Мошенники с ИИ собирают в 4,5 раза больше денег. Как маркетингу превратить ИИ в продажи

Нейросеть за минуту написала двадцать объявлений. Дизайнер получил ещё десять идей для баннеров. Команда отчиталась: ИИ внедрён. А покупатель после клика попал на общую страницу, не понял итоговую цену и ушёл. Производительность выросла в редакторе. До кассы изменения не дошли.

На этом фоне особенно неприятно читать исследование Chainalysis. Мошеннические схемы с наблюдаемыми связями с продавцами ИИ-инструментов собирали в среднем $3,2 млн, схемы без таких связей — $719 тыс. Примерно в 4,5 раза меньше. Вот исходные данные.

Это сравнение поступлений, а не прибыли. Исследование не доказывает, что подключение ИИ вызвало весь разрыв. И группа без обнаруженной связи с поставщиками могла использовать ИИ, оплаченный другим способом. Поэтому обещать маркетингу «рост в 4,5 раза» на основании этих цифр нельзя.

Зато из них получается полезный вызов: у бизнеса есть настоящий продукт, возможность выполнить обещание и получить повторную покупку. Что мешает связать ИИ с этим результатом?

Ниже — восемь шагов на одном учебном примере. Магазин продаёт посудомоечные машины с доставкой и установкой. Разберём, что дать ИИ, какие задачи поручить агентам и по каким деньгам принимать решение.

На уровне организации мошенническая схема узнаваема маркетологу: выбрать аудиторию, найти мотив, сделать предложение, подготовить материалы, поддержать разговор, довести до действия. ИИ помогает персонализировать сообщения и создавать убедительные имитации — это описывает, например, государственный сервис Scamwatch.

Для обычного бизнеса полезна сама идея связанного процесса. Покупатель откликнулся на предложение — страница продолжила его — помощник учёл контекст — сотрудник получил готовый запрос — результат дошёл до аналитики. Каждый следующий участник использует уже выясненное.

Представим обратную ситуацию. Объявление обещает подобрать машину с установкой. Страница показывает весь каталог. Чат предлагает «оставить телефон». Менеджер заново спрашивает, что нужно. За генерацию текстов команда уже заплатила, но причину отказа покупателя не убрала.

Начать стоит с одного такого разрыва. В нашем примере человек смотрит узкие модели 45 см и читает про установку, но не понимает, во сколько обойдётся покупка целиком. Это ещё гипотеза о препятствии: её предстоит проверить.

Выбираем одну категорию — машины шириной 45 см. Цель: получить больше оплаченных заказов с приемлемыми затратами. Заявка на расчёт помогает увидеть промежуточный этап, но решение принимаем с учётом оплат и отмен.

Сначала считаем вклад заказа: выручка минус закупка, переменная доставка, установка, комиссии и ожидаемые потери от возвратов. В учебном примере до маркетинговых расходов остаётся 6 000 ₽. Хотим сохранить 2 000 ₽ на постоянные расходы и прибыль — значит, на привлечение и обработку можно потратить до 4 000 ₽.

ИИ может свести данные и найти расхождения. Состав затрат подтверждает человек, который отвечает за экономику. Если суммы не сходятся, пока рано поручать агенту увеличивать рекламный бюджет.

Результат шага: одна цель, формула денег и допустимые затраты. Для исходного сравнения берём завершённый период и исключаем отменённые заказы из оплат.

Агенту нужны актуальные модели, наличие, размеры, цены, география доставки и состав установки. У каждой записи — источник и дата обновления. Отдельно нужны условия доплат и сотрудник или система, которые могут подтвердить свободное время мастера.

Первое задание ИИ может выглядеть так:

Проверь каталог машин 45 см и условия установки. Составь таблицу фактов: источник, дата, противоречия, недостающие сведения. Отдельно выпиши обещания, которые пока нечем подтвердить. Не придумывай цену, наличие, совместимость и сроки.

Для причин отказов и вопросов покупателей используем обезличенные обращения и разрешённые компанией инструменты. Выборочно сверяем результат с реальными товарами. Обнаружили старую цену — обновляем данные до запуска диалога.

Результат шага: набор проверенных условий и список пробелов. Модель должна уметь сказать «неизвестно», когда источника нет.

«Мужчины и женщины 25–55» мало объясняют, какое предложение сделать. Полезнее разобрать ситуации: сломалась старая машина, собирается новая кухня, нужна узкая модель для небольшой квартиры.

Для первого теста выберем доступный сигнал: посетитель открывал категорию 45 см и условия установки. Это показывает интерес к услуге. Срочность, бюджет и готовность купить сегодня из него не следуют.

Поручение ИИ: найти в обезличенных обращениях повторяющиеся задачи покупки; для каждой привести подтверждение, препятствие и наблюдаемый сигнал. Затем предложить один сегмент для проверки.

Результат шага: маркетолог может повторить правило отбора по данным. Предположение о проблеме покупателя записано отдельно от наблюдения.

Под нашу гипотезу подходит оффер: «Подберём машину 45 см и рассчитаем доставку с установкой до оформления заказа».

Он снимает конкретную неопределённость: сколько стоит решение целиком. До рекламы сотрудник проходит сценарий на нескольких товарах и проверяет, можно ли действительно получить такой расчёт. Бесплатную установку и «привезём завтра» добавляют только при подтверждённых условиях.

ИИ можно поручить три варианта предложения с разбором пользы, доказательства и стоимости исполнения. Для проверки выбираем один. Иначе будет трудно понять, на какое изменение отреагировал покупатель.

Результат шага: один оффер, его ограничения и понятное действие — «Рассчитать покупку с установкой».

Теперь генерируем комплект. Объявление обещает расчёт покупки целиком. На изображении — реальный контекст товара и установки. Первый экран объясняет состав расчёта. Помощник начинает с вопроса, который продвигает дело: «Какие размеры ниши и в каком городе нужна установка?»

Подготовь заголовок, текст объявления, идею изображения, первый экран и первый вопрос помощника под выбранный оффер. Укажи подтверждение каждого обещания и следующий шаг покупателя. Сохрани одинаковые условия во всём комплекте.

Проверяем путь с телефона. После клика покупатель узнаёт то же предложение, видит условия и может продолжить. Если приходится заново искать товар или пересказывать вопрос, комплект ещё не готов.

Результат шага: один связанный вариант для теста. Здесь ИИ экономит работу на нескольких этапах, а команда проверяет один маршрут.

Ролей может быть несколько; отдельных агентов на старте — один или несколько, в зависимости от задачи. Важно, что каждый передаёт дальше и где заканчиваются его полномочия.

Помощник может объяснить состав установки из документа. Забронировать время мастера — только через подключённую систему и при соответствующих правах. Нестандартную скидку или неизвестную совместимость передаёт сотруднику.

Проверяем обычный заказ и исключения: товара нет; покупатель не знает размеры; нужна особая установка; в источниках разные цены. Человек должен получить собранный контекст, а покупатель — понятный следующий шаг.

Результат шага: у каждой передачи есть ответственный. Доступ к инструменту не означает разрешение на любое действие.

Сравниваем текущий путь A и новый сценарий B внутри одного сегмента. По возможности случайно закрепляем посетителя за вариантом и сохраняем группу при повторных визитах. Источник трафика, география, ассортимент и период должны оставаться сопоставимыми.

До старта записываем бюджет, ответственного, необходимый объём наблюдений и срок с учётом обычного времени до оплаты и отмен. Главный показатель — вклад оплаченных заказов после переменных, рекламных и операционных затрат на посетителя. Дополнительно смотрим заявки, время сотрудника, отмены и ошибки ответов.

Условия немедленной остановки тоже нужны заранее: агент обещает недоступное, расход выходит за лимит, заказ теряет связь с вариантом. Проверяем, что сотрудник умеет остановить сценарий.

Результат шага: измеряемый эксперимент. Он оценивает новый путь целиком; вклад отдельного текста или агента потребует следующих проверок.

В сквозной аналитике нужна связь «источник → вариант → обращение → заказ → оплата». ИИ может искать расхождения, но оплаты берутся из учётных систем. Учитываем рекламу, работу людей, настройку, ИИ и возвраты.

Ниже — придуманные данные для проверки формулы, не кейс Андаты. В каждой группе по 1 000 подходящих посетителей, вклад заказа до маркетинга — 6 000 ₽.

В этом условном расчёте осталось 48 000 ₽ в A и 87 000 ₽ в B. Разница — 39 000 ₽. Это способ учитывать экономику, а не доказательство победы по 20 и 26 заказам. Решение о масштабировании требует достаточного объёма наблюдений, анализа неопределённости и завершённого окна возвратов.

Заявок больше, оплат нет — проверяем качество обращений и передачу менеджеру. Оплаты выросли, но всё съели скидки и обслуживание — пересматриваем оффер. Данные ещё не созрели — сохраняем промежуточный статус и дату следующего чтения.

Результат шага: решение «продолжить сбор», «исправить», «отклонить» или «расширить» с конкретным основанием. Следующая гипотеза начинается с этого результата.

Возьмите одну категорию и одно препятствие покупателя. Соберите достоверные условия, свяжите предложение с диалогом и доведите измерение до оплаченного заказа. Техническая сборка зависит от ваших систем: агенту нужны источники, инструменты, права и сохранение контекста; человеку — возможность проверить и остановить его действия.

Первый полезный результат ИИ в маркетинге вполне может выглядеть скромно: покупатель получил полный расчёт, менеджер не задавал вопросы повторно, заказ связался с вариантом, команда посчитала реальные затраты. После этого появится основание увеличивать масштаб.

Какой переход сейчас теряет контекст у вас: из объявления на страницу, из чата к менеджеру или из заказа в аналитику?