Автоматизация маркетинга: как AI убивает эру «если/то»

TL;DR: • Современная автоматизация маркетинга переживает тектонический сдвиг, и за этим стоит Джон Миллер. • Классические линейные воронки больше не работают, как концепция ИИ-рассуждений (Reasoning AI) меняет софт

Современная автоматизация маркетинга переживает тектонический сдвиг, и за этим стоит Джон Миллер. Это человек, который буквально сконструировал современный B2B-маркетинг. Он сооснователь Marketo (платформа автоматизации, проданная Adobe за $4,7 млрд) и системы Engagio (поглощена Demandbase). Его технологическими решениями, паттернами и кодом B2B-рынок по всему миру безоговорочно пользовался последние двадцать лет.

Недавно Миллер запустил свой новый AI-native проект Phave и открыто заявил: традиционные системы автоматизации маркетинга превратились в «необходимое зло», их базовая логика безнадежно устарела, а маркетологи страдают массовым Стокгольмским синдромом

Мы подготовили масштабный разбор главных тезисов Миллера с глубокой адаптацией под реалии и специфику российского рынка. О том, почему классические линейные воронки больше не работают, как концепция ИИ-рассуждений (Reasoning AI) меняет софт и почему прямо сейчас подписывать долгосрочные контракты с MarTech-сервисами — это огромный стратегический риск для бизнеса.

«Стокгольмский синдром» в маркетинге: почему мы привыкли терпеть плохой софт

Большинство российских B2B-компаний годами подстраивают свои бизнес-процессы под жесткие ограничения имеющихся систем автоматизации. В Рунете место ушедших западных enterprise-гигантов (HubSpot, Marketo, Salesforce) заняли кастомные сборки на базе 1С, Битрикс24 или специализированные, но все еще глубоко алгоритмические платформы вроде Mindbox, Sendsay и Carrot quest.

Миллер отмечает поразительный феномен: маркетологи настолько свыклись с изъянами и неповоротливостью своего софта, что искренне считают нормой процессы, которые в эпоху развитых нейросетей должны занимать секунды.

Типичный рабочий цикл современной B2B-команды выглядит так:

1. У demand-gen маркетолога рождается идея новой воронки, умного попапа или цепочки писем под конкретный сегмент. Современные LLM (вроде Claude или ChatGPT) помогают ему за 5 минут сгенерировать бриф, стратегию и тексты.
2. Бриф отправляется техническому специалисту — MarTech-интегратору, CRM-маркетологу или аналитику через Jira, Asana или Битрикс.Задачи.
3. Задача встает в тикет-очередь. Пока интегратор пропишет новые теги, настроит связи между базами данных, проверит условия валидации email, протестирует вебхуки и запустит сценарий, проходит от двух недель до месяца.

В результате скорость тестирования маркетинговых гипотез падает до нуля. Динамичный рынок требует мгновенной реакции, а кастомный софт требует недель на обслуживание. Чтобы закрыть дыры в базовой CRM-системе, бизнес начинает хаотично обрастать «зоопарком» дополнительных решений.

Покупается отдельный софт для сквозной аналитики, внешние коннекторы-переводчики данных, отдельные валидаторы баз и виджеты лидогенерации. Маркетинговый стек становится перегруженным, дорогим в поддержке и максимально хрупким: стоит обновиться API одного сервиса — рушится вся цепочка.

Лиды — слишком узко, компании — слишком широко. Переход к концепции Buying Groups

Классический маркетинг начала 2010-х годов идеально укладывался в простую линейную модель. Пользователь кликал по рекламе → скачивал лид-магнит (электронную книгу или чек-лист) → заполнял форму с email → попадал в автоматическую цепочку прогрева → скоринговая система подтверждала его активность → лид автоматически передавался менеджеру по продажам.

В современном B2B эта схема мертва. Поведение клиентов кардинально изменилось по трем фундаментальным причинам:

• Закупочные комитеты (Buying Groups): В сферах со сложным продуктом (крупный опт, промышленное производство, IT-дистрибуция, enterprise-разработка) решение о покупке никогда не принимается единолично. В процесс вовлечены от 5 до 12 сотрудников с абсолютно разными интересами. Системный инженер оценивает архитектуру интеграции, специалист по безопасности проверяет уязвимости, юрист неделями согласует договор, финдиректор пытается урезать бюджет, а ЛПР (генеральный директор) просто ставит финальную подпись. Оценивать действия только одного из них — фатальная ошибка.
• Темный трафик (Dark Social): До 80% исследований продукта и бренда происходит в слепой для веб-аналитики зоне. Люди общаются в закрытых профессиональных Telegram-чатах, обмениваются ссылками в личных сообщениях, читают авторитетные блоги без авторизации и слушают подкасты. Классическая сквозная аналитика (вроде Яндекс Метрики или Google Analytics) этого не видит. Для системы такой клиент выглядит как «прямой заход на сайт, который сразу оставил заявку на крупный чек».
• Смена фокуса на LTV и Retention: Период дешевого и бесконечного трафика безвозвратно ушел. Первая продажа в B2B часто едва окупает затраты на контекстную рекламу и SEO. Основная прибыль компании формируется на этапе post-sale маркетинга — удержании клиента, регулярных допродажах (cross-sell) и расширении сервисного контракта. Старые системы автоматизации под это просто не проектировались.

Главный инсайт Миллера: Фокусироваться на одном конкретном человеке (лиде) бессмысленно — это слишком узкий взгляд, при котором вы полностью теряете контекст компании. Фокусироваться на всей компании (аккаунте) целиком — неэффективно, так как разные департаменты одного и того же холдинга могут интересоваться полярными продуктами и находиться на совершенно разных стадиях готовности к сделке.

Единственной адекватной единицей автоматизации в современном маркетинге становится закупочная группа (Buying Group). Система нового поколения должна уметь автоматически распознавать и «склеивать» цифровые следы разных сотрудников одной компании в единый контекст.

Два типа ИИ: Автоматизация «на костылях» против чистых AI-моделей рассуждения

Самый важный технологический водораздел, который проводит создатель Marketo, касается архитектуры внедрения искусственного интеллекта. Большинство разработчиков современного MarTech-софта совершают стратегическую ошибку, выбирая первый путь.

ИИ, который строит автоматизацию (AI that builds automation)

Это поверхностный, эволюционный подход. В данном случае нейросеть используется просто как продвинутый «подсказчик» или умный генератор кода для человека. Она помогает маркетологу быстрее прописывать жесткие детерминированные правила формата: «ЕСЛИ пользователь совершил действие А И НЕ открыл письмо Б в течение 72 часов, ТО присвоить ему тег Х и отправить пуш-уведомление У».

Попытка втиснуть хаотичное, нелинейное поведение живых людей в рамки жестких ветвящихся блок-схем неизбежно превращает систему в «цифровое спагетти». Сценарии разрастаются до сотен искусственных условий. Логика становится хрупкой: она ломается при малейшем изменении верстки сайта, смене структуры каталога или обновлении API внешних платформ.

Компания тратит ресурсы разработчиков не на продукт, а на бесконечный ремонт сломанных автоматических цепочек. Вы просто используете ИИ, чтобы быстрее строить старые, неэффективные и мертворожденные процессы.

ИИ, который САМ является автоматизацией (AI that IS the automation)

Это революционный переход от жестких блок-схем к моделям рассуждения (Reasoning AI) и автономным ИИ-агентам.

Безусловно, жесткие правила «если/то» незаменимы там, где закон или безопасность требуют стопроцентной точности — например, проверка двойного согласия (Double Opt-In) на рассылку или соблюдение требований ФЗ-152 «О персональных данных». Но алгоритмические правила абсолютно пасуют перед двусмысленностью, экспертной оценкой и изменением контекста.

Как работает интеграция на базе Reasoning AI:
Маркетолог вообще перестает рисовать блок-схемы в визуальных редакторах воронки. Вместо этого он выступает в роли архитектора смыслов: задает системе верхнеуровневую бизнес-цель (например: «Прогреть команду разработки компании X до этапа назначения демо-звонка нашего API») и загружает в систему структурированную базу знаний о продукте.

Дальше автономный ИИ-агент действует самостоятельно:

• Он непрерывно анализирует совокупный входящий контекст и поведение всей закупочной группы.
• Используя современные протоколы взаимодействия (такие как WebMCP) и стандарты разметки данных (вроде файлов llms.txt), агент мгновенно понимает реальные намерения пользователей и степень их технической зрелости.
• Система сама, без заранее прописанных триггеров, решает, когда именно нужно отправить клиенту подробную документацию, когда показать кейс внедрения, а в какой момент воронки критически важно отключить автоматику и передать карточку живому менеджеру по продажам.

Аналогия из сферы веб-разработки: Вспомните эволюцию ИИ-инструментов в написании кода. Сначала мы использовали автодополнение строк. Затем появились copilots, которые помогали быстрее дописывать конкретные функции — программист все равно писал код сам, но тратил чуть меньше времени.

Сегодня лучшие инди-разработчики используют Cursor или автономных агентов: вы описываете задачу верхнеуровневым человеческим текстом, а ИИ сам проектирует архитектуру приложения, правит файлы в репозитории и разворачивает проект на сервере. Точно такой же тектонический сдвиг прямо сейчас происходит с автоматизацией маркетинга.

Главный тактический совет: Забудьте про долгосрочные контракты с MarTech-вендорами

Мировой и российский рынки маркетинговых технологий входят в фазу максимальной турбулентности. Модели рассуждения и ИИ-агенты развиваются экспоненциально. Продукты, которые еще год назад казались вершиной MarTech-инженерии, сегодня превращаются в технологический балласт. В этих условиях фиксация бюджетов с вендорами софта на долгий срок — критическая стратегическая ошибка.

Главная рекомендация Джона Миллера: Ни в коем случае не подписывайте и не продлевайте лицензии любых CRM-систем и маркетинговых платформ на срок более чем 1 год.

Выкупить трех- или пятилетнюю подписку на классическую жесткую платформу ради красивой скидки в 20–30% — это экономическое самоубийство для компании. Это абсолютно эквивалентно подписанию контракта на оптовую закупку кнопочных телефонов за месяц до официальной презентации первого iPhone.

Вы добровольно загоняете свой бизнес в технологическую кабалу. Ближайшие несколько лет, пока ваши конкуренты будут внедрять гибких ИИ-агентов, мгновенно адаптирующих воронки под контекст пользователя и GEO-выдачу, вы будете тратить ресурсы на ручную пересборку и поддержку сломанных скриптов в перегруженной legacy-системе, потому что за неё «уже заплачено».

Итог:

1. Проведите жесткую ревизию стека: Прямо завтра выпишите точные даты окончания лицензий всех ваших текущих CRM-систем, сервисов рассылок, чат-ботов и сквозной аналитики.
2. Заложите временное окно для маневра: Начинайте глубокий аудит альтернативных AI-native решений минимум за 3–6 месяцев до даты автоматического продления. Вы не должны подписывать старые неэффективные контракты в спешке из-за страха внезапной остановки текущих бизнес-процессов.
3. Перестраивайте архитектуру данных под ИИ: При проектировании собственных продуктов и маркетинговых воронок перестаньте опираться на жесткие цепочки «если/то». Фокусируйтесь на сборе чистого, неискаженного контекста поведения пользователей и разметке сайта под ИИ-краулеров. Именно качественные данные станут главным топливом для автоматизации нового поколения.