Что ИИ-агенты меняют в маркетинге

В сентябре Google объявил об обновлении Meridian – инструмента, который помогает компаниям оценивать реальный вклад рекламы в продажи и распределять маркетинговый бюджет. Одно из главных изменений – появление ИИ-помощников. Они будут проверять качество исходных данных, находить ошибки и помогать настраивать расчеты.

На первый взгляд, это просто очередное обновление продукта. Но за ним, на мой взгляд, стоит более важное изменение: сложные аналитические инструменты постепенно становятся доступнее обычным маркетинговым командам.

И дело уже не только в генеративном ИИ, которому можно задать вопрос или поручить написать текст. Все активнее развиваются ИИ-агенты – системы, которые можно встроить непосредственно в рабочий процесс: дать им доступ к нужным данным, определить последовательность действий и правила работы.

Для маркетинга это важно, потому что значительная часть работы состоит именно из таких цепочек: собрать данные из нескольких источников, сверить показатели, подготовить отчет; создать несколько вариантов рекламного материала; запустить кампанию; проанализировать результат.

Но наличие технологии еще не означает, что любой такой процесс стоит ей передавать. Главный вопрос для бизнеса, на мой взгляд, сейчас звучит иначе: какую часть работы действительно имеет смысл автоматизировать, а где опыт специалиста по-прежнему приносит больше пользы? На примере Freedom Advertising (FADS) попробую разобрать несколько принципов, которые помогают провести эту границу.

Выбирать задачу с понятным результатом

Начинать лучше с работы, результат которой можно проверить. Это хорошо видно в исследованиях совместной работы людей с ИИ. Например, в эксперименте с участием 758 консультантов Boston Consulting Group сотрудники с доступом к GPT-4 на задачах, с которыми модель справлялась хорошо, выполняли работу примерно на 25% быстрее и показывали более высокое качество. Но когда участникам дали задачу, находившуюся за пределами возможностей модели, использование ИИ, наоборот, увеличивало вероятность ошибки.

Поэтому хорошая отправная точка – повторяющиеся процессы с понятным результатом: сбор информации, сверка показателей, подготовка регулярных отчетов. Особенно заметным эффект может быть в компаниях с несколькими продуктами или направлениями бизнеса, где много времени уходит просто на то, чтобы собрать данные в единую картину.

Такую ситуацию хорошо видно на примере Freedom Advertising – команды, которая ведет рекламу компаний Freedom. Изначально мы занимались консолидацией рекламных бюджетов, общими расчетами за размещение и доступом к рекламным системам. Затем зона ответственности расширилась: сегодня команда занимается планированием, запуском и анализом кампаний, при этом внутри отдельных компаний сохраняются специалисты, которые глубоко знают свои продукты. При такой модели регулярно приходится собирать данные по разным бизнесам, сверять показатели и готовить ежедневную и еженедельную отчетность. Значительную часть этой работы команда передала ИИ-агентам. По опыту команды, это сокращает время на подготовку информации и позволяет быстрее переходить к обсуждению результатов, работе с продуктом и поиску новых рекламных решений.

При этом FADS использует готовые инструменты и пока не разрабатывает собственные решения. Для компаний, которые только начинают работать с ИИ, такой путь выглядит вполне рационально. Сначала стоит определить конкретную проблему, проверить, подходит ли для нее уже существующий инструмент, и только затем решать, имеет ли смысл усложнять систему.

Важно при этом оценивать не отдельную операцию, а весь процесс целиком. Если агент формирует отчет за пять минут вместо часа, но сотруднику потом приходится еще час проверять каждую цифру, экономия получается скорее формальной. Польза возникает тогда, когда сокращается общее время работы и при этом сохраняется необходимое качество результата. 

Связывать цифры с результатом бизнеса

Перед автоматизацией важно договориться, что именно означают показатели. Например, одна команда может считать новым клиентом человека, который зарегистрировался, а другая – того, кто впервые заплатил. Если просто свести такие данные в одну таблицу, сравнение будет выглядеть корректным, но выводы окажутся неверными. Поэтому я бы начинала с общих правил расчета и понятных определений. В FADS для этого используют единый стандарт показателей, при этом учитывая специфику отдельных бизнесов. 

Следующий шаг – связать маркетинговые метрики с тем, что происходит в самом бизнесе. Допустим, снизилась стоимость заявки – сумма, которую компания тратит на одно обращение потенциального клиента. Само по себе это еще не означает, что реклама стала эффективнее. Важно понять, сколько таких обращений заканчиваются покупкой, какую выручку они приносят и насколько качественными оказываются привлеченные клиенты. 

Или другая ситуация: регистраций стало заметно больше, а продаж почти не прибавилось. Причина может быть в рекламе, которая привела неподходящую аудиторию. Но проблема может находиться и дальше по пути клиента: непонятные условия продукта, сложное оформление, высокая цена или техническая ошибка. Цифры позволяют увидеть, на каком этапе что-то изменилось, но сами по себе не объясняют почему. Для этого по-прежнему нужны знание продукта, контекста и поведения клиентов.

С Meridian действует похожий принцип. На продажи одновременно влияют реклама, сезонность, цены, действия конкурентов и другие факторы. Модель помогает оценить вклад рекламных расходов и использовать эти оценки для расчета ROI и распределения бюджета. Но здесь есть важное ограничение: хорошее качество модели с точки зрения прогноза еще не означает, что она правильно определила причины результата. Как отмечает документация Meridian, даже модель, которая очень хорошо описывает исторические данные, может давать неверные причинные оценки, если в нее не попали важные факторы или неверно заданы исходные предположения. 

Поэтому перед тем как на основании расчета перераспределять бюджет, специалисту все равно нужно проверить исходные данные, логику модели и то, насколько ее выводы согласуются с реальным устройством бизнеса. ИИ может быстрее собрать цифры и построить расчет, но ответственность за то, что именно эти цифры означают, пока остается у человека. 

Направлять освободившееся время на полезную работу

Есть и еще один управленческий вопрос: что команда будет делать со временем, которое удалось сэкономить? 

В полевом исследовании, охватившем 66 компаний, изучали, как доступ к генеративному ИИ меняет повседневную работу сотрудников. Во второй половине шестимесячного эксперимента сотрудники, которые пользовались инструментом, тратили на электронную почту примерно на два часа в неделю меньше. При этом исследователи не обнаружили заметных изменений в количестве или составе выполняемых задач.

Для меня здесь важен именно второй вывод. Технология может ускорить отдельную операцию, но это еще не означает, что освободившееся время автоматически будет использовано продуктивнее. Новый способ работы тоже нужно организовать.

В маркетинге я бы направляла это время прежде всего на изучение клиентов и самого продукта. Допустим, компания запускает сервис для путешествий. Перечислить его функции сравнительно просто. Гораздо сложнее понять, что на самом деле волнует покупателя: как выбрать маршрут, не ошибиться с датами, уложиться в бюджет или спокойно организовать поездку всей семьи. Именно ответы на эти вопросы помогают понять, о чем стоит говорить в рекламе и какую ценность продукта нужно объяснять.

Для этого нужны разговоры с клиентами и коллегами, которые каждый день сталкиваются с их вопросами, анализ обратной связи и изучение того, как люди пользуются продуктом. Это работа, которую легко отодвинуть, когда значительная часть дня уходит на подготовку таблиц, отчетов и презентаций.

На казахстанском рынке к этому добавляются язык и локальный контекст. Иногда рекламное сообщение достаточно перевести, а иногда для другой аудитории нужен совсем другой пример, интонация или жизненная ситуация. Понять эту разницу и проверить реакцию людей – тоже часть профессиональной работы маркетолога.

Автоматизация не решает эти задачи сама по себе. Но она может освободить для них время. И тогда экономия нескольких часов становится не просто показателем производительности, а возможностью сделать ту работу, на которую раньше постоянно не хватало ресурсов.

Быстрее проверять рекламные идеи

ИИ полезен не только в работе с данными. Он сокращает расстояние между идеей и ее проверкой.

Например, при запуске Freedom Drive у команды уже были готовые рекламные изображения, но для TikTok требовались видео. Подготовка одного ролика обычным способом могла занимать два-три дня. С помощью TikTok Symphony изображения можно превращать в видео и гораздо быстрее создавать несколько вариантов материала. Сам TikTok развивает Symphony именно как набор генеративных инструментов для быстрого производства и масштабирования рекламного контента, в том числе с функцией image-to-video.

В случае FADS это позволило генерировать около десяти вариантов в день, иногда больше. Конечно, с первого раза процесс не стал автоматическим: команде пришлось учиться формулировать запросы, подбирать исходные материалы и понимать, какие инструкции дают нужный результат. Но главное изменение заключалось в другом – за то же время стало возможным проверить больше идей.

И здесь важно различать несколько видов автоматизации. Symphony помогает создавать рекламный материал. Smart+, который также используют в FADS, работает уже на уровне рекламной кампании: может автоматизировать таргетинг, распределение бюджета, размещение и другие элементы закупки в рамках заданных рекламодателем целей и ограничений. При этом в актуальной версии Smart+ компания может выбирать, какие части кампании передать автоматике, а какими управлять самостоятельно.

ИИ-агенты, которые собирают показатели и готовят отчетность, решают третью задачу – помогают анализировать то, что произошло после запуска. Получается три разных участка одного процесса: создание материала, размещение рекламы и анализ результата. И на каждом из них нужен свой критерий эффективности.

Например, скорость производства креатива я бы оценивала не количеством созданных роликов, а количеством полезных гипотез, которые команда успела проверить. Десять видео, повторяющих одну неудачную мысль, вряд ли принесут больше продаж только потому, что раньше на их производство ушла бы неделя.

Гораздо полезнее за то же время проверить несколько разных способов объяснить продукт: сделать акцент на цене, удобстве, конкретном жизненном сценарии или другой потребности клиента – а затем посмотреть, на какой вариант аудитория реагирует лучше.

В этом случае скорость действительно становится конкурентным преимуществом. Компания не просто производит больше рекламы – она быстрее учится на реакции рынка.

Как оценить пользу от внедрения

Пользу от внедрения лучше оценивать по небольшому набору заранее определенных критериев. Сколько времени процесс занимал раньше и сколько занимает теперь с учетом проверки результата? Сколько ошибок приходится исправлять? Можно ли доверять результату без полного ручного пересмотра? Какие новые задачи команда смогла выполнить благодаря высвободившемуся времени? Стало ли возможным проверить больше рекламных гипотез или быстрее принять решение?

Ответы будут отличаться от компании к компании. Для одной ценностью станет более быстрая подготовка отчетности. Для другой – возможность ежедневно создавать и проверять новые рекламные материалы. Для третьей – время, которое специалисты смогут потратить на изучение продукта и клиентов.

Мне кажется, именно так и стоит смотреть на внедрение ИИ в маркетинге: не как на отдельную технологическую инициативу и не как на задачу «автоматизировать все возможное», а как на вопрос организации работы.

Если после автоматизации команда просто делает тот же объем задач быстрее, эффект ограничен. Настоящее изменение начинается тогда, когда освободившееся время позволяет лучше понимать клиента, чаще проверять гипотезы и принимать более качественные решения.

Источник: Курсив · Нина Нурамбекова