Отдел маркетинга из 30 AI-агентов

По опросу McKinsey, который шёл с 4.05 по 8.06.2026 (1 719 ответов из 97 стран), агентов масштабируют 40% крупных организаций и 22% небольших. Вклад в операционную прибыль отмечают 37% опрошенных, и столько же было годом ранее. Примерно у 20% затраты на AI, включая токены, сдерживают использование. Отдел, где у каждой из 30 функций свой агент, в этой картине остаётся обещанием.

Gartner в прогнозе от 25.06.2025 пишет, что более 40% агентных проектов будут отменены к концу 2027 года из-за затрат, неясной ценности и слабого контроля рисков. Настоящих разработчиков агентов, по оценке аналитиков, около 130 из тысяч заявляющих.

Независимых измерений нет, ниже то, что компании рассказывают о своей практике и экспериментах.

AI в маркетинге: отдел из агентов в теории и в измерениях

Первая попытка выглядит так: взять одну сильную модель и отдать ей маркетинговые задачи. Авторы научной работы 2025 года (последняя версия от 29.06.2026) проверили это на онлайн-платформе торговли в рандомизированных экспериментах. Модель была одна, задач четыре, масштаб миллионы покупателей.

Описания писались там, где у почти половины собственных товаров описания не было или оно было ограниченным. Push-сообщения до модели писали один-два сотрудника. Рекламные заголовки модель не дообучали под рекламу: так объясняют минус сами авторы. Гипотеза: прирост появляется там, где у людей было пустое место.

Затраты в работе не учтены, окупаемость авторы оценить не могут. Двое авторов консультировали партнёрскую компанию, один был её сотрудником.

Больше не значит лучше. Это показал эксперимент 2025 года: участвовали 2 234 человека, выборка репрезентативна по населению США, задача была придуманной: объявления для аналитического центра. Участники с AI-помощником сделали на 50% больше объявлений на человека. Текст получился лучше, изображения хуже, однородности стало больше. В реальной рекламе в X (около 4,9 млн показов, 2 000 объявлений, 400 кампаний) итог у разных типов команд вышел сходным: лучший текст с более высоким CTR компенсировался худшим изображением и более дорогим кликом.

У McDonald's Netherlands рекламный ролик, целиком собранный из AI-клипов, в декабре 2025 года удалили после критики, компания это подтвердила (NBC News, 11.12.2025).

Узкая задача, правка в диалоге, сохранённый процесс

Другой путь показывают два материала сотрудников разработчика языковой модели: сузить задачу, правки вносить в диалоге, удачное сохранять. Это самоотчёты, методика замера не раскрыта.

Маркетолог из growth-команды (материал от 26.01.2026), до этого не писавший код, за неделю собрал два процесса: плагин для вариантов креатива и черновики рекламных заголовков в таблицу для загрузки. Раньше на объявление уходило 30 минут, теперь 30 секунд. В файле 15 заголовков и 4 описания на каждое объявление, в рекламный кабинет они попадают после ручной проверки. Навыки по тону бренда и точности написаны вместе с продуктовым маркетингом и копирайтерами. Автор отмечает, что с первого раза результат бывает неверным, и правит его в диалоге.

Менеджер по развитию продаж японского подразделения (16.10.2026) сначала отдавал модели по одному куску работы, правил и сохранял правки. Потом появился флот из шести агентов, каждому одна задача: распределение входящих лидов, квалификация и первое письмо, ответы на почту, обновление записей сделок, итоги встреч с черновиками, координатор. У флота письменный регламент: вопросы цены и «чувствительные» клиенты уходят человеку. Агенты пишут в общую память разницу между своим черновиком и отправленным письмом, доступы у них раздельные. Выигрыш автор оценил примерно в 60 часов по недельному журналу времени, которое задачи заняли бы вручную. Это продажи, не маркетинг.

В масштабе то же самое рассказывает Яндекс Браузер. Два маркетолога построили цепочку из четырёх ролей: исследователь, маркетолог-психолог, копирайтер, дизайнер. Это роли, заданные промптами, и ими управляют люди. По рассказу спикера команды (материал от 8.06.2026), группы объявлений по восьми сегментам вышли на KPI по окупаемости, а за месяц пришло 50 тысяч новых активных пользователей. Кто считал рост на 20% и какой был контроль, источник не указывает.

Доля удачных упала, а число рабочих связок в неделю выросло с около одной до около десяти. В этом кейсе с ростом числа проб доля попаданий снижалась, поэтому считать нужно и долю, и абсолютное число.

Zalando рассказывает о скорости. По пресс-релизу от 12.03.2026 доля AI-контента выросла «с почти нуля до 90% за год», цикл кампании сократился с шести недель до считанных дней, объём вырос на 70%. В интервью от 6.05.2026 компания уточняет: речь о быстром локальном контенте сайта, крупные кампании по-прежнему делают люди, а креативная команда задаёт вкус и финальный вид. Цель 2026 года: менее 24 часов от тренда до публикации. В материале Zalando от 7.05.2025 около 70% кампанийных материалов были созданы AI уже в четвёртом квартале 2024 года. Это противоречие внутри одной компании: «почти ноль» годом ранее и 70% за четвёртый квартал 2024. Метрики в материалах названы по-разному, метод не раскрыт.

Что запустить в отделе и сколько агентов хватит

Начните с одной задачи, где у отдела пустое место. Оставьте контрольный сегмент без AI-вариантов, зафиксируйте срок и сравнивайте отклики и заказы. Число созданных вариантов в зачёт не идёт. Часы проверки считайте отдельной строкой: в эксперименте на онлайн-платформе push запускали осторожно, на 40% аудитории.

Проверка человеком перед загрузкой стоит в обоих материалах разработчика модели. В эксперименте 2025 года агент выполнял почти все действия, кроме итоговой отправки объявления. Автопроверка текстов моделью-судьёй совпала с оценкой людей в 89,57% случаев, авторы работы 2025 года пишут, что надзор человека остаётся необходимым.

Стоп-сигналов два. Отклики и показы ниже контрольной группы: так выглядели рекламные заголовки с минус 4,5%. И негативная реакция аудитории: так вышло с роликом McDonald's Netherlands.

Сколько агентов нужно отделу из 30 функций? Расчёт и допущения такие: координатор, шесть исполнителей и три проверки. Это предложение автора обзора, ни один из изученных кейсов не построен ровно так. Ближе всего флот из шести агентов в продажах.

Чтобы понять, нужен ли задаче отдельный агент, задайте три вопроса. Есть ли у неё свои инструменты и права. Есть ли свой владелец результата. Нужны ли непредсказуемые шаги. По этой проверке три «нет» означают, что агент не нужен, хватит шага в цепочке.

У схемы есть цена. По инженерному блогу разработчика модели от 13.06.2025, агент использует примерно в 4 раза больше токенов, чем чат, а мультиагентная система примерно в 15 раз. Несколько агентов оправданы, когда ценность задачи высока.

Что дальше, по уровню доказательств:

• Подтверждено источниками. Разрыв между крупными организациями (40%) и небольшими (22%). Американский разработчик CRM с 14.04.2026 берёт $0,50 за решённый диалог (раньше $1 за диалог) и $1 за лид. Это поддержка, не маркетинг.
• Заявления компаний. Маркетолог строит процессы сам, профессия движется к роли продакта. Так говорит сотрудник разработчика модели.
• Гипотеза. Автономный директор по маркетингу и автономные бюджеты.

Коротко

1. Разбейте задачу отдела на узкие шаги. По каждому шагу решите, что сделает агент или нейросеть, а что человек.
2. Выберите для пробного запуска задачу с пустым местом. Налаженную работу с отраслевыми словами сначала оставьте людям.
3. Запустите пробный запуск на части аудитории. Оставьте контрольный сегмент без AI-вариантов, сравнивайте отклики и заказы за один срок и записывайте часы на проверку.
4. Считайте и долю удачных вариантов, и их число. У Яндекс Браузера доля удачных падала с ростом числа проб, поэтому смотрите на оба показателя.
5. Задайте каждой задаче три вопроса. Есть ли свои инструменты и права, свой владелец результата и непредсказуемые шаги. Три «нет» значат, что отдельный агент не нужен.
6. Оставьте за собой деньги и публикации. Агенту сначала дают только чтение и черновики.