Введение

Генеративный искусственный интеллект (ИИ) трансформирует многие сферы деятельности, значительно упрощая решение различных рабочих задач, меняя общение и совершенствуя развлечения. Чат-боты с генеративным ИИ осуществляют взаимодействие с человеком (клиентом), имеющее не только контекстно-ориентированный, но интеллектуальный характер. Зачастую это позволяет клиенту не только получить нужный ему ответ, но и задать правильный вопрос. Генерятся тексты, изображения, проводится анализ данных [2].

Поисковые системы с генеративным ИИ осуществляют одновременный поиск и обработку запрашиваемой информации, генерацию резюмирующих ответов на полученный запрос на основе веб-источников.

Генеративный ИИ используется для написания фрагментов кода и даже перевода идеи в полностью функциональный код, который потом проверяется и исправляется опытным разработчиком, но позволяет существенно сократить время на решение стандартных задач и сосредоточиться на творческой составляющей работы.

Значительный вклад внес генеративный ИИ в разработку пользовательского контента, даже неспециалисты могут генерить и редактировать изображения и видео, включая в них яркие визуальные эффекты, что сложно было даже представить 5 лет назад. С помощью генеративного ИИ сочиняется оригинальная музыка на имеющиеся тексты или без них или кавер-версии существующих музыкальных композиций. И, наконец, написание или исправление текстов с ИИ – для блогов, сайтов, социальных сетей, рекламных сообщений, даже резюме или электронных писем - с выверенной орфографией и пунктуацией стало простой задачей и позволяет создавать пользователям добротный, хотя и не очень уникальный контент.

Генеративный ИИ улучшает и ускоряет решение и других задач - организационных (составление расписаний, планов, стандартных электронных писем), образовательных (персонализированный подбор учебных материалов с иллюстрирующими материалами, разбор и подробное объяснение математических или любых других задач), оздоровительных (разработка индивидуальных планов тренировок, планов питания с подбором рецептов под определенную цифру калорий с отслеживанием результатов,  психологическая поддержка тренирующихся), игровые (разработка сюжетных линий, их динамическая смена в зависимости от действий и подсказок пользователя).

Все эти растущие возможности, которые дает генеративный ИИ дали повод заговорить с высокой уверенностью о том, что во многих сферах деятельности отказ от человеческих специалистов – это вопрос очень близкой перспективы, в частности речь идет о маркетинге и, соответственно, маркетологах.

Постановка проблемы

Современные компании работают на высококонкурентных рынках, в условиях турбулентности внешней среды, быстро меняющихся потребительских трендов, изменчивости самих потребителей. Снижение уровня жизни в ряде стран, неопределенность, в которой живут многие потребители, вызванная напряженной международной или внутренней политической ситуацией, снижают их покупательскую способность, что усиливает конкурентное давление на компании. Решение многие компании видят в повышении эффективности маркетинговой деятельности за счет использования новейших подходов и инструментов, в частности технологий Big Data, машинного обучения и, наконец, генеративного ИИ. Последний начинает восприниматься как панацея, способ решать многие маркетинговые задачи быстро и дешево, что особенно важно для средних и мелких компаний, отказавшись от ряда профессиональных специалистов в области стратегического маркетинга, брендинга, дизайна, копирайтинга, режиссуры – то есть там, где требуется творческий подход.

Цель данного исследования – рассмотреть различные направления маркетинговой деятельности от исследований рынка и потребителей и дальнейшего анализа полученных данных, до разработки нового продукта, создания бренда и поддержания его идентичности,  а также продвижения на выбранную целевую аудиторию с использованием опыта крупных международных компаний с тем, чтобы  оценить, в каких областях маркетинговой деятельности генеративный ИИ не может справиться с поставленной задачей даже на уровне среднего специалиста - маркетолога, и тем более признанных гуру маркетинга, а где он решает задачи не только быстрее, но и на порядок лучше, чем человек.

Понятие и применение ИИ в маркетинге

Согласно определению Британской энциклопедии ИИ - способность цифрового компьютера … выполнять задачи, обычно связанные с разумными существами. Этот термин часто применяется к проекту разработки систем, наделенных интеллектуальными процессами, характерными для людей, такими как способность рассуждать, открывать смысл, обобщать или извлекать уроки из прошлого опыта [5].

Генеративный ИИ уже активно используется в маркетинговой деятельности, согласно отчету [16] 63% команд маркетологов используют его и 78% из них утверждают, что получили от этого использования положительный эффект. Хотя только 43% маркетинговых команд заявили, что планомерно интегрируют генеративный ИИ в свою маркетинговую деятельность. Как правило это происходит в крупных компаниях (с оборотом $ 1 млрд и больше), имеющих большие маркетинговые команды (более 500 человек), тогда как применение генеративного ИИ в средних и мелких компаниях чаще имеет эпизодический характер. Это вполне объяснимо, поскольку масштабирование более приоритетно в крупных компаниях, и они же имеют на это ресурсы.  И даже при этом 78% маркетинговых команд начали применять генеративный ИИ только в 2024 году. Но 79% компаний планируют расширить применение генеративного ИИ в 2025, будучи удовлетворенными полученным результатом. В 2024 году 57% маркетологов использовали генеративный ИИ для создания контента, 55% - для создания некоего списка идей, 45% - для SEO оптимизации, 49% - для проведения маркетинговых исследований. Тогда как для решения задач, требующих творческого нестандартного подхода – например, для создания и управления брендом, только 30% маркетинговых команд пытаются использовать генеративный ИИ.  

Основными направлениями применения генеративного ИИ в маркетинге являются:

1 Персонализация предложений – предполагает анализ статистики покупок потребителей, на основе которых можно составить такое предложение клиенту, которое с большой долей вероятности будет рассмотрено и принято. Данные о продажах являются структурированными, поэтому довольно легко обрабатываются и анализируются [11].

Например, Netflix анализирует данные о просмотрах пользователя – какие фильмы смотрит, в какое время, в будни или выходные, как оценивает, насколько заинтересован – пересматривает или, наоборот, перематывает или, может быть, ставит на паузу? На основе этих данных строится коллаборативная рекомендательная система, призванная помочь пользователю легче найти тот фильм, который ему понравится, а значит вызовет удовлетворение и заставит остаться на платформе Netflix.

2. Предиктивная аналитика – предполагает использование статистических, математических методов и машинного обучения для извлечения из больших массивов данных для построения моделей, на основании которых создаются довольно точные прогнозы относительно будущего поведения потребителей, их предпочтений, необходимых рекламных бюджетов и много другого. Сюда же относится задача сегментации потребителей. Раньше в традиционном маркетинге было принято сегментировать потребителей на базе информации, полученной в рамках различных маркетинговых исследований, в случае их грамотной организации и хорошего анализа получали четкие  сегменты, объединяющие однородных по выбранным признаком потребителей. Но эти сегменты были хороши ровно на момент проведения опроса и анализа, поскольку рынок быстро меняется, возникают новые тренды и тенденции, соответственно же меняются сами потребители. И завтра они могут вести себя несколько иначе, чем сегодня. Уловить это в результате опроса - сложно, то есть получаемые сегменты оказываются как бы обращенными в прошлое, тогда как маркетологу нужно понимание той сегментации, которая будет актуальной еще некоторое количество времени в будущем.  Здесь решением становится тоже предиктивная аналитика. Для перечисленных задач оказывается категорически недостаточно информации о том, что купил тот или иной потребитель. Важно знать, какие в принципе товары его интересуют, какие он смотрит и какие покупает, какие акции его зацепили, а какие нет, источники трафика, используемые устройства для совершения покупок. А также его настроение, политические взгляды, ценностные установки, культурные особенности и многое другое, что можно узнать о человеке, например, из социальных сетей или его поведения на различных форумах.

Например, Coca-Cola анализирует социальные сети, собирая посты, комментарии и хэштеги, очищая собранные данные от опечаток, всевозможных эмодзи и спецсимволов, приводя сокращенные и исковерканные слова к нормальному виду и удаляя информацию, которая идет от ботов и спама через NLP-модели. После этого проводится сегментация аудитории по заранее определенным признакам (демографическим, поведенческим, психографическим), для чего используются инструменты кластеризации, то есть автоматического выделения групп, например, K-means и RFM (Recency, Frequency, Monetary) для понимания того, кто чаще покупает или упоминает бренд. Затем следует анализ тональности текстов по сегментам, определение word cloud – самых часто используемых слов в обсуждениях, а также лидеров мнений. После этого можно персонализировать контент и оптимизировать доставку рекламы, с последующей оценкой эффективности проводимых мероприятий. Сегментация, то есть деление аудитории на группы осуществляется для дальнейшего таргетинга. Например, Coca-Cola продвигает в США Coca Cola Zero, а в Азии – обычную, поскольку там любят сладкую газировку. Netflix строит кластеризацию по жанрам, поэтому любители детективов видят трейлер нового детектива, а триллеров – соответственно – нового триллера.

Для решения задач предиктивной аналитики собираются большие объемы данных. Например, компания Walmart создала отдельную платформу Data Café, которая позволяет быстро обрабатывать и визуализировать огромные объемы внутренних (порядка 200 млрд строк трансакционных данных за несколько недель) и внешних данных из 220 источников, в том числе – это  метеорологические данные, экономические данные, данные исследовательского агентства Nielsen, телекоммуникационные данные, социальные медиа, цены на бензин и базы данных местных мероприятий. Последующий анализ собранных данных позволяет отвечать на большинство маркетинговых запросов операционной деятельности, таких как объемы заказов, ассортимент, ценообразование на основе покупательского поведения и предпочтений потребителей в различные моменты времени (день или ночь, лето или зима, смерч или торнадо), осуществлять геосегментацию и строить прогнозные модели [8].

Компания Chanel использует предиктивную аналитику для оптимизации поставок. Chanel производит продукцию luxury, что предполагает использование редких материалов очень высокого качества, деталей и фурнитуры зачастую ручного производства, на создание которых уходит много времени, очень небольшие тиражи (даже единичные) – все это усложняет задачу своевременного и достаточного, но не чрезмерного производств изделий при сохранении их качества люкс. Поэтому компания уделяет много внимания прогнозированию спроса на свою продукцию на основании данных о прошлых продажах, актуальных потребительских тенденциях, а также с учетом макроэкономических воздействий – экономических кризисов иди военных действий. Это позволяет оптимизировать объемы и графики производства, направлять верное количество продукции по ассортиментным позициям по разным регионам. А мониторинг цепочки поставок в режиме реального времени дает понимание в режиме реального времени, где находится сырье и готовая продукция, заранее определяя узкие места.

3. Создание персонализированного контента. Написание текстов, создание видео- и аудиороликов, релевантных для каждого выбранного потребительского сегмента, в том числе геймификация или локализованные акции.

Например, Netflix создает динамические обложки для фильмов и сериалов на своей платформе, обложка может выглядеть по-разному, поскольку для разных пользователей делается акцент на разном – для одних это детективная линия, для других – романтическая.

Coca Cola запустила новую кампанию Share a Coke, в которой используется ИИ для продажи в торговом автомате Freestyle персонализированного напитка для себя или своего друга. Для этого надо ввести имя (свое или друга) или забавный псевдоним, который будет напечатан на стакане с напитком, а также отметить стикеры, которые характеризуют того, для кого напиток – веселый, креативный, энергичный и т.д. и наполнить стакан. Оригинальный рецепт смеси будет разработан ИИ [15].

Или Рождественская кампания Coca-Cola 2024 [4] – с помощью ИИ было создано 110 версий на основе исторического рекламного ролика 1995 года «Праздник к нам приходит», для чего потребовалось всего 4 дня. Ролики были персонализированы для 43+ стран, для чего в них добавлялись специальные элементы, например, биллборд «Welcome to Boston» для США, в некоторых регионах даже была осуществлена геопривязка контента, то есть реализована гиперперсонализация. Надо отметить, что над роликами работали 3 киностудии – в Лос-Анджелесе, в Сан-Франциско и Куала-Лампуре, специалистам пришлось исправлять многие артефакты, оставшиеся после ИИ - нереалистичные тени или деформированные колеса грузовиков. И несмотря на рост показателей вовлеченности, узнаваемости бренда, роста выручки, результаты этой кампании рассматриваются как спорные. Многие посчитали ее «не теплой», искусственной, тем более искажений там осталось достаточное количество, разочаровало и то, что культурная специфика регионов была учтена недостаточно хорошо.

Интересен так же пример с геймификацией - Nike создала виртуальную платформу Nikeland внутри популярной игровой вселенной Roblox. Игроки Nikeland генерят свои цифровые аватары, которые могут участвовать в спортивных соревнованиях, мини-играх. При этом они носят одежду и используют спортивную экипировку Nike, которая является точной цифровой копией реальных спортивных товаров брендов. Таким образом происходит геймификация бренда, а также его популяризация в цифровой среде [9].

4. Персонализация пользовательского опыта. Компания Nike внедрила функцию AR (дополненной реальности) примерки кроссовок, создав для этого приложение Nike Fit для iOS и Android [3]. Использование компьютерного зрения для измерения стопы и машинного обучения позволяют наиболее точно определить нужный потребителю размер для любой из имеющихся у бренда моделей кроссовок. Одновременно с повышением удовлетворенности потребителей, которые не ошибаются с размером, а кроме того, могут предварительно в 3D «увидеть» как выглядит обувь на ногах, компания получает обширные данные, позволяющие лучше понимать, что хочет потребитель, а также повысить конверсию, снизить затраты на доставку и уменьшить возвраты, если покупка происходит онлайн.

Chanel создала Lipscanner – мобильное приложение, с помощью которого можно отсканировать любой понравившийся оттенок – помады, платья, чего угодно другого и приложение подберет наиболее близкие по цвету оттенки помады Chanel с учетом того, какую текстуру – матовую или глянцевую пользователь предпочитает. Функция Color Picking позволяет для любого лука пользователя на загруженной фотографии (сочетания одежды и обуви) также предложить три наиболее подходящих оттенка помады Chanel на выбор [1].

Также для улучшения пользовательского опыта компания Chanel создала виртуальных стилистов, которые в режиме реального времени дают рекомендации по моде отталкиваясь от реальных предпочтений конкретного потребителя. Таким образом онлайн клиент может получить в цифровом пространстве очень квалифицированную высококлассную консультацию, как если бы он посетил один из офлайн бутиков Chanel.

Принципиально другой пример улучшения пользовательского опыта c помощью ИИ можно взять из практики Airbnb – компании, предлагающей сервис краткосрочного найма и сдачи жилья. Одной из серьезных проблем как для самой компании, так и для арендодателей является съем жилья для вечеринок. Использование машинного обучения позволяет идентифицировать тех пользователей, которые хотят снять жилье для устройства там массовой вечеринки, что чревато шумом и беспокойством для соседей, испорченным имуществом, возможными правонарушениям. Алгоритм, анализируя ряд факторов, в том числе  – возраст (младше 25 лет и недавно зарегистрированные на платформе), отсутствие хороших отзывов от хозяев, дата бронирования близкая ко дню рождения, близость объекта к месту нахождения бронирующего, срок бронирования, то насколько заранее делается бронирование, на какие дни – будни или выходные – оно приходится, тип объекта и его местонахождение (город, сельская местность) может определить нежелательных съемщиков [6]. Если возникают сомнения, анкета направляется сотруднику для дальнейшего принятия решения. 

5. Глубокое таргетирование и оптимизация доставки – персонализация, предиктивная аналитика, в том числе сегментирование и возможность быстро создавать самый разнообразный контент – позволил осуществлять и весьма эффективно глубокое таргетирование. То есть, четко нацеливать рекламный посыл именно на выбранную даже весьма и весьма узкую целевую аудиторию, предлагая ей именно то, что она ожидаемо хорошо воспримет. А также показывать рекламу в нужное время и использовать для этого подходящие каналы рекламы. Например, Coca Cola использует Programmatic – рекламу, то есть рекламные показы покупаются на рынке торгов в режиме реального времени (RTB) [14] в автоматическом режиме. ИИ оценивает ценность пользователя, когда он заходит на сайт (исходя из истории его просмотров, геолокации и других факторов) и участвует в торгах, а также одновременно генерит конкретно под него, например, рекламный баннер. Никто кроме ИИ создавать тысячи баннеров за короткое время не сможет. В частности Coca Cola использует платформу Albert AI, которая перераспределяет бюджет между TikTok и другими социальными сетями, что способствует росту конверсии и снижению стоимости клика. При этом сторонники спортивного образа жизни (геолокация – фитнесс-клубы) увидят баннер с Coca Cola Zero, а просто молодые люди – баннер, при клике на который у них откроется AR- фильтр в приложении, который, например, «наденет» на изображение пользователя в камере смартфона бело-красную шапку с его именем.

5. Разработка творческих концепций, моделей, элементов бренда. Nike использует ИИ для разработки новых дизайнов кроссовок. Так были разработаны индивидуальные дизайны кроссовок для ведущих атлетов мира, с учетом их персональных данных – биометрии, физических нагрузок, специфики тренировок, а также их личного видения – что воплощает саму суть атлета, в чем они черпают вдохновение, что им нравится.  Исходя из этого были написаны детальные промты, которые позволили ИИ выдать большое количество моделей для каждого из атлетов, из которых были выбраны лучшие образцы для дальнейшей работы дизайнеров студии Леброна Джеймса, в результате которой были созданы 13 финальных прототипов для спортсменов, среди которых Венбаньяма, Шакарри Ричардсон, Ктиллиан Мбаппе [7]. Для подбора материалов с учетом внешнего вида и функциональных характеристик также использовался ИИ, в частности так появились неожиданные элементы, типа чешуек дракона для теннисистки Чжен Цивень. Тот же подход сейчас используется для разработки массовых кроссовок Nike Air, при которой учитывается результат обработки и анализа больших массивов данных о потребителях и их предпочтениях - дизайне, комфорте, функциональности, получаемых из отзывов и комментариев в социальных сетях и на основе статистики продаж, а также прогнозные тренды. Важно отметить, что в ситуации разработки новых дизайнов роль ИИ велика, поскольку именно генеративные программы позволили в короткие сроки «нарисовать» большое количество моделей, но главная роль – у человека, который писал и корректировал промты, выбирал лучший образец и дорабатывал его. То есть ИИ – здесь инструмент, а творец – человек, дизайнер.

Другой пример с компанией Chanel, которая использует ИИ для ускорения проектирования новых моделей, поскольку столкнулась, с одной стороны, с необходимостью поддерживать высокие стандарты создания новых моделей, предполагающие итеративные эскизы, развивающие и корректирующие новую концепцию, затем физическое прототипирование, подбор материалов, в том числе с учетом требований экологичности, что занимает все вместе очень много времени. А с другой стороны – потребность быстрого создания новых моделей, поскольку современный рынок и потребительские предпочтения, которым надо соответствовать, меняются очень быстро.  Chanel применяет ИИ, который анализируя исторические дизайны самого бренда, новые тренды и потребности потребителей формирует предложения с учетом новых видов материалов и других теперь доступных элементов дизайна. Таким образом дизайнер может видеть, как смотрятся ткани, их фактура, сочетание, цвета, узоры в предлагаемых моделях, чтобы вносить нужные корректировки. Это очень экономит время и затраты, поскольку только получив удовлетворительный результат в цифровом виде, модельер переходит к физическому прототипированию модели. ИИ также может для готовой модели учесть параметры конкретного заказчика, персонализируя изделие. Но важно отметить, что в данном случае ИИ визуализирует дизайн, который создается человеков, позволяет сразу оценить техническую осуществимость замысла, а также поддерживает преемственность стилистики бренда.

Примером креатива в продвижении может быть созданный компанией Nike и завирусившийся ролик с Сереной Уильямс «Never Done Evolving», в которой сегодняшняя спортсменка играет в теннис со своей молодой копией. Разумеется, это deep fake созданный ИИ, для которого использовались архивные видео данные теннисистки, чтобы смоделировать стиль ее игры, его характерные особенности. Ролик взял Гран-при в категории Digital Craft на Каннских львах в 2023 году со слоганом «Ты всегда можешь стать лучше. Даже если соревнуешься с самим собой». Это пример уникального креатива, хотя идею придумал не ИИ, но он придал ему новую совершенную форму.

Много интересных креативных кампаний, созданных с участием ИИ запустила Coca Cola. Например, кампания под названием Create Real Magic началась в марте 2023 года, целевой аудиторией стали цифровые дизайнеры и креаторы, цифровые и ИИ энтузиасты, а также частые пользователи социальных медиа [12]. Ее суть заключалась в том, чтобы пожелавшие участвовать пользователи с помощью ИИ (GPT-4, DALL-E) создавали рекламные изображения для Coca-Cola. ИИ опирался на атрибуты бренда, такие как логотип, фирменные цвета – белый и красный, Санта-Клаус, белые медведи, а также следовал конкретным текстовым подсказкам пользователя, в результате получался довольно оригинальный дизайн, но в стилистике Coca-Cola. Полученными изображениями пользователи активно делились в сети, получали много комментариев и оценок, лучшие работы были размещены на билбордах на Таймс- Сквер в Нью-Йорке и Пикадилли – Сёркус в Лондоне. 30 победителей были приглашены в Creative Academy (Атланта) для работы над брендом [4].

Или создание интерактивного Санты, прототипом которого был исторический Санта, созданный в 1931 году Хаддоном Сандбломом на платформе Microsoft Azzure и с использованием GPT-4. Любой пользователь мог задать свой вопрос Санте на платформе CreateRealMagic.com, куда он попадал, отсканировав штрих-код на упаковке Coca-Cola. Речь конвертировалась в текст (с помощью Azure AI Speech), текст анализировался GPT-4 и генерировался персонализированный ответ на языке заданного вопроса. Текстовой ответ озвучивался с помощью Custom Neural Voice, а Mimic синхронизировал анимацию губ. В результате пользователь получал видео с отвечающим на заданный вопрос Сантой. Так же не обошлось без проблем, поскольку Сантой не всегда учитывались культурные особенности страны, откуда был задан вопрос - критики отмечали, что для Азии Санта должен был быть менее эмоциональным.

 Что касается разработки логотипов или дизайнов упаковки ярких примеров успешной работы ИИ – немного. Компания Nutella совместно с Ogilvy&Mather выпустили 7 млн уникальных банок в рамках проекта Nutella Unica, каждую в своем неповторяющемся дизайне. Упаковки были созданы с помощью ИИ, который комбинировал цвета и графику, каждой присвоили уникальный номер [10]. Или Coca-Cola создала напиток Coca-Cola Y3000 Zero Sugar совместно с ИИ, опираясь на представление потребителей о том, каким должен быть этот напиток по вкусу в будущем, в 3000 году. Также ИИ был разработан футуристичный дизайн упаковки с использованием фиолетового, голубого, пурпурного цветов на серебряном фоне, призванный показать оптимистичное восприятие будущего [13].  Как правило дизайны, которые разрабатывает ИИ предназначены для сезонных серий или отдельных проектов, но практически не затрагивают сам основной бренд, либо подвергаются очень значительной ручной доработке и все равно, зачастую проигрывают «человеческим вариантам». То же самое можно отнести и разработке логотипов. 

Анализ эффективности рекламных кампаний и акций, мероприятий по улучшению пользовательского опыта, а также качества креативных концепций производится на основе оценки вовлеченности (подсчет лайков, комментариев, репостов) и конверсии (количества переходов на сайт через клики на рекламные баннеры или промо-акции). Также для оценки качества контента используются A/В тесты со сравнением достигнутых показателей CTR, для оценки рекламных кампаний – sentiment анализ социальных сетей, оценка реакции пользователей на рекламные баннеры через встроенные камеры с помощью нейросети.

Выводы

Проведенный анализ показывает, что использование генеративного ИИ в маркетинговой деятельности значительно повышает ее эффективность по ряду направлений, в частности, предиктивной аналитики – то есть прогнозирования рыночных тенденций и потребительского поведения, более глубокой сегментации потребительской аудитории и последующего таргетированного продвижения, а также в области решения задач гиперперсонализации. Именно сбор, обработка и последующий анализ больших массивов данных с применением машинного обучения и ИИ в принципе позволяют решать данные задачи на столь высоком уровне.

В случае с решением творческих задач с применением генеративного ИИ складывается несколько иная ситуация. Примеров использования ИИ для разработки концепций, дизайнов, логотипов, творческих концепции и рекламных изображений уже достаточно. Но при детальном рассмотрении очевидно, что роль специалистов – маркетологов, сценаристов, режиссеров, дизайнеров, копирайтеров и других – по-прежнему остается главенствующей. Написание грамотных и детальных промтов с учетом маркетинговой стратегии, позиционирования бренда, целевой аудитории и желаемого стиля, корректировка получаемого креатива, в том числе с учетом культурных особенностей и нюансов стран или регионов для которых он разрабатывается,  поддержание  идентичности бренда, его эмоциональности, а также ручная доработка и добавление актуального контекста – все это делается  людьми. Вопросы соблюдения этики, в том числе исключение плагиата, то есть копирования из других работ – тоже остается исключительной прерогативой людей, как и отсев шаблонных решений, которых у ИИ большинство, причем по вполне понятным причинам.

При этом нельзя отрицать тот факт, что ИИ, действительно, существенно ускоряет и удешевляет процесс создания креативных решений, в частности, позволяя быстро увидеть результат, для получения которого раньше потребовалось бы создание физических моделей – что долго и дорого. А также быстро протестировать и оценить полученные варианты креатива с тем, чтобы в дальнейшем использовать лучшие из них. То есть, можно констатировать факт, что ИИ – хороший помощник в решении творческих задач и генерация вариантов дизайна, подбор цветов, текстур, голосов и многого другого – может быть отдана ему, но и только.  Контроль специалиста-маркетолога – необходим, причем чем ярче бренд, чем определенней его сформировавшаяся идентичность, как например, у Nike, Coca-Cola или Chanel, тем он важнее. Размывание идентичности может слишком дорого обойтись бренду. Поэтому на сегодняшний момент значение «человеческого» специалиста для решения творческих задач очень велико на всех этапах. В среднесрочной и, тем более, долгосрочной перспективе роль человека изменится – в большей степени она будет заключаться в определении маркетинговой стратегии в целом, поддержании идентичности бренда, создании принципиально оригинальных решений, обеспечении культурной релевантности и обеспечении эмоциональной наполненности всех рекламных материалов.

Таким образом, можно сделать вывод, подтвержденный рассмотренным опытом крупных международных компаний – лидеров на своих рынках, что использование ИИ является одним из актуальных драйверов развития, позволяет поднять решение ряда маркетинговых задач на принципиально новую высоту, но для других задач – ИИ является и будет в течение довольно длительного времени являться лишь помощником, снимающим рутину с человеческих специалистов. Поэтому не только крупным, но и небольшим компаниям надо интегрировать ИИ в свою деятельность, начиная с автоматизации рутинных задач, при этом четко понимая, что успех этих действий во многом зависит от того, насколько хорошо удастся интегрировать ИИ с людьми, для которых он должен стать понятным и удобным инструментом, и с имеющимися системами компании (CRM, ERP) для синхронизации с существующими данными.

Очевидно, что некрупные компании не обладают ресурсами для, например, создания собственной инфраструктуры для обработки больших данных, но решением в данном случае может стать использование облачных инфраструктур, предлагающих такие объемы вычислительных мощностей, сколько это необходимо, а также – требуемое программное обеспечение. Одновременно для решения различных маркетинговых задач на рынке представлены самые разные платформы и инструменты генеративного ИИ, имеющие как широкое назначение, так и узко специализированные. Хотя исследование не ставит задачу их рассмотрения, хочется перечислить некоторые из них – Chat GPT, Gemini, DeepSeek, Claude, Microsoft Copilot, Midjourney, Synthesia, Hugging Face (H), DALL-E, Gamma, Kandinsky и многие другие. Поэтому даже небольшие компании могут пользоваться теми возможностями, которые им дает современное развитие генеративного ИИ.

Исходя из вышесказанного говорить о том, что профессия маркетолога в скором будущем отомрет в результате все более широкого использования ИИ – не приходится. Более того,  современный маркетолог должен обладать большими компетенциями, чем раньше, поскольку с одной стороны акцент в его деятельности будет постепенно переносится на решение более сложных стратегических и творческих задач, а с другой стороны – ему необходимо разбираться в том, какие возможности и ограничения имеют новейшие цифровые технологии, генеративный ИИ и умело применять их в своей деятельности именно там, где эффект от них максимальный.  

1. Bargh B. Chanel invests in AI with first-ever try-on beauty app // Cosmetics Business. — 2021. — Feb. 22. — URL: https://www.cosmeticsbusiness.com/chanel-invests-in-ai-with-first-ever-try-on-beauty-app--174709 (дата обращения: 01.08.2025).

2. Basheer K.C.S. 32 GenAI mobile apps to watch out for in 2025 // Analytics Vidhya. — 2025. — Jan. 8. — URL: https://www.analyticsvidhya.com/blog/2025/01/top-generative-ai-mobile-apps (дата обращения: 01.08.2025).

3. Broussard M. Nike reveals AR feature that will let you find the perfect shoe size using your iPhone // MacRumors. — 2019. — May 9. — URL: https://www.macrumors.com/2019/05/09/nike-ar-feature-shoe-size (дата обращения: 04.08.2025).

4. Chric K. What Coca-Cola has learned on its generative AI journey so far // Marketing Dive. — 2025. — Mar. 10. — URL: https://www.marketingdive.com/news/what-coca-cola-learned-generative-ai/741709 (дата обращения: 04.08.2025).

5. Copeland B.J. Artificial intelligence // Encyclopedia Britannica. — Online resource. — URL: https://www.britannica.com/technology/artificial-intelligence (дата обращения: 01.08.2025).

6. Harty B. Airbnb guests having a party? Here's what to do // SkylineStr. — 2021. — Jan. 1. — URL: https://www.skylinestr.com/airbnb-guests-having-a-party (дата обращения: 01.01.2021).

7. Hoke J., Chen R. Creating the unreal: how Nike made its wildest air footwear yet // About Nike. — 2024. — Apr. 11. — URL: https://about.nike.com/en/stories/nike-design-athlete-imagined-revolution (дата обращения: 08.08.2025).

8. Kern Chr. Walmart turns to Data Café analytics hub to make sense of data // Retail IT Insights. — 2017. — Feb. 3. — URL: https://www.retailitinsights.com/doc/walmart-turns-to-data-cafe-analytics-hub-to-make-sense-of-data-0001 (дата обращения: 04.08.2025).

9. McQuarrie L. Virtual sportswear ambassadors. Nikeland on Roblox lets players create Nike-branded digital avatars // Trend Hunter. — 2022. — Aug. 16. — URL: https://www.trendhunter.com/trends/branded-digital-avatars (дата обращения: 05.08.2025).

10. Nudd T. Nutella's unique product now comes in 7 million unique jars // AdWeek Creativity. — 2017. — Jun. 6. — URL: https://www.adweek.com/creativity/nutellas-unique-product-now-comes-in-7-million-unique-jars (дата обращения: 08.08.2025).

11. Vdovichena O., Saienko V. Use of artificial intelligence in marketing strategies: automation, personalization and forecasting // Journal of Management World. — 2024. — Vol. 2024, issue 2. — Pp. 41–49. — DOI:https://doi.org/10.53935/jomw.v2024i2.275. — URL: https://www.researchgate.net/publication/380423097_The_use_of_artificial_intelligence_in_marketing_strategies_Automation_personalization_and_forecasting (дата обращения: 03.08.2025).

12. A beverage brand using AI in marketing? // Marketing Maverick. — 2025. — Mar. 15. — URL: https://marketingmaverick.io/p/create-real-magic-marketing-campaign-by-coca-cola (дата обращения: 05.08.2025).

13. Coca-Cola Company. Coca‑Cola® creations imagines year 3000 with new futuristic flavor and AI-powered experience // Coca-Cola Newsroom. — 2023. — Dec. 9. — URL: https://www.coca-colacompany.com/media-center/coca-cola-creations-imagines-year-3000-futuristic-flavor-ai-powered-experience (дата обращения: 06.08.2025).

14. Real-time bidding market // Verified Market Reports. — 2025. — June. — URL: https://www.verifiedmarketreports.com/product/real-time-bidding-market (дата обращения: 06.08.2025).

15. Share a Coke on freestyle turns to artificial intelligence // Beverage Industry. — 2025. — Apr. 2. — URL: https://www.bevindustry.com/articles/97399-share-a-coke-on-freestyle-turns-to-artificial-intelligence (дата обращения: 04.08.2025).

16. The state of AI in marketing 2025. Jasper, 2025. URL: https://www.jasper.ai/state-of-ai-marketing-2025 (дата обращения: 02.08.2025).