ИИ в маркетинге: что работает, а что делает вас одинаковыми

Короткий ответ: искусственный интеллект в маркетинге окупается на трёх вещах — много вариантов для проверки, разметка большого потока и разбор отзывов. Проигрывает он там, где ценность в знании своего клиента: позиционирование, сегменты, ответ на вопрос «почему покупают именно у нас».

Главный риск при этом не ошибка модели: фактическую ошибку в рекламном тексте обычно ловят на вычитке. Не видно другого: конкуренты пользуются теми же моделями, обученными на похожих данных, и задают им те же вопросы. Сообщения всех участников рынка сходятся к одному и тому же, и заметить это изнутри одной компании трудно.

Где выигрыш

Варианты для проверки. Модель за минуту даёт тридцать заголовков, двадцать первых строк письма, десяток формулировок предложения. Сама по себе генерация ничего не стоит: ценность появляется, когда варианты уходят в сравнительный тест и выбирает аудитория, а не модель и не вы. Здесь усреднение не вредит — из тридцати гладких вариантов тест вытащит лучший, остальные просто не пройдут.

Сами тексты и работу с черновиками разбирал отдельно. Для маркетинга важнее другое: генерация вариантов полезна ровно настолько, насколько у вас налажено сравнение. Без теста тридцать заголовков превращаются в тридцать поводов для спора на планёрке.

Разметка потока. Поисковые запросы по группам, упоминания компании по тону, заявки по источнику и теме, карточки товаров по признакам. Работа скучная, повторяемая и хорошо проверяемая: список категорий задан заранее, и ответ модели либо попадает в него, либо нет. Качество разметки удобно проверять на небольшом наборе, размеченном вручную, — двадцати примеров хватает, если сравнивать на одних и тех же входах.

Одна ловушка — категория «прочее». Если модели разрешено складывать туда всё непонятное, через месяц в ней окажется самое интересное: новые темы, которых не было в исходном списке. Её стоит перечитывать руками и пополнять список, иначе разметка аккуратно подтверждает то, что вы и так знали.

Разбор отзывов. По-моему, самое недооценённое применение. Тысяча отзывов с маркетплейса или из анкет — это несколько дней чтения для человека и фоновая задача для контура: модель относит каждый отзыв к темам и достаёт дословную цитату, на которой это отнесение держится.

Условий два. Цитата обязательна: без неё не отличить тему, которую назвал клиент, от темы, которую модель досочинила. И числа считает не модель. «Сколько отзывов про доставку» — это подсчёт по готовой разметке, и делать его должен код, а не абзац в ответе.

Где проигрыш

Модель знает рынок в среднем. А бизнес существует потому, что какая-то часть клиентов от среднего отличается — и эту часть модели взять неоткуда.

Позиционирование. Запрос «сформулируй преимущества кофейни у метро» вернёт свежий кофе, уютную атмосферу и внимательный персонал. Всё верно, и всё это пишет каждая кофейня. Настоящее отличие — к вам приходят из соседнего бизнес-центра за завтраком до восьми утра — знаете только вы.

Портреты аудитории. «Опиши целевую аудиторию» даёт портрет, собранный из учебников и чужих статей. Он правдоподобен, поэтому его трудно оспорить, и поэтому же он опасен: команда начинает работать с выдуманным человеком.

Опрос модели вместо клиента. Приём «представь, что ты наш покупатель, и ответь на вопросы» выглядит как дешёвое исследование. На деле это исследование того, как покупателей такого товара описывают в текстах, на которых модель училась. Иногда совпадает с реальностью, но узнать, совпало ли, можно только спросив настоящих людей.

У трёх случаев общий признак: ответ проверяется не вычитыванием, а только сведениями о своих клиентах. Если этих сведений нет, модель их не заменяет, а маскирует их отсутствие.

Одинаковость: риск, которого нет в отчёте

Механизм тот же, что с текстами вообще: модель порождает наиболее вероятное продолжение. У конкурентов модели те же или обученные на похожих данных, а запросы похожие, потому что задача одна. Значит, и ответы похожие — не случайно, а по устройству.

Это не только рассуждение. В эксперименте Доши и Хаузера (2024) около трёхсот человек писали короткие истории, часть из них получала идеи от GPT-4. Истории с подсказками по отдельности оценивались выше, но между собой оказались заметно более похожими: прирост сходства составил около 9–11% от всего разброса значений в группе, писавшей без модели. Авторы описывают это как размен: каждому автору лучше, а всё вместе — однообразнее.

Второе наблюдение неприятнее для тех, кто надеется уйти в другую модель. В работе об «искусственном коллективном разуме» (Цзян и соавторы, 2025) проверили больше семидесяти моделей на открытых вопросах, у которых нет единственного правильного ответа. Одна модель повторяет себя даже при настройках, повышающих случайность, а модели разных семейств сходятся к одним и тем же идеям. Двадцать пять моделей попросили по пятьдесят раз написать метафору о времени — ответы собрались в два скопления: «время — река» и «время — ткач».

Для маркетинга отсюда три следствия.

Смена модели почти не спасает, и повышение температуры тоже: оно добавляет разброс больше в словах, чем в мыслях.

Сравнительный тест одинаковости не видит. Он сравнивает ваши варианты между собой, а все они взяты из одного распределения. Тест честно выберет лучший из похожих и покажет рост — ровно в то время, когда конкуренты делают то же самое. Проигрыш проявится не в отдельной кампании, а в том, что покупатель перестанет помнить, от кого было сообщение.

А когда сообщения неотличимы, покупатель выбирает по тому, что ещё отличается, — чаще всего по цене. Одинаковость текста превращается в давление на скидку, и эту связь редко проводят: скидку объясняют конкурентами, а не тем, что сказать о себе стало нечего.

Проверить это на себе можно без всякой модели. Соберите свои текущие объявления, посадочные страницы и рассылки, рядом положите то же самое от трёх ближайших конкурентов. Уберите названия и логотипы и дайте нескольким людям не из отрасли угадать, где чьё. Если не угадывают, одинаковость уже случилась — возможно, и без моделей, но строить на них дальше значит её закреплять.

Как пользоваться и не усредниться

Правило одно: модель работает с вашим материалом, а не с темой.

Слова клиентов на входе. Разбор отзывов из первого раздела — не только аналитика, но и сырьё для сообщений. Формулировка, которой клиент объяснил, почему вернулся, у конкурента не повторится: у него другие клиенты. Попросите модель собрать из цитат несколько вариантов и потребуйте, чтобы каждое утверждение опиралось на одну из них.

Расшифровки продаж. То, что человек говорит менеджеру перед отказом, редко доходит до отдела маркетинга. Модель по расшифровкам раскладывает возражения по типам; на какие из них отвечать в рекламе, решает человек.

Общие места — в проверке, а не в запросе. Список фраз, которые пишет каждый в нише, полезнее держать при приёмке готового текста: нашлась «команда профессионалов» — вариант уходит на переделку. В самом запросе по моему опыту работает не запрет, а замена: «каждое утверждение — с опорой на цитату клиента или на факт из вашей работы». Запрет модель выполняет через раз, заданное действие — заметно ровнее.

Разделение ролей. Модель ищет, группирует и предлагает. Что компания говорит о себе, решает тот, кто разговаривал с клиентами. Если такого человека нет, дело не в инструменте.

Эффект по результату. Смотреть надо на изменения в заявках и продажах и сравнивать с тем, что было до запуска.

Про данные клиентов и маркировку

Отзывы из личного кабинета, переписка и расшифровки звонков содержат имена, телефоны и номера заказов. Отправка их во внешний сервис — не техническая деталь, и решать, как обезличивать, надо до того, как строить разбор, — подробнее в заметке.

С маркировкой созданных моделью материалов правила в 2026 году меняются. 26 июля подписан рамочный закон № 243-ФЗ о поддержке развития технологий искусственного интеллекта; маркировке в нём посвящена статья 9. Она касается материалов в аудио- и (или) визуальной форме, созданных с применением больших фундаментальных моделей. Пометка — право того, кто создал материал, а не обязанность. Площадки, через персональные страницы которых распространяют информацию и у которых суточная аудитория из России больше 500 тысяч пользователей, обязаны дать для неё техническую возможность. Срок вступления этой нормы в силу источники называют по-разному, поэтому к конкретной дате я бы не привязывался. Про тексты в сообщениях о законе ничего не сказано. Как это ложится на конкретную рекламную кампанию, лучше уточнить у юриста — это не юридическая консультация.

Условие несогласия

Всё сказанное про одинаковость неважно, если покупатель выбирает не по сообщению. Товар стандартный, сравнивают цену, срок доставки и рейтинг, текст карточки дальше названия никто не читает. Там среднее по выборке — нормальный результат.

Признак проверяемый: меняет ли текст что-нибудь в ваших тестах. Если несколько сравнений подряд разница между лучшим и худшим вариантом не выходит за разброс между повторными показами одного и того же варианта, текст у вас не рычаг. Тогда берите у модели столько вариантов, сколько нужно, и об усреднении не думайте.

Есть и обратный случай: в нише пишут вручную и плохо. Там среднее от модели на время окажется выше рынка — до тех пор, пока тот же инструмент не возьмёт первый конкурент.

Чего я делать не стал бы

Не стал бы запускать сравнительный тест только на вариантах от модели. Добавил бы хотя бы один вариант, собранный вручную из дословных цитат клиентов. Он работает как точка отсчёта: без него тест выбирает лучшее среди похожих и ничего не говорит о том, насколько вы ушли от среднего.

Не стал бы отдавать модели публичные ответы на отзывы от имени компании без человека в цепочке. Одинаковые вежливые ответы под каждым отзывом покупатель узнаёт быстрее, чем одинаковую рекламу, и видит их как раз там, где решает, верить ли остальным отзывам.

Не стал бы считать успехом число сделанных вариантов и объём выпущенных текстов. Больше похожих сообщений не значит больше внимания: выпуск растёт, различимость падает, и первое видно в отчёте, а второе нет.

Открытый вопрос

Я не знаю, как измерить цену одинаковости. Сравнительный тест вознаграждает гладкое среднее в пределах одной кампании, а проигрыш копится медленно — в том, запоминает ли покупатель, чьё это было сообщение. Исследования, которые я нашёл, мерят похожесть текстов друг на друга, но не то, как она сказывается на продажах.

Есть и второй слой, в котором я ещё менее уверен. Если следующие модели будут учиться на текстах, среди которых всё больше написанных предыдущими, среднее может сужаться дальше, и одинаковость начнёт расти даже у тех, кто старательно приносит свой материал. Происходит ли это на деле и с какой скоростью, я не знаю — замера, которому я бы доверял, пока не видел.