Технологии и изменения рынка
ChatGPT в маркетинге три года спустя: от чата к системе
В 2023 году я начал эту статью с трюка: первые абзацы сгенерировала нейросеть, и я спросил читателей: «Догадались?» Текст был написан гладко, связно и живо. Заподозрить машину было почти невозможно. И это казалось чудом. Сегодня же восторги от простой генерации текста явно неуместны. Результат работы ИИ больше не удивляет. Удивляет другое — как иначе стал работать человек. И я переписал статью полностью.
Что изменилось: мы переросли ChatGPT как «умного копирайтера»
Тексты, баннеры, сценарии и даже код больше почти ничего не стоят. Сегодня не удивишь созданием рабочего продукта за вечер: я сам написал с нуля и опубликовал игру «Быки и коровы» меньше чем за два часа, ни разу не заглянув в код.
Но маркетинг от этого дешевле не стал. Когда стоимость производства заметно снизилась, дорогим стало другое: смысл.
Причина проста, если понимать природу модели. По своей сути ChatGPT — грандиозная функция автозаполнения: нейросеть анализирует контекст и выбирает из миллионов текстов фразу, которая статистически вероятнее всего должна идти следом. А в маркетинге «наиболее вероятное продолжение» — это почти всегда предсказуемый и средний по больнице вариант.
Кроме того, текст, написанный с помощью нейросети, теряет индивидуальность. В эксперименте, опубликованном в Science Advances, 300 человек писали короткие рассказы: одни сами, другие со стартовыми идеями от нейросети. Рассказы с идеями оценили выше, но они оказались на 10,7% больше похожи друг на друга.
Интернет наводнили сгенерированные публикации. По данным Graphite, в первом квартале 2026 года почти половину новых англоязычных статей в сети написал преимущественно ИИ. И в этих условиях оказалось, что тот, кто штампует быстрее, не выигрывает. Выигрывает тот, кто знает, что и зачем производить.
Отсюда смена роли. Маркетолог 2023 года был пользователем чата: задал вопрос, получил текст, подправил абзац. Маркетолог 2026-го — системный архитектор. Зная, что модель по умолчанию тяготеет к банальности и галлюцинациям, он строит жесткие рамки: откуда берутся данные, как соблюдается редполитика бренда, кто проверяет гипотезы и где в этом конвейере стоит человек. Отдельных удачных ответов чата бизнесу уже недостаточно.
Конвейеры ролей вместо одного чата
Запрос «напиши стратегию и тексты под ключ» в одном окне чата гарантирует посредственный результат. Даже если у вас будет окно в 2 млн токенов, залить туда все — плохая идея.
Исследовать факты, думать стратегически, писать живо и безжалостно редактировать — это четыре разных типа мышления, и они в одном проходе мешают друг другу. Поэтому работа идет по очереди — создается конвейер специализированных ролей с изолированным контекстом. Аналитик не пишет посты, а копирайтер — не критикует. Каждый агент получает узкую задачу и передает следующему не «мысли вслух», а строгий структурированный артефакт.
Дробить стоит не только роли, но и данные по назначению. Типичная ошибка маркетолога при работе с кастомным GPT или проектом в Claude выглядит так: проект создается и дальше в него месяцами скидывают все подряд — старые черновики, скриншоты правок, стенограммы созвонов, презентации о компании и фрагменты чатов из Telegram. Однако языковая модель — не человек, у нее нет накопительного опыта. Когда в контексте тонны разнородной информации, модель начинает путаться в старых и новых инструкциях, забывает то, что было в середине переписки, выдумывает факты и в итоге вы получаете деградацию логики и банальные штампы.
Профессиональная работа с ИИ — это всегда дробление задачи по ролям и изоляция данных по назначению. Чем уже фокус каждого отдельного шага, тем выше точность системы в целом.
Архитектура разделения контекста на практике
В несколько упрощенном виде покажу, как устроен модульный проект на примере настройки ИИ для создания постов для соцсетей.
Проект собирается из независимых микромодулей в формате Markdown (.md):
Здесь зафиксированы только принципы речи автора, темп фраз, терминология и личные стоп-слова. Файл ничего не знает про дизайн и верстку.
Изолированное описание болей, страхов, триггеров и «работ» (JTBD) конкретного клиентского сегмента.
Жесткие правила визуального каркаса: базовые цвета (акцент, фон, текст), требования к шрифтам, пропорции слайдов и правила верстки. Этот файл не лезет в смыслы — он диктует только форму.
Свежий файл с последними трендами, отчетами о конкурентах, актуальными инфоповодами или статистикой просмотров за текущий месяц. В отличие от остальных модулей, содержание этого файла динамично.
Когда файлы с данными готовы, время писать инструкции (роли). Самый простой путь к изоляции — отдельный чат на роль.
Читает audience.md и market-trends.md. Задача — выбрать тему и угол подачи: какая боль сегмента пересекается со свежим инфоповодом. На выходе бриф — тема и один аргумент из данных рынка.
Получает бриф стратега, about-me.md и audience.md. Пишет текст поста в голосе автора под конкретный сегмент.
Работает с готовым текстом и design.md. Разбивает материал на слайды, расставляет акценты, проверяет длину строк и пропорции. Менять смысл запрещено. Если текст не помещается в каркас, верстальщик не сокращает его сам, а возвращает копирайтеру с пометкой.
Последний фильтр. Сверяет результат со стоп-словами из about-me.md и с болями из audience.md: отвечает ли пост на заявленную проблему и звучит ли как автор. Он не переписывает, а выдает список правок с указанием, на каком этапе возникла ошибка.
Каждый этап передает следующему только свой результат, а не весь накопленный контекст. Модель на каждом шаге видит 2–3 файла вместо десятка, поэтому не путает инструкции и не размывает фокус.
Где в этой системе человек? Он — ее владелец. Если раньше человек редактировал результат, то теперь он редактирует условия, в которых результат возникает. Человек — автор модулей и фильтр информации, которая туда попадает. Он же отладчик системы. Время уходит не на доводку каждого поста, а на поддержку нескольких файлов.
При этом одна вещь не передается ни одному модулю — ответственность. ИИ может выдать пост, который звучит как вы и попадает в боль сегмента, но только вы решаете, подписываться ли под ним.
Эра ИИ-поиска: побеждают смыслы и бренды
В фокусе маркетолога-архитектора — борьба за видимость в новой инфраструктуре.
- По данным SparkToro, в начале 2026 года уже 68% поисков в Google в США заканчиваются без единого перехода на сайт. Снижение кликабельности страниц связывают с ИИ-обзорами Google. Похоже, происходит сдвиг от модели «ищем → кликаем по ссылкам → переходим на сайты» к модели «поиск → ИИ-ответ → все понятно, дальше не идем». Раньше поиск служил мостиком к сайтам, теперь — конечной точкой. Еще раз, борьба идет не за топ-5 позиций выдачи, а за право быть единственным источником, на который ссылается ИИ.
- Команда «Ашманов и партнеры» выпустила разбор того, как работает нейропоиск Яндекса. Алиса просматривает первые 20 результатов выдачи и выбирает около 5 страниц, из которых собирает ответ как мозаику. Ваш сайт может быть на 15-й позиции — и попасть в ответ. А может быть в топ-3 — и остаться незамеченным.
- ИИ-агенты уже выступают посредниками в поиске товаров и покупательском пути клиентов. Дизайн и эмоциональные приемы для ИИ почти ничего не значат. Он анализирует структурированные данные и семантический контекст. Чтобы агент выбрал продукт, информация о нем должна быть четкая, последовательная и легко верифицируемая.
При запуске сайта важно оценивать, готов ли он к генеративному поиску (GEO), внедрены ли структурированные данные (schema.org), может ли нейросеть быстро вытащить готовые ответы.
Но это все форма. За ней важно не упустить содержание. Нейросети не нужны пересказы. Чужих текстов у нее с избытком. Важно быть источником смыслов. Если текст говорит то же, что еще сто источников, у модели нет причины выбрать именно его — ни для ответа пользователю, ни для цитирования. Что поможет? Собственные данные, собственный метод, собственный измеренный результат.
И здесь наступает время брендинга. Для ИИ сильный бренд — маркер доверия и четкий семантический профиль. Маркетологу бренд помогает не просто быть выбранным нейросетью, а быть выбранным еще до написания запроса в нейросеть: когда человек даже не ставит перед ИИ задачу «выбери мне лучший сервис», а говорит: «найди рядом [Имя Бренда]».
Так заменит ли ИИ маркетолога?
В 2023 году статью я заканчивал этим вопросом и отвечал на него историей времен моей работы в Nielsen. Мне передали клиента N, и 50% времени стало уходить на подготовку для него слайдов с данными аудита розничной торговли. Это была объемная механическая работа, от которой я не был в восторге. Она казалась мне бессмысленной. Когда по моей просьбе написали скрипт, который генерировал слайды за секунды, я был рад. И клиент, кстати, тоже. 800 слайдов он получал по клику мыши. Наши встречи стали строиться вокруг обсуждения задач отдела маркетинга и осмысленной аналитической работы. Этим примером я хотел сказать, что автоматизация рутины — благо. И если ИИ в этом поможет — качество работы маркетолога вырастет.
Три года спустя видно, что ИИ автоматизирует не только рутину. Он берет на себя и часть того, на что скрипт когда-то освободил время: анализирует, предлагает идеи. Производство подешевело для всех одинаково, и отличиться за его счет почти невозможно. Остается то, чего изначально нет в модели: знание своего клиента, свои данные и бренд, который человек называет раньше, чем открывает чат.
Поэтому мой ответ 2026 года такой. ИИ заменит маркетолога-посредника, который передает брифы от руководителя в агентство. Маркетолога-пересказчика, который не создает собственных смыслов. Маркетолога-оператора, который только и делает, что готовит отчеты.
Но ИИ не заменит маркетолога, который проектирует систему и строит различие, за которое клиент выбирает бренд.