Команда Яндекс Браузера рассказала, что получила рост на 20% по всем рекламным кампаниям, когда перевела продвижение одной из браузерных фич на связку из ИИ-ролей вместо ручной сборки универсальных креативов. Для русскоязычного рынка это показательный кейс: ИИ-агенты в маркетинге здесь выступают не красивой вывеской, а способом дешево масштабировать персонализацию там, где раньше все упиралось в руки команды и размер контекстного окна модели.
О подходе, как сообщает Habr / Карьера, на мартовском вебинаре Яндекс Практикума PRO рассказал Александр Мальцев, директор по маркетингу Яндекс Браузера и эксперт курса по нейросетям для маркетинга. Речь шла о продвижении нейроредактора в Браузере, где Алиса AI помогает писать, править и улучшать тексты. Над задачей работали всего два специалиста: перфоманс-маркетолог и коммуникационный маркетолог. До перестройки процесса команда выпускала около восьми рекламных паков в неделю, каждый с широкими креативами и одним лендингом на всех. Такой подход давал лишь 1-2 удачные связки, а рост, по словам команды, болтался в пределах плюс-минус 5%.
Проблема оказалась довольно приземленной и потому знакомой почти любому продукту с массовой аудиторией. У нейроредактора обнаружили 13 сегментов пользователей, а конверсия между ними различалась в три раза. Среди заметных групп команда выделила соискателей, школьников и студентов, а также людей, связанных с рекламой и текстами. По данным Яндекс Метрики, около 60% всего трафика давали три поисковых сценария: проверка орфографии онлайн, сокращение текста и перефразирование текста. После этого идея про один универсальный баннер для всех уже выглядела не экономией, а прямой потерей эффективности: аудитории приходят с разными задачами, а получают одну и ту же подачу.
Вместо попытки заставить одну модель «сразу сделать маркетинг» команда разложила работу на четыре роли. Первая роль, исследователь-аналитик, собирала фактуру по аудитории, конкурентам и болям пользователей. Вторая, маркетолог-психолог, переводила сегменты в мотивации, барьеры и эмоциональные триггеры. Третья, копирайтер-оператор, превращала гипотезы в тексты под площадки и рекламные форматы, в том числе через несколько коммуникационных фреймворков. Четвертая, дизайнер, готовила заготовки баннеров и структуру лендинга. Логика проста: не забивать одну LLM сразу всем контекстом, а постепенно обогащать задачу и не провоцировать модель на банальности. Это, пожалуй, самая полезная часть кейса для рынка: ИИ-агенты в маркетинге сработали не потому, что кто-то нажал кнопку «сделать креативы», а потому что роли были привязаны к нормальной маркетинговой методологии.
Для исследования аудитории команда использовала фреймворк WISER. Внутри него отдельно задаются роль, контекст, задача и формат результата, чтобы модель не плыла в общих формулировках. В качестве источников брали свежие отчеты, форумы, соцсети и статьи, а сегментацию просили делать в логике Jobs to Be Done. Один и тот же запрос отправляли сразу в несколько моделей: DeepSeek с режимом рассуждений и поиском, Алису AI с функцией «Исследователь» и Google Gemini в режиме deep research. На анализ уходило около 30 минут, еще примерно столько же занимал разбор результатов. На выходе команда получала таблицу с сегментами, частотой возникновения проблемы, текущими обходными решениями и неудобствами пользователя. Для многих продуктовых и growth-команд это важный сигнал: даже если итоговое решение принимает человек, первичный ресерч теперь можно собирать не неделями, а за один рабочий слот.
Дальше из сегментов делали гипотезы по схеме Problem-Solution-Outcome. Здесь кейс особенно интересен тем, что команда не пыталась продавать «технологию ради технологии». В источнике приводится пример сегмента соискателей: пользователь видит вакансию, хочет быстро собрать сопроводительное письмо и не переключаться между резюме, текстом вакансии и внешним чат-ботом. Решение формулируется как функция браузерного нейроредактора, который читает открытую страницу и помогает с текстом прямо в процессе отклика. Ценность формулируется не абстрактно, а через результат: быстрее отправлять персонализированные отклики и чувствовать конкурентное преимущество. Это хороший холодный душ для рынка, где половина AI-коммуникаций до сих пор выглядит как «мы тоже прикрутили нейросеть». Пользователю, как выясняется, все еще важнее скорость, снижение когнитивной нагрузки и меньшее число вкладок, чем сам факт использования ИИ.
При этом команда отдельно оговаривает ограничение, о котором многие стараются вспоминать уже после слива бюджета. Если промпт построен на плохой маркетинговой логике, нейросеть только ускорит производство мусора. В статье это сформулировано почти без романтики: garbage in, garbage out. Кроме того, модели склонны галлюцинировать и записывать в преимущества то, чего в продукте нет, поэтому все формулировки приходилось сверять с продуктовой командой. Для разработчиков и продактов здесь нет сюрприза: LLM не отменяет валидацию требований, а просто переносит ее на другой участок цепочки. Для бизнеса вывод еще неприятнее, но полезнее: выиграют не те, кто быстрее купит доступ к очередной модели, а те, кто умеет собрать внятный пайплайн проверки гипотез и быстро тестировать сообщения по сегментам.
Этот кейс вряд ли стоит читать как доказательство того, что два человека с набором промптов заменят полноценный маркетинговый департамент. Но как ранний практический сценарий он выглядит сильнее большинства разговоров про автоматизацию маркетинга. Здесь есть исходная проблема, понятная метрика, сегментация, ограниченный состав команды и внятный результат в виде роста кампаний на 20%. Главный вопрос теперь не в том, придут ли ИИ-агенты в маркетинге в повседневную работу, а в том, насколько быстро компании научатся строить вокруг них дисциплину: проверку фактов, контроль обещаний продукта и потоковое тестирование гипотез, а не очередной конвейер шаблонных баннеров.