Романтику креативных озарений похоронили между 2022 и 2024 годами. Теперь маркетинг — это скорее архитектура данных, а не вдохновение. Нейросети заняли место муз. Споры о «душе бренда» переместились в чаты начинающих дизайнеров, пока профильные эксперты обсуждают точность и полноту моделей предсказания оттока.
McKinsey Global Survey 2025 рисует неудобную картину: 88% компаний регулярно применяют ИИ хотя бы в одной функции. И лишь 39% готовы сказать, что это хоть как-то положительно отразилось на операционной прибыли (EBIT). И это, стоит подчеркнуть, данные на основе собственных оценок респондентов.
Для большинства же ИИ пока остается статьей расходов, не приносящей прямой отдачи. Это главный индикатор качества управления в 2025 году: ценность представляет не факт наличия ИИ, а способность компании монетизировать внедрение и извлекать из него реальную прибыль.
Ритейлеры бьются над платформами клиентских данных (CDP). Банкиры жалуются на непрозрачность машинного обучения. Компании тратят миллионы на Agentforce от Salesforce (тот самый бывший Einstein, теперь вшитый в платформу), но проваливаются из-за бардака в собственных данных.
Сегодня разберем четыре класса решений, которые определяют современный маркетинг. Посмотрим на реальные инструменты и стоящую за ними бизнес-модель. И попробуем понять, где проходит граница между клиентской ценностью и неэтичным управлением вниманием.
Рекомендательные системы: от демографии к контексту каждой секунды
Делить аудиторию на «молодежь 18-24» и «семейных 35+» сегодня бессмысленно. Рекомендательные системы Amazon, Netflix, Яндекса работают на другом уровне: они анализируют не то, кто вы, а что делаете прямо сейчас — как быстро скроллите, сколько секунд задержались на карточке товара, где находитесь, какая погода за окном.
McKinsey подсчитал: гиперперсонализация даёт рост выручки от 5% до 25%, чаще всего 10-15%. Для крупного ритейлера это миллиарды рублей в год.
Три способа купить рекомендательные системы задают скорость запуска и глубину контроля.
Готовые облачные платформы развёртываются за часы, но жестко привязаны к экосистеме вендора. AWS Personalize в бесплатном тарифе обрабатывает до 180 тысяч запросов в реальном времени в месяц для моделей старого поколения. В более новых порог иной, порядка 50 тысяч. Плюс интеграция с Amazon Bedrock для генеративных сценариев и подстройка под поведение пользователя в моменте. Подходит, когда скорость важнее кастомизации.
Платформы персонализации для e-commerce дают готовый UI для маркетологов. Dynamic Yield (Mastercard) в кейсах оперирует конкретными числами: у одного клиента 16% выручки генерируют рекомендации, а движок AdaptML даёт 32% покупок и 17% общей выручки от рекомендаций у Leroy Merlin. В отдельных сценариях с персонализацией ARPU вырос на 88%. Bloomreach Engagement с AI-движком Loomi охватывает 13+ каналов: в кейсе ювелира Lovall CRM-выручка выросла на 50%.
Крупные компании (Яндекс, Сбер, Ozon, Wildberries) разрабатывают рекомендательные системы сами, когда контроль над данными важнее быстрого запуска. Обычно используют CatBoost или LightFM для выдачи рекомендаций, ClickHouse для хранения информации о пользователях, а время отклика системы не превышает нескольких десятков миллисекунд.
Сценарии использования работают в разных контекстах: персонализация главной страницы и каталога, триггерные письма и пуши с товарными подборками, персональное предложение в момент оформления заказа, динамические баннеры под сегменты.
Управленческая проблема, о которой не пишут в кейсах: эти системы превращаются в непрозрачный механизм для топ-менеджмента. Руководитель видит рост продаж, но не понимает, почему алгоритм именно эти товары вытащил в рекомендации. Без интерпретируемости систему трудно масштабировать.
Директор по маркетингу одного из крупных российских маркетплейсов как-то признался: «рекомендательная система стоит два года. Мы знаем, что работает. Но на совете директоров я не могу объяснить, почему рост именно такой. Я выгляжу как шаман с бубном».
Рекомендательная система — надстройка над всей архитектурой данных компании. Если данные живут в пяти разных системах, которые друг с другом не разговаривают, никакой алгоритм вас не спасет.
Предсказательная аналитика: продавать до того, как клиент осознал потребность
Если рекомендательные системы работают с настоящим, предсказательная аналитика заглядывает в будущее. Представьте: в CRM лежит 10 тысяч лидов, бюджет позволяет обработать только 2 тысячи. Без модели менеджер выбирает наугад. С моделью он ранжирует по вероятности покупки, рассчитанной на основе десятков признаков.
Четыре направления формируют стек современной предсказательной аналитики.
- Скоринг лидов. В Salesforce за это отвечает Agentforce, в Google Analytics 4 — встроенные предиктивные метрики прямо в интерфейсе. Каждому потенциальному клиенту присваивается балл готовности к покупке. За этим стоит архитектура из десятков параметров: частота посещений, глубина просмотра, источник трафика, время на сайте, взаимодействие с контентом. FedEx запустил Einstein для скоринга продаж — в кейс-стади Salesforce фигурирует ROI выше 2000%. К подобным цифрам в отчётах разработчика стоит относиться с долей скепсиса, но сама механика показательна: алгоритм ранжирует лиды по вероятности закрытия, отсекает «пустые» запросы и направляет менеджеров туда, где сделка максимально близка к финалу.
- Прогноз оттока. Модель фиксирует снижение активности, смену привычных сценариев, явный интерес к конкурентам. Бизнес получает короткий шанс перехватить клиента до ухода — персональным оффером, скидкой, звонком менеджера. По оценке HBR, привлечение нового клиента обходится в 5–25 раз дороже удержания — в зависимости от отрасли и методологии подсчёта. Чем длиннее жизненный цикл клиента в вашей модели — тем острее цена ошибки.
- Медиамикс-моделирование (MMM). Meta Robyn и Google Meridian — фреймворки с открытым кодом, которые делают MMM доступным среднему бизнесу. Robyn автоматически подбирает параметры моделей, раскладывает данные на тренды и сезонность, калибруется через гео-эксперименты. Meridian моделирует охват и частоту показов для видео, учитывает органический спрос через поисковые запросы. Оба пересчитывают вклад каналов пакетно — от дня до недели — и подсказывают, куда перераспределять бюджет. Главный сдвиг здесь не в технике, а в доступности: Robyn (v3.12.0, R/Python) и Meridian (v1.2.1, Python) лежат открыто на GitHub. MMM больше не монополия крупных консалтинговых домов.
- Динамическое ценообразование. Competera — AI-платформа для ритейла — анализирует 20+ факторов спроса и заявляет 95%+ точность в предсказании бизнес-результатов. Практика: рост выручки на 40% в одних кейсах, у немецкого бьюти-ритейлер Flaconi — вдвое быстрее расчёт цен.
Если модель настроена правильно, маржинальность растет без потери клиентов. Если плохо — вы получите скандал в соцсетях и отток лояльной аудитории.
Одна крупная e-commerce компания запустила агента для динамического ценообразования. Через неделю картина: маржа выросла на 8%, но NPS упал на 12 пунктов. Клиенты почувствовали игру с ценами. Пришлось откатывать и перенастраивать логику.
Маркетинг превращается из реактивной функции в проактивную — формирование спроса до его осознания. Но точность модели прямо зависит от качества данных.
AI-сегментация и CDP: тысячи микросегментов вместо пяти «персон»
В 2010 году хватало разделения на «молодежь» и «пенсионеров». В 2025-м алгоритмы кластеризации создают тысячи микросегментов по чувствительности к цене, времени отклика, эмоциональной тональности обращений.
CDP-платформы автоматически создают сегменты вроде «добавили товар в корзину, но не купили в течение часа» или «просмотрели три категории товаров, но ушли без покупки — вероятно, сравнивают цены с конкурентами».
Для российского рынка центральная платформа — Mindbox: 300+ кейсов и интервью, до 2 миллионов запросов в минуту, обработка до 300 миллисекунд, соответствие 152-ФЗ и сертификация ISO 27001. «МегаФон» получил рост дохода триггерных рассылок на 40% с ML-рекомендациями. Аптеки «Вита» — плюс 33% к ARPU от товарных рекомендаций в мобильных пушах. KANZLER видит конверсию в покупку от триггеров в 2,5 раза выше, чем от стандартных механик.
Глобальные CDP — Segment (Twilio), Adobe Real-Time CDP, Bloomreach — задают бенчмарки функциональности, но для российского бизнеса их использование упирается в санкционные ограничения и требования по локализации персональных данных.
Эффект микросегментов — точность мгновенной реакции на уровне конкретного пользователя. Бизнес отказывается от «средней температуры по больнице» и переходит к управлению вероятностями в отношении каждого отдельного клиента.
Сценарии использования: брошенная корзина с персональной скидкой через 2 часа, уведомления о появлении товара в наличии из списка желаемого, реактивация спящих клиентов, персональное предложение на основе истории покупок, частотный контроль для защиты от переспама.
Крупные российские банки — Сбер, Т-Банк — уже работают так: клиент открывает приложение, и за доли секунды система анализирует транзакционную историю, остаток на счёте, паттерн расходов, геолокацию, время суток. На выходе — персональное предложение: кредит для вас, прямо сейчас, на этих условиях. Выглядит как фокус, на деле — инженерия данных и вычислительные мощности.
Генеративный AI и автоматизация контента: фабрика смыслов против фабрики шума
HubSpot в исследовании State of AI (2025) приводит жёсткую статистику: 91% маркетинг-лидеров говорят, что их команды так или иначе работают с ИИ. 82% специалистов отмечают: они или их компании вложились в решения для автоматизации. В генеративных задачах лидирует создание текстов — 52%, из инструментов лидируют генераторы изображений и дизайна — 40%. Решения вроде Jasper, Midjourney, Runway, Synthesia перешли из разряда эксперимента в категорию рутины. Но рост доступности обернулся побочным эффектом: рынок захлестнул AI slop — поток шаблонного, низкокачественного контента. Gartner в своём цикле зрелости технологий 2024 года поместил генеративный AI в фазу «долины разочарования». Эйфория прошла.
Потребители научились распознавать шаблонность. Когда ты видишь десять статей, написанных одним синтаксисом, с одними вводными конструкциями — ты чувствуешь подделку.
Инструменты делятся по типу контента.
- Текст. Jasper закрывает рутину текста — письма для email‑маркетинга и посты для соцсетей, Surfer SEO и NeuronWriter для SEO-оптимизации, плюс LLM общего назначения. Для российских компаний доступны Alice AI LLM и YandexGPT 5: версии Pro с RAG для корпоративных баз знаний и Lite для быстрых ответов, совместимость API с OpenAI API, гранты до миллиона рублей. У Сбера есть GigaChat API как B2B‑инструмент, а отдельно банк публично говорил о масштабе внедрений ИИ: 200+ моделей, 84% звонков роботом без участия человека и экономический эффект 2,4 млрд рублей в год.
- Визуал. Midjourney для иллюстраций, Adobe Firefly и YandexART 2.0 для баннеров и мерча, Canva для адаптации под каналы.
- Видео и голос. Runway с Gen-4.5 и GWM-1 для генерации видео и «мировых моделей» для сред, аватаров и роботов, Synthesia для аватаров, Descript или Capcut для видеоредактуры, Typecast для озвучки.
Выигрывают те, кто использует ИИ как ускоритель, а не как замену человеческому мозгу. Генерация черновиков — да. Масштабирование креативов под тысячи микросегментов — да. Адаптация под разные каналы — да. Но финальный смысл и тональность требуют человеческой экспертизы и редактуры.
Возможные сценарии применения – это и вариативность креативов под микросегменты (разные возраста, города, интересы получают разные тексты/изображения), и автоматическая адаптация формата под канал (email/пуш/баннер/сторис), и контроль тона бренда через стоп-слова и промпт-инженерию, а также факт-чекинг и юридические ограничения перед публикацией.
ИИ масштабирует стратегию, но не создаёт её. Без человеческой искры контент остается цифровым бесталанным шумом.
Грязные данные дороже плохого алгоритма
Более половины компаний, по данным ключевых отраслевых исследований, называют качество и готовность данных главным барьером для внедрения ИИ. Проекты буксуют именно здесь. Данные стареют быстро: email-базы по отраслевым оценкам теряют 22–25% актуальности в год — за два года это почти половина контактов. Дубликаты, неполные профили, искажения выборки — на этом шуме модель начинает учиться неправильным паттернам.
Четыре параметра критичны: точность (нет ошибок), полнота (нет пропусков), своевременность (данные свежие), консистентность (согласованность в разных системах).
Без CDP и архитектуры хранения любой ИИ превращается в автоматизацию ошибок. Он масштабирует хаос, а не стратегию.
Реальный пример: федеральный ритейлер потратил 2 миллиона долларов на внедрение системы персонализации. Через полгода эффекта нет. Выяснилось: 35% клиентских профилей содержали дубликаты (один человек — три записи), 22% email-адресов были неактуальны, 18% профилей не содержали критичных параметров для сегментации. Модель обучалась на грязных данных и выдавала закономерно низкий результат.
Инвестировать в данные нужно раньше, чем в модные алгоритмы. Но данные — это скучно. Их не покажешь на презентации для инвесторов. Они не дают красивых демо. Поэтому компании покупают AI-платформы, а потом удивляются, почему ничего не работает.
Черный ящик и доверие: почему интерпретируемость стала экономической категорией
Алгоритм предлагает цену, отказывает в кредите, выбирает сегмент для рекламы. Если бизнес не понимает, почему принято такое решение, разрушается доверие. Методы объяснения решений моделей дают приближённую картину вклада каждого фактора, но это интерпретация, а не абсолютная истина.
Пусть объяснимая модель на 2-3% менее точная, но в регулируемых отраслях это плата за легитимность. Это вопрос юридических рисков и управляемости бизнеса.
BetterHelp — сервис, куда люди приходят за психологической помощью в самые уязвимые моменты жизни. В 2023 году Федеральная торговая комиссия США (FTC) установила: пока пользователи разговаривали с терапевтами, их данные шли на Facebook, Pinterest, Snapchat и Criteo. Семь миллионов адресов загружены на Facebook. Ещё пять с половиной миллионов — в Snapchat. Компания взяла обещание приватности и тихо его нарушила.
Итог: $7,8 млн выплат пользователям и запрет на передачу чувствительных данных в рекламные платформы сроком на 20 лет.
Но самое ценное в этом кейсе — не сумма и не приказ. Ценна реакция компании: BetterHelp назвала произошедшее «общепринятой практикой в индустрии». И не солгала. Именно в этом и состоит проблема.
За непрозрачной моделью всегда должен стоять человек — как страховка от катастрофических решений.
Как считать эффективность ИИ: от кликов к инкрементальной выручке
Маркетинг с ИИ требует другой системы метрик. Клики и охваты остались операционными показателями. Руководству интересны: incremental revenue (прирост выручки за счет конкретного действия), рост LTV (пожизненной ценности клиента), снижение CAC (стоимости привлечения).
Проект, который внедряется два года, а деньги обещает только на третий, — управленческий провал. Time-to-value (время до получения первой ценности) становится главной метрикой. Скорость проверки гипотез важнее сложности модели.
Я видел компании, которые три года строили «совершенную систему персонализации». Когда она запустилась, рынок изменился, конкуренты ушли вперед, а бюджет иссяк. Перфекционизм в эпоху ИИ — враг прогресса.
Лучше быстрая модель с точностью 75%, которая работает сегодня, чем идеальная с точностью 95%, которая заработает через год.
Российская специфика: экосистемы как инфраструктура персонализации
В России ИИ‑маркетинг взрослеет внутри экосистем — Сбера, Яндекса, Т‑Банка, ВК. Они строят замкнутые контуры данных, где персонализация живёт в операционке: подписка, платежи, контент, покупки, доставка. Один маршрут, одна память, один набор правил, одни паттерны.
Про «размер рынка» легко соврать. Не из злого умысла, а потому что публичные оценки опираются на разные системы координат. Один срез — расходы компаний на внедрение ИИ: 90,3 млрд рублей в 2024‑м. Другой — «рынок решений»: 300–320 млрд рублей по итогам того же года. Третий — оценка «сверху»: 1,15 трлн рублей как совокупная выручка компаний, где ИИ заметно влияет на бизнес‑модель. Отсюда и разнобой по динамике: в этой же логике рынок в 2024‑м вырос на 28,4%.
Следующая ловушка — «доход от ИИ» у платформ. У Яндекса в отчётности есть сегмент «Поисковые сервисы и ИИ» с выручкой 551,2 млрд рублей за 2025‑й. Звучит внушительно, но это широкий бизнес‑блок: поиск, реклама, сервисы. ИИ вшит в продукты как усилитель, а не продаётся отдельной строкой. Прямая выручка от конкретных ИИ‑форматов — порядка нескольких миллиардов. При этом компания публично говорила о росте эффективности рекламных продуктов на 38% год к году — вот где ИИ превращается в деньги, тихо и без фанфар.
Рынок превращается в платформенную экономику. У кого есть контур данных и доступ к аудитории — тот диктует правила. Малый и средний бизнес встал перед выбором: либо встраиваться в чужую инфраструктуру и платить за доступ к инвентарю, аудиториям и автоматизации, либо строить свой контур — дольше, дороже, с риском не дожить до окупаемости.
Последний сдвиг — кадровый. Исследования фиксируют снижение найма начинающих специалистов, смещение спроса вверх по квалификации. Вакансии не исчезли, но вход в профессию ужесточился. Компаниям нужны люди, которые умеют ставить эксперимент, считать инкрементальность в рублях и держать данные в порядке. Без этого любая персонализация превращается в дорогую иллюзию.
Что делать бизнесу прямо сейчас
Сформулируйте финансовую гипотезу до того, как побежите покупать инструмент. Что улучшаем: конверсию, LTV или скорость сделки? Без ответа любое внедрение превратится в «внедрение ради внедрения».
Инвестируйте в данные беспощадно. Ошибки в данных неизбежно ведут к ошибкам в решениях. Потратьте три месяца на очистку и структурирование данных. Это скучно, но критично.
Запускайте узкие пилоты, измеряйте эффект в рублях и масштабируйте только доказанное. Начните с одного процесса, добейтесь результата, потом двигайтесь дальше.
Готовьте людей к новой реальности. Менее трети цифровых трансформаций достигают целей — по данным McKinsey, основные факторы успеха лежат в области лидерства, подготовки команды и процессов, а не красоты архитектуры нейросети. Если команда не понимает, зачем это нужно — провалится любая технология.
Блюдите этическую сторону. Прозрачность алгоритмов — залог долгой лояльности. Один скандал с предвзятостью модели может перечеркнуть годы работы над брендом.
Маркетинг превратился в инженерию вероятностей и управление капиталом через данные. Алгоритмы не заменят маркетологов, но маркетологи, управляющие алгоритмами, вытеснят тех, кто продолжает верить в волшебство интуиции. Релевантность сегодня измеряется скоростью вычисления и качеством данных.
Стройте системы так, чтобы клиент не чувствовал, что на него охотятся — и тогда прибыль будет долгой, а не разовой. Окно закрывается быстрее, чем бюджетный цикл.
16 мин
