AI-маркетолог: какие задачи маркетолога отдать ИИ, а какие оставить человеку

Много рабочего времени маркетолога уходит не на решения, а на сверку таблиц: выгрузить поисковые запросы, найти мусор, проверить метки, свести расходы с заявками из CRM. Именно эту часть ИИ уже способен забрать, а решения о деньгах и бренде — нет, и путать одно с другим дороже, чем не внедрять ИИ вовсе. AI-маркетолог — это роль ИИ-специалиста, который работает с данными рекламных кабинетов, аналитики и CRM компании: проводит аудит кампаний, собирает семантику, готовит варианты объявлений по правилам канала, связывает рекламу с посадочными страницами и оплатами, считает экономику каналов и формулирует гипотезы, а все изменения выносит на решение человеку. Ниже — какие задачи маркетолога ему отдавать, по каким правилам Яндекс Директа и определениям метрик его проверять, что остаётся за человеком и когда такая роль компании не нужна.

AI-маркетолог — это доступ к данным, а не генератор текстов

Большинство разговоров об ИИ в маркетинге сводятся к текстам и картинкам. Это понятно: генерацию видно сразу, её легко показать на встрече. Но деньги в платном трафике теряются не в формулировке объявления, а в том, что реклама показывается по нецелевым запросам, заявки не доходят до оплаты, а бюджет перераспределяется по стоимости лида, которая ничего не говорит о выручке.

Отсюда различие, которое стоит зафиксировать в начале. «Нейросеть пишет тексты» — это инструмент, в который человек приносит задачу и забирает черновик. AI-маркетолог — это роль с доступом к источникам: рекламному кабинету, счётчику аналитики, CRM, базе знаний компании о продуктах и ограничениях. Он не ждёт, пока его спросят про заголовок, а возвращается с выводом вида «в трёх группах объявлений заметная доля расхода ушла на запросы про бесплатное обучение — вот сумма за период, вот список минус-фраз».

Где проходят границы генерации текстов и почему пустой контент вредит продвижению, я разбирал отдельно в статье «AI в маркетинге: тексты, креативы и границы». Здесь речь о другом — о задачах маркетолога как специалиста по каналам, воронке и экономике.

Если у ИИ нет доступа к кабинету, аналитике и CRM, это не AI-маркетолог, а копирайтер с хорошей памятью.

Аудит Яндекс Директа — первая задача, которую стоит отдать ИИ

Аудит рекламной кампании — самая выгодная точка входа по простой причине: он читает данные и ничего не меняет. Ошибка в аудите стоит час времени маркетолога на проверку, ошибка в запущенной кампании стоит бюджета. При этом аудит состоит из десятков однотипных сверок, на которых человек устаёт к третьей кампании.

Что проверяется в аудите Директа и что из этого ИИ делает хорошо:

• Структура. Одна группа — одно намерение: запросы «курс бухгалтерии для начинающих» и «повышение квалификации главного бухгалтера» в одной группе означают одно объявление на две разные аудитории.
• Ключевые фразы и операторы. По справке Директа «Символы и операторы» кавычки фиксируют фразу без дополнительных слов, ! — форму слова, + — служебные слова, квадратные скобки — порядок слов, а минус-слова исключают запросы. Типовая находка аудита — фразы, где оператор стоит не там и либо режет целевой трафик, либо не отсекает мусор.
• Технические ограничения фраз. В технических ограничениях Директа на сентябрь 2026 года указано: в ключевой фразе не более 7 слов, длина фразы — не более 4096 символов вместе с минус-словами и операторами; минус-фразы на группу — до 4096 символов без учёта пробелов, на кампанию — до 20 000.
• Минус-слова по фактическим запросам. В отчёте «Поисковые запросы» собраны запросы, по которым показывались объявления, и оттуда можно сразу добавить минус-фразы на уровень группы или кампании. Разметить сотни запросов на «целевой — нецелевой — спорный» ИИ умеет быстрее человека, если у него есть описание продукта и аудитории.
• Объявления и посадочные страницы. Соответствие обещания в объявлении содержанию страницы, по которой идёт клик.
• Цели и разметка. Настроены ли цели в Метрике, на что оптимизируется стратегия, есть ли UTM-метки и не потерялись ли они при редиректе.

Результат аудита полезен, только если каждая находка переведена в деньги: сколько расхода за период ушло на запросы, которые предлагается минусовать, сколько кликов пришло на страницу, которая не отвечает объявлению. Список «замечаний» без суммы маркетолог отложит, и будет прав.

Аудит — идеальная первая задача для ИИ: много сверок, ноль необратимых действий.

Семантику ИИ собирает черновиком, а режет её выдача и экономика

Сбор семантики — вторая задача, где ИИ экономит дни. Расширить исходный список фраз, сгруппировать тысячи запросов по смыслу, отметить информационные и коммерческие, предложить минус-слова до запуска — всё это работа с текстом по понятным правилам.

Проблема в том, что смысловая группировка, которую делает языковая модель, отражает словарь, а не спрос. Два запроса могут звучать по-разному и вести к одним и тем же страницам в выдаче, и наоборот. Для рекламы это важно в структуре групп, для сайта — критично: как группировать запросы по пересечению выдачи и подбирать порог, разобрано в статье о кластеризации семантики по выдаче.

Второй фильтр — экономический. Кластер с большой частотностью, который не приводит к оплатам, не стоит места в кампании. Поэтому семантика для рекламы у AI-маркетолога собирается в два прохода: сначала полнота и группировка, затем отсечение по данным прошлых периодов, если они есть, — какие группы запросов давали заявки, а какие только клики.

Черновик семантики ИИ делает лучше стажёра, но решение, какие кластеры покупать, принимается по оплатам, а не по частотности.

Объявления проверяются по правилам канала до модерации, а не после отказа

Написать десять вариантов объявления может любая нейросеть. Отличие AI-маркетолога в том, что варианты проходят проверку по формальным правилам канала до того, как попадут в кабинет. Отклонённое объявление — это не только потерянные дни, но и сдвиг в расписании теста.

Формальные ограничения Директа проверяются кодом, а не вкусом. По справке «Технические ограничения» для текстово-графических объявлений в Единой перфоманс-кампании на сентябрь 2026 года действуют такие пределы:

Содержательные правила сложнее, но тоже формулируются явно. В справке «Как правильно оформить объявление» перечислено: текст без опечаток и ошибок, без слов, набранных целиком заглавными буквами (кроме общепринятых аббревиатур), без разрядки; сравнительная и превосходная степень допустимы только при независимом заключении о преимуществе, которое пользователь увидит на странице; телефоны и адреса электронной почты в тексте объявления не указываются; страница перехода должна соответствовать объявлению. Под этими правилами лежит и закон: по пункту 1 части 3 статьи 5 Федерального закона № 38-ФЗ «О рекламе» недостоверной признаётся реклама, содержащая не соответствующие действительности сведения о преимуществах товара перед товарами других производителей.

Что это значит для работы ИИ: «лучшая онлайн-школа» не пройдёт не потому, что модель плохо пишет, а потому что у компании нет независимого подтверждения. Такие ограничения должны лежать в базе знаний компании рядом с правилами обещаний — что можно говорить о сроках, результатах, гарантиях. Как эту базу формировать и кто её утверждает, разобрано в статье о базе знаний компании для ИИ.

Хороший вариант объявления — тот, который прошёл проверку лимитов, правил канала и правил компании ещё до того, как его увидел модератор.

Связка «кампания — посадочная — квиз» ломается на стыках

Реклама, посадочная страница и квиз обычно принадлежат разным людям: кампании ведёт специалист по контексту, страницу делал разработчик, квиз настраивали в стороннем сервисе. Каждый элемент по отдельности работает, а на стыках теряются деньги.

Типовые разрывы, которые AI-маркетолог находит сверкой, а не интуицией:

• Обещание не совпадает. Объявление говорит о бесплатном пробном уроке, первый экран страницы — о тарифах. Человек, кликнувший за пробным уроком, уходит.
• Квиз не спрашивает то, что обещал запрос. Запрос про корпоративное обучение ведёт на квиз, первый вопрос которого — «сколько вам лет».
• Метки теряются. Директ умеет подставлять в ссылку динамические параметры: {campaign_id}, {ad_id}, {keyword}, {source_type} (поиск или сети), {device_type} и другие, а к клику добавляется идентификатор yclid. Если квиз открывается в другом домене или форма отправляется без скрытых полей, всё это не доходит до CRM, и заявка попадает туда без источника.
• Лид-магнит собирает не тех. Бесплатный чек-лист даёт дешёвые контакты, но если эти контакты никогда не покупают, кампания оптимизируется на неправильную цель.

Проверка связки — это пройти путь пользователя по каждой комбинации «группа объявлений — страница — форма» и убедиться, что обещание, вопросы и метки доезжают до конца. Для ИИ это механическая работа, для человека — неделя, которую обычно не находят.

Если в CRM у половины заявок пустое поле «источник», оптимизировать рекламу пока нечем: сначала чинится связка.

Лид — не результат: в аналитику уходят оплаты и возвраты

Главная ошибка платного трафика, по-моему, не в ставках и не в текстах, а в цели оптимизации. Кампании оптимизируются на заявку, потому что заявку видно в Метрике сразу. Оплату видно только в CRM и через недели. В итоге рекламная система честно приводит больше дешёвых заявок, а отдел продаж честно не может их продать.

Цикл качества лидов (lead quality loop) — это регулярная передача в рекламную аналитику не только факта заявки, но и того, что с ней случилось дальше: квалифицирована ли, оплачена ли, на какую сумму, не было ли возврата. Технически в Яндекс Метрике для этого есть офлайн-конверсии: по документации API Метрики конверсию можно привязать к визиту по ClientID, UserID, yclid или PurchaseId.

В той же документации есть ограничение, которое меняет устройство всей схемы: период учёта конверсии — 21 день. Данные о конверсии добавляются к визиту, если между последним визитом посетителя на сайт и обработкой файла прошло не больше 21 дня. Для интернет-магазина это не проблема. Для онлайн-школы, где человек оставляет заявку, приходит на вебинар и платит через месяц, или для производителя с циклом сделки в квартал — часть оплат к визиту не привяжется. Значит, по длинному циклу оплату передают по промежуточному событию, которое наступает быстрее (например, «квалифицирован менеджером»), а полную экономику канала считают по данным CRM отдельно.

Возвраты — отдельная тема, которую чаще всего забывают. Если канал приводит покупателей, треть которых возвращает деньги в первую неделю, его выручка в отчёте завышена. AI-маркетолог сводит оплаты и возвраты по источникам, и только после этого сравнивает каналы.

Что здесь делает ИИ: сверяет выгрузки CRM с визитами, находит заявки без идентификаторов, готовит файл конверсий и отчёт о расхождениях. Что остаётся человеку: решить, какое событие считать ценным и какую сумму ему присвоить. Это решение о бизнес-модели, а не о настройке.

Рекламная система оптимизирует ровно то, что вы ей передаёте. Передаёте заявки — получаете заявки.

Аудитории ретаргетинга собирают из событий воронки, а не из «всех посетителей»

Ретаргетинг на всех посетителей сайта — самая популярная и самая бесполезная настройка. Человек, который ушёл с первого экрана за пять секунд, и человек, который дошёл до последнего вопроса квиза и не отправил форму, — это разные аудитории с разной ценой контакта.

В Директе условия подбора аудитории описаны в справке «Сегменты аудитории». Правила внутри условия бывают трёх видов: «Выполнены все», «Выполнено хотя бы одно» и «Не выполнено ни одного». Для цели задаётся период от 1 до 540 дней. Источники — цели и сегменты Метрики и сегменты Яндекс Аудиторий. Сегмент из данных CRM загружается через Аудитории: по требованиям к файлам в нём должно быть не менее 100 записей, а для хеширования с января 2025 года используется SHA-256 — новые хеши MD5 не принимаются.

Отсюда задачи, которые AI-маркетолог решает хорошо: предложить сегменты по событиям воронки (дошёл до квиза, но не отправил; оставил заявку, но не оплатил за 14 дней; оплатил — исключить из привлечения), проверить, что в каждом сегменте достаточно людей, и что оплатившие клиенты исключены из кампаний на новых покупателей. Правило «Не выполнено ни одного» здесь рабочий инструмент: оно убирает из показов тех, кому реклама уже не нужна.

Загрузка контактов клиентов в рекламную систему — это обработка персональных данных, и основание для неё должно быть у компании до выгрузки, а не после. Это вопрос к юристу, а не к ИИ.

Хороший сегмент ретаргетинга описывается событием в воронке, а не адресом сайта.

CPL, CPA и ROMI отвечают на разные вопросы — и дешёвый лид бывает самым дорогим

Оценка каналов — место, где ИИ полезнее всего и где его легче всего использовать во вред: посчитать можно что угодно, вопрос в том, что именно считать. Определения стоит зафиксировать до расчёта, и лучше по источнику, с которым согласится подрядчик.

• CPL (cost per lead) — это стоимость одного лида: расходы на рекламу, делённые на число полученных лидов. Так она определена в материале Яндекс Рекламы о CPL, где лидом называют человека, оставившего заявку или совершившего другое целевое действие.
• CPA (cost per action) — это стоимость целевого действия. В отчёте Метрики «Источники, расходы и ROI» есть три её варианта: стоимость одного целевого визита, стоимость посетителя, который достиг цели, и стоимость одного достижения цели. Какое действие считать целевым — заявку, квалификацию или оплату, — решает компания.
• ROI в том же отчёте Метрики считается как (доход − расходы) / расходы × 100, а ДРР — как доля расходов на продвижение в доходе.
• ROMI — это окупаемость маркетинговых вложений: в материале Яндекс Рекламы о ROMI формула — (доход с рекламы − затраты на рекламу) / затраты на рекламу × 100%.

Условный пример онлайн-школы с двумя каналами, в каждый вложено по 150 000 ₽, средний чек — 40 000 ₽. Цифры придуманы для расчёта, не взяты из реального проекта:

По CPL канал А вдвое лучше, и если бюджет распределяется по стоимости лида, деньги уйдут в него. По оплатам без возвратов тот же канал обходится на 5 000 ₽ дороже за клиента, а ROMI у него вдвое ниже: (480 000 − 150 000) / 150 000 = 220% против (800 000 − 150 000) / 150 000 ≈ 433%.

Есть и второе уточнение, которое я считаю обязательным. ROMI по выручке не учитывает себестоимость. Если в том же условном примере маржинальность продукта 30%, канал А даёт 144 000 ₽ валовой прибыли на 150 000 ₽ расходов — то есть по марже он не окупается, хотя ROMI по выручке показывает 220%. Считать окупаемость по марже — решение финансиста и собственника, но AI-маркетолог должен показывать оба расчёта и явно писать, какой из них перед глазами.

CPL отвечает на вопрос «сколько стоит заявка», ROMI — «зарабатываем ли мы на канале». Путать их — значит оптимизировать первое, надеясь на второе.

Гипотеза без тест-плана — это пожелание

Генерировать идеи ИИ умеет в любом количестве, и именно поэтому список из пятидесяти гипотез почти ничего не стоит. Ценность появляется, когда каждая гипотеза записана так, что её можно проверить и закрыть.

Рабочий формат гипотезы у AI-маркетолога состоит из пяти полей:

1. Наблюдение из данных. «В группе запросов про корпоративное обучение доля оплат от заявок в два раза выше средней, а доля расхода — 8%».
2. Изменение. «Выделить группу в отдельную кампанию со своей посадочной страницей».
3. Метрика и ожидаемое направление. Стоимость оплаты без возврата по группе, а не CTR и не CPL.
4. Срок и объём. Сколько недель и сколько оплат нужно, чтобы разница не оказалась случайной. Если за месяц в группе ожидается пять оплат, тест на месяц ничего не покажет, и это надо сказать до запуска.
5. Условие остановки. При каком результате изменение откатывается.

Тест-план — это очередь таких гипотез, отсортированная по ожидаемому эффекту в деньгах и стоимости проверки, с правилом, что одновременно в одной кампании меняется одна вещь. Без этого правила через месяц никто не скажет, что сработало: новые объявления, новая страница или сезон. Как отделять эффект изменения от фона и зачем нужна контрольная группа, подробно разобрано в статье о том, как измерить эффект от внедрения AI.

Гипотеза, у которой нет условия остановки, никогда не будет признана провальной — а значит, и проверенной.

Стратегия, бюджет, бренд и подпись остаются за человеком

Теперь о том, что AI-маркетологу отдавать не надо, даже если технически он может.

Стратегия. Какие сегменты рынка компания выбирает, от каких отказывается, с каким продуктом идёт в новый канал — это решение о позиционировании. ИИ может собрать данные для него: доли каналов, экономику сегментов, запросы конкурентов. Но стратегия — это ставка, а ставку делает тот, кто за неё отвечает.

Бюджет. Перераспределение денег между каналами меняет не только рекламу, но и загрузку отдела продаж, кассовый разрыв, план найма. ИИ приносит расчёт и варианты, человек подписывает.

Бренд и тон. Правила тона можно записать в базу знаний, и ИИ будет им следовать. Но решение, когда правила нарушить — сыграть на новости, ответить конкуренту, отказаться от удачного, но рискованного оффера, — остаётся за людьми, которые знают контекст компании.

Ответственность. Перед собственником за результат канала отвечает человек. Если он не может объяснить, почему бюджет ушёл в канал Б, ссылка на рекомендацию модели не принимается ни собственником, ни здравым смыслом. Почему ИИ не должен сам запускать действия наружу и как устроено подтверждение, разобрано в статье о human-in-the-loop.

Практическое следствие для настройки роли: всё, что меняет рекламный кабинет, сайт или CRM, AI-маркетолог готовит как предложение с расчётом, а применяет только после одобрения. Так устроены роли в Везории — агенте компании, который управляет командой ИИ-специалистов: маркетолог готовит аудит, расчёт и изменения, а в систему они уходят после подтверждения человеком. Где проходит граница маркетолога относительно соседних ролей — SMM, аналитика, разработчика — описано в обзоре ролей ИИ-команды компании.

ИИ может подготовить любое решение о деньгах. Принять — нет.

Возражение: хороший маркетолог с нейросетью сделает то же самое

Самый сильный контраргумент звучит так: опытный маркетолог и так пользуется нейросетью — выгружает запросы, просит разметить, копирует результат в кабинет. Зачем отдельная роль?

В этом аргументе много правды. Если в компании один сильный маркетолог, одна-две кампании и он сам находит время на сверки, отдельный AI-маркетолог добавит немного. Разница между «я сам спрашиваю нейросеть» и «роль работает с данными» мала там, где мало данных.

Разница появляется в трёх местах. Первое — регулярность: аудит, который человек делает раз в квартал, когда дошли руки, роль делает каждую неделю по одному чек-листу. Второе — контекст: в чат каждый раз приходится заново вставлять описание продукта, ограничения по обещаниям и прошлые решения, а роль работает с базой знаний компании и помнит, какие гипотезы уже проверяли. Как агент запоминает решения и правила, подтверждённые человеком, разобрано в статье о том, как ИИ-агент учится на диалогах. Третье — стыки: запрос в чат-бот не сверяет рекламный кабинет с CRM, потому что у него нет доступа ни к тому, ни к другому.

Моя ставка такая: AI-маркетолог не заменит сильного маркетолога, но изменит, за что ему платят. Работа, которая раньше называлась «ведение контекста», во многом станет проверкой выводов ИИ и принятием решений по ним. Похожее уже происходило с бухгалтерией: программы забрали проводки, но не забрали ответственность за отчётность — и хороший бухгалтер стал ценнее, а не дешевле.

Работу AI-маркетолога проверяют выборкой, эталоном и журналом решений

Доверять выводам ИИ «в целом» нельзя, не доверять вовсе — значит не получить пользы. Проверка строится так же, как проверка работы нового сотрудника, только формальнее.

Выборочная проверка аудита. Из каждого аудита человек проверяет случайные 10–20 находок (условная доля, её подбирают под объём): действительно ли запрос нецелевой, действительно ли страница не соответствует объявлению. Если ошибок в выборке почти нет, объём ручной проверки со временем сокращают; если есть — возвращаются к правилам и базе знаний.

Эталон на прошлых данных. До запуска роли AI-маркетологу дают кампанию прошлого периода, по которой человек уже провёл разбор, и сравнивают выводы. Совпало главное, нашлось то, что человек пропустил, не придумано того, чего в данных нет, — это и есть приёмка.

Проверка чисел по источнику. Каждая цифра в отчёте ИИ должна ссылаться на выгрузку: какой кабинет, какой период, какой фильтр. Число без источника — повод для вопроса, а не для решения. Отдельно проверяются определения: считается ли CPA от заявки или от оплаты, ROMI по выручке или по марже.

Журнал решений. Каждое принятое предложение записывается: что предложено, кто одобрил, когда применено, какой результат через оговорённый срок. Через два-три месяца журнал отвечает на главный вопрос — какая доля предложений AI-маркетолога дала результат, а какая нет.

Проверка работы ИИ стоит времени, но меньше, чем проверка работы подрядчика, который не показывает свои выгрузки.

Когда AI-маркетолог компании не окупится

Честный список ситуаций, в которых я бы не советовал начинать с этой роли:

• Рекламный бюджет маленький. Если в месяц в рекламу уходит сумма, сопоставимая со стоимостью внедрения и использования моделей, экономия на сверках не перекроет затраты. Дешевле раз в квартал заказать разовый аудит.
• Нет CRM или в ней нет источников. Без связи заявок с оплатами AI-маркетолог сможет только чистить запросы и писать объявления. Это полезно, но основная ценность роли — в экономике каналов, а она без CRM не считается.
• Заявок и оплат единицы. Когда за месяц приходит десяток заявок и две оплаты, никакие гипотезы не проверяются статистически. Здесь нужен продукт и спрос, а не оптимизация.
• Главный канал — не платный трафик. Если клиенты приходят по рекомендациям, с выставок или через партнёров, AI-маркетолог по рекламным кабинетам решает не ту задачу.
• Никто не будет принимать решения. Роль, предложения которой некому одобрять, превращается в генератор отчётов, которые никто не читает.

В этих случаях разумнее начать с другого: навести порядок в источниках заявок, настроить квалификацию лидов (как это делается, разобрано в статье о квалификации лидов с помощью AI) или вообще не трогать рекламу, пока не ясна экономика продукта.

AI-маркетолог усиливает маркетинг, в котором есть данные и решения. Там, где нет ни того, ни другого, он усиливает хаос.

Цель → метрика: пилот на одной кампании за месяц

Проверять роль стоит не на всём маркетинге, а на одной кампании, где заметный расход и где заявки уже связываются с оплатами. Порядок пилота такой, как описан на странице «Как мы работаем»: сначала цель и метрика, потом работа.

Цель формулируется в деньгах: снизить стоимость оплаты без возврата по кампании, а не «улучшить рекламу». Метрика — стоимость оплаты без возврата и доля расхода на запросы, которые человек после проверки признал нецелевыми. База — те же показатели за предыдущие недели. Контроль — похожая кампания, которую в пилоте не трогают, чтобы отделить эффект от сезона. Условие остановки записывается заранее: если стоимость оплаты в пилотной кампании выросла сильнее, чем в контрольной, изменения откатываются.

Параллельно с пилотом собирается то, без чего роль не будет работать дальше: база знаний о продуктах и ограничениях обещаний, правила именования кампаний и меток, список событий воронки, которые передаются в аналитику. Соседние роли подключаются по той же логике — от задачи, а не комплектом: публикации в соцсетях разобраны в статье об AI SMM-специалисте, выпуск материалов из одного источника — в статье о контент-фабрике на ИИ, правки посадочных страниц и A/B-варианты — в статье об ИИ-разработчике для сайта.

Следствие для руководителя простое. Прежде чем решать, нужен ли компании AI-маркетолог, стоит задать своему маркетологу один вопрос: сколько стоила оплата без возврата по каждому каналу в прошлом месяце. Если ответа нет за пять минут, первая задача ИИ уже понятна.