По оценке Gartner за февраль 2025 года, 60% всех AI-проектов до 2026 года будут брошены из-за отсутствия AI-ready data. В маркетинге этот фактор критичный: данные о клиентах часто лежат в CRM, Google Analytics, рекламных кабинетах и Excel-таблицах одновременно, без единого владельца и единого формата.
По данным «Яков и Партнёры» совместно с Яндексом, 71% российских компаний используют GenAI хотя бы в одной функции, но для 65% представителей малого и среднего бизнеса стоимость пока высока. Расходы российских компаний на ИИ в 2024 году составили 90 млрд рублей, но до промышленной эксплуатации, по данным CNews, дошли менее 30% проектов.
BCG в отчёте Build for the Future 2025 разделяет компании на три категории: 5% - future-built, 35% - scalers, 60% - laggards. Лидеры показывают двукратный рост выручки и на 40% большую экономию по сравнению с отстающими. Разрыв становится структурным, и в маркетинге он проявляется особенно резко.
Самый частый способ убить AI-пилот в маркетинге - запустить его как «инициативу digital-отдела» или «эксперимент innovation-команды». По данным Pertama Partners, 21% отмен AI-проектов происходит из-за потери executive sponsor на середине пути.
До обсуждения моделей, платформ и подрядчиков должна быть одна строка: «ответственный - ФИО, бюджет - сумма, срок пилота - 60 дней, метрика успеха - X». Если её нельзя сформулировать, пилот нужно откладывать.
Agility at Scale зафиксировали, что 87% корпоративных AI-пилотов стартуют без baseline. Без исходных метрик невозможно доказать эффект.
Для маркетинговых пилотов нужна конкретика: не «ускорим согласование креативов», а «цикл согласования баннера сократится с 5 до 2 рабочих дней». Не «улучшим таргетинг», а «CPA снизится с 850 до 620 рублей в канале X за 8 недель». Именно baseline задаёт бюджетный потолок на саму AI-платформу: сэкономленные часы и рубли - это потолок расходов на инструмент.
McKinsey в State of AI 2025 называет workflow redesign сильнейшим предиктором EBIT-эффекта от AI. Если процесс согласования или медиа-планирования выстроен криво до AI, он останется таким же и после, просто с добавленным слоем галлюцинаций.
В маркетинге эта проблема острее, чем в большинстве других функций. Данные о клиентах лежат в 1С, amoCRM, Битрикс24, Google Analytics, рекламных кабинетах Яндекс Директа и VK Ads, в email-платформах, в Telegram-ботах. Единого владельца нет, стандарта нет.
Перед AI-пилотом нужно честно ответить:
Если на вопрос «кто владеет данными» ответа нет - данные не готовы. Agent на неготовых данных работает как опытный аналитик без документов: подгоняет результат под ожидаемый и отправляет.
McKinsey 2025: только 21% компаний реально перепроектировали workflow под AI, и именно эти 21% показывают значимый EBIT-impact. Остальные получают ноль или минус.
В маркетинге это выглядит так: если вы добавляете AI-копирайтера в существующий процесс согласования без редизайна, вы получаете дополнительный шаг проверки и замедление. Если перестраиваете процесс — убираете первый драфт, меняете роли, пересматриваете KPI - получаете рост скорости в 2-3 раза.
Правило BCG 10/20/70: 10% успеха AI-проекта — это алгоритмы, 20% - данные и технология, 70% - люди и процессы. В маркетинге большинство команд тратит обратные пропорции.
Klarna в 2024 году запустила AI-ассистента, который взял на себя 2,3 млн обращений, в 2025 CEO Симятковски публично признал, что переборщил, и нанимает людей обратно. История не про то, что AI не работает, она про то, что без fallback массовый AI-продукт упирается в потолок качества и теряет репутацию.
В маркетинге fallback критичен: AI-агент, который автономно публикует в соцсетях, рано или поздно даст репутационный сбой. Эскалация на человека прописывается заранее: если confidence модели ниже 80%, если упоминается чувствительная тема, если пользователь повторно жалуется - сразу к SMM-менеджеру.
MIT NANDA: внутренние AI-разработки в корпорациях успешны в трети случаев, покупка готовых решений - в 67%. Для маркетинговых команд с бюджетом до 2-3 млн рублей на первый пилот это практически приговор идее «наш IT-отдел напишет своё на LangChain».
Для маркетинговых задач в 2026 году рабочий путь - no-code и low-code платформы поверх готовых моделей: Claude, GPT, GigaChat, YandexGPT, собранные через Zapier, Make, n8n. Стоимость входа - от 20-70 долларов в месяц на платформу и ещё 30-100 на API.
Короткий список отличий успешных AI-внедрений от провальных в маркетинговых командах:
Провалившийся пилот, который вовремя закрыли - это не провал, это экономия. Провал - пилот, который тянули ещё полгода «из принципа».
AI-пилоты в маркетинге проваливаются не из-за слабых команд и не из-за плохих моделей. Они проваливаются из-за запуска в процессы, которые не готовы: без владельца, без baseline, без редизайна, без fallback. Шесть вопросов выше - минимальный фильтр перед подписанием контракта с подрядчиком.
Если хотя бы по трём из шести у вас нет чёткого ответа, проект нужно не запускать, а переосмыслять.
Какой из шести вопросов вашей маркетинг-команде было бы сложнее всего закрыть честным ответом? Разбираю AI-внедрения в рекламных и маркетинговых связках в Telegram-канале - ссылка в профиле.