Александр Чурилов: «Запустить нейросеть и выстроить AI-инфраструктуру – это не одно и то же»

Иллюзия, причём очень дорогостоящая. По данным Marketing AI Institute, 73% маркетологов действительно используют AI-инструменты. Но если спросить, как эти инструменты связаны между собой, как они питаются данными, кто следит за качеством их работы – начинается тишина.

Картина типичного «AI-внедрения» в маркетинге выглядит так: подключили ChatGPT для текстов, взяли DALL-E для баннеров, поставили чат-бот от одного вендора, аналитику – от другого. Каждый инструмент живёт в своей экосистеме. Данные не синхронизируются. Решения всё равно принимают люди – на основе разрозненных дашбордов. Это не AI-инфраструктура. Это набор дорогих гаджетов.

Граница – в связности и автономности. Инструмент отвечает на вопрос. Инфраструктура принимает решения.

Когда система сама перераспределяет бюджет между каналами на основе предиктивных моделей, сама меняет контент в зависимости от сегмента, сама детектирует аномалии в кампаниях и бьёт тревогу – вот это инфраструктура. Когда человек каждое утро смотрит в пять разных интерфейсов и принимает решения вручную, опираясь на AI только как на справочник – это дорогой Excel.

«75% маркетинговых команд не имеют AI-роадмапа даже на горизонт 1–2 лет. Инструменты есть – архитектуры нет» – Gartner, 2024.

Я всегда говорю: начните с данных, а не с моделей. Это звучит банально, но большинство делает наоборот – сначала выбирают AI-платформу, потом обнаруживают, что кормить её нечем.

Если говорить об архитектуре – я вижу четыре ключевых слоя. Первый – единый data layer. Это фундамент: все источники данных собраны в одном месте, очищены, структурированы и готовы для машинного обучения. Рекламные кабинеты, CRM, сайт, колл-трекинг, email, офлайн – всё в одном пространстве. Без этого слоя любая модель работает вслепую.

Второй слой – модели. Здесь живёт интеллект: предиктивная атрибуция, скоринг лидов, сегментация, генеративные модели для контента, оптимизация ставок. Важнейший выбор на этом этапе – что покупать у вендоров через API, что дообучать на своих данных, а что строить с нуля. Правильный ответ почти всегда – гибрид.

Третий слой – оркестрация. Это MLOps-платформа, которая управляет жизненным циклом моделей: деплоем, мониторингом, переобучением. Без неё модели деградируют незаметно – и ты обнаруживаешь это уже после того, как бюджет потрачен.

Четвёртый – активация. Последняя миля, где всё ломается чаще всего. Модель посчитала правильно – но решение не добралось до рекламного кабинета или CMS. Именно здесь большинство компаний теряют эффект: интеллект есть, а применять его некому и нечем.

Очень актуальный, и однозначного ответа нет. Облако – это скорость старта и эластичность: вы платите за то, что используете, не думаете об оборудовании, быстро масштабируетесь. Для большинства компаний с объёмом данных до нескольких терабайт в месяц – оптимальный выбор.

On-premise остаётся актуальным там, где есть жёсткие требования к безопасности, регуляторные ограничения или огромные объёмы, при которых облачные расходы становятся неприемлемыми. Крупный ритейл с десятками миллионов транзакций нередко строит гибрид: чувствительные данные – локально, inference моделей – в облаке.

Я бы формулировал выбор не как «облако против железа», а как «насколько вы хотите контролировать свои данные и сколько готовы за это платить».

Люди, процессы и культура. Я называю это organizational debt – организационный долг. Компания инвестирует в технологии, но не инвестирует в то, чтобы люди умели с ними работать. По данным Marketing AI Institute, только 17% маркетологов прошли серьёзное обучение работе с AI. Инструменты внедряют быстро – экспертизу растят медленно.

Но главная организационная проблема – не навыки, а силосы. AI-инфраструктура работает на стыке функций: данные собирает продукт, интерпретирует аналитика, применяет маркетинг, оценивает финансы. Если эти команды живут в разных отделах с разными KPI и разными системами – данные не текут, решения не применяются, эффект рассеивается.

Не обязательно перестроить – но нужно честно ответить на вопрос: есть ли у нас горизонтальная интеграция между командами? Если нет – AI только обнажит проблему, а не решит её.

Я видел кейсы, когда технически безупречную инфраструктуру похоронила внутренняя политика: маркетинг не доверял данным из CRM, аналитика не передавала модели в продакшен без трёхнедельного согласования, а финансы требовали подтверждения ROI ещё до того, как система успевала накопить достаточно данных для обучения.

Хорошая новость: всё это решаемо. Нужно просто понимать, что внедрение AI – это операционная трансформация, а не ИТ-проект.

Это один из самых важных вопросов, и на него нет универсального ответа. Технически AI-инфраструктура – зона CTO. По смыслу и применению – CMO. По данным – CDO, если он есть.

Лучшие результаты я видел там, где создавался кросс-функциональный AI-комитет с реальными полномочиями: принимать решения о приоритетах, бюджетах и архитектуре данных. Не совещательный орган, а управляющий. Когда этого нет – каждый тянет одеяло на себя.

«43% неудачных AI-внедрений в маркетинге объясняются недостаточным качеством данных и отсутствием процессов их поддержки – а не проблемами с самими моделями».

Честный ответ: в первые 90 дней – улучшений на 5–12% по ключевым метрикам. Это не провал – это нормальный цикл накопления данных и калибровки моделей. Значимые результаты – 18–35% улучшения – появляются через 6–12 месяцев. Именно столько нужно, чтобы модели накопили достаточно данных, прошли переобучение и были встроены в реальные процессы.

Мне всегда нравится такая аналогия: AI-инфраструктура похожа на спортивную форму. Первый месяц в спортзале – ты не видишь результата, но он есть. Через полгода – виден всем. Компании, которые бросают на третьей неделе, потом говорят «нам это не подошло».

Зависит от use case, но есть несколько универсальных. Стоимость привлечения клиента – она должна снижаться по мере того, как модели оптимизации становятся точнее. Конверсия по воронке – особенно на этапах, где внедрена персонализация. Скорость принятия маркетинговых решений – это косвенный, но очень показательный индикатор зрелости инфраструктуры.

По данным исследований, компании, системно применяющие AI в маркетинге, фиксируют в среднем снижение CAC на 32% и рост выручки на 41%. Это не быстро – но это устойчиво.

Это, пожалуй, самый недооценённый стратегический актив в digital-маркетинге прямо сейчас. И я говорю это не потому, что модно.

Посмотрите, что происходит в программатике. Рынок AI-driven programmatic рекламы в 2024 году достиг $134,8 млрд с ростом 18% год к году. Более половины всех digital-расходов уже проходит через алгоритмические системы. Когда все участники рынка используют похожие алгоритмы на одних платформах – дифференциация через стандартные инструменты исчезает.

Конкурентное преимущество смещается туда, где алгоритмы питаются уникальными данными. Вашими данными о клиентах, которые невозможно купить или скопировать. Именно поэтому first-party data strategy – это не маркетинговый тренд, это инфраструктурный приоритет.

Парадоксально – помогает, хотя и создаёт краткосрочную боль. Когда cookie исчезают и таргетинг через третьи стороны деградирует, компании с богатыми первичными данными получают огромное преимущество. Компании, которые годами игнорировали сбор своих данных и жили на чужих аудиториях – оказываются без оружия.

Законодательных упоминаний AI и обработки данных выросло на 21% в 75 странах только за последний год. Это сигнал: если вы не закладываете compliance в архитектуру с самого начала – потом будете переделывать всё. И это очень дорого.

«Компании, которые сегодня инвестируют в AI-инфраструктуру как в стратегический актив, – завтра будут задавать правила игры для всей отрасли».

С аудита данных. Не с выбора платформы, не с найма ML-инженера, не с пилотного проекта – с честного ответа на вопрос: какие данные у нас есть, где они живут и насколько они чистые?

Мы видели исследования, которые показывают: компании, потратившие 2–4 недели на подготовку данных перед AI-внедрением, получают на 43% лучшие долгосрочные результаты. Это окупаемые недели.

Дальше – один конкретный use case с измеримым эффектом. Не «внедрить AI в маркетинг» как цель, а «снизить CAC в контексте на 15% за счёт предиктивной оптимизации ставок». Конкретно, измеримо, ограничено по скопу. Сделайте это хорошо – и у вас будет кейс, команда с опытом и фундамент для следующего шага.

Три главные. Первая – покупать платформу до понимания данных. Вы потратите деньги, получите красивый интерфейс и обнаружите, что кормить систему нечем.

Вторая – завышенные краткосрочные ожидания. Руководство хочет видеть революцию через месяц. Её не будет. Нужно правильно управлять ожиданиями с самого начала – иначе хороший долгосрочный проект убьют на старте.

Третья – игнорировать управление. Кто отвечает за качество данных? Кто мониторит деградацию моделей? Кто принимает решение об отключении автоматизации, если что-то пошло не так? Без ответов на эти вопросы любая инфраструктура рано или поздно ломается – и никто не знает, где искать причину.

Я скажу честно: риск недооценён. По данным NVIDIA, 97% ритейлеров планируют увеличить бюджет на AI в ближайший год. McKinsey фиксирует, что 78% организаций уже используют AI хотя бы в одной бизнес-функции – год назад было 55%. Рынок движется очень быстро.

Компании, которые начали раньше, не просто имеют больше инструментов – у них больше данных, лучше обученные модели, более зрелые команды. Этот разрыв не закрыть за счёт бюджета: его можно только не допустить.

Позиция «мы ещё успеем» – это классическая ловушка второго эшелона. Рынок не ждёт, пока вы дозреете. Вопрос не в том, нужна ли вашему бизнесу AI-инфраструктура. Вопрос – насколько дорого вам обойдётся промедление.