iGrunis – Маркетинг. Тренды

Adventum — GEO-партнер People Tech

People Tech — комьюнити лидеров в сфере технологий и HR. 17–19 сентября пройдет People Tech Camp — главное событие проекта.

HRD, CPO HR, CTO HR и другие лидеры крупных компаний встретятся, чтобы обсудить AI в HR, цифровую среду сотрудника и разобрать реальные кейсы внедрения технологий.

❤️ Для People Tech мы разработали GEO-стратегию и работаем с тем, как проект считывается и рекомендуется нейросетями.

На сайте и в тг-канале проекта уже собирается сильная экспертная база: интервью с лидерами крупных компаний, практики и кейсы внедрения.

Наша GEO-задача — чтобы эту экспертизу использовали нейросети, а проект и Camp появлялись в рекомендациях, когда HR-лидер ищет, куда идти за практикой, кейсами и обменом опытом.

GEO уже явно не помещается в коробку «товары и услуги».

Профессиональные события, экспертные проекты, бренды работодателей — везде появляется один и тот же вопрос: что нейросети знают о вас и рекомендуют ли вас, когда человек выбирает.

Если вы работаете в HR, я бы точно познакомилась с People Tech поближе: проект щедро делится опытом людей, которые прямо сейчас меняют HR и работу с технологиями в крупных компаниях

ИИ может определить состояние кожи. Но умеет ли он рассказать о результате так, чтобы человек захотел продолжить разговор, а не закрыть экран?

Вчера на закрытом бизнес-ужине Adventum с представителями бьюти-индустрии мы обсуждали гиперперсонализацию.

Хорошо видно, как она работает, на публичном кейсе Geltek Skin Assistant. Человек загружает селфи, сервис оценивает состояние кожи и предлагает персональную схему ухода.

В основе сервиса — логика работы косметолога:

• на какие признаки смотреть
• как определить возможную проблему
• какие средства рекомендовать
• как собрать схему ухода
• как объяснить рекомендацию понятным человеку языком.

Для покупателя такая консультация доступна практически в любой момент. Для компании — позволяет обрабатывать больше обращений без пропорционального увеличения числа консультантов.

Но участники ужина подсветили важный нюанс.

Не каждый человек хочет получить от машины суровый аудит собственной внешности. Можно технически точно определить возрастные изменения или несовершенства кожи и при этом так топорно о них сообщить, что дальнейшая продажа немного отменяется.

Особенно в бьюти, где человек покупает не только состав и обещанный эффект. Он покупает еще и определенное ощущение себя.

Кроме того, российские и европейские покупатели по-разному относятся к возрасту, седине и самой идее что-то в себе «исправлять». Поэтому алгоритм, который прекрасно работает на одном рынке, нельзя просто перевести на другой язык и пожелать ему удачи.

Получается, гиперперсонализация требует двух видов знания.

Первое — профессиональное: что происходит с кожей и какой уход можно предложить.

Второе — человеческое: как именно об этом говорить, чтобы сохранить доверие к бренду.

ИИ уже позволяет масштабировать экспертизу без пропорционального масштабирования команды. Следующий вызов — вместе с экспертным знанием научиться масштабировать эмпатию.

Иначе получится очень точная диагностика. И очень неперсональная персонализация.

Что делать, когда в компании их станет много?

Я про агентов.

Сегодня бизнес еще в основном думает: где бы, куда, а главное — как внедрить ИИ-агента. Пока первого.

После первого легко войти во вкус и начать делать следующего.

А довольно скоро будем думать: что делать, когда в компании агентов стало слишком много?

Скорость будет нарастать. Создание агентов встанет на поток.

Где-то компании будут делать их сами, централизованно под ключевые процессы — у крупных на это есть ресурсы.

Кто-то будет привлекать внешние команды (нас в том числе) — тех, у которых уже накоплены опыт и практика.

А где-то сотрудники — причем и в больших, и в маленьких компаниях — смогут сами собирать простых агентов под свои задачи. Уже собирают.

Следом появится новый слой управления.

Когда агентов станет много, придется разбираться, кому из них к каким данным можно ходить, что им разрешено делать, как они взаимодействуют между собой и кто отвечает, если что-то пошло не так.

А следующий шаг — связки агентов.

Один собирает информацию, второй ее обрабатывает, третий выполняет действие, четвертый проверяет результат.

Компании придется проектировать уже не только работу людей, но и совместную работу людей и цифровых исполнителей.

При этом агент не должен становиться заплаткой поверх плохо устроенного процесса.

Если сегодня человек вручную переносит данные между пятью системами, это еще не значит, что завтра надо поручить агенту делать то же самое. Возможно, правильный ответ — вообще пересобрать процесс и убрать часть этих действий.

И будет обратное движение — от агентов.

После первой волны экспериментов некоторых начнут убирать.

Где-то обычная автоматизация окажется дешевле и надежнее.
Где-то человек будет проверять результат дольше, чем сделал бы работу сам.
Где-то затраты на контроль и интеграции съедят весь эффект.

Так что я бы не ждала будущего, в котором в каждой компании просто станет очень много ИИ-агентов.

Скорее начнется серьезная пересборка: какие задачи вообще стоит им отдавать, как связывать их между собой, где оставлять человека и какие процессы больше не нужны в прежнем виде.

«Московская газета» попросила меня поделиться своим мнением об уязвимостях и перспективах ИИ-агентов.

https://mskgazeta.ru/obshchestvo/nazvany-osnovnye-uyazvimosti-ii-agentov-chto-zhdet-it-rynok-16604.html

В материале также собраны комментарии других экспертов, в том числе Yandex AI Studio.

Хорошо видно, как по-разному эксперты сейчас смотрят на то, что будет дальше.

iGrunis — Маркетинг. Тренды

Билл Гейтс опубликовал большое эссе об ИИ и дал интервью The Washington Post — первое такого масштаба за последние 3 года.

Человек, который всю жизнь был технологическим оптимистом, теперь говорит, что впервые хотел бы замедлить развитие новой технологии.

Скорость изменений уже начинает опережать способность общества к ним адаптироваться. Особенно хорошо это видно на рынке труда.

Гейтс уже не уверен, что в этот раз сработает привычная формула технологических революций: старые профессии исчезают, зато появляются новые.

ИИ способен вытеснять интеллектуальный труд быстрее, чем экономика будет создавать новые роли.

Следом роботы начнут забирать физический труд. При этом у государств пока нет внятного плана, как проходить этот переход.

Одна из идей Гейтса — «зарезервировано для человека» (Human Reserved).

Возможно, нам придется сознательно определить работу, которую мы оставим людям, даже когда ИИ научится выполнять ее не хуже.

Например, технически робот сможет сообщить человеку о неизлечимой болезни. Но хотим ли мы, чтобы он это делал?

Последние пару лет бизнес думал над вопросом что бы еще такого автоматизировать с помощью ИИ?

Теперь вопросы другие и их больше:

• Что полностью отдать ИИ?

• Где человек и ИИ окажутся сильнее каждого по отдельности?

• Что мы принципиально оставим людям?

• Что делать с высвободившейся производительностью?

• Какой может стать компания, если производительность отдельных функций вырастет в разы?

Для небольшой компании это шанс делать то, что раньше было доступно только большой: больше исследовать, быстрее запускать продукты, персонализировать работу с клиентами, масштабировать экспертизу и выходить в новые ниши без пропорционального роста команды.

К вопросам автоматизации отдельных задач добавляется другой: как должна измениться сама компания.

Мы в Adventum уже довольно давно экспериментируем с ИИ внутри собственной компании и в клиентских задачах. Что-то отлично работает. Что-то красиво выглядит только на презентациях. А некоторые эксперименты заставляют пересматривать процессы, роли людей и привычную экономику работы.

Если вы сейчас тоже решаете, что отдавать ИИ, что оставлять людям и как перестраивать под это компанию, напишите мне. Обсудим, как это может выглядеть именно у вас.

iGrunis — Маркетинг. Тренды

Вчера OpenAI отчитались: реклама в ChatGPT меньше чем за 200 дней вышла на $1 млрд в годовом выражении.

В тот же день Еврокомиссия официально отнесла ChatGPT к крупнейшим ПОИСКОВЫМ системам в ЕС.

У Яндекса за это лето тоже много чего успело произойти вокруг AI Search.

В Алисе AI уже тестируют рекламу.
Причем учитывают не только конкретный запрос, а весь контекст разговора с пользователем.
Яндекс говорит, что стоимость привлечения клиента там уже сопоставима с обычным Поиском.

21 августа продавцам без собственного сайта открыли продажи через Поиск и Алису AI — пользователь может выбрать товар и оформить заказ через чекаут Яндекса.

И в тот же день Яндекс рассказал еще об одном тесте — персональных скидках.
Сейчас алгоритм рассчитывает скидку для конкретного пользователя еще до перехода на сайт и показывает ее в рекламе в Поиске. Следующий шаг — распространить механику на органическую выдачу и предложения Алисы в диалоге.

То есть…
AI Search уже не только место, куда бренды пытаются органически попасть.

Там уже покупают трафик, считают CPA, продают товары и постепенно достраивают путь до самой покупки.

Как-то очень быстро новая performance-реальность наступает )

Друзья, у меня к вам 3 коротких и немного неудобных вопроса про ИИ-безопасность.

Компании активно используют внешние ИИ-сервисы. Сотрудники загружают туда документы, клиентские данные, записи встреч, подключают агентов к почте, общим папкам, CRM и другим системам.

Хочу понять, как бизнес относится к этим рискам и что происходит на практике. Не в политиках безопасности и презентациях, а в реальной жизни.

Ниже 3 коротких анонимных опроса. Если вы не знаете, как это устроено в вашей компании, такой вариант ответа тоже есть. И он, честно говоря, не менее показателен.

Digital в 2026-м резко притормозил: по итогам года рынок может остаться на месте или уйти в минус на 1–3%.

Госзаказчик ушел в себя. Бюджеты защищают жестче.

Performance на этом фоне получает фору.

Жаль только, что ценой торможения всего рынка.

iGrunis — Маркетинг. Тренды

И еще прикрепляю видео о том, как пользоваться калькулятором ⬆️

4 часа вайб-кодинга — и калькулятор показывает 3,35 млн рублей потенциального эффекта в год.

Цифра красивая. Заявление почти хайповое, поэтому разберу, из чего она складывается.

После вопроса про экономику ИИ-агента LORE я решила проверить методику расчета экономического эффекта от ИИ сначала на небольшом реальном процессе Adventum.

Есть у нас процесс, знакомый многим компаниям:

Аккаунт-менеджер переносит данные из медиаплана в приложение к договору. Затем юрист проверяет документ. Если находит ошибку, возвращает его аккаунт-менеджеру на исправление, после чего проверяет еще раз.

Для расчета я взяла условные параметры, чтобы показать механику. Но сам процесс и автоматизация реальные.

Сколько времени процесс занимал до автоматизации:

• 1 200 документов × 15 минут на создание = 300 часов в год

• 600 возвратов × 30 минут на исправление и повторную проверку = еще 300 часов

• итого — около 600 часов работы в год.

Сами действия занимают минуты. Но документ ждет проверки, потом исправления, затем снова возвращается к юристу. Естественно, никто не сидит у монитора, мечтая немедленно исправить именно этот файл.

В результате весь цикл растягивается до 5 дней.

На автоматизацию этого процесса ушло 4 часа.

Эксперт, который хорошо знает процесс, собрал решение с помощью вайб-кодинга. Без отдельного разработчика.

Теперь система сама создает приложение и проверяет данные. Человеку остается 1 минута на финальный контроль.

В модели после автоматизации на 1 200 документов уходит около 20 часов в год, возвраты сокращаются до нуля, а документ отправляется клиенту за 1 день.

ПЕРЕВОДИМ РЕЗУЛЬТАТ В ДЕНЬГИ

Первый эффект — 580 высвобожденных часов в год.

До автоматизации — 600 часов в год. После — 20 часов. Высвобождается 580 часов.

При принятой в модели стоимости производственного часа это около 725 тысяч рублей производственной емкости.

Но на счете компании эти деньги сами по себе не появятся. Время должно превратиться в дополнительную оплачиваемую работу, отказ от нового найма или сокращение других затрат.

Второй эффект — 2,63 млн рублей за счет более раннего получения денег.

Если сокращение подготовки документа на 4 дня на столько же ускоряет подписание и оплату, финансовый эффект при заданных параметрах составляет около 2,63 млн рублей в год.

К выручке или прибыли эту сумму не прибавляем. Она показывает, сколько бизнес выигрывает за счет ускорения оборачиваемости и снижения потребности в оборотном капитале.

Итого калькулятор показывает 3,35 млн рублей потенциального эффекта до расходов на автоматизацию.

Из этой суммы еще нужно вычесть время на создание решения, стоимость инструментов и токенов, поддержку и обновление. И только после этого считать чистый эффект и ROI.

Все это я собрала в калькуляторе, его прикреплю ниже ⬇️ Если у вас есть похожие процессы — потестите.

В нем можно изменить объем документов, долю возвратов, время и стоимость сотрудников, сроки оплаты, стоимость капитала и расходы на автоматизацию. Есть базовый и консервативный сценарии.

На первой встрече Лаборатории ИИ-трансформации мне задали очень простой вопрос:

Сколько денег вы потратили на LORE и какой эффект получили в деньгах?

LORE — наш ИИ-агент знаний в Adventum. Он помогает новым сотрудникам проходить онбординг, а всей команде — искать регламенты, документы и накопленную экспертизу компании.

И я поняла, что сходу не могу дать нормальный ответ.

Я знаю, сколько в целом мы вложили в разработку наших ИИ-решений. Знаю, сколько времени сотрудники раньше тратили на поиск информации, и вижу, что эти потери снизились после запуска LORE. Мы отдельно считаем эффект в HR-процессах, следим за использованием агента, собираем обратную связь по неудовлетворительным ответам, трекаем токены.

Но собрать именно по LORE одну таблицу — разработка, эксплуатация, актуализация базы, время команды, токены и полученный эффект — я пока не могу.

Поэтому забрала эту задачу себе и пообещала вернуться с нормальным расчетом.

Ради таких вопросов я и запустила Лабораторию ИИ-трансформации для участников сообщества «Авторы жизни».

Внутри своей компании легко привыкнуть к решению, которым команда уже пользуется. Ты видишь, что оно снимает нагрузку, люди быстрее находят информацию, меньше бегают друг к другу с организационными вопросами. И кажется, что эффект очевиден.

А потом другой участник задает один вопрос — и выясняется, что понятный для тебя результат еще нужно нормально посчитать и доказать.

Такую проверку на первой встрече прошел не только LORE.

Один участник показал ИИ-дашборд, который, по его оценке, дал бизнесу плюс 3,5% к P&L. Его сразу спросили: какая часть результата появилась благодаря ИИ, а какая — благодаря десяти годам накопленной экспертизы и данным бизнеса?

В другой крупной компании уже строят внутренний AI-контур, обучают сотрудников и тестируют клиентского агента. Там разговор быстро перешел к качеству данных, безопасности, мотивации команды и контролю результатов.

Еще одна участница принесла работающий внутренний продукт, который разбирает встречи и чаты, фиксирует решения и не дает потерять задачи. Почти час мы обсуждали, кому такой продукт нужен, за что компании готовы платить и как проверить спрос реальными продажами.

Почти каждый работающий кейс упирался в вопрос, на который его автор пока не мог ответить до конца.

У меня — полная экономика LORE.

У кого-то — граница доверия к ИИ.

У кого-то — переход от полезного внутреннего решения к продукту, за который заплатит рынок.

Похоже, Лаборатория будет жить именно так:

работающий кейс → неудобные вопросы → конкретная проверка → возвращение с результатом.

Теперь собираю отдельную экономику LORE. Хочу по пунктам посчитать, сколько стоило его создать и поддерживать, из чего складывается эффект и где пока остаются только наши внутренние оценки.

Когда посчитаю, принесу результаты сюда тоже.

iGrunis — Маркетинг. Тренды

Стартовал мой новый проект — Лаборатория ИИ-трансформации для участников сообщества Авторы жизни.

Начали сразу с практических кейсов.

Практика, практика и только практика — чтобы бизнес мог быстро внедрять новые решения на базе ИИ и быстро получать экономический эффект.

Диджитальщики, мне кажется, генетически любят новации. Появляется новая технология — сразу хочется ее куда-то внедрить.

Как было у нас: сначала тестили нейронки на отдельных задачах, потом начали внедрять ИИ-агентов.
Нейросети действительно помогают отдельным сотрудникам решать свои задачи быстрее. Но складывается ли из этого результат для всей компании — большой вопрос.

Как говорится,

ИИ сделал каждого человека в 10 раз продуктивнее, но ни одна компания пока не заработала в 10 раз больше.

Если бы я сейчас начинала ИИ-трансформацию компании с нуля,
Я БЫ ПОШЛА ДРУГИМ ПУТЕМ.

Отталкивалась бы не от технологии (как затащить ее в компанию и куда-то пристроить),
— а от задач, которые можно отдать нейросетям.

Причем смотрела бы шире, чем на функции отдельных сотрудников:
—именно на задачи уровня компании.

*Где изо дня в день теряется время?
*Где страдает качество?
*В каких процессах люди тратят на рутину время, внимание и талант, которые могли бы направить на более интересную и полезную работу?

Дальше выбрала бы одну первую точку.
Это должен быть уже выстроенный и понятный, достаточно часто повторяющийся процесс, в котором эффект от автоматизации можно измерить. И сразу пошла бы в сторону его автоматизации с помощью ИИ-агента.

Почему выбранный для внедрения ИИ процесс должен быть уже выстроен?
Невыстроенный процесс → автоматизация хаоса.
Выстроенный процесс → снятие нагрузки, ускорение, стабильность.

Так мы в итоге и пришли к ИИ-агентам.
Точкой старта стала уже не сама технология, а конкретная бизнес-задача, в которой роль агента и будущий эффект были заранее понятны.

В Adventum таких задач на автоматизацию оказалось сразу несколько.
Одним из первых серьезных пилотов стала работа с корпоративными знаниями. Почему начали именно с нее, я уже рассказывала здесь, но коротко повторю.

К моменту внедрения агента у нас уже были сильная корпоративная культура и выстроенные процессы. Были документы, регламенты, внутренние источники и эксперты, которые знали ответы.

Но сотрудникам все равно приходилось искать актуальную версию документа, разбираться, как согласовать бюджет, выяснять, к кому обратиться. А HR, IT, юристы и руководители снова тратили время на одни и те же вопросы.

Это была как раз та задача, где мы точно понимали, какую повторяющуюся работу можно отдать агенту и что будем измерять. Так появился LORE — один из наших внутренних ИИ-агентов. Он стал защищенной точкой входа в уже существующую систему знаний: сотрудник задает вопрос обычными словами и получает ответ со ссылкой на актуальный источник.

На этом мы не остановились: автоматизируем другие процессы внутри Adventum. И теперь разрабатываем кастомных ИИ-агентов для клиентов.

У другой компании первой может оказаться совсем другая задача. Но логика та же: выстроенный и понятный процесс, повторяющаяся нагрузка и измеримый результат. Именно в такой точке агент начинает давать эффект уже не отдельному сотруднику, а компании.

iGrunis — Маркетинг. Тренды

Купили сотрудникам ChatGPT. Хорошо? Хорошо.

Люди быстрее пишут тексты, ищут информацию, собирают первичный анализ. То, что раньше занимало много времени, теперь можно сделать заметно быстрее. Польза реальная, обесценивать ее бессмысленно.

Но есть один неудобный вопрос: а что именно в компании ускорилось??
Работа отдельных сотрудников
…или работа компании в целом?

Мы тоже в Adventum начинали с локальных ии-внедрений. Научились превращать таблицы в приложения, автоматизировали часть работы с playable ads, настроили выгрузки между системами. Каждый сценарий решал конкретную задачу и приносил пользу.

И сначала логика казалась очевидной: чем больше таких решений, тем ближе мы к ИИ-трансформации всего бизнеса. Но нет.

В какой-то момент мы увидели парадокс: полезных сценариев становилось больше, а компания в целом почти НЕ ускорялась.

На практике это выглядело так: один отдел уже работал по-новому, другой продолжал по-старому. Сотрудник мог выполнить свою часть задачи быстрее, но дальше все шло по прежней цепочке: нужно было дождаться данных, пройти согласование. В итоге он просто БЫСТРЕЕ доходил до следующего узкого места.

Можно ускорить десятки отдельных задач и при этом почти не ускорить весь путь от запроса до решения.

iGrunis — Маркетинг. Тренды

3 цифры из отчета Яндекса за второй квартал:

1. Алиса AI уже отвечает на 42% запросов в Поиске.

2. С ее ответами под поисковой строкой ежемесячно взаимодействуют 49,5 млн человек.

Нейроответы стали массовыми.

3. В чатах с Алисой уже показали объявления более 460 тыс. рекламодателей.
Это 3 из каждых 4 рекламодателей на платформе.

Причем отдельно настроить рекламу именно в Алисе нельзя.
Рекламодатель запускает обычную поисковую кампанию в Директе, а система сама решает, показывать ли его объявление в AI-диалоге.

Так что многие бренды уже рекламируются внутри AI, хотя, возможно, еще сами об этом не знают.

Получается, в диалогах с Алисой теперь два слоя:

1. Органические рекомендации, за место в которых бренды уже начинают бороться с помощью GEO.
2. Реклама, которую Директ может привести туда из обычной поисковой кампании.

И пользователь видит оба в одном окне.

iGrunis — Маркетинг. Тренды

Google разобрал первые мифы вокруг GEO

В GEO (продвижение в нейросетях) пошли бюджеты.

Компаний, которые начинают работать над нейровидимостью, становится больше, и это хорошо. Но единого набора работ у рынка пока нет. Команды используют разные подходы, многое строится на гипотезах и тестах.

Поэтому хорошо бы смотреть, что говорят сами системы.

Google уже выпустил гайд по видимости в AI Overviews и AI Mode. В нем отдельно разобрано, что его системам НЕ ТРЕБУЕТСЯ:

* llms.txt и отдельные Markdown-версии. llms.txt — это файл со списком важных страниц сайта. Предполагалось, что он поможет нейросетям быстрее понять контент. По гайду: Google его не использует и преимуществ в генеративной выдаче за него не дает.

* Искусственное дробление контента. Не нужно специально разбивать большую статью на маленькие блоки. Google сам находит релевантный фрагмент.

* Переписывание под все варианты запросов. Не нужно добавлять в текст максимальное количество ключевых слов, синонимов и длинных запросов, пытаясь охватить все возможные формулировки пользователя. Генеративный поиск Google понимает общий смысл.

Обычное техническое SEO и уникальный экспертный контент остаются основой видимости.

Гайд кстати относится только к экосистеме Google.
У ChatGPT, Claude и Perplexity могут быть другие механизмы. Прямых официальных заявлений от них пока нет, но и подтвержденного влияния `llms.txt` на цитируемость в других AI-системах тоже не нашли.

Такие официальные разъяснения нужны и агентствам, и самим брендам. По ним можно проверить смету и понять, на чем основана каждая работа. Работы ради работ здесь точно не нужны.

Если система прямо говорит, что какое-то действие не влияет на видимость, его вполне резонно убрать из обязательного перечня. Хуже от него, возможно, не будет. Но это лишние оплаты.

Есть и еще один момент. Многие игроки рынка пока строят GEO-продвижение только вокруг сайта компании. Но сайтом GEO далеко не ограничивается.

Есть нейровидимость сайта и есть нейровидимость бренда — нейросети чаще собирают информацию о бренде с внешних площадок.

Поэтому в Adventum мы сначала анализируем пользовательские сценарии и смотрим источники, на которые опираются разные системы. Смотрим, какую долю среди них занимает собственный сайт бренда, а какую — внешние площадки.

И уже после этого собираем единую стратегию: распределение работ по сайту и внешним ресурсам. Поэтому состав работ для каждого бренда получается своим.

iGrunis — Маркетинг. Тренды