ИИ в маркетинге

ИИ в маркетинге это применение моделей машинного обучения к маркетинговым задачам: генерации текстов и креативов, прогнозу вероятности отклика, сегментации аудитории, персонализации предложений и разбору входящих обращений. Термин описывает класс задач, а не продукт. Купить его одной покупкой невозможно, потому что за общим словом стоят разные технологии с очень разной степенью зрелости.

Массовым словосочетание стало после 30 ноября 2022 года, когда OpenAI открыла публичный доступ к ChatGPT. Практика старше самого разговора о ней. Рекомендательные системы работали в электронной торговле с начала двухтысячных. Автоматические стратегии рекламных систем прогнозируют вероятность конверсии на машинном обучении уже больше десяти лет. Это тоже ИИ в маркетинге, просто его давно перестали так называть.

Главная трудность темы не техническая. Модель подключается за вечер и почти не поддаётся честной оценке: выручка компании двигается по десятку причин одновременно, а внедрение обычно совпадает с сезоном, новым бюджетом или сменой подрядчика. Поэтому центральный раздел этой статьи посвящён не инструментам, а способу отделить эффект от фона.

Эффектом можно назвать только разницу с контрольной группой за тот же период

Чем отличается от соседних понятий

Нейросети для бизнеса это зонтичный термин про все функции компании: склад, кадры, документооборот, поддержка, юридические проверки. ИИ в маркетинге его часть, ограниченная задачами привлечения и удержания клиента.

Автоматизация бизнес-процессов описывает регламент: кто и в каком порядке передаёт задачу дальше. Машинное обучение там не обязательно. Большинство сценариев в системах рассылок до сих пор устроено как «открыл письмо, через день отправь второе», и это правило написал человек.

ИИ-ассистент это конкретная реализация, диалоговый интерфейс поверх модели. Один инструмент из многих.

Продвижение в ответах нейросетей решает обратную задачу. Там модель стоит между маркетологом и человеком, а не помогает маркетологу. Как в такой ответ попасть, разобрано в статье про GEO и AEO.

Откуда взялось

Точка отсчёта для товарных рекомендаций это статья инженеров Amazon Грега Линдена, Брента Смита и Джереми Йорка в журнале IEEE Internet Computing за январь 2003 года. Они описали алгоритм item-to-item, который считает похожесть товаров между собой и потому выдерживает каталог из миллионов позиций.

Второй слой пришёл из рекламных аукционов. Прогнозатор конверсий Яндекс Директа работает на машинном обучении и предсказывает полезные действия посетителей на любом сайте, где подключена Метрика. Конверсионным стратегиям для устойчивого обучения нужно не менее десяти конверсий в неделю.

Третий слой генеративный, и он самый молодой. 17 мая 2023 года Яндекс встроил модель YandexGPT в Алису, а 24 апреля 2023 года Сбер открыл доступ к GigaChat по приглашениям. С этого момента генерация текстов и картинок стала обычной рабочей операцией, а не экспериментом энтузиастов.

Как это устроено

Генерация текстов и креативов

Полевое исследование с контрольными группами именно по SEO-контенту провели Райзенбихлер, Ройттерер, Швайдель и Дан в журнале Marketing Science в 2022 году. IT-компания в декабре 2019 года опубликовала 19 страниц, написанных моделью и отредактированных сотрудником, 9 страниц настоящих SEO-специалистов, 19 страниц полуэкспертов и 19 страниц новичков. Позиции отслеживали 412 дней по первым 300 результатам выдачи.

Разрыв оказался крупным. По медиане в выдаче держалось 17 машинных страниц из 19 и 2 экспертных из 9, а в первой десятке 7 машинных против нуля экспертных. Себестоимость одной единицы контента упала с 272,81 евро до 23,94 евро с учётом труда, серверов и разработки. Редактор из процесса не исчез.

Прогноз и распределение показов

Здесь модель работает внутри рекламного кабинета, и маркетолог ей не управляет напрямую. Автостратегии Директа прогнозируют вероятность клика и целевого действия, опираясь на статистику фраз, поведение пользователей и сотни других признаков. Яндекс заявляет в справке средний прирост в 14 % конверсий за тот же бюджет, не раскрывая ни выборки, ни периода, ни способа сравнения. Своего замера это не заменяет.

Разбор обращений и черновая работа с текстом

Замер на живой компании сделали Бриньолфсон, Ли и Реймонд. 5 179 операторов поддержки, постепенное подключение ассистента. Число решённых обращений в час выросло на 14 % в среднем и на 34 % у новичков, а у опытных сотрудников эффект оказался почти нулевым. Работа вышла в The Quarterly Journal of Economics в 2025 году.

Лабораторный замер на самих маркетологах дали Ной и Чжан в журнале Science в 2023 году. 453 специалиста с высшим образованием, среди них маркетологи, консультанты и аналитики, выполняли профессиональные письменные задания на 20-30 минут. Половине дали ChatGPT: время сократилось на 40 %, оценка качества выросла на 18 %. Задания были короткими.

Как отделить эффект ИИ от общего роста

Это главный вопрос темы.

Контрольная группа и инкрементальный прирост

Инкрементальный прирост это разница между группой, которая получила изменение, и сопоставимой группой, которая его не получила, в один и тот же период. Сравнение «до и после» такой разницы не даёт: в него всегда входит сезон, реклама конкурентов, курс валюты и работа других каналов. Фон не вычитается сам.

Технически контроль поддерживают сами площадки. В A/B-экспериментах Директа аудитория делится по заданному проценту выборки, все варианты сравниваются с контрольным, вариантов бывает от 2 до 20, активных экспериментов не больше 50. Справка требует давать кампании 7-14 дней на обучение, иметь не менее 10 конверсий в неделю на каждый вариант и смотреть на p-value: ячейки с уровнем ниже 0,05 выделяются ярко, ниже 0,2 слабо. Обучающие материалы VK Рекламы советуют выделять на тест не меньше 10 % бюджета и держать дневной бюджет из расчёта пяти конверсий на объявление. Статистику собирают 3-5 дней, и кампанию в это время не трогают.

Разделить аудиторию удаётся не всегда. Тогда работает поэтапное включение: инструмент получают волнами разные команды, отделы или регионы, а ещё не подключённые служат контролем. Именно так устроено исследование операторов поддержки.

Что мерить до внедрения

Базовую линию снимают заранее, иначе сравнивать будет не с чем. Минимальный набор: время и себестоимость производства единицы контента, стоимость лида, конверсия сайта по шагам, доля обращений, закрытых без участия человека, ROMI по каналу.

Почему «стало быстрее на 40 %» ничего не доказывает

Скорость и результат это разные величины. Тексты стали выходить быстрее, а заявок столько же: значит, узкое место было в другом месте. Прирост скорости считается честно только в паре с прежним качеством и прежней конверсией, иначе экономия времени оплачивается падением отдачи где-то дальше по воронке. Экономия бывает мнимой.

Что делать на практике

1. Снять базовую линию по метрикам выше и записать её числами, а не по памяти.
2. Выбрать одну задачу, у которой есть считаемый результат. Массовые описания товаров, ответы на типовые вопросы, черновики объявлений.
3. До запуска решить, кто будет контролем: доля аудитории, отдел, регион или следующая волна подключения.
4. Договориться о длительности заранее, исходя из требований площадки к обучению и числу конверсий.
5. Менять одну вещь за раз. Три одновременных изменения не разделятся потом никаким отчётом.
6. Посчитать стоимость контроля: редактуру, проверку фактов, оформление маркировки, время на разбор жалоб.
7. Письменно перечислить данные, которые в облачную модель не уходят. Разбор этого вопроса в статье про Нейросети для бизнеса.
8. Вести журнал: что включили, когда, кто редактировал, что решили по итогам.

Чем измеряют

• Инкрементальный прирост целевого действия против контрольной группы, с указанием p-value.
• Стоимость лида и ДРР по каналу до и внутри эксперимента.
• ROMI с честным доверительным интервалом, а не одной точкой.
• Себестоимость и время производства единицы контента.
• Доля переделок после редактуры и доля материалов, снятых с публикации.
• Удержание по когортам: персонализация может поднять первую покупку и просадить повторные.
• Доля обращений без человека и доля эскалаций после ответа модели.
• Источник заявки в сквозной аналитике и коллтрекинге, иначе прирост не привязать к изменению.

Правовая сторона в России

Нормы здесь только названы со ссылкой на текст. Толкование нормы под конкретный спор это работа юриста и суда.

Права на сгенерированный креатив. Статья 1257 Гражданского кодекса признаёт автором гражданина, творческим трудом которого создано произведение. Программа гражданином не является. Российская практика по этому вопросу пока состоит из единичных споров. Пресненский районный суд Москвы отказал дизайнеру Артёму Позднякову в защите изображений «Джоконда с вином» и «Статуя Свободы с вином». Подачу команд искусственному интеллекту суд счёл механическим действием технического характера. Московский городской суд 24 августа 2026 года это решение отменил и взыскал 50 тысяч рублей компенсации. Изображения при этом были сделаны в Photoshop в 2017 году. Дело, которое разошлось по новостям как спор о нейросетях, касалось работы в графическом редакторе. Прямой судебной позиции по полностью сгенерированной картинке в России пока нет.

Маркировка рекламы не зависит от способа производства креатива. Статья 18.1 закона «О рекламе» введена Федеральным законом от 2 июля 2021 года № 347-ФЗ и действует с 1 сентября 2022 года: интернет-реклама несёт пометку «реклама», указание на рекламодателя и идентификатор erid, сведения передаются в единый реестр интернет-рекламы. Части 15 и 16 статьи 14.3 КоАП РФ появились по Федеральному закону от 24 июня 2023 года № 274-ФЗ и действуют с 1 сентября 2023 года; для юридического лица каждый состав стоит от 200 до 500 тысяч рублей.

Маркировка самого ИИ-контента пока не лежит на авторе. Федеральный закон от 26 июля 2026 года № 243-ФЗ обязывает владельцев социальных сетей дать пользователю возможность предупредить, что материал подготовлен большой моделью, а формат такого предупреждения уходит в пользовательское соглашение. Обязанности автора помечать свой материал закон не вводит. Положения о маркировке применяются с 1 марта 2027 года.

Частые ошибки

• Отчёт «до и после» вместо эксперимента. Самая частая и самая дорогая: рост записывается на ИИ целиком.
• Внедрение без базовой линии. Если время на текст и стоимость лида раньше не считали, эффект не восстановить никакими выгрузками.
• Пилот на задаче без измеримого результата. «Улучшить коммуникацию» проверке не поддаётся.
• Доверие к числу из справки площадки. Прирост в 14 % опубликован без выборки, периода и контрольной группы, воспроизвести его нельзя.
• Тест короче срока обучения. Автостратегии учатся 7-14 дней, вывод на пятый день описывает период обучения.
• Выброшенный редактор. В обоих полевых исследованиях выигрывала не модель сама по себе, а связка модели с человеком, который правит выпуск.
• Забытая маркировка. Сгенерированное объявление остаётся рекламой со всеми требованиями к пометке и учёту.

Ограничения и спорные места

Честный замер часто недоступен по деньгам. Льюис и Рао разобрали 25 полевых экспериментов с крупными американскими ритейлерами и брокерами на 2,8 млн долларов рекламных расходов и получили медианный доверительный интервал по возврату на инвестиции шире 100 процентных пунктов. Индивидуальные продажи колеблются сильнее, чем стоит реклама на человека, а информативный эксперимент может требовать более 10 млн человеко-недель наблюдений. Малому бизнесу такой замер недоступен, и это ограничение метода, а не лень исполнителя.

Наблюдательные методы вместо эксперимента систематически врут. Гордон, Цеттельмайер, Бхаргава и Чапски взяли 15 рекламных экспериментов Facebook, 500 млн наблюдений и 1,6 млрд показов и сравнили их с оценками по обычным наблюдательным моделям. Наблюдательные подходы часто не воспроизводили результат эксперимента даже после учёта подробной демографии и поведения. Данных отрасли для этого мало.

Эффект на контенте измерен в одном узком случае. У Райзенбихлера с соавторами одна IT-компания, 19 машинных страниц против 9 экспертных, языковая модель уровня 2019-2020 годов. В той же работе есть вторая половина результата. Готовность читателя узнать больше о предмете была ниже у машинного текста: 48,95 против 55,12 по стобалльной шкале, p = 0,038. Желание купить статистически не отличалось (p = 0,137). Читаемость, понятность и доверие между группами тоже не разошлись.

Прирост производительности измерен вне маркетинга. У Бриньолфсона с соавторами предмет это служба поддержки, а не маркетинг, и подключение шло волнами, без случайного распределения. У Ноя и Чжан задания длились 20-30 минут в лабораторных условиях, и перенос такой оценки на годовую работу отдела авторы не обещали.

Российских измерений почти нет. ИСИЭЗ НИУ ВШЭ по данным обследования Росстата сообщил, что в 2025 году технологии ИИ применяла каждая двадцатая крупная и средняя организация, а высокие затраты на внедрение назвала барьером каждая вторая. По предыдущему обследованию более половины компаний-пользователей применяли ИИ в маркетинге и продажах. Ни объёма эффекта в рублях, ни экспериментов с контрольной группой в открытом доступе нет.

Права на сгенерированное и маркировка ИИ-контента остаются без определённости. Критериев творческого вклада для сгенерированного изображения в законе нет, разъяснений Верховного суда по нему тоже, а подзаконные акты к рамочному закону об ИИ ещё не изданы.

Что здесь быстро устаревает

• Состав доступных моделей, их цены и качество на русском языке.
• Место, где настраивается эксперимент: у Яндекса это расширенный интерфейс Директ Про, и адреса справочных страниц по теме уже менялись.
• Требования площадок к тесту: число конверсий, срок обучения, доля бюджета.
• Подзаконные акты к закону № 243-ФЗ и судьба даты 1 марта 2027 года.
• Судебная практика по правам на сгенерированный креатив, включая пересмотр дела Позднякова вышестоящими инстанциями.
• Числа исследований в этой статье: их нужно сверять при выходе новых полевых работ с контрольными группами.

См. также

• ИИ-ассистент
• Автоматизация бизнес-процессов
• A/B-тестирование
• ИИ-блогеры и виртуальные инфлюенсеры
• Целевая аудитория
• Контент-маркетинг

Источники

1. Introducing ChatGPT. OpenAI, 30 ноября 2022.
2. Linden G., Smith B., York J. Amazon.com Recommendations: Item-to-Item Collaborative Filtering. IEEE Internet Computing, том 7, № 1, январь 2003, с. 76-80.
3. Автоматическая корректировка ставок. Справка Яндекс Директа, обращение 11 сентября 2026.
4. Стратегии показов. Справка Яндекс Директа, обращение 11 сентября 2026.
5. Яндекс добавил в Алису нейросеть нового поколения. Пресс-релиз Яндекса, 17 мая 2023.
6. Сбербанк открывает доступ к своей новейшей нейросетевой модели. CNews, 24 апреля 2023.
7. Reisenbichler M., Reutterer T., Schweidel D. A., Dan D. Frontiers: Supporting Content Marketing with Natural Language Generation. Marketing Science, том 41, № 3, 2022, с. 441-452.
8. Brynjolfsson E., Li D., Raymond L. Generative AI at Work. The Quarterly Journal of Economics, том 140, № 2, 2025, с. 889.
9. Noy S., Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence. Science, 13 июля 2023.
10. Study finds ChatGPT boosts worker productivity for some writing tasks. MIT News, 14 июля 2023.
11. A/B-эксперименты. Справка Яндекс Директа, обращение 11 сентября 2026.
12. A/B-эксперименты в Директ Про: как они устроены и как оценивать их корректность. Яндекс Реклама, обучающие материалы, обращение 11 сентября 2026.
13. Тестирование гипотез в VK Рекламе: порядок действий и рекомендации. Обучающая платформа VK Рекламы, обращение 11 сентября 2026.
14. Lewis R. A., Rao J. M. The Unfavorable Economics of Measuring the Returns to Advertising. The Quarterly Journal of Economics, том 130, № 4, 2015, с. 1941-1973.
15. Gordon B. R., Zettelmeyer F., Bhargava N., Chapsky D. A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science, том 38, № 2, 2019, с. 193-225.
16. Гражданский кодекс Российской Федерации, статья 1257 «Автор произведения». КонсультантПлюс, обращение 11 сентября 2026.
17. Суд защитил автора «Моны Лизы с вином» в споре об использовании нейросетей. РАПСИ, 24 августа 2026.
18. Федеральный закон от 13.03.2006 № 38-ФЗ «О рекламе», статья 18.1. КонсультантПлюс, обращение 11 сентября 2026.
19. Кодекс Российской Федерации об административных правонарушениях, статья 14.3. КонсультантПлюс, обращение 11 сентября 2026.
20. Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». КонсультантПлюс, обращение 11 сентября 2026.
21. Применение искусственного интеллекта в российских компаниях. ИСИЭЗ НИУ ВШЭ по данным обследования Росстата, 12 сентября 2025.
22. Использование цифровых технологий организациями в 2025 году: экспресс-информация ИСИЭЗ НИУ ВШЭ. CNews, 25 августа 2026.

Смотрите также

• Искусственный интеллект
• Промпт-инжиниринг