Как команды переходят от экспериментов с ИИ к системной работе. Исследование Bidease

В Bidease опросили 100 мобильных маркетологов, чтобы выяснить, как интегрировать нейросети в работу, какие инструменты использовать и какие ИИ-навыки дают командам реальное преимущество.

Сегодня почти любой мобильный маркетолог использует нейросети. Но лишь небольшая часть команд действительно встраивает ИИ в процессы так, чтобы системно повышать эффективность работы. Большинство применяет нейросети на базовом уровне, ограничиваясь генерацией текстов и картинок или решая простейшие операционные задачи.

Но есть и те, которые вышли за рамки такого сценария и смогли сделать ИИ полноценной частью операционных процессов. Чтобы понять, как это устроено на самом деле, команда Bidease опросила 100 мобильных маркетологов. Мы изучили, какие ИИ-навыки компании развивают сегодня, какие барьеры мешают более глубокой интеграции нейросетей в рутину и как их использование влияет на реальные рабочие процессы.

Как меняется подход команд к обучению работе с ИИ

Компании охотно покупают ИИ-подписки, но гораздо реже выделяют рабочее время, чтобы сотрудники освоили новые инструменты. Развитие ИИ-навыков фактически остаётся задачей «на вечер и выходные». В результате возникает разрыв между ожиданиями руководства («используйте ИИ, чтобы работать быстрее») и реальными возможностями команд («как научиться использовать ИИ по максимуму, если я постоянно работаю»).

Однако сейчас ситуация начинает меняться. 45% опрошенных маркетологов сообщили, что их компании уже целенаправленно выделяют время на развитие ИИ-компетенций. Ещё 32% респондентов говорят, что им неформально разрешают заниматься этим в рамках рабочего дня. И только 18% по-прежнему вынуждены осваивать новые технологии исключительно в свободное время.

Но как именно команды получают и развивают эти навыки?

Среди источников знаний лидируют образовательные платформы вроде Coursera (31%), однако остальные ответы распределились достаточно равномерно между профессиональными сообществами и коллегами (23%), обучением от вендоров (20%) и соцсетями (17%).

Пользователи всё чаще отказываются от советов коллег и соцсетей в пользу полноценного обучения. При этом LinkedIn-лайфхаки никуда не исчезли. Большинство команд пока пытаются комбинировать быстрые разрозненные советы из соцсетей с курсами от образовательных платформ и ИИ-вендоров. И это важный сигнал: рынок постепенно переходит от хаотичного освоения ИИ к формированию устойчивых профессиональных практик.

Тем не менее, главный разрыв пока сохраняется. Более половины респондентов (56%) ни разу не проходили платные ИИ-курсы, хотя готовы рассмотреть такую возможность. Это особенно показательно: большинство мобильных маркетологов уже ежедневно используют нейросети, но всё ещё не инвестировали в системное развитие собственных ИИ-компетенций.

Но этого недостаточно. Настоящая компетенция возникает не когда специалист проходит курс, а когда внедряет новые знания в воркфлоу команды: формирует общие библиотеки промптов и базы знаний, сохраняет успешные сценарии использования ИИ и систематизирует опыт работы с новыми инструментами. Так каждый новый навык, освоенный отдельным сотрудником, становится достоянием всей команды.

В каких задачах маркетологи уже доверяют ИИ

Чтобы понять реальный уровень ИИ-компетенций команд, недостаточно просто спросить, используют ли они нейросети в работе. Важно посмотреть, в каких именно задачах ему доверяют. И здесь быстро замечаем главный паттерн: ИИ наиболее глубоко встроен в процессы там, где цена ошибки остаётся сравнительно низкой. Например для генерации текстов (62%) и разработки визуальных концепций (45%). Ведь неудачный заголовок можно переписать, а неудачную картинку — заменить. А ошибка в модели прогнозирования уже напрямую влияет на деньги, стратегию и бизнес-решения.

Именно поэтому рынок сейчас находится в промежуточной точке развития. Команды постепенно переходят от простого использования чат-ботов к более сложным процессам с участием ИИ (в том числе автономным), однако в задачах, требующих глубокой аналитики и прогнозирования, разрыв всё ещё остаётся огромным. Например, 66% команд уже используют ИИ для анализа данных. Но только 34% выстроили процессы, связанные с предиктивным моделированием.

Большинство команд пока не умеют самостоятельно строить сложные аналитические системы и опасаются ошибок при использовании ИИ для этих задач. И эти опасения вполне рациональны: когда предиктивные модели ошибаются в реальных условиях, последствия могут быть крайне серьёзными. Один из самых известных примеров — программа iBuying компании Zillow. Их ИИ-модель оценки недвижимости не смогла вовремя распознать охлаждение рынка жилья и продолжала делать агрессивные предложения выше рыночной стоимости. В результате компания потеряла около $500 млн и сократила четверть штата.

Сейчас скорее не так важно, «использует компания ChatGPT» или нет. Конкурентное преимущество получают те, кто безопасно обучает модели на собственных данных и совместно с аналитиками или DSP-платформами создаёт системы, способные прогнозировать изменения рынка без критических ошибок. Однако такой подход требует серьёзных ИИ-компетенций и сложной инфраструктуры.

Какие ИИ-сервисы закрепились в работе маркетологов

Настоящая «ИИ-зрелость» определяется не количеством используемых нейросетей, а тем, насколько глубоко они встроены в ежедневные процессы команды. Именно эффективность использования инструментов лучше всего показывает, перешла ли компания от этапа экспериментов с ИИ к полноценному включению его в процессы.

ИИ для текстов: рынок голосует за встроенные решения

ChatGPT по-прежнему остаётся главным инструментом для текстовых задач — его используют 89% команд. Однако уверенное второе место Copilot (62%) говорит о гораздо более важном тренде: рынок всё активнее движется в сторону встроенного ИИ.

Маркетологи постепенно понимают, что постоянное переключение между документом Word и отдельной вкладкой ChatGPT, когда ты вручную копируешь текст, отнимает драгоценные минуты. Именно поэтому отдельные ИИ-сервисы предыдущего поколения вроде Jasper (5%) теряют популярность, тогда как инструменты, встроенные непосредственно в привычные рабочие среды, наоборот, активно растут.

Этим же, вероятно, объясняется и слабое присутствие Grammarly в результатах исследования. Когда ИИ уже бесшовно встроен в Word, Google Docs или другие повседневные инструменты, пользователи перестают воспринимать его как отдельный продукт.

ИИ для дизайна: скорость больше не главный фактор

Безусловным лидером в разработке визуалов остаётся Canva AI (69%), значительно опережая Midjourney (27%) и DALL·E (26%).

Для маркетинговых команд всё важнее становится управляемость результата. Генеративные модели вроде DALL·E до сих пор часто создают изображения, которые выглядят слишком «ИИшными» и плохо контролируются с точки зрения brand safety. В отличие от них, Canva и Adobe Firefly точнее соблюдают требования брендбука, работают с фирменными цветами и сохраняют визуальную консистентность.

Для дизайнеров это важно: ведь чем меньше времени уходит на исправление, тем больше — на стратегию, тестирование и развитие креативных концепций.

ИИ для данных: эпоха «усиленного Excel»

Наиболее интересные изменения происходят в работе с данными. Хотя 82% команд используют ChatGPT для анализа данных, основным местом хранения и организации информации по-прежнему остаются Google Sheets и Excel. Так рождается новая модель использования ИИ, которую можно условно назвать эпохой «усиленного Excel»: нейросеть помогает анализировать данные, но не заменяет привычную инфраструктуру работы с ними.

Полноценная интеграция ИИ в технологический стек пока остаётся редкостью. Только 18% команд используют внутренние BI-системы с ИИ-функциями, а рабочие среды на базе Python/Notebook применяют лишь 16% респондентов.

Во многом это объясняется экономикой. Для большинства компаний значительно проще встроить Gemini в Google Sheets через существующую подписку Google Workspace, чем инвестировать ресурсы в создание собственных BI-решений.

Как меняется запрос рынка на ИИ-навыки

Когда мы спросили маркетологов, какой ИИ-навык они хотели бы «мгновенно загрузить» в голову своей команды, большинство ответов касалось не креатива, а технической экспертизы. Чаще всего респонденты упоминали «программирование» и «предиктивный анализ данных», а также более конкретные запросы, например, «оптимизация кода на Python».

Один из участников исследования довольно точно подметил: «ИИ для принятия решений важнее ИИ для ускорения задач». Это отражает общий тренд: команды больше не хотят использовать ИИ только для ускорения производства контента. Они хотят применять его для аналитики, понимания паттернов поведения аудитории, прогнозирования и принятия решений — но пока не до конца понимают, как выстроить такую инфраструктуру.

Если ИИ в компании существует только как набор отдельных инструментов вроде веб-версии ChatGPT — уровень компетенций команды почти не растёт.

Такой подход позволяет перейти от бесконечных экспериментов с ИИ к его полноценному использованию в реальных операционных процессах. И рынок это хорошо понимает.

Что мешает маркетологам использовать ИИ глубже

Мы также попросили команды определить главный фактор, который сегодня замедляет их развитие в работе с ИИ.

Только 18% респондентов назвали нехватку времени и ресурсов главным барьером. Куда более серьёзными оказались системные ограничения. На первое место вышла скорость изменений: 24% участников исследования признались, что технологии развиваются быстрее, чем команды успевают адаптировать под них процессы.

Следом идёт нехватка экспертизы — 22%. Большинство команд уже освоили базовый уровень взаимодействия с ИИ, но столкнулись с новой проблемой: специализированного обучения по использованию ИИ в мобильном маркетинге пока практически не существует.

При этом сохраняется ещё один важный барьер — недоверие к качеству результатов. Многие команды до сих пор не уверены, что нейросети способны стабильно выдавать качественный результат без серьёзной человеческой доработки. И чем сложнее задача, тем сильнее становится этот скепсис. В результате компании охотно используют ИИ для рутинных задач, но значительно осторожнее относятся к его применению в аналитике, прогнозировании и принятии решений.

Как усилить работу с ИИ: фокус на команде

Очередные воркшопы по промптингу и генерации рекламных текстов больше не дают командам стратегического преимущества. Гораздо важнее развивать навыки работы с аналитикой, данными и прогнозированием. Но ещё важнее — научиться работать в условиях непрерывного обновления инструментов.

Поэтому всё большую роль начинают играть внутренние процессы накопления экспертизы. Один из самых эффективных подходов — ведение командных «журналов ошибок», где фиксируются:

• неудачные промпты;
• ошибочные выводы моделей;
• нестабильные сценарии работы ИИ;
• неэффективные воркфлоу.

Именно такая рутинная работа постепенно формирует внутреннюю базу практических знаний. Это гораздо более устойчивое конкурентное преимущество, чем владение любым отдельным инструментом.

Рынок уже двигается в эту сторону: 79% команд планируют увеличить бюджеты на ИИ-обучение в 2026 году. При этом ни один из респондентов не заявил, что собирается заменять сотрудников новыми «ИИ-специалистами». Это показывает, что компании всё чаще воспринимают ИИ не как замену маркетологу, а как инструмент усиления команды.

Следующий этап развития — интеграция ИИ в ежедневные процессы. Продвинутые команды уже создают и используют ИИ-агентов для автоматизации многоэтапных задач. Так нейросеть перестаёт быть отдельным инструментом и становится полноценной частью инфраструктуры.

Главный вывод для маркетинговых команд прост: инвестировать нужно не только в ИИ-инструменты, но и в людей. Потому что в мире, где доступ к одним и тем же технологиям есть у всех, разницу создаёт не сам ИИ, а качество его применения внутри команды.