ИИ в маркетинге: тренды 2026 года

По данным опроса Mindbox, WIM, Okkam и Coffee Analytics, в 36% компаний развитие ИИ входит в число приоритетных задач. Ежедневная работа с AI-ассистентами уже стала нормой для половины опрошенных: 52% пользуются ими по нескольку раз в день, еще 34% — по нескольку раз в неделю, и лишь 14% обращаются к ним несколько раз в месяц или реже.

Маркетологи используют два типа ИИ-инструментов:

Разберем, как уже можно использовать ИИ в разных направлениях работы компаний.

Оптимизировать бизнес-процессы

Рутинные операции отнимают у команд время, которое можно потратить на стратегические задачи. Механическую часть работы можно поручить ИИ.

В digital-агентстве омниканальных коммуникаций WIM автоматизировали сборку ежемесячной отчетности. У команды есть бэклог из 30+ задач в месяц, и по каждой нужно было вручную собирать отчет в Google Docs с суммой, названием задачи и номером заказа. Менеджер проекта попросила нейросеть написать скрипт на Google Apps Script, который сам создает документ и подставляет в него данные из таблиц. На настройку и доработку ошибок ушло четыре часа, зато теперь отчет формируется по одному слову «создать» в нужной ячейке таблицы.

Персонализировать коммуникации

Еще несколько лет назад персональные рассылки клиентам ограничивались настройкой сегментов: например, отдельные письма для тех, кто давно не открывал рассылку, и для тех, кто покупает регулярно. Внутри сегмента всем приходило одно и то же предложение.

С помощью ML-алгоритмов можно настраивать глубокую персонализацию коммуникаций на основе интервью и качественных данных о клиентах. Модель обращает внимание на боли и потребности, которые не видны в истории заказов, например сомнения перед покупкой или причины, по которым клиент выбирает конкурента.

Производитель экотоваров для дома Synergetic сегментирует клиентов с помощью интервью: нейросеть обрабатывает транскрипции разговоров и группирует покупателей по болям и потребностям. Так, для skincare-линейки бренда нейросеть проанализировала 30 интервью с покупательницами и на их основе выделила 5–7 сегментов — для каждого указала ключевую боль, мотивацию к покупке и возможный оффер для рассылки.

На подготовку пула персонализированных сообщений на месяц по одному сегменту у команды уходит 30 минут вместо нескольких дней. По их наблюдениям, такая глубокая сегментация в среднем дает прирост метрик на 15%.

Прогнозы нейросетей о поведении клиентов, можно использовать и в рекламе. Модель рассчитывает вероятность покупки для каждого пользователя, а не для сегмента, который вручную выделил маркетолог. На основе этих данных  дает рекомендацию по ставке рекламного аукциона: чем выше вероятность покупки, тем больше ставка.

У бренда одежды befree год к году росла доля рекламных расходов в ретаргетинге в «Яндекс Директе»: реклама показывалась слишком широкой аудитории, включая тех, кто еще не был готов к покупке. Компания подключила к сайту ML-ретаргетинг, который отслеживает, какие категории товаров смотрел человек, добавлял ли что-то в корзину, сколько времени провел на сайте.

Модель делит аудиторию на 10 сегментов — от самых «горячих» с высокой вероятностью покупки до «холодных» с низкой. ML-ретаргетинг настроили на посетителей, которые добавили товар в корзину за последние семь дней: «горячим» сегментам подняли ставку в аукционе, чтобы не упустить их, а «холодным» — снизили, чтобы не тратить бюджет впустую.

По итогам доля рекламных расходов в ретаргетинге снизилась на 3 п. п., конверсия в заказ выросла на 0,4 п. п., а стоимость заказа сократилась на 7%.

Настраивать индивидуальные цены

Раньше цены персонализировали с помощью промокодов: одну и ту же скидку давали всем, кто попадал в сегмент. Понять, купил бы клиент товар и без скидки, было невозможно, а объем скидок рос вместе с базой и снижал маржинальность товаров.

ML-модели позволяют настраивать персональные предложения для каждого клиента. Они оценивают чувствительность покупателя к скидке и предлагают ему специальную цену.

Интернет-магазин косметики hollyshop давал скидку всем клиентам в рассылках по «брошенным» сценариям, хотя часть аудитории купила бы и без нее. Компания внедрила ML-сегментацию по готовности к покупке. Модель оценивала поведение каждого пользователя на сайте: какие страницы просматривал, сколько времени провел, какими категориями интересовался.

ИИ оценивает каждого пользователя по шкале от 1 до 100 — чем выше балл, тем выше вероятность покупки. Тем, кто набрал меньше 40, оффер не показывают: такие пользователи еще не готовы к покупке. При оценке 40–69 нужен весомый стимул, поэтому предлагают скидку 15%. Если балл 70–89, хватает скидки поменьше — 10%. А тем, кто набрал 90 и выше, скидка не нужна: они и так близки к заказу.

Благодаря внедрению персональных цен по ML-алгоритму валовая прибыль от рассылок выросла на 18,48%, конверсия в заказ — на 13,98%.

Персонализация цены работает и офлайн. Сеть зоомагазинов «Бетховен» подключила Mindbox PDP, которая по истории покупок клиента автоматически определяет, нужно ли давать скидку. Платформа сегментирует аудиторию на тех, кто обычно покупает и без акций, и тех, кому для решения нужна скидка побольше. Покупатели офлайн-магазинов сканируют QR-код на ценнике и получают персональную цену. В подключенных магазинах объем скидок сократился на 70%, а маржинальность офлайн-покупок выросла на 1 п. п. с сохранением выручки.

Запускать чат-боты на базе машинного обучения

ML-бот — это связка из трех компонентов:

Вместе эти три компонента позволяют боту формулировать ответ под ситуацию клиента и разбираться в вопросах, которые заранее не прописаны.

Например, бот технической поддержки Mindbox отвечает на обращения клиентов. Когда его запустили в 2024 году, он обрабатывал 18% обращений, а к середине 2026 года — уже 45%. Бот умеет разбираться в сложных технических вопросах: не только отвечает по существу, но и подсказывает пошаговый план действий. Например, на вопрос, можно ли поменять категорию у уже созданного статуса заказа, он отвечает, что нет, и описывает, как пересоздать статус с нужной категорией, не потеряв данные.

Такой рост доли обращений, закрытых без участия оператора, — результат постоянной работы с базой знаний. Команда Mindbox регулярно разбирает диалоги бота с клиентами, находит вопросы, на которые он ответил плохо или не ответил вовсе, и пополняет базу примерами.

Похожий подход работает и в ритейле: агентство Coffee Analytics собрало AI-коуча для магазинов одежды и обуви. Он ведет диалог с покупателем как консультант в зале — уточняет пол, возраст, стиль и бюджет, а затем подбирает 3–5 подходящих товаров, в том числе по фотографии. Конверсия в покупку у такого AI-коуча — около 12%, что сопоставимо с живыми консультантами.

Подобные ИИ-инструменты работают в рамках одного сценария, например поддержки или подбора товара, поэтому ошибка не затронет остальной маркетинг. А эффективность можно измерить долей закрытых обращений или успешных сделок.

Анализировать данные

Раньше находить причины падения выручки или новые точки роста маркетолог мог только вручную: разбирать отчеты по рекламным кампаниям и сравнивать метрики по сегментам аудитории самостоятельно. Сегодня для этого можно использовать нейросети, которые оценивают результаты кампаний и подсказывают, как улучшить маркетинговые показатели.

Ассистент Mindbox AI анализирует данные по рассылкам, пушам, чат-ботам и находит точки роста метрик. Например, он может обнаружить, что рассылка с одним из офферов дает основной прирост выручки у новых подписчиков, а у тех, кто давно не покупал, отклика почти нет. На основе этого ассистент самостоятельно формулирует гипотезу: запустить для «уснувших» подписчиков отдельную персональную рассылку с похожим оффером.

Маркетолог получает готовую гипотезу с обоснованием, почему она может сработать, и решает, запускать ее или нет. Дополнительно в чате с ассистентом он может получить другие рекомендации, например через какой канал такой оффер сработает лучше.

ИИ-аналитика особенно полезна компаниям, у которых база на сотни тысяч клиентов и несколько каналов привлечения аудитории. Работать с таким объемом данных маркетологу сложно, а нейросеть берет на себя сбор и анализ информации из разных источников. Это ускоряет генерацию и тестирование гипотез и в результате позволяет быстрее понять, как можно улучшить маркетинговые коммуникации.

Использовать универсальных ИИ-агентов

Компании используют агентов и для внутренних задач, и в клиентских продуктах. Например, команда маркетинговых операций Anthropic использует Claude Cowork для запуска мероприятий. Агент сам создает кампанию в CRM-системе, настраивает рассылки и лендинг.

После публикации Claude Cowork передает задачу другому агенту-аудитору, который регистрируется на странице мероприятия и открывает письмо-подтверждение, чтобы проверить, что все работает правильно. Похожим образом автоматизирована еженедельная сборка отчета по метрикам: то, что раньше занимало у сотрудника один-два дня, теперь укладывается в пару часов.

Другая внутренняя задача, которую делегируют агенту, — подготовка контента. В WIM настроили агента, который готовит рассылки без участия копирайтера. Команда один раз загрузила в нейросеть архив успешных писем, tone of voice бренда и список удачных и неудачных фраз, и теперь для новой рассылки достаточно одной фразы вроде «сделай письмо по этому брифу». Настройка агента заняла около трех часов и экономит команде четыре часа на каждом письме.

Пример агента для клиентов бизнеса — ассистент «Тая» от «Т-технологий». В отличие от чат-бота, который отвечает только про продукты своего банка, агент сам ищет и сравнивает варианты за пределами экосистемы. Если товар дешевле на Ozon или финансовый продукт выгоднее у другого банка, он порекомендует именно его. Так банк рассчитывает завоевать доверие клиентов: даже если рекомендация невыгодна компании, человек видит, что агент действует в его интересах.

Написать один пост с помощью ChatGPT может любой сотрудник за пару минут. Но чтобы бот без сбоев отвечал на сотни обращений в поддержку, а скидки правильно считались для разных клиентов, одного удачного промпта не хватит — нужен системный подход. Собрали шаги, которые помогут внедрить нейросети в маркетинг.

1. Выбрать пилотную задачу. Лучше всего для старта подходят рутинные, повторяющиеся операции — подготовить черновик рассылки, классифицировать обращения в поддержку, собрать отчет из определенного набора данных. Не стоит начинать с задач, которые требуют стратегического мышления или несут репутационный риск при ошибке, например с планирования кампании на квартал или с заготовок публичных заявлений от имени бренда. Здесь высокая цена ошибки, а качество результата сложнее оценить, чем в рутинной задаче.

2. Выбрать инструмент. Открытые модели, например ChatGPT или DeepSeek, подходят для работы с публичной информацией: создания текстов на основе открытых данных, перевода, анализа общедоступных трендов. Для задач, связанных с базой клиентов, внутренней отчетностью или обращениями в поддержку, нужны закрытые, корпоративные версии инструментов. Для этого подходят ChatGPT Enterprise, Claude для бизнеса или YandexGPT для бизнеса — они не обучаются на загруженных данных и дают дополнительные гарантии по стандартам вроде ISO 27001 и SOC 2.

3. Прописать регламент — внутренний документ, которым руководствуются сотрудники, работающие с ИИ. В нем фиксируют, какие данные можно загружать в нейросеть, а какие нельзя: например, обезличенные сегменты можно, персональные данные и финансовую информацию нельзя.

Регламент нужен не только для сотрудников, но и для ИИ. Нейросети уже неплохо умеют писать тексты, но часто используют повторяющиеся обороты и шаблонный тон. По этим признакам аудитория может отличить ИИ-текст от человеческого. По данным Ernst & Young, контент с нейроштампами реже находит отклик у аудитории: читатели узнают характерные черты генерации и не дочитывают материал до конца.

Чтобы избежать шаблонных нейрослопа в текстах, United Colors of Benetton оформили для ИИ редакционную политику: список слов, которые выдают AI-генерацию, например «инновационный» и «уникальный». Туда же добавили правила, чего избегать не должно быть в текстах, например излишней драматизации. Такая политика позволяет сохранять стиль бренда в текстах от нейросети.

Усталость пользователей от шаблонных ИИ-текстов меняет продукты компаний. В июле 2026 года LinkedIn добавил кнопку жалобы на «ИИ-слоп» в ленте и уведомляет авторов, если на их публикации пожаловались. Заодно платформа отказалась от функции, которая переписывала посты с помощью ИИ. Вместо него оставили только проверку грамматики, которая не меняет авторский голос. Похожим путем пошел и сервис почтовых рассылок Substack: там появился инструмент, который определяет тексты, написанные нейросетью.

4. Завести тестовый контур. Это среда, где команда отрабатывает сценарии с ИИ на обезличенных или синтетических данных, прежде чем подключить их к реальной базе клиентов. Для бота техподдержки тестовым контуром может быть копия базы знаний без привязки к реальным аккаунтам — так можно проверить, как модель отвечает на типовые вопросы, не рискуя чужими данными.

5. Учесть юридические риски. Летом 2026 года в России приняли первый закон об ИИ — 243-ФЗ, он вступает в силу с 1 сентября 2026 года и касается крупных моделей от 1 млрд параметров. Закон вводит понятия «суверенных» и «национальных» ИИ-моделей — по сути, категорий доверия для российских нейросетей.

В будущем правительство сможет обязать отдельные отрасли, например банковский сектор, использовать только модели одной из этих категорий. Если произойдет, маркетологам придется отказаться от иностранных моделей вроде ChatGPT или Claude в пользу сертифицированных российских решений, но список отраслей и сроки пока не утверждены.

Закон также обязывает крупные площадки с пользовательским контентом и рекламой дать пользователям возможность маркировать ИИ-контент. Требование касается сервисов, где у пользователей есть личные страницы для публикации контента и аудиторией от 500 тысяч человек в день, например соцсетей, блог-платформ и маркетплейсов. Корпоративный сайт компании или рассылка под это требование не попадают: там нет личных страниц пользователей, где можно размещать контент.

Кроме нового закона продолжает действовать законодательство, которое касается практически любой компании. Например, при использовании ИИ важно учесть риск утечки персональных данных, которая может произойти, если в открытую модель загрузить имена, телефоны или заказы клиентов из CRM-системы. Публичный сервис может сохранить такие данные и воспроизвести их в ответе другому пользователю.

Также в России действует закон о рекомендательных технологиях. Он касается почти любой компании, которая использует ML-алгоритмы, чтобы подбирать товары или контент под пользователя на основе его поведения. Закон обязывает компании предупреждать посетителей сайта, что используются такие алгоритмы, и публиковать правила их работы с названием юрлица и контактной почтой.

По закону бизнес не может настраивать рекомендации, которые нарушают права пользователей или законодательство. Например, советовать чехол для смартфона на основе истории просмотров — обычная практика. А показать алкоголь или табак пользователю, который по данным о поведении похож на несовершеннолетнего, — нарушение закона, даже если это автоматически делает алгоритм без участия человека. За такую рекомендацию Роскомнадзор может запретить компании использовать ML-технологии, а если запрет проигнорируют — заблокировать сайт.

6. Протестировать решение на ограниченной аудитории. Прежде чем запускать его на всю базу, стоит опробовать на части клиентов или обращений. Например, отправить рассылку на 10% базы или подключить чат-бота на одной линии поддержки. Результат сравнивают с контрольной группой, которую ИИ не затронул. Эффективность теста оценивают разными метриками в зависимости от задачи: для бота — доля вопросов клиентов, решенных без оператора, для рассылок — открытия и клики в сравнении с контрольной группой, для скриптов автоматизации — время, которое экономит команда.

7. Дорабатывать решение по обратной связи от клиентов и сотрудников, которые работают с ИИ. Стоит регулярно собирать примеры, где модель ответила плохо или не справилась, и на их основе пополнять базу знаний или уточнять промпт. Без этого шага нейросеть будет повторять одни и те же ошибки, даже если на старте результаты были неплохими.

8. Оптимизировать сайт под ответы ИИ-помощников. С ИИ стоит работать в двух направлениях: внедрять его в свои процессы и одновременно готовить контент к тому, что его будут читать не только люди, но и нейросети. Вместо перехода по ссылкам из результатов поисковой выдачи многие пользователи регулярно ищут ответы на вопросы в чатах с ChatGPT и другими ИИ-ассистентами. Для бизнеса это означает новый канал: упоминание в ответе генеративной модели может привести на сайт нового посетителя так же, как позиция в поисковой выдаче.

Есть два способа попасть в ответы нейросетей:

GEO и AEO настраиваются поверх SEO: сначала контент должен быть виден поисковику, и только потом у него появляется шанс попасть в ответ генеративной модели или голосового помощника. Оба подхода отличаются от классического SEO по нескольким параметрам:

Чтобы повысить шансы попасть в нейро-ответы, стоит:

Например, сервис психотерапии Alter входит в топ рекомендаций ChatGPT в своей категории. У компании есть блог с экспертными материалами, собственный курс для клиентов, подкасты и упоминания в изданиях вроде Forbes и «РБК Стиль» — на такой набор сигналов ориентируются генеративные модели.

При этом эффект GEO пока не гарантирован: неясно, сколько времени понадобится на результат, а генеративная модель может процитировать конкурента вместо материала компании. Проверить, работает ли оптимизация, можно инструментами вроде Brand Radar от Ahrefs или AI Toolkit от Semrush. Они показывают, как часто ассистенты упоминают бренд по сравнению с конкурентами.

Из того, что уже происходит с ИИ в маркетинге, можно выделить три направления, которые в ближайшие годы будут менять отрасль. Основные изменения вероятно коснутся того, как клиенты будут покупать, что изменится в работе самих маркетологов и как трансформируется подход к созданию контента.

1. Покупки с помощью нейросетей

Благодаря росту использования ИИ горизонт планирования у маркетинговых команд смещается с вопроса «какую задачу отдать ИИ» на вопрос «какую цепочку задач можно доверить агенту целиком, оставив человеку только проверку результата». Дальше этот сдвиг, вероятно, затронет агентную коммерцию, где ИИ-агент сам ведет клиента к оплате внутри диалога, без перехода на сторонний сайт. По прогнозу McKinsey, к 2030 году через таких агентов в мировом ритейле будет проходить от 3 до 5 трлн долларов.

В России потребители уже пользуются услугами ИИ-агентов для покупки товаров. В апреле 2026 года «Яндекс» запустил ИИ-агента «Найти дешевле» в чате с «Алисой». Он ищет товары по всему рунету, показывает варианты более низких цен в разных магазинах. Пользователь может перейти на сайт продавца или сделать заказ прямо в диалоге по кнопке «Купить в один клик». Через такой канал уже оформляют заказы около 30% пользователей, которые воспользовались агентом.

В будущем каналы привлечения должны будут учитывать не только реальных пользователей, но и нейросети. Это значит, что структура и разметка карточек товаров на сайтах станут еще важнее: если агент не сможет прочитать данные о товаре, он может предложить покупателю вариант конкурента.

2. Изменение роли маркетолога

Большинство специалистов пока не передают нейросетям регулярные задачи полностью. Например, немногие собирают с ИИ-ассистентом еженедельный отчет по эффективности разных каналов продвижения, отправляют его команде маркетинга и дают рекомендации по улучшениям метрик. Чаще специалисты ограничиваются разовыми задачами: придумать заголовок для рекламного объявления или сократить текст поста для соцсетей.

По данным опроса Boston Consulting Group среди 300 директоров по маркетингу, 96% считают, что ИИ меняет их функцию целиком, но только 8% уже запустили кампании, где несколько агентов работают автономно без участия человека на каждом шаге. Судя по этому разрыву, ближайший год-два уйдут не столько на выбор новых инструментов, сколько на перестройку процессов вокруг них.

Согласно исследованию Ассоциации директоров по маркетингу и red_mad_robot, 93% маркетинговых команд в России уже применяют генеративный ИИ, но системно встроить его в процессы смогла лишь треть. Сильнее всего нейросети закрепились в контент-маркетинге и аналитике, а меньше всего — в управлении брендом и бюджетами.

Маркетолог как профессия при этом не исчезает, а постепенно превращается в «оператора-оркестратора», который управляет связкой данных, технологий и креатива. Такие навыки станут конкурентным преимуществом специалистов в ближайшие годы.

3. Борьба за доверие в ответах ИИ

Тренд на оптимизацию под ответы нейросетей в будущем выльется в конкуренцию брендов за надежность контента. Агентство Burson проанализировало более 55 тысяч ответов на семи ИИ-платформах о 85 компаниях. По результатам исследования, генеративный ИИ гораздо охотнее ссылается на проверяемые факты, например на запуски продуктов, отзывы клиентов, отраслевые награды, публикации в независимых изданиях. А заявлениям руководителей или описаниям ценностей бренда нейросети доверяют меньше. Авторы исследования считают, что в ближайшие годы борьба брендов развернется не за долю упоминаний в ответах ИИ, а за доверие к этим ответам.