Мобильный рекламный фрод в 2026 году: как ИИ изменил правила игры

Юрий Красильников, региональный директор Adjust по Восточной Европе:

Три года назад индустрия обсуждала рекламный фрод прежде всего как проблему масштаба: по прогнозу Juniper Research, глобальные потери от рекламного мошенничества к 2026 году могут достичь $170 млрд. Сегодня важен уже не только размер ущерба, но и то, как изменилась сама природа фрода.

Для мобильной рекламы это особенно заметно. Мошенники используют те же технологии автоматизации и ИИ, которые применяют легитимные компании, чтобы быстрее масштабировать инфраструктуру, имитировать поведение пользователей и обходить существующие системы защиты.

Для рынков СНГ, где performance-маркетинг и paid UA остаются важными каналами роста, это означает не только риск прямых финансовых потерь. Фрод всё сильнее влияет на качество данных, на которых строятся решения о закупке трафика.

Защита развивалась, и фрод тоже

Последние годы индустрия много инвестировала в борьбу с классическими схемами: клик-фермами, ботами, поддельными install-сигналами, VPN и другими видами невалидного трафика. Эти методы никуда не исчезли. Но параллельно изменился сам инструментарий мошенников.

Сегодня автоматизированный трафик может гораздо убедительнее имитировать поведение реального пользователя. Вместо простого повторения одного сценария системы могут варьировать последовательность действий, время между событиями, глубину взаимодействия и другие параметры. Это делает традиционный подход, основанный исключительно на отдельных поведенческих сигнатурах, менее надёжным.

Ботам больше не обязательно выглядеть как боты

Реалистичное поведение только одна часть проблемы. Вторая связана с масштабом. ИИ упрощает создание и адаптацию программной инфраструктуры, поэтому мошеннические схемы можно быстрее тестировать и распространять. Отдельная проблема — приложения, которые создаются или используются исключительно для генерации фальшивых показов, кликов и установок.

По данным DoubleVerify, в 2025 году количество выявленных мошеннических iOS-приложений было почти втрое выше среднего показателя предыдущих пяти лет, а Android-приложений — почти в шесть раз выше. Одновременно растёт качество маскировки: описания, отзывы и другой контент могут создаваться с помощью генеративного ИИ, помогая приложениям выглядеть легитимно.

При этом нельзя автоматически считать любое подозрительное приложение результатом использования ИИ: сами цифры DoubleVerify показывают рост обнаруженного мошенничества, но не доказывают причинно-следственную связь с генеративными моделями. Это важное различие: ИИ не обязательно создаёт новый тип фрода, но снижает стоимость его масштабирования и усложняет задачу системам обнаружения.

iOS тоже нельзя считать защищенной зоной

После введения Apple App Tracking Transparency в 2021 году экосистема iOS стала существенно более закрытой с точки зрения идентификации и измерения пользователей. Однако ограничения на трекинг не означают автоматической защиты от мошенничества.

По данным Fraudlogix за 2025 год, доля невалидного трафика составляла 16,15% в iOS против 20,25% в Android. Разница сохраняется, но сам факт наличия значительного объёма IVT в iOS показывает, что операционная система сама по себе не является гарантией качества трафика. Отдельный сигнал — динамика мошеннических приложений, которую фиксирует DoubleVerify. Она показывает, что злоумышленники продолжают адаптироваться к особенностям iOS. Поэтому вопрос для рекламодателя должен звучать не как «iOS или Android безопаснее?», а как какие сигналы качества используются для оценки конкретного источника трафика.

Цена фрода — не только потерянный бюджет

Финансовые оценки дают представление о масштабе проблемы. Anura оценивает объём цифрового рекламного фрода в 2025 году в $165 млрд, а Fraudlogix оценивает связанные с невалидным трафиком потери программатик-бюджетов в США примерно в $37 млрд ежегодно. По данным Pixalate, доля IVT в мобильных приложениях в США достигает 32%. При этом прямые потери только одна часть проблемы.

Гораздо сложнее оценить ущерб от искаженных данных. Если в атрибуции присутствует значительный объём фродового трафика, рекламодатель может сделать неправильные выводы о качестве каналов. Бюджет масштабируется на источник, который привёл не пользователей, а искусственные события. Другой источник, напротив, может быть отключен из-за сравнительно слабых показателей, хотя его реальные пользователи имеют более высокий LTV.

В результате фрод начинает влиять не только на текущую кампанию, но и на последующие решения по UA, retention и прогнозированию LTV. Для рынков СНГ эта проблема особенно актуальна в условиях роста конкуренции за пользователя: чем дороже становится привлечение, тем выше стоимость ошибки в оценке качества трафика.

От детекции к предотвращению

Исторически антифрод во многом работал реактивно: обнаружить подозрительную активность, исключить её из отчётности, а затем разбираться с источником. Для простых схем этого может быть достаточно. Но при масштабном автоматизированном фроде возникает проблема времени.

Если подозрительные установки обнаруживаются уже после того, как данные попали в систему аналитики, рекламная кампания могла успеть оптимизироваться на этих сигналах. Получается парадокс: фрод обнаружен сегодня, но уже повлиял на решения, принятые вчера. Поэтому всё большее значение получает pre-attribution prevention — возможность оценить сигнал до того, как установка будет засчитана и начнет влиять на дальнейшую оптимизацию.

Какие сигналы стоит проверять

На практике эффективная защита не должна опираться на один показатель. Имеет значение происхождение сигнала: насколько достоверна информация об источнике установки, корректно ли передан рекламный идентификатор, нет ли признаков искусственной генерации клика непосредственно перед атрибуцией. Другой уровень — поведенческий анализ. Здесь оцениваются временные распределения установок, последовательность событий, а также признаки инфраструктуры, характерной для device farms, прокси и других источников невалидного трафика.

Важен и масштаб анализа. Если подозрительное поведение оценивается только внутри одной кампании, часть паттернов может остаться незамеченной. Анализ сигналов на уровне более широкой сети позволяет сопоставлять поведение и находить повторяющиеся признаки между разными кампаниями и рекламодателями.

Именно такой подход становится особенно важным по мере масштабирования автоматизированного фрода: отдельный подозрительный сигнал может выглядеть незначительным, но повторяющийся паттерн в разных кампаниях уже способен указывать на системную проблему.

Что это значит для рынка СНГ

Для маркетологов в регионе борьба с фродом постепенно перестаёт быть отдельной технической задачей аналитиков. Она напрямую связана с тем, насколько корректно компания распределяет UA-бюджет, оценивает каналы и прогнозирует качество привлеченных пользователей. В 2026 году недостаточно просто знать, какой объём фрода был обнаружен в отчёте. Важнее понимать, на каком этапе он был обнаружен и успел ли повлиять на оптимизацию.

Если фрод определяется только постфактум, часть решений уже может быть принята на загрязненных данных. Если же подозрительные сигналы оцениваются до атрибуции, у рекламодателя появляется возможность не допустить их влияния на дальнейшее распределение бюджета.

В условиях, когда мошенники используют автоматизацию для ускорения и масштабирования атак, скорость реакции становится частью самой системы защиты.

И главный сдвиг последних лет здесь довольно простой: антифрод перестаёт быть инструментом для поиска уже случившегося мошенничества и становится частью инфраструктуры, которая должна не дать ему повлиять на маркетинговые решения.