Как маркетинговое агентство перестроило рабочий процесс: 70% аналитики теперь делают обученные модели
Экспертный кейс перестройки процессов в digital-агентстве с учётом ограничений LLM. Данные Stanford AI Index 2026 и McKinsey State of AI 2025
Маркетинговое агентство ELPODIUM за 7 лет создало 300+ стратегий в 17+ странах. Полтора года назад команда столкнулась с потолком роста: каждая стратегия требовала 80–120 рабочих часов, и один стратег физически не мог вести больше двух проектов параллельно. Классическое решение — нанимать новых людей — не давало нужной скорости. Так началась перестройка процесса под ИИ-аналитику.
В статье — что сработало, что сломалось по дороге и как выглядит рабочая цепочка сегодня. Материал для digital-агентств и IT-компаний которые задумываются об интеграции LLM в производственный процесс.
Стартовая точка: 43 конкурента за вечер вместо недели
Первый проект где новая система дала измеримый результат: B2B-производитель стройматериалов выходил на европейский рынок с 43 конкурентами. Обученная модель за вечер собрала данные по каждому — цены, позиционирование, отзывы клиентов, рекламные объявления, упоминания на отраслевых форумах.
Утром стратег открыл файл и за полтора часа нашёл закономерность на поиск которой вручную ушла бы неделя. В негативных отзывах восьми из 43 конкурентов повторялась одна жалоба — не на качество продукта, а на скорость расчёта стоимости доставки.
Позиционирование построили вокруг обещания «Стоимость доставки в вашем городе — за 15 минут». Результат за три месяца: 227 B2B-лидов, стоимость привлечения снизилась с 50 до 20 долларов.
Ключевой момент: сама модель не сгенерировала это решение. Она структурировала данные так, чтобы стратег увидел паттерн. Интерпретация «жалоба на скорость расчёта = незакрытая рыночная ниша» — работа человека.
Что сломалось на первой попытке автоматизации
Идея звучала логично: если модель может анализировать данные и генерировать варианты позиционирования — пусть делает всё. Стратег подключается только на финальной проверке.
Три месяца эксперимента показали структурную проблему. Обученным моделям отдали тексты стратегий, анализ аудитории, позиционирование, клиентские презентации. Тексты получались гладкие но одинаковые.
Стратегия для салона в Праге и стратегия для салона в Минске отличались только названием города. Модель не учла что пражская клиентка выбирает мастера по рекомендациям на локальных форумах, а минская — по рейтингу в Google Maps.
По данным Stanford AI Index Report 2026, разброс галлюцинаций у топовых языковых моделей составляет от 22 до 94% в зависимости от задачи. GPT-4o в тестах на устойчивость показал падение точности с 98% до 64%. Это структурное свойство LLM а не баг которого скоро исправят.
Разграничение задач: 70% автоматизации / 30% экспертизы
После провала разложили все задачи стратега по таблице. Обнаружилось что 70% рабочего времени уходило на сбор, структурирование и оформление информации. Именно эти задачи модель выполняет быстрее человека и без потери концентрации к вечеру пятницы.
Оставшиеся 30% — задачи требующие опыта сотен проектов: выбор позиционирования, формулирование смыслов, культурная адаптация, защита решений перед клиентом. Здесь модель предлагает варианты — но выбирает правильный человек.
Разница между «автоматизировать» и «делегировать» оказалась принципиальной. Автоматизировать можно сбор данных. Делегировать модели стратегическое решение — нельзя. Модель не знает что ресторан в Латвии потерял 40% клиентов после перехода на «премиальное» позиционирование. Стратег знает — потому что вёл проект.
Распределение по этапам стратегии
Исследование аудитории — 80% ИИ / 20% стратег. Модель собирает и структурирует данные из отзывов, форумов, соцсетей, CRM клиента. Стратег проверяет гипотезы. Ручная работа занимала 25–30 часов, теперь — 3–4 часа.
Конкурентная разведка — 85% ИИ / 15% стратег. Модель обрабатывает сайты, цены, отзывы, рекламные объявления. Стратег ищет незакрытый сегмент и слабое место лидера рынка.
Позиционирование и смыслы — 30% ИИ / 70% стратег. Модель генерирует варианты, стратег выбирает и адаптирует под знание рынка.
Каналы и бюджет — 60% ИИ / 40% стратег. Прогнозные модели, калькуляторы ROAS, бюджетные сценарии — алгоритмы. Стратегический выбор микса каналов — человек.
Контент-стратегия — 50 на 50. Форматы и темы — модель. Голос бренда и эмоциональная точность — стратег.
Защита стратегии перед клиентом — 10% ИИ / 90% стратег. Модель почти не помогает. На вопросы собственника про цифры и логику отвечает человек.
Закономерность: чем ближе задача к принятию решений — тем больше доля человека.
Измеримые изменения за два года
Исследование целевой аудитории: с 25–30 часов до 3–4. Конкурентный анализ: с 7–12 компаний на проект до 30–50+. Подтверждённых инсайтов об аудитории: с 8–15 до 25–40. Срок подготовки стратегии: с 2–3 недель до 5–7 рабочих дней. Один стратег теперь ведёт 4–5 проектов параллельно вместо двух.
Ключевое изменение — распределение рабочего времени. В 2023 году из 8 часов около 6,5 уходило на сбор и оформление данных, 1,5 — на анализ и принятие решений. Сейчас на сбор данных уходит 2 часа, остальные 6 — на анализ и формулирование рекомендаций. Время на аналитическую работу выросло вчетверо при той же общей нагрузке.
По данным McKinsey State of AI 2025 (декабрь 2025), 88% организаций уже используют ИИ хотя бы в одной функции — но только 6% получают от него более 5% EBIT. Разрыв не в доступе к технологиям — в перестройке рабочих процессов.
Три технических вывода для digital-агентств
Первое. Сама модель — не главный актив. Claude, ChatGPT, DeepSeek обновляются каждые несколько месяцев. Ценность в цепочке промптов и обученных проектах настроенных на конкретных клиентах. На настройку рабочей цепочки уходит около года после понимания что автоматизировать нужно только 70% задач.
Второе. Обязательная верификация каждого результата. По данным Stanford AI Index Report 2026, топовые модели дают от 22 до 94% галлюцинаций в зависимости от задачи. В маркетинговом анализе с локальными данными процент выше базового. Верификация — не опция, а часть процесса.
Третье. ИИ не отменяет доменную экспертизу — он её усиливает. Стратег без опыта работы на конкретном рынке не распознает провал позиционирования. Модель тем более не распознает. LLM работает как инструмент в руках эксперта, не как замена эксперта. Это подтверждает и McKinsey: команды с полностью перестроенными процессами получают в 2,5 раза более высокий рост выручки. «Полностью перестроенные» — не «купили подписку», а изменили сам способ работы.
Об авторе. Виктория Росинская — сооснователь международного маркетингового агентства ELPODIUM. Компания работает с 2018 года, специализация — маркетинговые стратегии с ИИ-аналитикой для бизнесов в России, СНГ и Европе.
Обновлено: июль 2026
