Dyrektor ds. marketingu wyjaśnia, jak wykorzystywać sztuczną inteligencję jako pętlę uczenia się i eksperymentowania

Lomit Patel jest dyrektorem ds. wzrostu i marketingu, obecnie pełni funkcję CMO w TYB (Try Your Best). Jest także autorem książki Lean AI.

Porozmawialiśmy z Lomitem, aby dowiedzieć się, jak przekształca działania marketingowe w ciągłą pętlę uczenia się i eksperymentowania. Oto, co powiedział.

Marketing jest definiowany na nowo

Przez ponad 20 lat pomagałem rozwijać firmy takie jak Roku, IMVU, TrustedID i Texture. Obecnie jestem CMO w TYB (Try Your Best), gdzie kieruję niewielką, ale niezwykle dynamiczną organizacją marketingową opartą na jednym kluczowym przekonaniu: społeczność nie jest kanałem, lecz systemem wejścia na rynek.

Na każdym z tych stanowisk konsekwentnie budowałem systemy łączące wiedzę o kliencie z mierzalnymi wynikami biznesowymi. Na początku mojej kariery wzrost był w dużej mierze napędzany przez kanały. Optymalizowało się kampanie, testowało kreacje i skalowało to, co działało. Już wtedy skupiałem się jednak na czymś głębszym: na tym, jak wykorzystywać dane i eksperymenty do eliminowania zgadywania oraz zwiększania szybkości podejmowania decyzji w całym lejku.

To podejście przerodziło się w szerszą perspektywę, którą przedstawiłem w mojej książce Lean AI. Skupiłem się w niej nie tylko na wykorzystywaniu sztucznej inteligencji do zwiększania efektywności, lecz także na przeprojektowaniu sposobu działania systemów wzrostu.

Na przykład w IMVU przeszliśmy od ręcznej optymalizacji do orkiestracji ścieżek użytkowników, testowania kreacji i angażowania klientów w całym cyklu życia z wykorzystaniem sztucznej inteligencji. Mój cel zawsze pozostawał taki sam: zwiększać szybkość i jakość uczenia się, jednocześnie poprawiając retencję i LTV.

Dziś, jako CMO w TYB, ta zmiana nabrała pełnego rozpędu. Sztuczna inteligencja nie jest już tylko narzędziem w stosie technologicznym; staje się warstwą operacyjną nowoczesnego marketingu. Odchodzimy od myślenia kampaniami na rzecz myślenia systemowego, w którym sygnały, automatyzacja i inteligencja kreatywna nieustannie oddziałują na siebie w czasie rzeczywistym.

Najbardziej ekscytuje mnie to, że marketing jest definiowany na nowo u podstaw. Odchodzimy od roli operatorów kanałów i opowiadaczy historii, stając się architektami inteligentnych systemów wzrostu, które uczą się, dostosowują i zwiększają wpływ na pozyskiwanie, zaangażowanie i monetyzację.

Jak sztuczna inteligencja zmieniła marketing w system uczenia się w czasie rzeczywistym

Sztuczna inteligencja zakwestionowała trzy główne założenia marketingu:

1. W środowisku wykorzystującym sztuczną inteligencję efektywność kanału staje się raczej punktem wyjścia niż wąskim gardłem. O wynikach decyduje otaczający go system — to, jak szybko można wykrywać intencje, interpretować zachowania, formułować hipotezy i dostosowywać komunikaty lub doświadczenia produktowe w odpowiedzi na te sygnały.
2. Sztuczna inteligencja pokazała nam, że segmenty nie są wystarczająco stabilne, aby stanowić fundament strategii marketingowych. Tradycyjne modele segmentacji zakładają istnienie względnie stałych grup użytkowników, do których można kierować spójne komunikaty. Dzięki sztucznej inteligencji widzimy teraz, że zachowania użytkowników są znacznie bardziej płynne. Intencje szybko się zmieniają, a statyczne segmenty często nie nadążają za rzeczywistością. Skłoniło nas to do przejścia na dynamiczne, stale aktualizowane grupowanie oparte na zachowaniach.
3. Kampanie nie są już podstawową jednostką realizacji działań marketingowych. Kampanie zakładają początek, koniec i cykl oceny. Sztuczna inteligencja skłoniła nas do przejścia na systemy działające stale, w których eksperymenty są prowadzone nieprzerwanie, uczenie się ma charakter przyrostowy, a optymalizacja jest ciągła, a nie epizodyczna.

Innymi słowy, marketing jest systemem uczenia się w czasie rzeczywistym, w którym szybkość interpretacji i adaptacji ma większe znaczenie niż statyczne planowanie czy idealne targetowanie.

Jak sztuczna inteligencja zmienia procesy marketingowe

Przeszliśmy więc od statycznego planowania kampanii do ciągłego eksperymentowania opartego na sygnałach w całym systemie marketingowym.

W przeszłości planowaliśmy kampanie w cyklach. Określaliśmy komunikaty, tworzyliśmy zestawy kreacji, uruchamialiśmy kampanie, a następnie analizowaliśmy wyniki po znacznym czasie. Ten model jest zbyt powolny w środowisku natywnie wykorzystującym sztuczną inteligencję, ponieważ zachowania użytkowników i sygnały dotyczące ich intencji szybko się zmieniają.

Wprowadziliśmy wspierany przez AI proces rozwoju, który nieustannie przekształca sygnały behawioralne w czasie rzeczywistym w uruchamiane eksperymenty i adaptacyjne komunikaty w kanałach związanych z cyklem życia klienta, treściami i wynikami. Zamiast czekać na zakończenie kampanii, traktujemy teraz każdy istotny sygnał użytkownika, zachowanie podczas wdrażania, uczestnictwo w społeczności i aktywność twórców jako dane wejściowe, które natychmiast pomagają określić kolejne najlepsze działanie.

W praktyce zmieniło to sposób działania zespołów. Iteracja kreacji przebiega szybciej, ponieważ AI pomaga stale generować i testować warianty. Marketing cyklu życia jest bardziej dynamiczny, ponieważ komunikaty nie są już powiązane ze stałymi segmentami, lecz z ewoluującymi klastrami behawioralnymi. Sygnały intencji pojawiające się w produkcie coraz częściej wpływają na marketing efektywnościowy, a nie tylko na kierowanie reklamami na poziomie platformy.

Największa zmiana ma jednak charakter kulturowy. Marketing nie jest już organizowany wokół kampanii. Jest organizowany wokół ciągłej pętli uczenia się, w której AI pomaga nam wykrywać sygnały, generować hipotezy i skalować to, co działa, niemal w czasie rzeczywistym.

Przepływ pracy wspierany przez AI w zakresie rozwoju

Lomit dzieli się

Zamiast polegać na statycznych personach lub stałych etapach cyklu życia, używamy AI do identyfikowania wzorców, takich jak „wysoka intencja, ale niska aktywacja,” „aktywni uczestnicy o niskim ryzyku utraty retencji,” lub „nowi użytkownicy wykazujący wczesne zachowania rzecznicze.”

Oto przebieg procesu:

1. Wszystko zaczyna się od sygnałów behawioralnych w czasie rzeczywistym, pochodzących z produktu i warstwy społeczności. Śledzimy działania takie jak postępy we wdrażaniu, głębokość uczestnictwa, aktywność twórców i wzorce zaangażowania. Kluczowa zmiana polega na tym, że sygnały te nie są już tylko prezentowane na pulpitach analitycznych — stanowią uporządkowane dane wejściowe do naszego systemu marketingowego. Narzędzia: Segment do zbierania i przekierowywania zdarzeń, Amplitude do analizy behawioralnej oraz Snowflake jako podstawa hurtowni danych.
2. Następnie AI pomaga nam grupować i interpretować te sygnały w dynamiczne segmenty intencji. Zamiast polegać na statycznych personach lub stałych etapach cyklu życia, używamy AI do identyfikowania wzorców, takich jak „wysoka intencja, ale niska aktywacja”, „aktywni uczestnicy o niskim ryzyku utraty retencji” lub „nowi użytkownicy wykazujący wczesne zachowania rzecznicze”. Segmenty te stale ewoluują na podstawie bieżącego zachowania. Narzędzia: BigQuery oraz modele Python/ML do tworzenia cech behawioralnych, a także OpenAI (GPT) do oznaczania i interpretowania pojawiających się wzorców intencji.
3. Po utworzeniu tych klastrów AI pomaga nam generować hipotezy i kierunki kreatywne. Dla każdego segmentu określamy komunikat, który z największym prawdopodobieństwem wpłynie na zachowanie, a AI pomaga generować warianty tekstów, haczyków i ujęć tematycznych. Nie jest to w pełni zautomatyzowany proces, ale znacząco zwiększa szybkość eksplorowania ścieżek komunikacji. Narzędzia: ChatGPT i Claude do generowania ujęć komunikacyjnych, haczyków i wariantów pozycjonowania oraz Notion AI do organizowania i prowadzenia stale aktualizowanej biblioteki kreacji.
4. Następnie wykorzystujemy te wyniki w ciągłych eksperymentach obejmujących punkty kontaktu związane z cyklem życia, płatnymi działaniami i społecznością. Zamiast prowadzić odizolowane kampanie, stale wdrażamy niewielkie, iteracyjne testy, dostosowując komunikaty, kreacje i czas emisji na podstawie sygnałów skuteczności w czasie rzeczywistym. Narzędzia: Braze do eksperymentów związanych z cyklem życia, Optimizely do testów A/B produktu i stron internetowych oraz LaunchDarkly do zarządzania przełącznikami funkcji i kontrolowanych wdrożeń.
5. Na koniec, co najważniejsze, system zamyka pętlę dzięki syntezie wniosków wspomaganej przez AI. Nie analizujemy tylko tego, co osiągnęło lepsze wyniki — używamy AI do wskazywania, dlaczego określone komunikaty lub ścieżki zadziałały w przypadku konkretnych segmentów. Wnioski te bezpośrednio wpływają następnie na aktualizację logiki segmentacji, ram komunikacji i decyzji marketingowych opartych na informacjach z produktu. Narzędzia: Amplitude do uzyskiwania wniosków behawioralnych, Looker do uporządkowanego raportowania oraz Claude do syntezy wniosków w narracje i ramy decyzyjne.

Jak transformacja dzięki AI przynosi korzyści marketerom

Pozytywną stroną jest to, że największy wpływ AI dotyczy szybkości i przepustowości eksperymentów. Znacząco zwiększyliśmy liczbę eksperymentów dotyczących kreacji i cyklu życia, które możemy przeprowadzić w danym okresie, ponieważ AI zmniejsza tarcia podczas generowania wariantów, testowania komunikatów i iterowania na podstawie wczesnych sygnałów skuteczności. Przełożyło się to na szybsze cykle uczenia się zarówno w programach pozyskiwania, jak i utrzymania użytkowników.

Zaobserwowaliśmy również poprawę efektywności konwersji wynikającą z lepszego wykorzystywania sygnałów. Łącząc zachowania w produkcie i społeczności z aktywizacją marketingową, reagujemy na intencje znacznie wcześniej na ścieżce użytkownika. Poprawiło to jakość przepływu od ruchu do aktywizacji i zwiększyło retencję na dalszych etapach, ponieważ użytkownicy otrzymują punkty kontaktu lepiej dopasowane do kontekstu.

Kolejną wyraźną korzyścią jest mniejsze uzależnienie od sztywnej segmentacji i ręcznej analizy. Grupowanie oparte na AI oraz generowanie wniosków pozwalają nam przejść w kierunku dynamicznych definicji grup odbiorców, które lepiej odzwierciedlają sposób zachowania użytkowników, zamiast tego, jak historycznie ich kategoryzowaliśmy.

Ryzyko zbyt szybkiego działania na podstawie wniosków AI

Po bardziej złożonej stronie musieliśmy również skorygować oczekiwania dotyczące szumu w sygnałach i nadmiernej automatyzacji.

Na początku mieliśmy tendencję do zbyt szybkiego podejmowania działań na podstawie zbyt wielu wniosków generowanych przez AI, co prowadziło do fragmentacji komunikatów i przeciążenia eksperymentami. Musieliśmy się wycofać i wprowadzić silniejsze filtry ludzkie służące ustalaniu priorytetów oraz zachowaniu spójności narracji.

Nie doceniliśmy również potrzeby dyscypliny w definiowaniu z wyprzedzeniem mierników sukcesu. AI bardzo ułatwia szybkie iterowanie, ale jeśli nie oprzesz eksperymentów na jasno określonych rezultatach behawioralnych lub biznesowych, możesz w efekcie optymalizować zaangażowanie w wąskim wycinku systemu zamiast osiągać znaczący wpływ na biznes.

Gdybym wcześniej to rozumiał, poświęciłbym mniej czasu na zwiększanie skali eksperymentów, a więcej na zaprojektowanie modelu operacyjnego wokół decyzji opartych na AI, w tym bardziej precyzyjnych ram formułowania hipotez, jaśniejszego przypisania odpowiedzialności za decyzje oraz lepszego powiązania sygnałów marketingowych z wynikami biznesowymi.

Co obsługuje AI i gdzie ludzie zachowują nadzór

Wyraźnie rozdzielamy to, o czym informuje AI, od tego, za co odpowiadają ludzie, a rozróżnienie sprowadza się do jednego pytania: Czy chodzi o optymalizację i rozpoznawanie wzorców, czy o osąd, kontekst i wyczucie?

W coraz większym stopniu polegamy na AI w zakresie przetwarzania sygnałów, segmentacji i prowadzenia eksperymentów na dużą skalę. Obejmuje to identyfikowanie wzorców zachowań w aktywności społeczności i produktu, grupowanie użytkowników w dynamiczne segmenty na podstawie działań podejmowanych w czasie rzeczywistym oraz generowanie i iterowanie wariantów treści kreatywnych i komunikatów. AI intensywnie analizuje również dane dotyczące wyników we wszystkich kanałach, ujawniając nieoczywiste wnioski szybciej, niż kiedykolwiek byłaby w stanie zrobić to ręczna analiza.

AI jest szczególnie skuteczna w skracaniu pętli między sygnałem a działaniem. Może na przykład wykrywać zmiany w zachowaniach związanych z zaangażowaniem w produkcie lub społeczności, sugerować hipotezy, a nawet generować kreatywne warianty lub warianty cyklu życia użytkownika gotowe do testowania. Pozwala nam to przeprowadzać znacznie więcej eksperymentów, niż umożliwiałaby tradycyjna struktura zespołu.

Ludzie odpowiadają za pozycjonowanie, narrację i kierunek kreatywny. AI może generować warianty, ale nie jest w stanie określić, za czym się opowiadamy ani jak chcemy prezentować się na rynku. Wymaga to kontekstu dotyczącego marki, psychologii odbiorców i długoterminowego wyróżnienia się, który wykracza poza rozpoznawanie wzorców.

Lomit dzieli się spostrzeżeniami

To, że AI może wskazać dziesiątki możliwości, nie oznacza, że powinniśmy działać na podstawie wszystkich. Decydowanie, czego nie robić i co jest zgodne z szerszą tezą wzrostu, nadal pozostaje głęboko ludzką odpowiedzialnością.

Szczególnie w środowiskach opartych na społeczności AI nie zastąpiła autentycznych interakcji międzyludzkich i budowania zaufania. Może pomóc w skalowaniu zaangażowania i identyfikowaniu wzorców, ale nie jest w stanie odtworzyć wiarygodności wynikającej z rzeczywistego uczestnictwa, obecności liderów i ludzkiego osądu w ważnych momentach dla społeczności.

Ludzie odpowiadają również za ustalanie priorytetów i strategiczne kompromisy. Jak już wspomniałem, to, że AI może wskazać dziesiątki możliwości, nie oznacza, że powinniśmy działać na podstawie wszystkich. Decydowanie, czego nie robić i co jest zgodne z szerszą tezą wzrostu, nadal pozostaje głęboko ludzką odpowiedzialnością.

Wreszcie ludzie odpowiadają za interpretację znaczenia. AI może powiedzieć nam, co się dzieje, ale to ludzie muszą zrozumieć, dlaczego ma to znaczenie i jak powinno zmienić strategię.

Jak dyrektorzy marketingu powinni podchodzić do transformacji AI

Podzielę się czterema radami:

1. Nie traktuj AI jako zestawu narzędzi, które można podłączyć do istniejącej machiny marketingowej. Potraktuj je jako powód do przeprojektowania samej machiny. Nie chodzi tu o produktywność — prawdziwa zmiana następuje wtedy, gdy przechodzisz od modeli operacyjnych opartych na kampaniach do ciągłych, opartych na sygnałach systemów wzrostu, w których AI jest integralną częścią sposobu wykrywania intencji, podejmowania decyzji i uczenia się w czasie rzeczywistym.
2. Przemyśl na nowo, co oznacza „skala”. W przeszłości skala wiązała się z kanałami i efektywnością budżetu. W świecie napędzanym przez AI skala oznacza szybkość uczenia się. Wygrają nie te zespoły, które prowadzą najwięcej kampanii, lecz te, które potrafią szybciej niż wszyscy inni przekształcać sygnały w eksperymenty, a eksperymenty w decyzje.
3. Bardzo świadomie zdecyduj, w których obszarach człowiek pozostanie w pętli. W miarę jak AI przejmuje coraz więcej zadań związanych z realizacją i analizą, przewaga człowieka staje się wyraźniejsza, a nie słabsza. Liderzy muszą jeszcze mocniej skupić się na narracji, pozycjonowaniu i ustalaniu priorytetów. Jeśli wszystko można zmierzyć i zoptymalizować, osąd staje się głównym czynnikiem różnicującym.
4. Inwestuj w myślenie systemowe zamiast w myślenie kategoriami kanałów. AI przełamuje silosy między marketingiem efektywnościowym, cyklem życia klienta, produktem i społecznością. Możliwość polega na zaprojektowaniu zintegrowanego systemu wzrostu, w którym sygnały przepływają między wszystkimi tymi obszarami, zamiast optymalizowania każdego z nich w izolacji.

Śledź na bieżąco

Możesz śledzić Lomita Patela na LinkedInie oraz na jego blogu osobistym. Sprawdź również jego książkę Lean AI.

Więcej wywiadów z ekspertami już wkrótce w The CMO Club!