ИИ в маркетинге: четыре задачи, на которых он окупается

Про ИИ в маркетинге написано столько, что за общими словами перестало быть видно конкретику. Поэтому без вступления: вот четыре задачи, на которых я видел реальную отдачу, и то, что в каждой из них обычно ломается.

Разбор входящих обращений

Заявки приходят из формы, мессенджеров, почты и рекламы. Часть нецелевые, часть это вопросы существующих клиентов, часть спам. Менеджер тратит время на сортировку, а целевой клиент ждёт ответа в общей очереди.

Модель читает свободный текст, отсекает мусор, задаёт уточняющий вопрос и передаёт менеджеру карточку с сутью запроса. Ночные обращения перестают лежать до утра.

Что ломается: критерий целевого обращения. Его придётся переписать два-три раза после разбора реальных ошибок. И модель обязательно должна брать факты из ваших источников, иначе она назовёт цену, которой нет.

Классификация и разбор объёмов текста

Отзывы, обращения в поддержку, резюме, письма поставщиков, объявления конкурентов. Задача не творческая: разложить по категориям и вытащить нужные поля.

Здесь отдача самая предсказуемая, потому что результат легко проверить: берёте сто размеченных руками примеров и сравниваете.

Что ломается: категории, придуманные в кабинете. Их надо выводить из реальных данных, а не наоборот.

Черновики текстов, а не готовые тексты

Описания товаров, письма, варианты заголовков, наброски статей. Разница между черновиком и готовым текстом здесь принципиальная: сгенерированный и не отредактированный текст читается как сгенерированный, и это видят и люди, и поисковые системы.

Что ломается: попытка выпускать без редактуры. Экономия времени в этой задаче составляет примерно половину, а не девяносто процентов, и это нормально.

Работа с данными и отчётностью

Не расчёт цифр, а объяснение. Сводка по неделе словами, поиск аномалий, ответ на вопрос руководителя, заданный обычным языком.

Считать сами показатели модели доверять не надо: расчёт должен быть детерминированным, в коде или в запросе. Модель работает с уже посчитанным.

Что ломается: попытка отдать модели сырые данные и попросить посчитать. Получаются уверенные и неверные цифры.

Где ИИ в маркетинге переоценивают

Стратегия. Модель не знает вашего рынка, ваших ограничений и ваших людей. Она хорошо формулирует то, что вы уже поняли, и плохо решает за вас.

Массовый контент под поиск. Тексты, написанные ради объёма, ловятся как малополезные и тянут вниз весь домен.

Замена аналитика. Модель отвечает на вопрос. Задать правильный вопрос она не может, а именно это и есть работа аналитика.

Персонализация без данных. Персонализировать нечем, если у вас нет истории покупок и сегментов. Модель этого не создаст.

Как считать окупаемость

Не в сэкономленных часах абстрактно, а в конкретной цифре: сколько времени уходило на задачу до и после, умножить на частоту. Если разница меньше пяти-шести часов в неделю, внедрение окупаться будет долго.

Второй способ, более честный для маркетинга: считать не экономию, а скорость. Время первого ответа на заявку и время до готового отчёта влияют на деньги прямее, чем сэкономленные часы.

Что сделать на этой неделе

Возьмите последние пятьдесят обращений и разметьте руками: целевое, нецелевое, вопрос. Посчитайте долю мусора и время на разбор. Это и есть обоснование или отказ от первой задачи из списка.

Практические сценарии на n8n: https://ilkaev.com/blog/n8n-avtomatizaciya-marketinga/