19 декабря 2025, 18:06

Как маркетинговым командам работать с AI в 2025 году: три уровня от эксперимента к трансформации

Как выглядит передовой мировой ИИ-опыт.

Иван Тертычный, TraceAir

cossa photo.jpg

По данным McKinsey, 88% компаний используют AI хотя бы в одной функции. Но реальную ценность получают только 5%. Остальные 95% ограничиваются экспериментами. Главная причина не в технологиях — компании пытаются встроить AI в старые процессы вместо того, чтобы перестроить процессы под новые возможности.

Автор: Иван Тертычный, продакт-менеджер TraceAir и операционный лидер в стартапах.

Три уровня AI-трансформации

Когда компании говорят «мы используем AI», они могут иметь в виду совершенно разные вещи. Один отдел автоматизировал email-кампании, другой заменил всю операционку на AI-центричную систему. Можно выделить три уровня глубины внедрения AI в процессы компаний.

Уровень 1: точечная оптимизация

С этого начинают 95% компаний. Одна повторяющаяся задача — лидогенерация, email-автоматизация, генерация контента — и под неё готовое решение или процесс.

Готовые платформы:

Anthropic внедрили Clay для автоматического обогащения потока входящих лидов с их маленькой GTM-командой. Clay агрегирует данные из 100+ провайдеров, а внутри использует собственную модель Claude для кастомной сегментации (B2B/B2C, mobile-first). Результат: трёхкратный рост покрытия обогащения контактов (с ~30% до 90%) и 4 часа экономии в неделю на обновление Salesforce;

HubSpot Breeze AI сократил время решения запросов в поддержке на 40%. Автоматически адаптирует email-кампании: если человек открывает письма вечером — следующее придёт вечером, кликает на кейсы — в следующем будет больше кейсов;

Marketo (Adobe) анализирует 50+ факторов поведения лида и предсказывает стадию принятия решения;

Glyphic — AI-копилот для sales команд. Автоматически анализирует звонки, заполняет CRM, генерирует документ для подготовки перед встречами на основе предыдущих взаимодействий и данных о клиенте. Экономит до 34% времени sales-специалистов на рутинных задачах.

Собрать самому:

типичная задача: еженедельно собирать упоминания бренда в соцсетях, анализировать тональность, готовить отчёт. Вручную — 2–3 часа. С n8n, Make, Zapier автоматизируется на 100%.

Результат: 5–10% рост продуктивности на конкретных задачах. Окупаемость 1–3 месяца.

Уровень 2: автоматизация составного процесса

Переход от точечных решений к системной автоматизации всего отдела. Вместо «одна задача» появляется «весь процесс работы команды».

Walmart и проект Telos. Тим Симмонс, CPO Walmart, в октябре 2024 рассказал о Telos — это «супер продакт-менеджер» работающий на базе 16 специализированных AI-агентов. Это оркестратор, координирующий агентов на каждом этапе жизненного цикла разработки продуктов.

Что делает:

сканирует источники инсайтов (отзывы, тренды, конкуренты);
генерирует продуктовые требования и user stories;
интегрируется с Jira, Confluence, клиентскими дашбордами;
автоматически обновляет статусы проектов;
анализирует обратную связь после запуска.

Результаты у 3500+ продакт-менеджеров:

80% ускорение циклов разработки;
90% сгенерированных AI результатов принимаются без правок;
Цикл разработки сократился с 32 недель до 8 недель.

Это не пилот. Система работает в production на тысячах продуктов ежедневно.

Как построили доверие: был внедрен специальный агент, который непрерывно перепроверяет результат работы других агентов на ошибки и галлюцинации. Уже в ранних экспериментах 90%+ результатов принимались без изменений.

Уровень 3: AI-центричная операционка

Третий уровень — построение компании вокруг AI с первого дня. AI — это не инструмент, а операционная система, через которую работает вся команда.

Стартап Elly Analytics. Всеволод Устинов, основатель Elly Analytics (AI-платформа для аналитики данных), построил команду из 30 человек — инженеры, менеджеры, sales — которая живёт в Cursor как в единой AI-операционной системе.

Что сделали:

вместо Notion + Jira + Confluence → всё в структуре Markdown-репозиториев на GitHub. Вся команда работает через Cursor.

Устройство.

1. Единая база знаний.

Всё в Markdown: стратегия, продукт, sales, документация, скрипты.
Папки по функциям, у каждой есть owner.
Права доступа на уровне репозиториев.

2. Динамическая подгрузка контекста.

Вложенные правила для AI.
Агент сам решает, какой контекст подтягивать.
Нет копипаста — AI подгружает нужное по требованию.

3. Интеграции через MCP/API.

ClickUp — двусторонняя синхронизация задач.
Fireflies — транскрипция звонков.
Google Drive/Notion — миграция с legacy-систем.

Конкретные юзкейсы:

автообновление проектов: агент находит последний транскрипт звонка с клиентом, извлекает факты, обновляет карточки в ClickUp;

presales-ответы: клиент спрашивает про отличия от конкурента. Агент собирает контекст из переписки, транскриптов, сравнивает, выдаёт конспект. 5 минут вместо часа.

Результат: команда работает как AI-центричный организм. Скорость принятия решений выше, онбординг быстрее. Это не 2X улучшение — это качественно другой способ работы.

Три ошибки, которых избегают лидеры внедрений

По данным BCG, 60+% AI-инициатив не дают результата. Но при этом только 5% лидеров внедрений получают существенный возврат на инвестиции. В чём разница?

1. Они делают меньше, но доводят до конца.

Средние компании запускают 6+ пилотов. Лидеры ограничивают себя 3–4, но доводят до внедрения в продакшен и масштабируют. McKinsey подтверждает, что ценность появляется только там, где перестраивают процессы.

На практике: возьмите одну задачу, съедающую больше всего времени. Разберите процесс. Запустите пилот. Измерьте. Масштабируйте.

2. Они инвестируют в обучение.

58% руководителей никогда не проходили AI-обучение. Команда не понимает инструмент → внедрение проваливается → убеждаются, что «AI не подходит».

Решение: неделя обучения перед внедрением. Не абстрактного, а конкретного: как писать промпты для вашей задачи, настраивать workflow, интерпретировать результаты.

3. Они измеряют бизнес-эффект, а не технологию.

Ошибка: «Внедрили AI, генерирует 100 текстов в день». А выручка выросла? Время сократилось? Конверсия увеличилась? Лидеры измеряют влияние на EBITDA.

Что дальше: от ассистентов к агентам

Большая часть рынка — реактивный AI. Ассистенты, которые ждут задачу. Это даёт 5–10% прироста продуктивности.

Недавнее исследование внедрения агентов в компаниях показывает, что 32% из них уже выполняют 10 и более автономных шагов. Компании начинают допускать более длинные цепочки действий там, где могут обеспечить контроль и надёжность, а не только экспериментировать в прототипах.

Что это означает для маркетинга: вместо «напиши 10 вариантов заголовка» будет «запусти кампанию: исследуй аудиторию, создай креативы, настрой таргетинг, запусти тесты, проанализируй, масштабируй лучшие». Один агент вместо пяти специалистов и двух недель работы.

Главное

88% компаний уже используют AI. Но только 5% получают измеримую ценность. Разница не в бюджетах и не в технологиях. Разница в том, что лидеры перестраивают процессы под инструменты, а не пытаются втиснуть инструменты в старые процессы.

Вы можете купить готовую платформу и автоматизировать лидген за месяц. Можете собрать свою систему из блоков. Можете построить AI-центричную операционку. Все три пути работают. Но ни один не сработает, если вы не ответите на три вопроса: