Внедрение ИИ в маркетинг: какую работу отдела отдать агентам

Я руковожу интернет-маркетингом hh.ru. Marketing OS выросла из инструментов, которые я делал для своей команды, и сейчас в ней двенадцать разделов, от базы знаний по исследованиям до SEO-агента, который отвечает в рабочем чате. По моему замеру она экономит маркетологу до 15% рабочего времени. Цифру больше этой я не называю, потому что больше не намерил.

Ниже карта процессов с кейсами, порядок, в котором я веду внедрение ИИ в маркетинг, и пять историй о поломках, случившихся уже после запуска.

Автоматизация отдела маркетинга: с чем приходят

Чаще всего разговор начинается с одной из этих ситуаций:

• Каждый в отделе работает с ChatGPT по-своему. Два маркетолога по одному брифу получают два разных текста: у одного промт на полстраницы, у другого «напиши письмо про скидку». Удачный вариант потом не повторить.
• Купили подписку на бота или агента. Через месяц команда снова делает всё руками, подписка продлевается.
• Недельный отчёт сводят вручную из нескольких рекламных кабинетов, и в пятницу вечером в нём находят ошибку в сумме.
• Руководство попросило «внедрить ИИ» до конца квартала. С какого процесса начинать, непонятно.
• Подрядчик прислал смету на ИИ-агента. Нужно понять, что в ней лишнее и кто будет чинить агента, когда он сломается.

С любым из этих запросов разговор у меня начинается с вопроса, где в неделе отдела сейчас ручная работа и по какой цифре будет виден сдвиг. Сервис выбираем потом. Начнёте с сервиса — скорее всего, получите подписку, которую исправно продлевают, пока все работают руками.

Какую рутину отдела забирает ИИ

Карточки идут по шагам кампании, от исследований до планирования.

ИИ-агенты для маркетинга: где они работают и где рано

В чат выгрузки приносит человек. Агенту хватает вопроса: какие данные нужны, он выбирает и забирает без вас. Первым в Marketing OS так заработал SEO-аналитик в рабочем чате, вопрос ему пишут обычной фразой. Агент забирает выгрузки Вебмастера и спрос, смотрит поисковую выдачу для нужного города и присылает разбор. Каждое утверждение в нём опирается на конкретные строки данных, недоказанное собрано отдельно.

Слово «причина» агент пишет, только если выполнены шесть условий. Среди них: есть данные в пользу версии, проверены другие объяснения, искали данные против, событие случилось раньше просадки. Если хоть одного условия нет, в разборе так и написано: причину установить не удалось, и вот каких данных не хватило. На один ход агенту разрешено максимум 8 обращений к инструментам, чтобы он не бродил по данным до вечера.

Агента рано запускать, если:

• регламента нет, и каждый сотрудник делает по-своему;
• нет метрики, по которой видно, стало ли лучше;
• данные живут в личных таблицах и обновляются руками, когда кто-то вспомнит;
• никто в команде не готов отвечать за агента в тот день, когда он ошибётся.

Тогда я начинаю со скрипта, который маркетолог соберёт и без разработчика (об этом заметка Claude Code для маркетолога), или с общего шаблона промта для команды. Агент появляется позже, когда процесс у всех идёт одинаково и по нему накопились цифры.

Как идёт внедрение ИИ-агентов в бизнес-процессы отдела

1. Разбор рутины. На созвоне проходим обычную неделю отдела: какие задачи повторяются, сколько часов уходит на каждую, где лежат данные и кто за них отвечает. Из списка берём один процесс, у которого есть владелец и цифра на выходе.
2. Пилот на одном процессе. Первую версию собираем на настоящих данных компании. Новый промт сначала прогоняем на 3–5 живых записях и читаем ответы глазами, массовый прогон идёт после. Код, который написала одна модель, проверяет модель другого семейства: у моделей одной семьи ошибки совпадают. Какие модели разрешат ваши безопасники, выясняем тут же, на пилоте.
3. Замер до и после. Метрику записываем до запуска. Обычно это часы в неделю на процесс, иногда число правок до утверждения или срок от задачи до первого черновика. После пилота меряем то же самое тем же способом. Если разницы нет, так и пишем в итог.
4. Масштаб. Следующий процесс берём, когда первый работает без моего участия. Вместе с инструментом команда получает файл правил для Claude Code и базу уроков «симптом → причина → правило». Агент читает их в начале работы и второй раз на те же грабли не наступает.

Что нужно от компании

• Владелец процесса. Человек, который сейчас делает эту работу руками и может сказать, что черновик модели никуда не годится.
• Выгрузки данных, на которых живёт процесс: кабинеты, исследования, прошлые тексты. На пилоте хватает копий, прямой доступ к системам можно отложить.
• Правила по данным: что разрешено отправлять во внешние модели, что запрещено, какие требования у службы безопасности.
• Исходные цифры. Если их нет, первую неделю пилота просто записываем, сколько времени занимает процесс.
• Ответственный за инструмент после запуска, программистом ему быть не обязательно. Он первым замечает, что данные перестали обновляться, и поднимает тревогу.
• Потолок расходов на внешние API в рублях за месяц.

На чём внедрения ломаются

В первые недели ответы инструмента перепроверяет каждый, и ошибки ловятся сразу. Ломаться начинает примерно через месяц, когда на него уже опираются и проверять перестают.

Данные замерли, а ошибок в логах нет

После перезапуска контейнера n8n снял расписания со всех сценариев и обратно их не поставил. Контейнер работал, логи были чистые, данные в отчётах застыли. Узнали через несколько дней от собственного сторожа свежести данных. Критичные запуски я перенёс в системный cron на сервере, а в n8n оставил сценарии, где пропуск не страшен. Эту и другие ловушки n8n я разобрал в заметке про n8n для маркетинга.

Метрика, которую «оценила» модель

Одно время часть метрик в отчётах оценивала модель. С каждым новым прогоном числа гуляли и ползли вверх, а одна такая метрика выглядела красиво и при проверке оказалась фейком. Сейчас такие числа считает формула в коде или SQL. Модели осталась разметка входов по категориям и объяснение, откуда взялся результат.

Проба промта на четырёх постах

Новый промт хотели сразу пустить на несколько сотен публикаций. Перед этим мы взяли четыре живых поста и прочитали, что модель по ним ответила. Дефектов оказалось два. Пост про аренду квартир модель отнесла к нужной теме, хотя промт это прямо запрещал. А у половины источников в базе лежал один анонс длиной 130–300 знаков, текста не было вовсе. На сотнях записей поле заполнилось бы домыслами по заголовкам.

Деньги на API уходят мимо учёта

Разовые скрипты тратили деньги, и в общем учёте этих трат не было. Поставили жёсткий месячный лимит в рублях на все процессы сразу. Перед каждым платным вызовом резервируется сумма, на 80% и 100% приходит алерт в Telegram, при исчерпании вызовы останавливаются. Да, из-за этого отчёт иногда не собирается. Я считаю это меньшей бедой, чем перерасход, который всплывёт только в следующем месяце.

Тесты зелёные, отчёт пустой

Тысячи тестов проходили, а выгруженный отчёт открывался пустой страницей и повторял абзацы. Тесты проверяли логику, на готовый документ глазами никто не смотрел. Теперь для любого инструмента, у которого есть видимый результат — документ, письмо, экран, — я первым делом собираю способ открыть этот результат у себя.

Риски внедрения ИИ-агентов

Данные и персональные данные

Первый вопрос службы безопасности — куда уходят данные. До пилота составляем список: какие поля отправляются в модель, какие остаются внутри компании. В базе знаний Marketing OS персональные данные удаляются из документа раньше, чем модель напишет по нему выжимку. Текст из внешних источников, например объявления из поисковой выдачи, модель получает в отдельной обёртке с пометкой, что это чужой текст и команды из него выполнять нельзя.

Галлюцинации в цифрах

Кривую фразу видно сразу, а выдуманный процент выглядит точно так же, как настоящий. Поэтому для недельного отчёта радара заранее готовится список фактов и чисел, которые разрешено упоминать. Если модель вставила число не из этого списка, секция уходит на перегенерацию. Со второй неудачи секцию заменяет сухая сводка фактов, помеченная как замена. Перед публикацией лендинга проверка ловит незаполненные заглушки цифр, а недостающие и правдоподобные на вид числа сверяет и вписывает человек.

Стоимость токенов

Про бюджет внедрения целиком я писал в заметке сколько стоит внедрить ИИ, здесь только про токены. Недельный отчёт радара раньше собирался из 17–24 вызовов модели, после переделки хватает примерно пяти. Отдельный вызов дешёвый, так что экономить приходится на их количестве. В студии баннеров размеры раскладывает код, и за каждый формат не приходится платить новой генерацией картинки. Сверху стоит общий месячный лимит из истории выше.

Отчёт, который нельзя повторить

Модели обновляются, и тот же промт через месяц отвечает иначе. В выгрузке синтетической фокус-группы в шапке записаны модель, seed и версия корпуса. Если их не записать, октябрьский прогон с сентябрьским уже не сравнишь: разница могла прийти от нового ролика, а могла от обновлённой модели.

Консультант или интегратор

По открытым прайсам на сентябрь 2026 года интеграторы продают внедрение пакетами от 50 000 до 350 000 ₽ или по ставке от 2 500 ₽ в час, а на первом экране у многих крупно написана экономия в рублях. Я ничего не собираю и не поддерживаю: помогаю выбрать процесс, пишу ТЗ и принимаю готовую работу.

Если агента надо встроить в CRM или 1С и держать под круглосуточной поддержкой, без интегратора не обойтись. Тогда моя часть — ТЗ для него, проверка сметы и приёмка. Сам я работаю на TypeScript и Next.js, с базой Supabase и pgvector, моделями OpenAI и n8n, а код за меня пишет Claude Code.

Цена и первый шаг

Один процесс на готовых выгрузках и несколько процессов с интеграциями и проверкой у службы безопасности стоят по-разному, поэтому сумму я называю, когда пойму задачу. Форматы работы, от разового разбора до сопровождения команды, описаны на странице консультаций.

Для первого сообщения хватит пары абзацев про ваш отдел. Иногда уже по ним видно, что агент пока не нужен и выгоднее начать с общего шаблона промта.