Теория мёртвого интернета — больше не теория?

Интернет долгое время воспринимался как среда живого взаимодействия: пользователи создают контент, общаются, формируют спрос и влияют на рынки. Однако с развитием автоматизации, алгоритмов рекомендаций и генеративного ИИ эта модель постепенно усложнилась. Всё чаще возникает вопрос: какая часть онлайн-активности действительно принадлежит людям, а какая — программам?

В этом контексте набирает популярность так называемая теория мёртвого интернета. Она выходит за рамки конспирологии и всё чаще обсуждается как гипотеза, частично отражающая реальные процессы, особенно в сферах рекламы, социальных сетей и трафика. Для индустрии арбитража это не абстрактная дискуссия, а фактор, который напрямую влияет на качество аудитории, эффективность кампаний и подход к аналитике.

Что такое теория мёртвого интернета и почему она популярна?

Теория мёртвого интернета (Dead Internet Theory) — это предположение, что значительная часть онлайн-контента и взаимодействий создаётся не людьми, а ботами, автоматизированными системами или алгоритмами.

Впервые она получила широкое внимание примерно в 2021 году после публикаций на форумах вроде Agora Road, но её корни — в значительно более ранних наблюдениях о бот-активности и манипуляциях в сети.

Суть теории можно свести к нескольким тезисам:

1. Значительная часть контента генерируется автоматически.
2. Социальные взаимодействия частично имитируются ботами.
3. Алгоритмы усиливают искусственно созданную активность, создавая иллюзию «живого» интернета.

Популярность этой идеи усиливается тем, что она опирается на измеримые данные. Например, согласно исследованию компании Imperva, в 2025 году впервые за десятилетие автоматизированный трафик превзошёл человеческую активность, составляя 51% всего веб-трафика. При этом 37% бототрафика составляют так называемые вредоносные боты (malicious bots), которые используются для скрейпинга, накруток или атак. 

Интересно, что отдельные представители индустрии также публично признают масштаб проблемы.

Например, основатель Cloudflare Мэтью Принс отмечал, что «боты — это фундаментальная часть современного интернета, и их доля продолжает расти». Выступая на конференции SXSW в Остине, Принс отметил, что стремительный рост генеративного искусственного интеллекта значительно увеличивает количество ботов, работающих в интернете.

В то же время важно понимать: теория мёртвого интернета в своём радикальном виде (где почти весь интернет — искусственный) не имеет научного подтверждения. Однако как метафора она достаточно точно описывает тенденцию — смещение баланса от человеческого контента к алгоритмическому.

Это и делает её настолько популярной: она объясняет ощущение искусственности лент, повторяемости контента и странного поведения аудиторий, с которыми сталкиваются как обычные пользователи, так и специалисты по трафику.

Интернет умер в 2016 году?

Утверждения о «смерти» интернета часто связывают именно с 2016 годом — не как с буквальной датой, а как с переломным моментом. Именно тогда несколько масштабных событий продемонстрировали, что онлайн-среда может быть не просто каналом коммуникации, а инструментом системного влияния, в котором роль ботов и искусственной активности уже сложно игнорировать.

Чаще всего упоминаются две политические кампании:

• Президентские выборы в США 2016 года;
• Референдум по Brexit в Великобритании.

В обоих случаях исследователи фиксировали массовое присутствие ботов в социальных сетях. Например, исследование Oxford Internet Institute показало, что во время выборов в США значительная часть политического контента в Twitter распространялась автоматизированными аккаунтами. Часть этих ботов не просто репостила контент, а имитировала поведение реальных пользователей: вступала в дискуссии, отвечала на комментарии, усиливала определённые нарративы.

В случае Brexit ситуация была похожей: анализ социальных медиа выявил скоординированные кампании с использованием ботов для продвижения политических сообщений.

Ключевое изменение заключалось не только в масштабе, но и в восприятии. Если раньше ботов рассматривали как техническую аномалию или инструмент спама, то после 2016 года стало очевидно, что они могут:

• формировать информационный повестку дня;
• влиять на общественное мнение;
• создавать иллюзию массовой поддержки или протеста.

Отдельную роль сыграли и платформы. Социальные сети, в частности Facebook и Twitter, на тот момент уже работали на основе алгоритмических лент, где контент ранжировался по показателям вовлечённости. Это создавало благоприятную среду для манипуляций: искусственно сгенерированные лайки, репосты и комментарии напрямую влияли на видимость контента.

Показателен и кейс Cambridge Analytica, который стал публичным в 2018 году, но базировался на данных и практиках, собранных именно в 2016 году. Компания использовала персональные данные миллионов пользователей Facebook для таргетированного политического влияния. Хотя это не классический пример бот-сетей, кейс подсветил другую сторону проблемы — сочетание данных, алгоритмов и автоматизации.

В итоге 2016 год стал моментом, когда:

1. Масштабы искусственной активности стали очевидными.
2. Влияние ботов вышло за пределы маркетинга и затронуло политику.
3. Доверие к онлайн-взаимодействиям начало постепенно снижаться.

Именно после этого дискуссии о «мёртвом интернете» начали набирать обороты — сначала в узких кругах исследователей и специалистов, а затем и в более широком информационном поле.

Изменение алгоритма Facebook и при чём здесь македонские подростки

2016 год стал переломным не только из-за политических событий, но и из-за изменения логики работы социальных платформ. Facebook пересмотрел принципы формирования ленты новостей, сделав акцент на вовлечённости (engagement): реакции, комментарии, распространение. В результате контент, вызывающий сильные эмоции — возмущение, страх, удивление — получал значительно больше охвата.

Это привело к нескольким эффектам:

• Новые сайты могли быстро получать значительный трафик без репутации.
• Кликбейтные заголовки системно преобладали над нейтральными.
• Масштабирование происходило почти мгновенно — достаточно было одного вирусного поста.

Это создало благоприятные условия для распространения кликбейта и манипулятивных материалов. Алгоритм не оценивал достоверность информации — только реакцию аудитории. Соответственно, даже сомнительный или откровенно ложный контент мог быстро масштабироваться, если он «цеплял».

Самым показательным примером стала история с городом Велес в Северной Македонии. По данным журналистских расследований, десятки местных подростков создавали сайты с политическими новостями, ориентированными преимущественно на американскую аудиторию. Их мотивация была сугубо экономической: заработок на рекламных показах через Facebook-трафик.

Схема выглядела довольно просто:

1. Создание сайтов с громкими, часто манипулятивными заголовками.
2. Публикация контента с эмоциональной окраской (преимущественно политического).
3. Распространение материалов через Facebook-страницы и группы.
4. Получение дохода от рекламных сетей за счёт большого объёма переходов.

В итоге подростки из Велеса смогли генерировать тысячи долларов в месяц — суммы, значимые для локального контекста. В этом кейсе важно не только само существование фейкового контента, но и его эффективность. Алгоритмы Facebook фактически усиливали такие материалы, поскольку они демонстрировали высокие показатели взаимодействия. 

В результате:

• Органический охват качественного контента снижался.
• Информационное поле заполнялось низкокачественными или манипулятивными материалами.
• Экономическая модель стимулировала масштабирование именно такого подхода.

Этот кейс часто рассматривается как ранний пример контент-ферм, где производство информации ставится на поток и оптимизируется под алгоритмы платформы. И хотя тогда речь шла преимущественно о людях, а не ботах, сама логика уже была близка к автоматизированной: скорость, объём и оптимизация под метрики, а не под качество.

Один из участников прямо отмечал, что тексты писались с учётом того, что лучше заходит в Facebook, а не с оглядкой на достоверность. Это важный момент: уже тогда контент оптимизировался не под читателя как такового, а под реакцию алгоритма.

Для теории мёртвого интернета это важный этап. Он демонстрирует, как сочетание алгоритмов и экономических стимулов может постепенно менять природу контента — даже без полной автоматизации. 

Кейс македонских подростков показывает, что трансформация интернета началась ещё до массового распространения ИИ. Алгоритмы, которые вознаграждают вовлечённость, в сочетании с простой моделью монетизации создали условия, где контент производится как продукт для машинной обработки. 

Следующим шагом стало появление инструментов, которые позволяют масштабировать подобные подходы уже без участия человека в каждой единице контента.

Как Meta зарабатывает на мёртвых душах?

Вопрос неаутентичного трафика — это не только техническая проблема, но и экономическая. Рекламная модель социальных платформ напрямую зависит от объёма показов и взаимодействий, независимо от того, кто именно стоит за этими действиями — человек или бот. 

В этом контексте показателен стал судебный кейс DZ Reserve v. Meta Platforms, Inc., поданный в 2021 году.

Истцы обвиняли Meta в том, что компания:

• Завышала потенциальный охват рекламы (estimated reach).
• Недостаточно эффективно боролась с фейковыми аккаунтами.
• Фактически монетизировала некачественный или несуществующий трафик.

Суть претензии заключалась в том, что рекламодатели платят за доступ к аудитории, которая частично может состоять из ботов или дубликатов аккаунтов. 

Что такое Potential Reach и почему это важно

Potential Reach — это оценка количества пользователей, которым теоретически может быть показана реклама при заданных параметрах таргетинга. Этот показатель используется для планирования кампаний и расчёта бюджета.

Проблема в том, что это не фактический охват; метрика основана на внутренних оценках Meta; она может включать аккаунты, которые не являются активными или реальными. 

В иске указывалось, что эта цифра могла быть существенно завышена, что влияло на решения рекламодателей относительно расходов.

Удовлетворили ли иск? 

Meta в ответ заявляла, что регулярно очищает платформу от фейковых профилей и публикует соответствующую статистику. Например, в квартальных отчётах компания неоднократно указывала, что доля дубликатов аккаунтов может достигать 11%, а фейковых — около 5%.

Однако даже эти официальные цифры вызывают вопросы в индустрии. Во-первых, методология подсчёта остаётся непрозрачной. Во-вторых, не учитывается значительный пласт «серой зоны» — аккаунтов, которые формально выглядят как реальные, но используются для автоматизированной или полуавтоматизированной активности.

Суд в итоге отклонил иск, отметив, что:

• Рекламодатели не предоставили достаточных доказательств того, что они были прямо введены в заблуждение;
• Meta достаточно чётко описывает природу своих метрик как оценочных;
• Potential Reach не является обещанием фактического результата.

Однако важно, что дело не опровергло сам факт существования проблемы — оно лишь определило, что в этом конкретном случае юридических оснований для ответственности недостаточно.

Какое значение имело дело DZ Reserve в контексте качества трафика?

В более широком контексте этот кейс иллюстрирует системную особенность рекламной экосистемы:

• Метрика показов важнее качества контакта.
• Алгоритмы оптимизируются под engagement, а не под аутентичность.
• Очистка от ботов происходит, но не всегда опережает их создание.

Для платформ это баланс между доверием рекламодателей и ростом бизнеса. Для рынка — источник постоянной неопределённости относительно реальной ценности трафика.

Именно поэтому кейс DZ Reserve не стал громким прецедентом в юридическом смысле, но остался важным индикатором: проблема не ограничивается отдельными мошенническими схемами, она встроена в саму логику цифровой рекламы. 

В сочетании с автоматизацией и генеративным контентом это лишь усиливает ощущение, что значительная часть интернет-экономики функционирует на «мёртвых душах».

Что делать арбитражникам в «мёртвом» интернете?

Рост доли бот-трафика и автоматизированного контента меняет базовые предположения, на которых строился арбитраж: что клик — интерес, а показ — шанс на конверсию. В среде, где значительная часть взаимодействий может быть неаутентичной, эти связи ослабевают. Соответственно, акцент смещается с масштабирования на качество и валидацию.

 Практические подходы, которые уже используются на рынке:

1. Фильтрация и валидация трафика:

• использование anti-bot решений (DataDome, Cloudflare Bot Management);
• проверка поведенческих паттернов (time-on-site, scroll depth, последовательность событий);
• отсечение подозрительных ГЕО/ASN и аномальных пиков.

Это снижает объём, но повышает достоверность данных для оптимизации. Отдельно стоит учитывать, что современные боты уже имитируют поведение человека. Поэтому простые фильтры (типа «time-on-site < 3 секунды») постепенно теряют эффективность.

2. Изменение ключевых метрик:

• отказ от ориентации на CTR/CPM как основные KPI;
• фокус на посткликовых действиях: конверсии, LTV, повторные визиты;
• построение собственных моделей атрибуции, где «ценность» клика проверяется последующим поведением.

Фактически, клик перестаёт быть значимой единицей. Значение имеет только подтверждённое действие.

3. Работа с first-party данными:

• сбор и использование собственных аудиторий (email, CRM, пиксели);
• построение lookalike-моделей на основе подтверждённых пользователей;
• снижение зависимости от «холодного» трафика сомнительного качества.

Это позволяет контролировать качество аудитории и точнее оптимизировать кампании. 

4. Контроль источников и креативов:

• тестирование площадок не только по цене, но и по качеству аудитории;
• отказ от чрезмерного кликбейта, который часто привлекает нецелевой или бот-трафик;
• регулярный аудит партнёрских сетей и субпаблишеров.

В классическом арбитраже масштабирование часто происходило быстро: связка работает — бюджет увеличивается. Сейчас этот подход не всегда безопасен. Особенно это актуально для push-сетей, pop-трафика, дешёвых native-площадок. Именно там доля ботов традиционно выше.

5. Использование ИИ, но с ограничениями: 

• автоматизация аналитики, выявление аномалий, кластеризация трафика;
• одновременно ручная проверка критических гипотез, чтобы избежать замкнутого круга, где алгоритм оптимизируется на некачественных данных.

Отдельно стоит учитывать, что генеративный ИИ усложняет идентификацию неаутентичной активности. Если раньше ботов можно было определить по шаблонному поведению, то сейчас они всё лучше имитируют реальных пользователей. Такая стратегия повышает требования к аналитике и тестированию.

Арбитражникам также важно поддерживать чёткое соотношение креатива и лендинга, давать реалистичные обещания и обеспечивать чёткую сегментацию сообщений под разные аудитории. Это несколько снижает объём трафика, но повышает предсказуемость результата.

В итоге арбитраж переходит в более инженерную фазу: меньше интуиции, больше валидации гипотез и контроля качества данных. В среде, где часть интернета действительно работает как симуляция активности, критически важно отделить сигнал от шума и строить решения на проверенных инсайтах.