ИИ в маркетинге: что реально работает, а что осталось демо

Самый честный результат от ИИ в маркетинге мы получили там, где к рекламе он не прикасался. В юркомпании по банкротству физлиц с бюджетом 2 млн ₽ в месяц ИИ не улучшил ни одного объявления и не написал ни одного заголовка — он перестал терять уже оплаченные заявки. Потери лидов упали с 60% до 15%, конверсия в оплату выросла с 15% до 35%, выручка прибавила около 3 млн ₽ в месяц. Ставка на лид не изменилась ни на рубль. Изменилось то, что происходило с лидом в первые пятнадцать минут после клика.

Это главный сюжет темы, который теряется в статьях формата «10 нейросетей для маркетолога». Владельцу интересна не производительность маркетолога, а стоимость сделки. Она складывается из двух половин: сколько вы платите за клик и сколько из оплаченных кликов довели до денег. В первой половине ИИ работает слабо. Во второй — сильно и измеримо. Ниже разбор по задачам: где экономия реальная, где превращается в шум и когда за это браться рано.

Почему тема выглядит громче, чем результат

Разрыв объясняется просто: в маркетинге ИИ применяют там, где результат виден на экране, а не в отчёте. Сгенерированный баннер можно показать на планёрке через минуту. Восстановленную конверсию входящих — только через месяц и только если кто-то замерил базовую линию.

Отсюда типичная картина: появляется подписка на генератор текстов, маркетолог делает вдвое больше креативов, а сводка по стоимости лида не двигается. Формально ИИ внедрён, экономически ничего не произошло — узкое место было не в количестве креативов.

Второй источник шума — подмена метрики. «Мы стали быстрее производить контент» — метрика подрядчика, а не бизнеса. Метрика бизнеса звучит иначе: стоимость квалифицированного лида, доля заявок с ответом быстрее пятнадцати минут, конверсия из заявки в оплату по источнику. Если задача не привязана к одной из таких цифр, обсуждать её эффект не с чем — то же правило мы применяем ко всем проектам, подробнее в разборе окупаемости внедрения ИИ. Отсюда простая проверка: выпишите, из чего складывается ваша стоимость сделки, и найдите цифру, которая хуже отраслевой нормы. Туда и ставится ИИ, независимо от моды.

Генерация креативов и текстов: экономит время, не экономит деньги

Самая популярная задача. Здесь ИИ работает, но экономит ресурс, который у большинства компаний не дефицитный.

Что даёт результат: варианты для перформанс-каналов, где алгоритм сам отбирает победителя. Нужно двадцать заголовков и десять картинок под тест — ИИ закрывает это за час вместо трёх дней. Экономия честная: вы платите за скорость наполнения теста, решение принимает статистика. Работает и черновая рутина — карточки товара, описания под сотни SKU, адаптация текста под площадки, разбор вебинара на серию постов: задачи, где качество «нормально» достаточно, а объём велик.

Где начинается шум. Первое — генерация ради объёма без гипотезы. Двадцать заголовков, отличающихся перестановкой слов, не дают алгоритму пищи для отбора: это один креатив в двадцати обёртках. Тест работает, когда варианты проверяют разные смыслы — разную боль, разное обещание, разную аудиторию. Смыслы модель не придумает, она их только оформит.

Второе — контент для SEO и экспертных площадок. Тексты из общих мест плохо ранжируются и ещё хуже конвертируют: читатель узнаёт эту интонацию за три абзаца. Работающая схема другая — эксперт даёт фактуру и цифры тезисами, ИИ превращает это в черновик, эксперт вычитывает. Тогда сохраняется единственное, чего у модели нет: ваш опыт и ваши числа.

Третье, самое дорогое: ИИ не чинит плохой оффер. Если продукт неотличим от конкурентов, генератор произведёт больше вариантов размытого обещания. Позиционирование — решение владельца о том, кому и почему вы нужны; модель умеет только изложить уже принятое.

Сегментация и персонализация: работает, если данные есть

Персонализация — вторая по популярности тема и первая по проценту разочарований. Причина не в технологии, а в исходных данных.

Что даёт эффект: сегментация по поведению вместо демографии — кто смотрел конкретную категорию, кто дошёл до корзины, кто спрашивал про сроки. ИИ хорошо справляется с разметкой: прочитать тысячи диалогов и разложить их по признакам, которые вручную никто размечать не станет. Появляются сегменты, которых в CRM не было: «спрашивали про цену и пропали», «интересовались, но не готовы по срокам», «сравнивают с конкретным конкурентом».

Дальше на этих сегментах строится персонализация, и здесь проходит граница между полезным и бесполезным. Полезная меняет содержание предложения: клиенту, который трижды спрашивал про рассрочку, приходит письмо про рассрочку. Бесполезная меняет обёртку — подставляет имя в тему письма и переставляет блоки на лендинге. Она даёт прирост в пределах погрешности, но именно её чаще всего продают как «ИИ-персонализацию».

Когда браться рано. Если заявки лежат в трёх местах — в почте, в мессенджере и в блокноте у менеджера, — персонализировать нечего. Модель не создаёт данные, она их обрабатывает, и первый шаг тут не ИИ, а сведение каналов в одну систему. В упомянутой юркомпании это было половиной проекта: обращения приходили в разные каналы и терялись между ними, сегментация поверх такого хаоса смысла не имела.

Отдельно про скоринг лидов и предсказание оттока: такие модели начинают работать примерно от нескольких тысяч сделок с известным исходом. На двухстах сделках в год модель выучит случайность и будет уверенно ошибаться. Для малого объёма честнее простые правила — источник, ответы на два квалифицирующих вопроса, скорость реакции клиента. Это не ИИ, но это работает.

Обработка входящих заявок: здесь деньги лежат ближе всего

Здесь самый быстрый и самый защищаемый результат. Причина арифметическая: заявка уже оплачена. Деньги за клик и показ отданы, и всё, что теряется дальше, — чистый убыток без шанса вернуть вложенное.

Масштаб потерь недооценивают. Проверка занимает вечер: выгрузите заявки за два-три месяца с временными метками и посчитайте долю тех, где первый ответ ушёл позже пятнадцати минут. У компаний с платным трафиком эта доля обычно в районе трети, а с учётом вечеров и выходных — выше. Переведите её в рубли через средний чек и конверсию: получите цену задержки в месяц.

Что делает ИИ. Отвечает первым за секунды, в любое время суток, в том канале, откуда пришёл клиент. Задаёт квалифицирующие вопросы и отсеивает нецелевых, чтобы менеджер не тратил час в день на разговоры не по адресу. Собирает контекст и передаёт продавцу готовую карточку. Ставит созвон и напоминает о нём, чтобы человек дошёл.

В юркомпании этот участок и дал результат: скорость первого ответа изменилась с 10–15 минут до 30 секунд, потери лидов упали с 60% до 15%, конверсия в оплату выросла с 15% до 35%. Колл-центр сократился с восьми человек до пяти — ещё 200 000 ₽ в месяц. Но экономия на зарплатах тут эффект побочный; главный — три миллиона выручки из трафика, который и так был куплен.

Похожая механика сработала в другой нише. У нутрициолога с аудиторией в 30 тысяч подписчиков люди начинали заполнять анкету и бросали. Бот с анкетой, расчётом и персональным разбором за минуту поднял доходимость с 30% до 81%. Реклама не менялась — устранили трение между интересом и заявкой.

Вывод для владельца: если вы платите за трафик и не измеряли скорость первого ответа, начинайте с этого, а не с генерации креативов. Что ставить на вход — чат-бот или ИИ-агента с доступом к CRM и базе знаний — зависит от сложности продукта и числа вопросов до покупки. Разницу между сценарным ботом и живым оператором разбирали в отдельном сравнении.

Аналитика рекламы: помощник аналитика, а не замена ему

Здесь надо разделить две разные вещи, которые обе называют «ИИ в аналитике».

Первая — оптимизация внутри рекламных кабинетов: автостратегии, подбор аудиторий, ротация креативов. Это машинное обучение, которое работает у вас давно и без вашего участия, и оно эффективнее ручного управления ставками. Но это не «внедрение ИИ», а функциональность площадки. Отдельного проекта она не требует.

Вторая — ИИ поверх ваших собственных данных, и здесь есть польза, которую можно посчитать. Модель справляется с двумя задачами: свести разнородные источники в одну картину и найти аномалию раньше человека. Если у вас пять каналов, разные названия кампаний, UTM разной аккуратности и выгрузки из CRM с несовпадающими полями, сведение занимает у аналитика дни в месяц. Автоматизация окупается и часами, и тем, что отчёт появляется еженедельно, а не когда дошли руки. Система замечает рост стоимости квалифицированного лида в полтора раза в тот же день, а не в конце месяца: неделя разницы на бюджете в два миллиона — десятки тысяч рублей на одном срабатывании.

Чего ждать не стоит. ИИ не скажет, почему упала конверсия, если причина лежит вне данных: сменился менеджер, конкурент запустил акцию, поменялась формулировка на посадочной. Он покажет, что цифра изменилась, и предложит гипотезы — проверять их человеку. И он не заменит разметку: если UTM ставятся как попало, а часть сделок заводится вручную без источника, модель не восстановит истину из мусора. Порядок работ один: сначала сквозная аналитика, потом ИИ поверх неё.

Речевая аналитика звонков с рекламы: недооценённый участок

Если бизнес принимает звонки, самый ценный маркетинговый актив у него уже есть — записи разговоров. Это единственное место, где слышно, что клиент спрашивает на самом деле, какими словами описывает проблему и на каком возражении срывается сделка. Обычно актив лежит мёртвым грузом: слушать все звонки некому.

ИИ закрывает задачу, которую человек не выполнит в объёме: расшифровать сто процентов разговоров, разметить по темам, возражениям и результату, свести в сводку. Маркетолог получает то, чего не даст рекламный кабинет: реальную лексику клиентов для объявлений, список возражений по частоте, понимание, какие источники приводят людей, разговор с которыми заканчивается за минуту.

В отделе продаж промышленного оборудования эффект был двойной. Пятнадцать менеджеров, около ста звонков в день, руководитель тратил до десяти часов в неделю на выборочную прослушку и всё равно не успевал. После связки телефонии с CRM, автотранскрибации и анализа диалогов с подсветкой тревожных сигналов конверсия за два месяца выросла на 27%, а время на контроль сократилось с десяти часов в неделю до тридцати минут. Реклама не менялась — менялось то, что происходило с человеком после дозвона.

Нюанс для владельца: речевая аналитика окупается через управленческое решение, а не сама по себе. Кто-то должен читать сводку и менять по ней скрипты, обучение и рекламные тексты. Если отчёт формируется и никто его не открывает, вы купили дорогой архив расшифровок. Механику и цену разбираем на странице про речевую аналитику.

Где ИИ в маркетинге не сработает

Этот раздел важнее предыдущих, потому что экономит деньги до старта. Есть ситуации, в которых ИИ технически заработает, а бизнес-эффекта не будет.

Слабый оффер. Если предложение проигрывает конкурентам по сути — цене, срокам, гарантиям, — автоматизация ускорит получение отказов: клиент быстрее получит ответ и быстрее уйдёт к тому, у кого лучше. В такой ситуации мы отговариваем от внедрения. Сначала позиционирование, потом воронка.

Нет позиционирования. Если на вопрос «почему вы, а не они» в компании три разных ответа у трёх сотрудников, ИИ обучать не на чем. Он будет отвечать усреднённо и вежливо — то есть никак. Модель тиражирует то, что вы про себя знаете; если знание не сформулировано, тиражируется пустота.

Малый объём. Двадцать обращений в день — участок, где живой человек справляется, и разница между тридцатью секундами и пятнадцатью минутами не создаёт заметных денег. Правило отсечения: если утечка меньше 100–150 тысяч ₽ в месяц, ставить туда ИИ рано. Проект окупится за полгода и умрёт от потери интереса раньше, чем принесёт результат.

Нет данных. Заявки в трёх несвязанных местах, звонки не пишутся, UTM не размечены. Первый этап здесь не ИИ, а замер: две недели на базовую линию. Иначе через два месяца нечем будет доказать, что что-то изменилось.

Нет владельца процесса внутри. Если в компании нет человека, который отвечает за результат и может менять регламенты, система за месяц зарастает исключениями: менеджеры возвращаются к ручным звонкам, база знаний устаревает, метрика едет назад. Самая частая причина тихого провала и одна из типичных ошибок внедрения.

Дешёвый бот на конструкторе. Решение за пятнадцать тысяч отвечает на три сценария, а на четвёртом вопросе разводит руками, и клиент уходит с ощущением, что компания несерьёзная. Такая экономия возвращается отрицательной величиной: платите вы не деньгами, а испорченными лидами, которые уже оплачены рекламой.

Как выбрать первую задачу и не потратить бюджет впустую

Последовательность, которой мы придерживаемся сами. Укладывается в две недели и не требует ничего, кроме ваших же данных.

• Разложите стоимость сделки на части: расход на трафик, доля заявок без быстрого ответа, доля недошедших до встречи, конверсия в оплату
• Найдите ту часть, которая хуже всего, и переведите её в рубли за месяц — не «теряем много лидов», а «теряем 180 заявок при чеке 45 тысяч и конверсии 12%»
• Проверьте порог: если утечка меньше 100–150 тысяч ₽ в месяц, чините процесс, а не автоматизируйте
• Зафиксируйте одну метрику письменно и замерьте её значение «до» хотя бы за четыре недели
• Возьмите один процесс, а не всю воронку: пилот даёт цифру за недели, большая система — за кварталы
• Разнесите по времени запуск ИИ и запуск новой рекламной кампании, иначе вклад не разделить
• Через два месяца пересчитайте факт и решайте о расширении по цифре, а не по презентации

Порядок приоритетов для компаний с платным трафиком обычно одинаков. Сначала обработка входящих — там деньги уже потрачены и лежат ближе всего. Потом речевая аналитика, если есть звонки: она даёт и рост конверсии, и материал для рекламы. Потом сведение данных. Генерация контента — в конце списка, потому что экономит время маркетолога, а не деньги владельца. Наши проекты собраны в разделе кейсов и по отраслям.

Частые вопросы

Снижает ли ИИ стоимость лида?

Прямо — почти нет. Ставка за клик определяется аукционом, конкуренцией и качеством оффера, и модель влияет на это слабо. Зато ИИ заметно снижает стоимость сделки: из уже оплаченных лидов до денег доходит больше. В юркомпании бюджет остался прежним, а конверсия из заявки в оплату выросла с 15% до 35% при падении потерь с 60% до 15%. Считать эффект надо в стоимости сделки, а не клика.

С чего начать, если бюджет ограничен?

С участка, где деньги уже потрачены и теряются, — обработки входящих заявок. Он требует меньше всего данных, даёт результат на первой неделе живого трафика и меряется одной цифрой: доля заявок с ответом быстрее пятнадцати минут. Генерацию контента и персонализацию оставьте на потом, они экономят часы, а не выручку.

Можно ли обойтись подпиской на нейросеть вместо внедрения?

Для черновиков текстов и картинок — да, подписки достаточно. Внедрение нужно там, где ИИ работает без человека и внутри ваших систем: отвечает клиенту ночью, читает CRM, ставит задачу менеджеру, разбирает записи звонков. Разница не в модели, а в интеграциях и в том, кто отвечает за результат. Что входит в проект, описано на странице внедрения ИИ, стоимость — в тарифах.

Как отличить полезную задачу от модной?

Проверкой в одно предложение: назовите цифру, которая изменится, и её текущее значение. «Стоимость квалифицированного лида, сейчас 4 200 ₽» — задача полезная. «Повысим эффективность маркетинга» — модная. Если текущего значения никто не знает, первый этап проекта не внедрение, а замер.

Заменит ли ИИ маркетолога?

Нет. ИИ не выбирает позиционирование, не решает, на какой сегмент идти, и не отвечает за бюджет. Он снимает объёмную работу: варианты для тестов, разметку данных, разбор звонков, первую линию общения с заявками. Маркетолог тратит меньше времени на производство и больше на решения — при условии, что освободившиеся часы кто-то направил на решения, а не растворил.

Сколько времени занимает первый результат?

На обработке входящих эффект виден в первые недели после запуска на живом трафике: заявки перестают уходить к тому, кто ответил первым. В юркомпании пилот собрали за две недели. Контент и внутренние процессы отдают медленнее — там сначала надо, чтобы высвобожденное время куда-то переложили. Если цикл сделки длинный, ставьте промежуточную метрику: доходимость до консультации или скорость первого ответа, иначе полквартала просидите без цифр.

---

Итог короткий. ИИ в маркетинге даёт деньги там, где вы уже заплатили за внимание клиента и рискуете его потерять: скорость первого ответа, квалификация, доведение до встречи, разбор звонков. Он даёт время, но не деньги, там, где речь про производство контента. И не даёт ничего, если оффер слабый, объём маленький или данных нет. Проверить свою ситуацию можно без бюджета: посчитайте долю заявок за последние три месяца с ответом позже пятнадцати минут и переведите её в рубли через средний чек. Больше 150 тысяч ₽ в месяц — задача найдена. Карту автоматизации мы делаем бесплатно за 14 дней: разбираем воронку по вашим данным, считаем потенциал в рублях, показываем два-три сценария в порядке окупаемости. Пилот на одном процессе — от 90 000 ₽, полное внедрение — от 250 000 ₽. Документ с расчётом остаётся у вас в любом случае.

Внутренние ссылки:

• окупаемость внедрения ИИ: как считать ROI
• чат-боты для бизнеса
• ИИ-агенты
• ИИ-бот или оператор: сравнение
• речевая аналитика звонков
• ошибки внедрения ИИ
• кейсы Edemium
• ИИ по отраслям
• как устроено внедрение ИИ
• цены и тарифы