Проблема ИИ в маркетинге - это не ИИ. Это данные
Точнее: в том, что данные просрочены или их попросту нет.
Последние два года индустрия с энтузиазмом спорит не о том. Какая модель умнее, у кого длиннее контекст, кто лучше пишет код, у кого промпт-инжиниринг священнее. А настоящее узкое место все это время стоит сбоку и тихо ухмыляется. Узкое место - это не модель. Это данные, с которыми она работает, когда ты приходишь к ней с реальной маркетинговой задачей.
И пока ты этого не понял, любой «маркетинг с ИИ» - не более чем красиво упакованная угадайка.
Модель не знает твой рынок. И очень уверенно это скрывает
Давай честно, без магии. Большая языковая модель - это не оракул и не аналитик. Это очень начитанная штуковина, которая выучила усредненный вариант интернета на момент обучения и научилась убедительно говорить. Ключевые слова здесь - «усредненный» и «на момент обучения».
Когда ты спрашиваешь у самой умной модели «как мне выйти на рынок с моим продуктом», она физически не может знать твой рынок. Она сегодня не залезала в поисковую выдачу, не смотрела, сколько стоит твой канал на этой неделе, не читала свежие отзывы твоих конкурентов и не считала, сколько людей реально ищут то, что ты делаешь. Она берет общее место из тысяч статей, которые впитала, и выдает тебе медианный совет уровня «определи свою аудиторию, делай полезный контент, запустись на Product Hunt».
Дело не в том, что совет неверный. Дело в том, что он никакой. Один и тот же для финтех-стартапа, для кофейни и для B2B SaaS. Под ним нет ни одного числа, ни одного источника, ни одной причины делать так и именно сейчас.
И вот что здесь коварно: модель не скажет тебе «я не знаю». Она обучена звучать уверенно. Поэтому в той точке, где у нее нет данных, она не замолкает - она это выдумывает. Красиво, гладко и с умным лицом. В мире, где решения стоят денег, уверенная выдумка опаснее честного «без понятия».
Что на самом деле такое «данные» в маркетинге
Когда говорят «данные», многие представляют себе дашборд с графиками. Но для принятия решения важны несколько принципиально разных слоев, и почти все они живут вне головы модели:
- Спрос. Сколько людей реально ищут твою тему, какими формулировками, растет это или сдувается. Не «рынок вроде большой», а объемы.
- Конкуренты. Кто здесь уже есть, откуда к ним приходит трафик, на чем они растут, где у них дыры. Это не угадывается, это смотрится.
- Голос клиента. Что люди пишут в отзывах, на Reddit, на форумах и в чатах: их настоящие слова, их боли и их возражения, а не твои фантазии о них.
- Бенчмарки каналов. Сколько стоит привлечение, какой канал в твоей нише живой, а какой давно превратился в кладбище бюджетов.
Все это - живые данные. Они меняются каждую неделю и существуют снаружи, на рынке. А модель по умолчанию оперирует только тем, что застыло внутри нее на этапе обучения. Это два разных мира, и подмена одного другим - корень почти всех провальных «ИИ-стратегий». Ни одного из этих четырех слоев нет в твоей аналитике: она показывает, что уже произошло внутри твоей же воронки. За остальным нужны маркетинговые исследования, а не дашборд.
Хорошая формула, чтобы держать в голове: real data, not training data. Реальные данные, а не данные обучения.
Просрочка - тихий убийца, которого никто не видит
Отсутствие данных хотя бы заметно. С просрочкой хуже: она наряжается в знание.
У любой модели есть дата отсечки знаний. Все, что случилось после, для нее не существует. А маркетинг - это поле, где полгода - вечность. Каналы, которые работали два года назад, либо подорожали вдвое, либо перенасытились, либо схлопнулись. CAC поплыл. Алгоритмы переписали. Аудитория переехала. Появились новые форматы, новые площадки, новые правила игры.
И вот ты получаешь от модели самоуверенный план, который на самом деле описывает рынок двухлетней давности. Он логичный, связный, аргументированный - и мертвый. Это как пользоваться картой города, по которому уже проехался экскаватор: вроде все нарисовано, только этих зданий больше нет, а там, где была твоя улица, теперь развязка.
Самое мерзкое, что в таком плане нет способа увидеть, где он врет. Ошибка не торчит наружу. Она равномерно размазана по всему красивому документу. Это и есть качество данных - причем тот единственный его вид, который невозможно заметить, читая результат.
Решение без данных - это не решение. Это ставка
Дальше важный тезис, который многих задевает за живое. Если ты принял решение, оно вышло удачным, но опирался ты не на данные, а на нюх, - ты не молодец. Тебе просто повезло.
А везение - паршивейшая бизнес-стратегия. Во-первых, у него есть привычка заканчиваться в самый худший момент. Во-вторых, оно не масштабируется: везение нельзя поставить на конвейер и нельзя научить ему команду. И в-третьих - и это самое коварное - удачный выстрел вслепую учит тебя неправильному уроку. Ты решаешь, что у тебя божественная интуиция, повторяешь тот же ход в других условиях и, как и следовало ожидать, разбиваешь себе лицо, потому что в первый раз сработало не «решение», а случайность.
Помножь это на скорость. Через нормальный отдел R&D проходит порядка десяти гипотез в неделю. Валидировать каждую цифрами адски долго и дорого, рук попросту нет. А обсуждать гипотезу только как идею, на уровне «ну, звучит логично», - это то же самое гадание, только теперь коллективное, в переговорке и на дорогой зарплате сразу нескольких человек. Выходит тупик: либо медленно и с данными, либо быстро и вслепую.
Как с этим жить: сначала данные, потом модель
Хорошая новость в том, что лечится это не отказом от ИИ, а сменой порядка действий. Модель - не источник истины, а ускоритель работы с данными. Несколько практических принципов, которые реально меняют качество решений:
- Ни одна гипотеза не приходит на обсуждение голой. Под ней должен лежать минимальный слой фактуры: есть ли спрос, кто уже на рынке, где сидит аудитория, сколько стоит канал. Без фактуры это не гипотеза для встречи, пока что это идея из коридора.
- Отделяй «модель так считает» от «рынок так показывает». Они весят по-разному. Первое - отправная точка для размышления. Второе - основание для решения.
- Требуй источник под каждым утверждением. Если за числом нет откуда-оно-взялось, это не данные, это чье-то мнение, переодетое в данные. Источник делает вывод воспроизводимым, а значит, проверяемым и оспоримым.
- Где данных нет - так и скажи. Честное «здесь данных недостаточно, идем на свой страх и риск» стоит в сто раз больше, чем выдуманная уверенность. Выброси раздел, а не заполняй его фикцией.
- Используй ИИ для скорости сбора и синтеза, а не для вердикта. Пусть он быстро стащит фактуру из всех углов и причешет ее. Думать и решать все равно тебе - головой, а не делегируя выбор тому, кто не отвечает за результат.
Это же и честная проверка для любых нейросетей для маркетолога, которые ты сейчас выбираешь: они приносят рынок снаружи или только переформулируют то, во что модель уже верила? Большинство продуктов, продающих искусственный интеллект в маркетинге, - второго типа, а стоят как первого.
Смысл не в том, чтобы превратить маркетинг в бюрократию, оправдывающую каждый чих. Смысл в том, чтобы обсуждение в команде стартовало не с нуля, а с фактуры. Спорить, когда на столе лежит реальный срез рынка, - принципиально другой разговор, чем спорить с чьим-то «ну мне так кажется». Качество дискуссии поднимается на порядок просто потому, что у всех перед глазами одна и та же реальность, а не пять разных фантазий.
Итог
ИИ не убьет маркетинг и не сделает всех гениями. Он делает другое, и это гораздо интереснее: он усиливает то, что у тебя уже есть. Есть данные - усилит данные и даст тебе реальное ускорение. Нет данных - очень быстро и очень убедительно усилит твою угадайку, а потом ты будешь долго думать, почему такая красивая стратегия не взлетела.
Планка эффективности от этого только поднимается. И сильнее всех тряхнет тех, кто все эти годы перекладывал данные из левой стопки в правую, не спрашивая, что в них написано и откуда они взялись. Автоматизация маркетинга здесь не спасает: она ускоряет ровно тот процесс, который у тебя уже есть, включая плохой.
Так что вопрос на самом деле не «какую модель выбрать». Вопрос - на каких данных ты собираешься принимать решения. Все остальное вторично.
