Як інтегрувати генеративний штучний інтелект у вашу маркетингову стратегію?

Дев’яте видання звіту «State of Marketing» («Стан маркетингу») від Salesforce, що базується на опитуванні 5000 маркетологів з усього світу, виявило, що «впровадження або використання ШІ» стало їхнім пріоритетом номер один. І деякі компанії вже отримують помітні результати: зокрема, компанія Vanguard підвищила конверсію реклами в LinkedIn на 15% завдяки GenAI, а Unilever скоротила час відповіді клієнтам на 90%.

Попри гучні кейси — обережність зростає

Утім, той самий звіт засвідчує: попри високий рівень зацікавленості, повністю впровадили GenAI лише 32% опитаних. Для порівняння: 96% або вже мають його у своєму технологічному стеку, або планують впровадити протягом наступних 18 місяців. Така обережність небезпідставна. Навіть великі гравці припускаються помилок: приміром, Coca-Cola презентувала ремейк свого відомого святкового ролику 1995 року, створений за допомогою ШІ. Спочатку реклама сподобалась аудиторії, однак згодом її розкритикували за «холодність» — типовий недолік штучного зображення.

Отже, питання вже не в тому, чи впроваджувати GenAI, а як це зробити правильно. Без системного підходу інновація ризикує обернутися іміджевою кризою або втратою контролю над контентом.

Незважаючи на масштаб ризиків, багато директорів із даних та аналітики (CDAO) досі не мають чіткої стратегії щодо інтеграції GenAI у маркетинг. Часто інструменти обирають безсистемно — на рівні окремих працівників, без координації з топменеджментом. Після розмов із понад 20 керівниками автори дійшли висновку: найуспішніші трансформації ґрунтуються на трьох ключових рішеннях:

• Коли використовувати саме генеративний, а коли — аналітичний ШІ?
• Які вхідні дані потрібні: загальні чи кастомізовані?
• Який рівень людського втручання потрібен для забезпечення якості та зниження ризиків?

Ключові питання для впровадження GenAI

Для прийняття таких рішень компаніям варто відповісти на низку запитань:

• Які завдання ми хочемо реалізувати за допомогою GenAI (наприклад, створення контенту чи бізнес-прогнозування)?
• Чи маємо ми структуровані або неструктуровані дані для конкретного сценарію?
• Які в нас обмеження ресурсів?
• Наскільки потрібно підвищити продуктивність?
• Якою є допустима швидкість доставки результатів кінцевим користувачам?
• Наскільки критичними є можливі помилки у вихідних даних GenAI?
• Чи пов’язані точність, конфіденційність і зменшення ризиків із нашою репутацією?
• Який рівень контролю ми хочемо зберегти над процесом і результатом?
• Які юридичні та регуляторні ризики ми готові прийняти?
• Наскільки гостро стоять питання конфіденційності для нас і наших користувачів?

Який ШІ потрібен — аналітичний чи генеративний?

Перший стратегічний крок — з’ясувати, чи потребує ситуація генеративного ШІ, чи достатньо аналітичного. На жаль, багато фахівців не завжди розуміють різницю. Аналітичний ШІ працює з наявними структурованими даними (наприклад, числовими таблицями), аналізує їх і допомагає прогнозувати або класифікувати нові дані. У маркетингу він широко використовується для прогнозування покупок, реакцій на знижки, натискання на рекламу тощо.

Такий підхід перевірений часом. Наприклад, ще близько десяти років тому Kia застосувала IBM Watson для пошуку лідерів думок, що відповідали цінностям бренду. Це допомогло зміцнити його позиції під час Супербоулу 2016 року.

Генеративний ШІ також ґрунтується на машинному навчанні, але має іншу мету — створення нового контенту на основі виявлених шаблонів. Він працює з неструктурованими даними (тексти, звуки, зображення) і генерує нові неструктуровані результати: рекламні тексти, зображення продуктів, повідомлення клієнтам, опис товарів, аналіз настроїв тощо.

Комбінація обох підходів дає максимальний ефект: аналітичний ШІ підбирає найкращу пропозицію, а генеративний — формує персоналізований текст. Це забезпечує не лише точність, а й релевантність у комунікації.

Чи потрібні кастомізовані чи універсальні дані?

Наступне питання — які вхідні дані потрібні. Вибір — між фундаментальними (універсальними) моделями, натренованими на публічних джерелах, і кастомізованими моделями, що навчаються на власних корпоративних даних. Можливі також гібридні підходи.

У загальних випадках GenAI працює на основі широких наборів даних (Вікіпедія, соціальні мережі тощо), що підходить для чатботів чи генерації загального контенту. Але для вузькоспеціалізованих задач, як-от створення продуктового контенту чи підтримка клієнтів, ефективнішими є моделі, адаптовані під власні дані.

Найпоширеніша маркетингова практика — використання універсальних моделей із доповненням власним контентом через промпт-інжиніринг (prompt engineering) або пошуково-доповненої генерації (retrieval-augmented generation, RAG). Це підвищує точність без потреби змінювати саму модель.

Працюючи з власними даними, компанії часто обирають відкриті моделі на власних серверах або приватні версії моделей від хмарних провайдерів — задля захисту інтелектуальної власності.

Баланс між універсальними й кастомними даними — це баланс між вартістю та ризиком.

Скільки людської участі потребує GenAI?

Останнє ключове рішення — ступінь людського втручання перед наданням результату користувачу.

У простих випадках (наприклад, узагальнення внутрішніх даних) — втручання не потрібне. Якщо ж контент має юридичну силу або серйозно впливає на репутацію — обов’язкова перевірка. Відомий приклад: чатбот Air Canada пообіцяв знижку, яку компанія не планувала надавати, але суд зобов’язав її це зробити.

Людська участь уповільнює процес, але знижує ризики помилок і неточностей.

Фреймворк для ефективного використання GenAI в маркетингу

Поданий авторами фреймворк допомагає керівникам системно оцінювати компроміси між різними підходами — аби максимально використати потенціал генеративного ШІ, обрати відповідні інструменти згідно зі стратегічними й тактичними цілями компанії, а також збалансовано управляти ризиками та вигодами.

Чотири квадранти моделі відображають конкретні поєднання вигод і витрат залежно від:

• витрат на створення та доступ до вхідних даних (для навчання моделей),
• потреби в перевірці вихідних результатів перед їх передаванням кінцевому користувачеві.

Квадрант 1 (Q1): Без кастомного входу, без перевірки виходу

Деякі маркетингові завдання не потребують спеціалізованих вхідних даних і пов’язані з низьким ризиком помилок або неточностей (наприклад, узагальнення відгуків про продукт). У таких випадках доцільне використання GenAI із мінімальною або взагалі без участі людини на виході.

Ці малозатратні та прості в реалізації процеси забезпечують високу швидкість і низьку собівартість. Ризики конфіденційності чи неточностей визнаються прийнятними, з огляду на швидкість і економічну доцільність.

Типові приклади:

• підсумки внутрішніх маркетингових досліджень;
• резюме клієнтських розмов;
• конспекти внутрішніх зустрічей;
• інший контент, що не призначений для зовнішнього використання й не має юридичної сили.

Квадрант 2 (Q2): Без кастомного входу, але з перевіркою виходу

Для компаній, які використовують загальнодоступні моделі, але прагнуть точності, підходить підхід, коли модель генерує контент, а людина — перевіряє і редагує його перед публікацією.

Це збільшує витрати на людські ресурси та знижує швидкість доставки, але суттєво зменшує ризики помилок і неточностей.

Типові приклади:

• блогові публікації;
• епізоди подкастів, створені ШІ;
• рекламні описи добре відомих товарів.

Квадрант 3 (Q3): Кастомний вхід, але без перевірки виходу

У цьому варіанті компанії використовують власні закриті дані для створення контенту, проте не передбачають участі людини в перевірці результатів. Це потребує значних інвестицій у створення та підтримку приватних баз знань, але дозволяє генерувати більш релевантний контент і мінімізувати ризики витоку конфіденційної інформації.

Утім, відсутність модерації може призводити до неточностей, які компанія визнає допустимими в контексті конкретного застосування.

Типові приклади:

• рекомендації щодо розміщення товарів у магазині;
• чатботи служби підтримки, які мають доступ до закритої внутрішньої інформації;
• системи внутрішнього управління знаннями в межах маркетингових підрозділів.

Квадрант 4 (Q4): Кастомний вхід із перевіркою виходу

Найдорожчий, але й найбезпечніший підхід. Використання власних даних у поєднанні з ретельною людською перевіркою забезпечує високу точність, релевантність і мінімізацію ризиків.

Такі реалізації потребують:

• витрат на створення й підтримку кастомних наборів даних;
• часу та ресурсів на перевірку й редагування результатів.

Цей підхід виправданий у випадках, коли контент є чутливим, юридично значущим або безпомилкова точність критично важлива.

Типові приклади:

• юридично зобов’язуючі пропозиції для клієнтів;
• описи медичних препаратів або засобів, що регулюються законодавством.

* * *

За матеріалами HBR