Какие задачи поручить AI в отделе маркетинга: шкала доверия вместо списка
В сентябре мой агент-публикатор отправил заметку в TenChat второй раз. За час до этого я выложил тот же текст руками — а ручная публикация, как выяснилось, не оставляет агенту никакого следа. Система рассудила так, как ей приказано: задача не выполнена, выполняю. Пост ушёл дублем, и заметила это сначала лента, а не я.
Агент, оговорюсь, не сломался. Сломалась граница, которую я забыл ему описать: агент ничего не знает о действиях, сделанных вне его журнала. Именно о границах рынок молчит, когда говорит «делегируйте маркетинг AI». Совет верный, но неполный: делегирование — это не список задач, а уровень самостоятельности, который вы готовы дать системе, и цена ошибки, которую вы готовы оплатить.
Немного о позиции, чтобы дальше не пересказывать чужие лонгриды. Я маркетолог, в диджитале с 2017 года, и с 2025-го почти ежедневно собираю такие цепочки: агент, который сам публикует посты в Telegram, VK и TenChat; AI-ассистент, генерирующий вопросы к тестам моих студентов; полуавтомат для email-рассылок по холодной базе. Практика подсказала простой тест: не спрашивайте, какие задачи поручить AI, — посчитайте, сколько времени вы готовы тратить на проверку агента. От этой цифры зависит весь выбор ниже.
О том, как ИИ-проекты в маркетинге сгорают в бюджете, есть отдельный разбор: как 75% компаний теряют деньги на ИИ в маркетинге. Здесь — шкала, по которой я решаю, сколько самостоятельности давать агенту, и карта семи процессов отдела маркетинга, на которой она работает.
Шкала доверия: три уровня самостоятельности
Начну со словаря, без него дальше не поедем. «AI-помощник» и «AI-агент» употребляют как синонимы, хотя это разные режимы работы — и даже разработчики не договорились: в руководстве Anthropic «Building effective agents» команда прямо признаёт, что единого определения агента не существует. Моя рабочая грань такая.
AI-помощник выполняет один шаг по запросу. Выгрузили отзывы из CRM — он сгруппировал их по темам: цена, доставка, качество — и вернул таблицу. Внешних действий нет; что делать дальше, решает человек.
AI-агент сам выбирает следующие шаги: может запросить данные из CRM и аналитики, сопоставить их, сформулировать гипотезы и выполнить разрешённые действия в подключённых сервисах. Модель у обоих нередко одна и та же — разница не в мозге, а в устройстве вокруг него: в правах, в наборе инструментов, в том, кто нажимает «отправить».
Делить на «помощник и агент», впрочем, недостаточно: один и тот же агент в разных процессах заслуживает разных полномочий. Рабочая шкала — три уровня участия человека.
Уровень 1. Подготовка. AI собирает, классифицирует, преобразует данные, пишет черновики. Все внешние действия — за человеком. Риск сохраняется и здесь: система может неверно сгруппировать отзывы, пропустить важное, придумать товару несуществующую характеристику — или утянуть конфиденциальные данные в чужой сервис.
Уровень 2. Согласование. Система готовит конкретное действие и останавливается перед его выполнением. Человек подтверждает запуск кампании, изменение бюджета и ставок, массовую рассылку, публикацию — всё, что имеет заметные последствия.
Уровень 3. Контролируемая автономность. Система сама выполняет заранее разрешённые операции в заданном диапазоне: собирает показатели, обновляет отдельные поля, распределяет обращения, готовит сводки. Требования к уровню жёсткие: журнал действий, ограничения доступа, условия остановки, регулярная проверка качества. Система умеет повторять одну и ту же ошибку и не распознавать её как аномалию — агент не умеет удивляться.
Следствие, на котором ломается большинство планов внедрения: уровень — свойство процесса, а не модели. Из моей практики: GPT-4o-mini в моём учебном проекте генерирует вопросы к тестам студентов, и вопрос попадает студенту только после моей ревизии — это уровень подготовки. Дай той же модели право сразу писать оценку в ведомость — ни один из нас на это пойдёт: цена ошибки в зачётке измеряется не минутами, а репутацией. Границы определяет процесс, а не название модели.
Вывод: выбираете не «AI-агент или помощник», а «сколько шагов система делает без вашего участия». Это решение по конкретному процессу — по цене ошибки, проверяемости результата и доступности данных.
Цена ошибки: агент для сводки и агент для рекламы
Ежедневная сводка — простой полюс. Цифры меняются, формат нет: источники, периоды, формулы и получатели зафиксированы, результат проверяется за минуту сравнением двух чисел. Такое можно отдать под расписание и шаблон — это обычная автоматизация, агент тут даже избыточен.
Реклама — противоположный полюс, и покажу на живом сценарии. Стоимость лида выросла. Неглубокий вывод напрашивается сам: отключить объявление. Теперь разберём, почему этот вывод врёт.
Рост CPL не называет причину. Это может быть изменившийся состав трафика, упавшая форма, неполная передача заявок в CRM, задержка данных, сезонность спроса. Рекламный кабинет половину из этого не видит: он не знает про форму, CRM и настройки атрибуции. Отдельный контур нужен поэтому: он собирает расходы, показы и клики из Директа, визиты и конверсии из аналитики, состояние форм и посадочных, заявки из CRM, — и только потом разбирается, что именно изменилось. Рекламой, к слову, встроенная автоматизация уже занята: «Простой старт» в Яндекс Директе сам собирает кампанию, подбирает аудиторию и объявления — агент нужен там, где надо выйти за рамки кабинета и объяснить отклонение.
Дальше — два предохранителя, без которых агент ловит шум. Первый: база сравнения. Показатель за сутки сопоставляется со средним за семь сопоставимых дней, а не с «позапрошлым месяцем». Второй: минимальный объём. При двух лидах один аномальный ломает всю статистику — порог обязателен. И только после этого объяснение: какие показатели изменились, какая версия чем подтверждается, что ещё проверить. Затем варианты действий: приостановить объявление, сдвинуть ставку, перераспределить бюджет.
Собрать данные, сверить отклонение и подготовить предложение агенту можно — уровень подготовки плюс согласование. Тратить бюджет — нет: запуск, ставки и бюджеты остаются на подтверждении у человека. И деталь, о которой обычно узнают по счёту: пока предложение ждёт подписи, уже запущенная реклама расходует деньги. Контур поэтому нуждается не только в кнопке «подтвердить», но и в лимитах и условии экстренной остановки.
Вывод: агент оправдан там, где данные размазаны по нескольким источникам и результат надо объяснить, а не исполнить шаблон. Если процесс сводится к «забери цифры, вставь в шаблон» — обычная автоматизация дешевле и предсказуемее.
Семь процессов: что отдать, а что проверить руками
| Процесс | Уровень самостоятельности AI | Где ломается |
|---|---|---|
| Исследование аудитории и рынка | 1 | Подборка имитирует полноту — за один неудачный промпт данные не доехали |
| Адаптация контента и визуалов | 1–2 | Смысл, факты и тональность при пересборке формата |
| Рекламные кампании | 2–3 | Пока агент ждёт подписи, бюджет расходуется |
| Сведение маркетинговых данных | 1–2 | Атрибуция и полнота выгрузки |
| CRM и коммуникации | 2–3 | Один неверный тег тиражируется в тысячи карточек |
| Регулярные отчёты | 1–2 | Цифра пересказана не из источника |
| Репутационный мониторинг | 2 | Публичный ответ от имени бренда |
Теперь — расшифровка строк, где ошибаются чаще всего.
Исследование аудитории. Анкеты, отзывы, сообщения из соцсетей, данные конкурентов AI приводит к единому виду: карты потребностей, сравнительные таблицы, характеристики, которые чаще всего называет покупатель, вопросы для интервью, темы контента и продуктовые гипотезы. Для фиксированных проверок — цены у трёх конкурентов, появление нового товара на сайте — хватает простого мониторинга. Ловушка одна: готовая подборка создаёт ощущение полноты, за которым легко не заметить, что часть данных не доехала — иногда просто из-за неудачно составленного промпта. Выборку исходных сообщений и выводы проверяет человек: на них будут строиться изменения продукта и коммуникации.
Контент. Одного запроса «напиши про наш продукт» недостаточно: нужны описание продукта, характеристики, ограничения, примеры, портрет аудитории и требования к формату. Работающая задача — пересборка лонгрида в серию писем и постов под разные каналы: система меняет структуру и объём, редактор проверяет смысл, факты и тональность. Визуалы устроены так же: при доступе к базе характеристик система готовит варианты промптов и черновики изображений для баннеров и карточек — для рекламных материалов и лендингов в Yandex AI Studio официально рекомендована модель Alice AI ART. Комплект текстов и изображений под несколько каналов с проверкой обязательных реквизитов — уже агентский уровень 2: комплект передаётся на согласование целиком.
CRM. Самая тяжёлая строка риска. Обработать запись звонка, подготовить резюме, подсказать значения полей — реальная работа, но вокруг неё сразу два правила: доступ к записям и порядок обработки персональных данных. Риск сводится к нулю, если в карточке хранится ссылка на исходный звонок — резюме проверяется через минуту прослушивания; обновление таких низкорисковых полей можно отпустить на уровень 3 при ведении журнала изменений. Статус сделки, срок следующего контакта, ответственный менеджер — только уровень 2: эти поля запускают последующие действия. Сегмент, правило отбора и текст массовой рассылки утверждает человек. Здесь у меня не теория, а счёт: из 76 писем по холодной базе долетело 69, семь адресов отсеялись на bounce — и не потому, что система была глупой, а потому что часть ошибок доставки принципиально не проверить заранее. Один неверный тег в правиле отбора тиражируется в тысячи карточек одинаково чисто.
Отчёты и мониторинг. В отчёт, собранный системой, я требую включить источник каждой цифры, период и базу сравнения, формулу расчёта, время последнего обновления и перечень показателей, которые система не смогла получить. Гипотезы для руководства AI готовит, когда человек перечислил основания: какие показатели изменились, из каких источников, какие версии подтверждены данными, какие вопросы остались открытыми. Финальную версию перед отправкой проверяет человек. Мониторинг репутации: сортировка и маршрутизация обращений по правилам — обычная автоматизация; интерпретировать сообщение, выбрать ответственный отдел, собрать повторяющиеся проблемы, связать упоминание с карточкой клиента — агентская работа. Инструменты для этого уже открыли свои данные: Brand Analytics, например, даёт доступ к мониторингу через MCP. Ответ клиенту и публичный комментарий — черновик; публикация от имени компании — всегда человек.
Вывод: по таблице видно главное — ни один процесс не отдаётся безусловно. Уровень назначается процессу, а процессы в одном отделе живут на разных уровнях.
Чем умнее модель, тем тише ошибка
Теперь линия, на которой сходится всё. Громкие ошибки — несуществующие источники, бред в первом абзаце — модельная эволюция вычистила быстро. Пришли неочевидные: ссылка на реальный источник, который ту самую мысль не подтверждает; два факта, слитые в правдоподобную причинно-следственную связь; потерянная оговорка; шутка или частный опыт, принятые за надёжную рекомендацию; большая подборка, имитирующая полноту — часть данных не доехала из-за неудачного запроса, но таблица выглядит уверенно.
Мой дубль в TenChat — из той же семьи, только с другой стороны: не модель ошиблась, а граница системы не совпала с реальностью. После этого случая я сделал dry-run обязательным этапом своего контура: перед публикацией система показывает, что именно уйдёт в сеть, сверяет заголовок, хук и тезисы с черновиком — и публикация возможна только после ревизии. Тот же принцип в контенте подороже: у проверенной модели ошибка редко выглядит как ошибка.
И экономика доверия, без которой все расчёты бессмысленны. Время проверки — прямая часть цены решения. Ответ, который надо перепроверять час, медленнее десяти минут ручной работы. Экономию считайте с учётом проверки и правок: быстрым решением запросто оказывается самое дорогое.
Вывод: уровень доверия к AI растёт не быстрее скорости вашей проверки. Чем умнее система, тем важнее не точность её ответа, а аккуратность вашей ревизии.
С чего начать: один процесс, пять вопросов, дата остановки
Начинайте с одного повторяющегося процесса: данные доступны, результат понятен, цена ошибки ограничивается. Перед запуском ответьте на пять вопросов:
- Что сломается, если агент ошибётся не единожды, а дважды?
- Проверяю ли я результат быстрее, чем сделал бы сам?
- Какие данные системе видно — и куда их нельзя передавать?
- Какие действия разрешены, какие заблокированы, где обязательна моя подпись?
- Где журнал действий, где кнопка «стоп» — и кто её нажмёт?
Дальше — тест на реальных прошлых кейсах и нестандартных ситуациях, регулярная проверка качества с назначенным ответственным, дата остановки и метрика, по которой вы поймёте, что процесс стал лучше. Экономию считайте с проверкой и правками.
И жёсткие зоны, которые не окупаются никакой экономией: бюджет, публикация от имени бренда, массовые рассылки и статусы сделок всегда проходят подпись человека. Расширять после теста можно операции внутри границ: сбор показателей, обновление отдельных полей, сводки, маршрутизацию обращений.
Мой первый процесс, к слову, — публикация в соцсети. Сэкономил он не столько часы, сколько дисциплину: перенос поста между площадками перестал быть тремя разными руками. И он же доказал, что журнал и dry-run — не бюрократия, а та самая граница, без которой агент в один не самый красивый день отправит вашему рынку текст дважды.
Открытый вопрос вам: каким процессом вы отдали агенту первым — и что он с ним сделал? Напишите в комментариях: типовые сценарии соберу в отдельный разбор.