Как разграничить задачи ИИ и человека в маркетинговой стратегии: кейс перестройки процесса в digital-агентстве

По Stanford AI Index Report 2026, точность frontier-моделей на тестах устойчивости расходится от 14% до 90% в зависимости от задачи. Одна модель на близких запросах даёт противоположные результаты.

McKinsey State of AI 2025: 88% организаций используют ИИ, но только 6% получают более 5% EBIT. Разрыв не в доступе к моделям — в перестройке процессов вокруг них.

Ниже — кейс маркетингового агентства: что автоматизировали зря, что оставили за человеком, как измеримо изменились показатели.

Первая попытка: автоматизация всего подряд

Гипотеза: если LLM умеет анализировать данные и генерировать варианты — отдать всё, стратег подключается на финальной проверке.

Через три месяца:

Стратегия для салона в Праге и в Минске
отличались ТОЛЬКО названием города.

Модель не учла:
- Прага: выбор через локальные форумы
- Минск: выбор через Google Maps rating

Клиент: «Это не про мой город. Это про
абстрактный салон в абстрактном городе».

Проблема структурная. LLM генерирует на паттернах из обучающей выборки. Локальные микропаттерны конкретного рынка представлены недостаточно. Fine-tuning смягчает — не решает.

Аудит: 70/30

70% времени стратега = сбор данных
- парсинг отзывов конкурентов
- обработка расшифровок кастдевов
- сегментация UGC
→ LLM делает быстрее и без 
  потери качества к концу дня

30% времени = принятие решений
- выбор позиционирования
- культурная адаптация
- защита стратегии перед клиентом
→ требует опыта, которого 
  у модели нет

Автоматизировать можно сбор данных. Делегировать модели стратегическое решение — нельзя.

Распределение по этапам

Исследование ЦА:       80% ИИ / 20% стратег
Конкурентная разведка: 85% ИИ / 15% стратег
Позиционирование:      30% ИИ / 70% стратег
Каналы и бюджет:       60% ИИ / 40% стратег
Защита стратегии:      10% ИИ / 90% стратег

Чем ближе задача к решению — тем меньше доля ИИ.

Кейс где новая пропорция сработала

B2B-производитель стройматериалов, выход на новый рынок, 43 конкурента.

Ручной анализ: неделя работы стратега
С ИИ: один вечер обработки

Собрали: цены, отзывы, объявления,
упоминания на форумах.
Результат: таблица 43 × 12 параметров.

Утром стратег нашёл закономерность: в негативных отзывах 8 из 43 конкурентов повторялась жалоба на скорость расчёта стоимости доставки.

Позиционирование: «Стоимость доставки в вашем городе — за 15 минут».

За 3 месяца: 227 B2B-лидов, CPL снижен с $50 до $20.

Модель не сгенерировала это решение. Она структурировала данные так, чтобы паттерн стал видимым. Интерпретация «жалоба на скорость расчёта = незакрытая ниша» — работа человека.

Три вывода

1. Frontier-модели (GPT-5.5, Claude Opus 4, DeepSeek R2) обновляются каждые 2–4 месяца. Ценность — в цепочке промптов и обученных проектах под конкретный домен.

2. Верификация — часть процесса, не опция. При разбросе точности 14–90% каждый output проверяется вручную.

3. ИИ усиливает доменную экспертизу, не заменяет. LLM работает как инструмент в руках эксперта.

По McKinsey, компании с полностью перестроенными процессами получают в 2,5 раза более высокий рост выручки. Ключевое — «полностью перестроенные», а не «купили подписку».

Какая пропорция автоматизации сложилась в вашей команде и в каких задачах модели показали устойчивые ошибки после дообучения?