Как автоматизировали маркетинг с AI и что из этого вышло

Восемь дней рекламная кампания агентства недвижимости тратила бюджет и не приносила ни одной оплаты. Заметил это не маркетолог: маркетолога в компании нет. Отчёт принёс агент, который ежечасно снимал расход и конверсии Яндекс.Директа: 86 622 ₽, 87 регистраций, CPA 996 ₽, ноль оплат, ROI −100%. Вывод в одну строку: «Кампания мертва 8-й день. Рекомендация: остановить». CEO выключил рекламу в тот же день. Ниже два разбора: в первом автоматизация маркетинга закрыла работу отдела, во втором за месяц показала, что рекламу пора сворачивать.

Что автоматизация маркетинга закрыла в агентстве без маркетолога

Компания небольшая: один CEO, без SMM-щика, копирайтера, аналитика и таргетолога. Вместо них — двенадцать AI-агентов под отдельные функции: постинг в Telegram и VK, ведение контента, SEO-мониторинг, мониторинг рекламы, продажи, чат-виджет, видео, аналитика. Сверху стоит агент-директор, который решает, о чём писать. Оркестратор — Claude Code, он прогоняет субагентов по расписанию. Компания себя не называет, известна только отрасль; всё, что ниже, — её собственный отчёт, без стороннего аудита.

Утром менеджер пожаловался в общем рабочем чате, что тяжело сравнивать продукт с Битрикс24. На следующее утро CEO сам разобрал там же скрытые тарифы Битрикс24. Агент-директор прочитал переписку, опознал в ней сигнал на контент и без запроса предложил тему. Через час двадцать восемь минут после первой реплики менеджера статья на 22 550 знаков висела на сайте. Одновременно её анонсировали в пяти каналах: Telegram, ВКонтакте, Дзен, Max и LinkedIn. Время компания замерила по таймстемпам переписки в своих скриншотах.

Пост про вторичный рынок недвижимости ушёл в четыре канала за три минуты, с 12:03 до 12:06. Структура везде одна: заголовок, картинка, список «что это значит для читателя», вывод. Под формат каждой площадки текст правит отдельный субагент, картинку один раз сделал агент-художник.

Тему агент нашёл и в коде собственной CRM компании. Просматривая коммиты, он заметил модуль, разросшийся до 28 функций, о которых на сайте не сказано ни слова. Агент собрал карточку-предложение: тема, цели, приоритет, источник идеи, каналы публикации. Три кнопки для CEO — одобрить, отклонить, процитировать и дать правки. Через два часа после «одобрить» вышла статья и посты во всех каналах, со скриншотами продукта, которые агент сделал сам.

Из чего это собрано

По форме механизм в обоих кейсах одинаковый. У агента есть источник сигнала, право подготовить черновик или расчёт и обязанность вернуть результат человеку решением. Различаются сигналы и то, что считается результатом.

По словам компании, весь стек живёт на одном сервере: около 200 $ в месяц по текущей нагрузке. Плюс сторонние API для распознавания речи, рассылки и VK Ads — в сумме порядка 25–30 тыс. ₽ в месяц. Компания оценивает это как замену отделу из пяти-семи человек, но методику расчёта не приводит. Настройка до автономной работы заняла около двух недель, дальше идёт постоянная донастройка.

Что агент не публикует сам

Наружу без человека не уходит ничего. Любой пост, статья, рассылка и рекламное действие приходят CEO карточкой с тремя кнопками. Полную автоматику в компании пробовали и отказались: «поняли, что это плохая идея, вернули контур человека». В переписке видны и реальные отказы: пост с видео плохого качества отклонён, вечерний дайджест отменён в тот же день, потому что изменилась повестка.

Собственную ошибку агенты нашли сами. Сервер жил в UTC, а CRM — в московском времени, и отчёты показывали опоздания там, где их не было; до этого в опозданиях винили менеджеров. Агент нашёл причину, собрал единый модуль пересчёта времени, заменил больше шестидесяти вызовов в двадцати файлах и признал ошибку перед менеджерами в общем чате.

Как выбирать задачу под агента, как считать бюджет и чем мерить результат вместо ROMI — отдельный разговор, он на сайте уже есть.

Когда автоматизация показывает, что масштабировать нечего

Второй кейс — реклама психологических услуг на нишевой площадке b17.ru. У площадки нет API для статистики, и она активно мешает роботам. Маркетолог собирал показы, клики, расходы и заявки руками, сопоставлял лиды с объявлениями и считал показатели: около одиннадцати часов в неделю. Стратегию пересматривали примерно раз в месяц, и часть данных к этому моменту устаревала.

Собрали пайплайн на n8n. Браузерное расширение вытаскивает данные без API, Google Таблицы держат их промежуточно, обычный код считает CTR, CPL, расход и привязывает лид к объявлению. Языковая модель получает уже посчитанные цифры и пишет по ним рекомендации. Её работа — отличить объявление с низким CTR и хорошей конверсией от объявления с высоким CTR и нулевой. Запуск и отчёт идут через бота в Telegram, а за самой системой следит дашборд в DataLens: время прогона, стоимость запуска, доля корректных ответов модели.

Код лучше справляется со сбором, расчётами и проверками, а языковая модель — с интерпретацией и гипотезами.

Автор разбора проекта

По расчётам автора проекта, цикл маркетолога сжался с одиннадцати часов до примерно одного в неделю, а стоимость цикла — с 12 100 ₽ до 1 130 ₽. Один прогон идёт 124 секунды, обработка объявления стоит 52 копейки, доля технически корректных ответов модели — 88%. Часть отклонений дал специально проведённый тест на инъекцию в промпт. На разработку ушло около восьмидесяти часов. Окупаемость посчитали в три-шесть месяцев, но проверить расчёт не успели.

Не успели, потому что проект закрыли. Автоматизация за месяц показала то, на что вручную ушло бы несколько: лидов хватало, а терялись они дальше. «У меня проблема возникла в дальнейшем в обработке лидов, а не в их получении», — объяснил владелец и свернул кампанию. Вывод автора кейса: иногда задача автоматизации — как можно быстрее показать, что масштабировать пока нечего.

Собрать самому или отдать

Собрать такое можно самому: шаги ниже — маршрут, по которому видно объём работы. Две недели до автономной работы в первом кейсе и восемьдесят часов разработки во втором — оценки самих авторов; ваш срок зависит от того, сколько каналов и источников данных вы затягиваете и есть ли человек, который потом это чинит.

Можно отдать нам. Тогда мы разбираем процесс, выбираем первую задачу и собираем её вместе с контуром проверки — записаться на консультацию.

1. Начните с сигнала, а не с инструмента Назовите событие, которое запускает агента: реплика в рабочем чате, коммит в коде, часовой снимок расхода рекламы.
2. Разделите счёт и суждение Сбор данных и расчёты отдавайте коду, интерпретацию — модели. Во втором кейсе 88% корректных ответов относятся именно к интерпретации уже посчитанных цифр.
3. Оставьте человеку необратимое Публикация, рассылка, включение и выключение рекламы уходят карточкой с решением. В первом кейсе полную автоматику попробовали и откатили.
4. Нет API — не значит нельзя Данные с площадки, которая не отдаёт статистику роботам, во втором кейсе собирает браузерное расширение, а запуск остаётся ручным через бота.
5. Следите за самим механизмом Время прогона, стоимость запуска и доля корректных ответов модели показывают, жив ли контур, пока эффект ещё не измерен.
6. Проверьте, что вы масштабируете Автоматизация ускоряет и хороший канал, и плохой. Во втором кейсе она за месяц показала, что проблема не в лидах, и проект свернули.