AI в маркетинге: как использовать с умом

AI для маркетологов – рабочий инструмент, который экономит время, снижает стоимость задач и помогает масштабировать кампании. Mindbox опросил 78 компаний и узнал, что больше половины респондентов используют ИИ несколько раз в день, а ещё 34% – несколько раз в неделю. На примере участников исследования покажем, какие задачи AI может делать за вас, и дадим советы по работе с моделями.

1. Писать рекламные тексты

Тексты – самая популярная задача, с которой маркетологи обращаются к искусственному интеллекту. Инструмент помогает масштабировать производство шаблонного контента: постов, текстов рассылок и креативов. При этом всё ещё нужен человек для доработки и проверки текстовых генераций: модель может использовать повторяющиеся мысли или неестественные словосочетания, выдумывать факты.

United Colors of Benetton научили нейросеть использовать голос бренда. Команда разработала редакционную политику, которая загружается в нейросеть перед генерацией. Она включает:

• список шаблонных слов («инновационный», «уникальный», «погружаемся»); 

• стилевые рекомендации (короткие предложения, активный залог, минимум метафор);

• фреймворк бренда (ценности, словарь, примеры удачных формулировок);

• правила безопасности (не загружать персональные данные, использовать платные версии моделей).

С редполитикой AI стал писать проще, теплее, с чётким призывом к действию и в стиле Benetton.

Промпт, который помогает собрать фактуру для редполитики.

Проанализируй нашу историю общения и редакций текстов для бренда [ вам бренд]

Сформулируй требования к tone of voice и стилю, которые повторяются в моих комментариях и правках.

Выдели:

• ключевые характеристики текста (тон, ритм, длина предложений);

• типичные формулировки и языковые приёмы;

• слова и клише, которых мы стараемся избегать;

• принципы структуры email-текста;

• особенности подачи продукта и коллекций.

Сформируй результат как список четких правил для копирайтера или AI-модели, чтобы по ним можно было писать тексты для бренда.

 

Пример промпта для анализа текста.

Проанализируй текст для email-рассылки бренда [ваш бренд].

Задача письма – сообщить о скидке 20% на новую женскую коллекцию к [событие].

Проверь текст по следующим критериям:

• есть ли центральная идея письма;

• нет ли рекламных клише;

• соответствует ли текст fashion-tone of voice;

• не смешиваются ли эмоция праздника и промо-предложение.

Предложи более атмосферную и брендовую версию текста.

 

Совет. Чтобы не писать подробный запрос каждый раз, можно создать ассистента-копирайтера, который будет «помнить» всё о вашем бренде и генерировать тексты в нужном стиле. Как это сделать:

• подготовьте базу знаний. Соберите релевантные материалы: успешные тексты, презентации, инструкции по tov. Удобный инструмент для этого — NotebookLM, который превращает документы в базу знаний;

• настройте ассистента. В ChatGPT это делается через создание кастомного GPT. В его инструкции нужно перенести ключевые выжимки из базы знаний и чётко определить:

1. роль: «Ты — эксперт по email-маркетингу для нашего бренда»;

2. контекст: информация о компании, ЦА, особенностях коммуникации;

3. требования к структуре, объёму, стилю;

4. удачные и неудачные формулировки;

5. формат вывода: «Предложи три варианта заголовка и основной текст».

2. Создавать изображения

AI справляется с генерацией баннеров, иллюстраций для соцсетей и 3D-графики, но действует в рамках брифа. В сложных задачах, где нужно разбираться в культурном контексте или особенностях бизнеса, по-прежнему нужен дизайнер. Например, в разработке визуальной концепции бренда с нуля.

В VK используют AI для генерации 3D-элементов: объёмных букв для баннеров, иконок приложений, рассылок.

3. Генерировать идеи для кампаний и гипотезы для AB-тестов

AI может выступить в роли партнёра для мозгового штурма: предложить варианты заголовков, идей акций или даже промомеханик для отдельных сегментов. Это помогает преодолеть страх «чистого листа» и быстро нащупать перспективные варианты. При этом решение о том, какие из сгенерированных идей тестировать и как интерпретировать результаты, всегда остаётся за человеком.

В фонде «АиФ.Доброе сердце» с помощью Perplexity исследуют опыт НКО в других странах, а в ChatGPT генерируют идеи для донорских кампаний или рассылок. Финальный шаг — валидация и доработка вариантов маркетологами.

Какие модели выбрать. Для поиска концепций без привязки к точечным сегментам подойдёт один тип моделей — LLM. Например, Perplexity — для поиска референсов и анализа конкурентов, ChatGPT для генерации большого объёма идей на основе этих данных, DeepSeek — для нестандартных идей, а для глубокой проработки 2–3 лучших вариантов — Claude.

Для подборки механик по сегментам нужно сначала подключить ML-модели. Они проводят анализ и делят базу на кластеры по поведенческим признакам. Часто это собственный продукт компании, которым занимаются ML-инженеры и дата-сайентисты. Но и у современных CRM- и CDP-платформ есть встроенные инструменты для автоматической сегментации аудитории.

После того, как ML-модели выделили сегменты, LLM (Gemini, Claude, ChatGPT) подбирают под подходящие для каждого сегмента промомеханики.

Совет: как подобрать механики под сегменты

Разбейте процесс на пять шагов. Первые два могут потребовать помощи аналитика или дата-сайентиста, остальные вы можете сделать сами.

ML-модель сегментирует клиентскую базу по поведенческим признакам, аналитик рассчитывает ключевые показатели для каждого сегмента, а LLM использует эти данные, чтобы предложить механики, которые улучшат эти показатели

Шаг 1. Разделите базу на сегменты

Базу можно сегментировать по поведенческим признакам. Например, модель анализирует два параметра: количество заказов и среднюю скидку и находит сегменты клиентов со схожим поведением. Затем процесс повторяется для других комбинаций признаков. Например, частота покупок + средний чек.

Так вы получите список сегментов с их характеристиками.

Шаг 2. Найдите проблемные сегменты

Для каждого сегмента рассчитайте ключевые метрики: retention, средний чек, частота покупок. Этим занимается аналитик или дата-сайентист — он выгружает данные из вашей CRM- или CDP-системы и проводит расчёты. Если база небольшая, например, до нескольких тысяч клиентов, достаточно Excel с простыми формулами. Для крупных баз используется Python с библиотеками для анализа данных. Расчёт делается один раз, после чего вы получаете таблицу, где чётко видно, у каких сегментов какие показатели проседают — именно с ними и будете работать дальше.

Шаг 3. Подготовьте таблицу с механиками

Создайте файл Excel или CSV, где в одной таблице будут сегменты с их метриками, а в другой — все доступные промомеханики с описанием, на какие показатели они влияют. Например, повышенный кэшбек сильно влияет на retention, слабо — на средний чек. Так вы получите структурированный файл, готовый для загрузки в LLM.

Шаг 4. Загрузите данные в LLM и попросите подобрать механики

Загрузите обе таблицы в ChatGPT, Claude или Gemini. Напишите промпт: укажите роль модели, опишите структуру данных. И поставите задачу: для каждого проблемного сегмента подобрать 5 механик — 2 из вашего списка и 3 новых. Нейросеть выдаст список механик для каждого сегмента с обоснованием, почему они подходят.

Пример промпта.

Ты аналитик-маркетолог сети ресторанов. Изучи две таблицы (DataFrame).

1. Mechanics — промомеханики и их влияние на ключевые метрики (слабо влияет, сильно влияет).

Описание полей: механика — название механики; monetary — влияние на суммарный накопленный доход с клиентов; AOV — влияние на средний чек всех клиентов; orders — влияние на среднее количество заказов; ITT — влияние на средний период между заказами; discount — влияние на среднюю скидку на клиента.

2. Cross_segments_category — пересечение трех клиентских сегментов и изменение их метрик Описание полей: segment1, segment2, segment3 — названия пересекающихся сегментов; count — количество клиентов в сегменте или пересечении сегментов; monetary, AOV, orders, ITT, discount — значения метрик в пересечении по сравнению с основным сегментом (если первого сегмента нет, бери четвертый по порядку).

Твои задачи:

• определить, есть ли у пересечения {text} снижение хотя бы двух метрик относительно основной сегментации;

• подобрать механику, которая поможет улучшить эти метрики. Предлагай механики, которых нет в этом списке: {mechanics};

• предложить 2 механики из таблицы и придумай еще 3 новых. Используй нестандартный подход;

• исключить механики, связанные с программой лояльности и изменением цен. Если механика — челлендж или конкурс, опиши суть.

**Формат ответа: перечисли 5 механик через запятую без пояснений.** **Пример:** Механика 1 из таблицы, Механика 2 из таблицы, Механика 3 новая, Механика 4 новая, Механика 5 новая.

Шаг 5. Протестируйте лучшие гипотезы

Выберите самые перспективные механики и запустите А/В-тест. Начните с небольшой части аудитории, чтобы минимизировать риски.

4. Анализировать аудиторию и персонализировать предложения

AI подходит для анализа аудитории: он умеет обрабатывать большие объёмы неструктурированных данных, например, пользовательские интервью или отзывы на сайтах. Он находит в них скрытые закономерности: повторяющиеся проблемы, потребности и паттерны поведения, которые можно упустить при ручном анализе. На основе этих данных маркетолог может выделить сегменты аудитории и создать для каждого персонализированный контент — от тем писем до конкретных офферов.

Совет: как выделить сегменты на основе интервью

1. Сгруппируйте интервью перед анализом. Разделите их по смысловым группам. Например, всё, что касается продукта или линейки, задачи исследования или по типу клиентов. Это повысит точность анализа.

2. Подготовьте данные к загрузке. Если в группе до 50 интервью, создайте один файл (Google Docs или Word) и скопируйте туда все расшифровки. Если больше 50 — разделите на части ещё раз. Например, «пользователи бытовой химии, часть 1» и «часть 2». Это связано с техническим ограничением: чем больше данных в одном запросе, тем выше риск потери точности из-за ограничений контекстного окна модели.

3. Загрузите данные в LLM и напишите промпт по следующей структуре.

Задача: проанализируй эти транскрипции интервью и выдели группы клиентов.

Критерии группировки: объединяй людей по болям, потребностям и паттернам поведения.

Количество сегментов: выдели 3–5 ключевых групп.

Формат ответа: для каждого сегмента дай название, краткое описание (2–3 предложения) и ключевые цитаты из интервью, которые это подтверждают.

 

5. Автоматизировать отчёты

AI может написать скрипт, который автоматизирует рутинные задачи, например, сбор данных из CRM и рекламных кабинетов в один отчёт.

Совет: как создать скрипт для формирования отчёта.

Действуйте пошагово: промпт→Google Apps Script→автоматизация→тест и доработка.

Шаг 1. Загрузите промпт в LLM.

Шаг 2. Настройте Google Apps Script

Откройте файл Google Sheets, в котором будет формироваться отчёт. Перейдите в меню «Расширения» → “Apps Script”. Удалите любой текст в редакторе и вставьте сгенерированный ChatGPT скрипт. Сохраните проект.

Шаг 3. Настройте триггер для автоматического запуска

В редакторе Apps Script найдите значок часов слева — это панель триггеров. Нажмите «Добавить триггер» в правом нижнем углу. Выберите функцию, которую нужно запускать (например, createReports), и укажите, как часто она должна срабатывать: по расписанию (ежедневно, еженедельно) или по событию (например, при редактировании таблицы). Нажмите «Сохранить».

При первом запуске система попросит дать Apps Script доступ к вашим документам и таблицам — следуйте инструкции на экране.

Шаг 4. Протестируйте и доработайте

Запустите скрипт вручную, чтобы проверить, работает ли он корректно. Если возникла ошибка, скопируйте её текст и отправьте обратно в ChatGPT с просьбой исправить код. Обычно за 2–4 итерации удается получить рабочий скрипт.

6. Создавать чат-боты и AI-ассистентов

И боты, и ассистенты автоматизируют общение с клиентами, но решают разные задачи.

Чат-бот работает по заданным сценариям: отвечает на типовые вопросы 24/7, обрабатывает заявки, квалифицирует лидов.

AI-ассистент, в отличие от бота, понимает контекст и ведёт диалог как человек. Он может консультировать по каталогу товаров, учитывая предпочтения клиента, и давать персонализированные рекомендации. AI-ассистент учитывает контекст и ведёт диалог естественнее, чем бот, он всё ещё действует в рамках сценариев. Для разрешения конфликтов, жалоб и нестандартных ситуаций, где нужна эмпатия или дополнительная информация, по-прежнему нужен человек.

Coffee Analytics разработали AI-консультанта для онлайн-магазина одежды. В основе работы ассистента — модель EBDA (Engage → Befriend → Desire → Action):

Вовлечение (Engage). Ассистент сам начинает разговор, если видит, что покупатель долго листает каталог или остановился на одном товаре. Новичку он предлагает помощь, а тому, кто уже покупал, — напоминает о прошлых заказах и предлагает посмотреть новинки.

Понимание (Befriend). Ассистент задаёт уточняющие вопросы: для какого случая нужна одежда, что важнее — комфорт или стиль, какой бюджет. Так он формирует портрет клиента и понимает его настоящую потребность.

Подбор и аргументация (Desire). Когда задача ясна, ассистент предлагает несколько подходящих вариантов. Не только даёт ссылки, но и объясняет свой выбор: рассказывает о ткани, делится отзывами других покупателей. Может подобрать вещь по фото образа, которое прислал клиент.

Помощь с покупкой (Action). В нужный момент ассистент мотивирует сделать последний шаг: предлагает персональный промокод, сообщает об акции или просто помогает добавить товар в корзину. Его цель — не продать любой ценой, а помочь клиенту принять выгодное для него решение.

AI-ассистент работает на low-code платформе n8n — она управляет всем процессом. Сообщение клиента из чата на сайте или мессенджера обрабатывает AI Agent. Он определяет намерение и подключает нужные инструменты: векторную базу знаний о товарах (RAG) для поиска по каталогу, сервис цен для проверки остатков и память для сохранения контекста диалога. Ответы генерируют LLM-модели. Их подключают через платформу OpenRouter и выбирают в зависимости от задач: Gemini Flash Lite для простых запросов или Claude Opus для более сложных.

Главное о работе с AI в маркетинге: 4 ключевые идеи

1. Роль маркетолога меняется. Теперь главная задача — не делать работу вручную, а правильно ставить задачи, давать контекст и оценивать результат.

2. Качество ответа зависит от качества запроса. Расплывчатая формулировка задачи даст расплывчатый текст. Точная, с ролью, аудиторией и целью, — приведёт к осмысленному результату.

3. AI — это генератор вероятностей, а не носитель знания. Он может ошибаться. Задача человека — добавлять в сгенерированный текст экспертизу и проверять факты.

4. AI плохо справляется с одним объёмным запросом. Разбивайте задачу на шаги: идеи → структура → черновик. Так получится корректировать модель на каждом этапе и тратить меньше ресурсов на доработки её ответов.