Искусственный интеллект в маркетинге: как внедрять, получать результат и не генерировать бесполезный контент

Перед внедрением AI в маркетинг мы дообучили нейросеть на сотне рукописных или полу-генеративных текстах, опытным путем вывели запросы и промпты на генерацию нужной тональности, слога и словоформ, включая даже разговорные выражения, которые нам бывают нужны для описания кейсов студентов.

Мы искали баланс не один день, а недели, поэтому сейчас можем с уверенностью говорить, что среднестатистический читатель не отваливается на первых секундах прочтения, получает полезный адаптированный контент, который наш сотрудник скорректировал по минимуму.

В агентстве была должность — расшифровщик, он переводил видеоинтервью в текст, чтобы автору было проще работать. Сейчас нейросети делают расшифровку быстрее.

Также стало меньше иллюстраторов, авторы сами генерируют визуал к статьям. Расходы на этот тип задач снизился раз в 10. Услугами корректоров тоже стали меньше пользоваться — нейросети вычитывают не хуже.

Что касается генерации текста, здесь авторы могут: помочь придумать идеи, собрать план, разобраться в теме, подготовить вопросы к интервью, обработать интервью с пользователями. Главная метрика внедрения AI — деньги. Где один человек теперь успевает быстрее, или где он ставит задачи дешевой нейросети, а не дорогому подрядчику — на это и смотрим.

Раньше для персонализации нужны были серьезные ресурсы: анализ данных, сегменты, сценарии, постоянная оптимизация. Сейчас маркетолог описывает задачу в свободной форме — и система предлагает готовый текст, тему и структуру письма, которые можно сразу использовать. Это сокращает производство коммуникаций с часов до минут.

При этом получатели в большинстве случаев не могут определить, что текст сгенерирован AI — и для метрик это не имеет значения. Пользователь реагирует не на то, кто написал письмо, а на его релевантность.

До появления нейросетей был такой же слоп от неквалифицированных копирайтеров. Кому-то нужно было много контента — он шел на биржу и по 5 рублей за текст заказывал невероятное количество бессмысленного текста. Нейросети просто ускорили этот процесс.

Чтобы выделиться в контенте, надо понимать: зачем человек будет тратить время на твой контент? Чем он лучше того, что выдаст GPT? Находишь ответ — получается отличный контент. Не находишь — получается бесполезное нечто, и абсолютно неважно, написано это нейросетью или человеком.

Стоит начинать не с покупки инструментов, а с обучения руководителя. AI-first leader — когда в теме сначала разбирается тот, кто управляет процессом. Если руководитель не понимает, как это работает, происходит одно из двух: либо инициативу снизу блокируют в зачатке, либо внедрение начинают, а через 10–14 дней сворачивают — результатов не видно, значит, идея неэффективна.

У нас себестоимость одной статьи доходит до 300–500 рублей только на токены — система не просто пишет, она ищет источники, собирает референсы, делает проверки. Плюс отдельные API-проверки: на качество языка, на редактуру, на детекторы. И из 20 сгенерированных материалов в работу уходит примерно 10 — остальные отбраковываются еще до публикации. Это значительно дешевле найма людей, но далеко не бесплатно.

Сейчас происходят не эволюции, а серии непрерывных микро-революций. Новые модели выходят регулярно, и каждое поколение меняет возможности маркетинга. Компаниям важно не только следить за новыми инструментами, но и тестировать их на практических задачах.

Мы планируем интегрировать автономного агента — максимально уйти от вовлечения человека в создание потокового контента. Делаем это не в лабораторных условиях, а с подборкой тем, заголовков, селекцией исследований и мнений. Генерация с помощью агента вырастает в разы — доходит до 4 000 материалов. На таком объеме влияние отдельных тем и случайных факторов сглаживается.

Мы в Unisender движемся к полностью агентной модели. Человек формулирует не тактическую задачу, а стратегическую цель — увеличить выручку, вывести продукт на рынок. Дальше AI-система самостоятельно анализирует аудиторию, генерирует письма, запускает кампании, оптимизирует по результатам. В ближайший год-два сохранится этап, когда человек проверяет генерации перед публикацией и использованием. Но уровень доверия к таким системам будет расти