AI-студии

Когда заказчик может самостоятельно получить приемлемую иллюстрацию, простая генерация испытывает ценовое давление. Но ценность режиссуры, редакторского решения, последовательности визуального языка и контроля качества не исчезает. Компании требуется не бесконечное количество картинок, а материал, соответствующий конкретной задаче.

В контрактах стоит разделять производство, исследование и операционное сопровождение. Производство отвечает за готовый результат. Исследование проверяет варианты на сопоставимых условиях. Сопровождение обеспечивает систему обновления и анализа. За показатели продаж можно отвечать только в той мере, в какой команда контролирует продукт, бюджет, канал и измерения.

07 / Что происходит, когда ИИ становится посредником в выборе

Генеративный помощник способен влиять на выбор товара, даже когда рекламное сообщение не показано отдельным баннером. Кью и Мэй описывают несколько уровней такого воздействия: прямое упоминание продукта, рамку представления информации, направление действия и потенциально долгосрочное изменение предпочтений. Их работа — концептуальная постановка проблемы прозрачности вмешательств, а не доказательство массового развёртывания всех этих механизмов. Qiu & Mei, Generative AI Advertising as a Problem of Trustworthy Commercial Intervention ↗

В экспериментальных исследованиях Meguellati и соавторов реклама, написанная LLM, оказалась сопоставимой с человеческой при персонализации под черты личности. Во второй части работы участники чаще предпочитали AI-сообщения при тестировании некоторых приёмов убеждения. Исследование измеряет предпочтения участников, поэтому по нему нельзя судить о долгосрочном доверии и реальных покупках. Meguellati et al., LLM-Generated Ads (2025) ↗

08 / Модель Leiman Lab: пять состояний внимания

Чтобы не смешивать просмотры, интерес и деньги, я использую рабочую исследовательскую рамку Attention Capital Framework. Это собственная аналитическая модель для проектирования измерений, а не валидированная научная шкала. Её пять уровней помогают задавать правильные вопросы при работе с медиа.

Захват

Скольким людям из релевантной аудитории встретился материал? Считайте показы, начало просмотра и источники первого контакта. Сравнивайте показатели в пределах одинаковых определений платформы.

Удержание

Остался ли человек с материалом достаточно долго, чтобы получить его смысл? Используйте удержание, дочитывания и сохранения. Высокий показатель ещё не равен положительному впечатлению.

Возвращение

Ищет ли человек продолжение сам? Смотрите повторные визиты, подписки с согласия пользователя и возвращение к сериям или инструментам. Не превращайте измерение в скрытое слежение.

Доверие

Готов ли человек опираться на материал в принятии решений? Здесь важны качество обратной связи, самостоятельные рекомендации и проверка точности, а не только лайки. Универсального числового измерителя доверия нет.

Действие

Происходит ли значимое для проекта действие: запрос, подписка на услугу, покупка, сотрудничество или участие в исследовании? Определяйте его заранее, а не выбирайте задним числом самую приятную цифру.

09 / Практический гайд на 90 дней

Дни 1–15. Определить аудиторию и экономическую задачу

Опишите конкретного читателя или зрителя, его повторяющуюся потребность и то, ради чего он может возвращаться. Выберите один желаемый результат: продажа, подписка, обращение или участие. Укажите реальные ограничения: бюджет, частоту публикаций и доступные каналы.

Дни 16–30. Выпустить связанную серию

Подготовьте 8–12 материалов в двух-трёх форматах. Для каждого заранее запишите рабочую гипотезу, стоимость исследования, генераций, монтажа, редактуры и распространения. Лучше сравнивать варианты в одном жанре, чем хаотично смешивать десять разных тем.

Дни 31–45. Проверить первые реакции

Измерьте первые секунды, глубину просмотра или дочитывания, клики и сохранения. Старайтесь сравнивать варианты на похожей аудитории и без резкой разницы рекламного бюджета. Наблюдательные данные не называйте доказательством причинной связи.

Дни 46–60. Построить механизм возвращения

Предложите продолжение: новую часть исследования, обновляемый рейтинг, инструмент, понятный календарь публикаций или закрытую подборку. Создайте точку контакта на собственном сайте или в рассылке с добровольной подпиской.

Дни 61–75. Проверить коммерческое действие

Разместите один осмысленный оффер. Измерьте целевые переходы, заявки, сделки и фактические поступления. Отдельно учитывайте расходы на продакшен и распространение. Если заявок нет, проверьте масштаб и качество выборки прежде, чем объявлять идею провальной.

Дни 76–90. Провести ревизию

Сопоставьте охват, удержание, возвращение и деньги. Определите, что воспроизводимо, что зависит от случайной вирусности и какой канал создаёт максимальную зависимость от внешних правил. Запланируйте следующую серию только на основании результатов, которые действительно удалось измерить.

Минимальный набор данных

Дата, тема, формат, целевая аудитория, часы работы, стоимость инструментов, расходы на распространение, показы, просмотры, удержание, возвращения, переходы, заявки, продажи и источник трафика. Такая таблица полезнее любого общего рейтинга «самых вирусных креативов».

10 / Что можно заключить

У нас есть подтверждения того, что внимание сложнее времени просмотра; что доходы авторов распределены крайне неравномерно; что генеративные креативы в отдельных условиях могут превосходить обычные; что увеличение объёма AI-контента иногда снижает качество среды. Эти результаты относятся к разным методам и объектам, поэтому их нельзя объединить в одну причинную формулу.

Пока не доказано, что создание контента перестанет оплачиваться или что владение собственной рассылкой автоматически обеспечит доход. Но для меня как продюсера направление работы очевидно: ценнее становится способность задавать содержательную задачу, организовать выпуск, получить честные измерения и дать человеку причину вернуться. Сама генерация всё чаще становится лишь одним этапом этой системы.

Научные источники / 2025–202610 LINKS
  1. Loewenstein & Wojtowicz — The Economics of Attention (2025) ↗Обзор
  2. Bruineberg — Rethinking the Cognitive Foundations of the Attention Economy ↗Научная статья
  3. Strauss, Yang & Mazzucato — Rich-get-richer? (2026) ↗Рецензируемая статья
  4. Working on an algorithm-controlled platform as a content creator (2026) ↗Рецензируемое исследование
  5. Hartmann, Exner & Domdey — The Power of Generative Marketing (2025) ↗Рецензируемая статья
  6. Lee et al. — The Impact of Visual Generative AI on Advertising Effectiveness (2025) ↗Препринт
  7. Generative AI and Personalized Video Advertisements (2025) ↗Полевой эксперимент
  8. Møller et al. — The Impact of Generative AI on Social Media (2026) ↗Рандомизированный эксперимент
  9. Meguellati et al. — LLM-Generated Ads (2025) ↗Препринт
  10. Qiu & Mei — Generative AI Advertising as a Problem of Trustworthy Commercial Intervention (2026) ↗Концептуальный препринт

Attention Capital Framework и 90-дневный гайд — аналитическая модель Leiman Lab, а не валидированная шкала. Источники сверены 6 ноября 2026 года; экспериментальные эффекты не следует автоматически переносить на другие аудитории.

КОММЕНТАРИИ / 0

ВЫДЕЛИТЕ ТЕКСТ, ЧТОБЫ ОБСУДИТЬ ФРАГМЕНТ