AI в CRM: как Кинетика перестала строить сегменты вручную и увеличила ROMI до 600%

Привет! Меня зовут Артем Первухин, я продакшн-директор в агентстве Кинетика. Мы помогаем развивать бизнес в интернете с помощью контекстной и таргетированной рекламы, SEO, email-маркетинга и других инструментов.

Работаем с проектами разного масштаба и направлений, но везде наблюдаем примерно одинаковую картину: если бизнес хочет расти и получать больше прибыли, придется подстраиваться под интересы конкретного пользователя. При этом универсальные механики работают далеко не для всех, а поддерживать сотни триггерных веток в CRM вручную сложно.

Мы решили отдать ключи от CRM искусственному интеллекту, чтобы он анализировал поведение каждого пользователя за маркетолога. Как прошел эксперимент и что мы получили в итоге ― об этом в статье.

Почему при глубокой персонализации ручные рассылки теряют эффективность

Если изучить реальное поведение пользователей, быстро становится понятно, что одинаковые сценарии для всех работают редко.

Посмотрим на примере условного сервиса доставки. В жизни его клиенты ― совершенно разные люди с разной логикой поступков:

• Студент, который отправляет посылку бабушке раз в год перед Новым годом.
• Бухгалтер, у которого каждую неделю в одно и то же время уходит пачка корпоративных документов.
• Продавец на маркетплейсе, у которого отправки зависят от выкупа: сегодня ― десять заказов, завтра ― ноль, послезавтра ― опять десять.

Попытка собрать для них одну welcome-цепочку или подобрать единый триггер ― как попробовать накормить весь город одним блюдом. Кто-то захочет его съесть, кому-то оно не понравится, а у кого-то на него аллергия.

Именно так выглядит большая часть массовых рассылок, которые по факту во многом не попадают в контекст пользователя. Как универсальная акция вроде «только сегодня бесплатная доставка для всех» ― при условии, что на практике большинство клиентов всегда забирают заказы самостоятельно. В итоге предложение не решает их проблему, а только раздражает.

Брать в расчет приходится и сценарии поведения клиента. Пока бизнес работает в простой модели с понятным циклом покупки, ручные сегменты CRM еще справляются. Например, если у вас доставка десертов, поведение пользователей предсказуемо: человек заказывает сладкое к празднику или по выходным. Можно легко настроить базовые триггеры и делать продажи.

Но ситуация усложняется, как только продуктовая матрица становится шире. Например, у магазина строительных материалов могут быть клиенты, которые залили фундамент дома и ждут, пока он высохнет, чтобы после этого закупить материалы для следующего этапа ремонта. Но система это не учитывает и думает, что если клиент долго не покупал, значит, ушел к конкурентам. В результате может отправить ему напоминание с неподходящими товарами.

Чтобы выстроить работающий алгоритм, маркетологу приходится держать в голове не только потребности и товары, но и весь жизненный цикл клиента: когда у него заливка, когда сушка, когда этап отделки, когда финальные покупки. Таких цепочек ― тысячи. Вручную их сложно масштабировать, поэтому мы подключили AI.

Как работает AI-маркетолог

Сразу уточним: речь не идет о сценарии, где маркетолог вручную копирует данные из Excel в ChatGPT и получает готовую рассылку. В основе ― автономная система, которая находится на наших серверах и интегрируется с CRM- и CDP-платформами через API (будь то Mindbox, Битрикс24 или кастомные решения).

Универсальный промпт. Работа начинается с промпта, где мы рассказываем о бизнесе ― по сути, это аналог онбординга нового сотрудника. Даем базовую информацию: что продаем, как устроены каналы коммуникации, какие ограничения есть у разных форматов сообщений. Например, если это SMS ― лимит по символам, если email ― требования к структуре и верстке. На этом уровне AI получает не только данные, но и понимание границ, внутри которых может принимать решения.

Интеграция с товарным каталогом. Следующий шаг — доступ к продуктам. Загрузить весь каталог (например, из 10 000 позиций) напрямую в контекст модели невозможно, потому что это приведет к перегрузке.

Чтобы такого не случилось, используется механизм Function Calling ― ИИ получает доступ к поиску внутри склада. Когда системе нужно подобрать товар, она делает запрос к базе данных по ID или названию, получает информацию (цена, описание, изображение) и вшивает в персональную рассылку.

Цикл принятия решений. Дальше система работает с конкретным пользователем. В момент запуска она получает доступ к профилю клиента ― истории покупок, активности в рассылках, бонусному балансу. На основе этого ИИ решает, стоит ли вступать в коммуникацию в данный момент.

Если да, система формирует персонализированное сообщение, подбирает релевантный товар и определяет формат касания ― например, письмо или пуш. Потом сама планирует следующий шаг: фиксирует, когда нужно вернуться к пользователю, чтобы проверить результат общения и продолжить диалог.

Как нейросеть уронила нам средний чек

Первые результаты эксперимента выглядели хорошо. Мы дали ИИ широкие полномочия ― бюджет на коммуникации, возможность начислять бонусы, дарить подарки и использовать промокоды в рассылках. На старте конверсия в покупку выросла, пользователи активно реагировали на гиперперсонализированные предложения, продажи быстро пошли вверх.

Казалось, система выстроила идеальную механику. Но через пару недель в когортном анализе мы увидели, что средний чек сильно упал. Причина оказалась простой: ИИ, оптимизируя задачу сделать больше продаж, использовал скидки и бонусы как универсальный инструмент влияния почти в каждом сценарии.

Конверсия действительно оставалась высокой, но ARPU снижался. Экономика начала рассыпаться: падение ROMI стало сигналом, что систему нужно перенастроить. Но полностью убирать скидочные механики не хотелось, потому что они работали. В итоге пришлось пересобрать логику работы так, чтобы система учитывала не только конверсию, но и экономику каждого взаимодействия.

Как мы надавили на нейросеть ради маржинальности

Мы решили проверить, можно ли повлиять на поведение ИИ через изменение цели. Для этого разделили аудиторию на две группы:

• таргет-группу, которой полностью управляла нейросеть;
• контрольную, с классическими ручными сценариями от CRM-маркетологов.

Дальше добавили в промпт условие, которое превратило тест в сравнение производительности:

Мы заставили систему конкурировать с альтернативным способом работы. Нейросеть осознала угрозу и перестроила стратегию: начала оптимизировать не только конверсию, но и экономику, потому что иначе проигрывала в сравнении с контрольной группой. Через три дня средний чек стабилизировался, а затем начал расти.

Как ИИ сам исправил ситуацию?

• Перестал использовать подарки и скидки как универсальный инструмент.
• Динамически завысил порог входа. Если раньше давал бонус за заказ от 1000 ₽, то теперь конкретному пользователю писал: «Сделай заказ на 2500 ₽, и я подарю тебе десерт».
• Начал комбинировать дешевые офферы с товарами с высокой маржинальностью. Для этого мы заранее передали ему формулу расчета себестоимости.

В итоге у нас получилось восстановить экономику. По результатам теста мы вышли на ROMI 500–600% и вернули инвестиции, в которые уже заложены затраты на API нейросети (токены), стоимость отправки сообщений, а также себестоимость выданных бонусов и подарков. Система сама пришла к более устойчивому балансу между конверсией и маржинальностью без ручного переписывания сценариев.

Как ИИ находит неочевидные решения: примеры из нашей практики

Когда система начинает работать автономно и получает достаточно данных о поведении пользователей, появляются сценарии, которые сложно спроектировать вручную. Во многом потому, что человек в маркетинге опирается на опыт, привычки и общие правила, а модель ― на конкретную статистику.

Взаимодействие с пользователями, которые активны ночью. Обычно маркетологи не отправляют сообщения ночью, чтобы не раздражать пользователя. Но в реальности картина может быть другой. Система видит, что часть пользователей стабильно открывает приложение и покупает именно ночью — например, в 2–3 часа. Это может быть связано с образом жизни, работой или привычками.

В таких случаях ИИ работает с индивидуальным паттерном. Сообщение отправляется, когда вероятность реакции максимальна, даже если это ночь. В итоге коммуникация оказывается уместной, и случается покупка.

Быстрая смена стратегии. Например, при отказе пользователя от покупки. Обычно, если человек не реагирует на предложение, через несколько дней ему отправляется напоминание с тем же оффером.

ИИ ведет себя иначе. Он фиксирует отсутствие реакции и пересобирает гипотезу ― проблема может быть в товаре или формулировке. Допустим, клиент, который не заказал шаурму после продающего сообщения может купить кесадилью по более спокойной рекомендации.

Использование погодных триггеров. Сейчас мы учим систему обращаться к API архивов погоды. Это делает поведение пользователя еще более предсказуемым. Например, если ИИ видит, что человек чаще заказывает доставку еды в плохую погоду и реже в солнечные дни, то отложит сообщение до момента, когда вероятность заказа выше ― до дождя в конкретном районе.

Что не дает ИИ сойти с ума

Безопасно ли отдавать нейросети доступ к базе клиентов и бюджету? Это логичный вопрос. Любая модель пытается оптимизировать заданную цель. Если задать её неаккуратно, система может начать раздавать щедрые скидки или слишком часто выходить на контакт с пользователем.

Поэтому вместо того, чтобы полагаться только на промпты и инструкции на уровне текста, мы выстраиваем ограничения на уровне кода. Это набор правил, который ИИ не может обойти.

Финансовые ограничения. Даже если модель предлагает слишком высокую скидку, скрипт проверяет экономику оффера. Например, подгоняет под максимальный процент скидки и минимально допустимую маржинальность. Если условия нарушены, сообщение не отправляется.

Ограничения по частоте коммуникаций. У каждого пользователя есть лимиты на количество касаний ― не больше X сообщений в Y дней для одного пользователя. Если ИИ предлагает отправить сообщение слишком рано или делает это слишком часто, скрипт автоматически сдвигает дату или блокирует отправку.

Проверка товара. Потенциально модель может сгенерировать корректное сообщение, но с несуществующим товаром. Чтобы этого не было, ИИ обязан прикрепить ID товара, который взял из Function Calling. Сервер сверяет этот ID с базой, и, если товара там нет, блокирует рассылку.

Контроль длины сообщений и бюджета каналов. Особенно критично для SMS: длинный текст оператор может автоматически разбить на несколько сообщений. Это увеличит расходы. Поэтому длина строго ограничена на уровне сервера ― длинные сообщения отклоняются до отправки.

Только такая комбинация ― интеллект нейросети внутри жестких скриптовых рамок ―  делает этот инструмент прибыльным и безопасным.

Что делать CRM-маркетологу

Профессия CRM-маркетолога не исчезает ― просто в ней смещаются акценты с одних задач на другие. Маркетолог перестает быть человеком, который вручную собирает цепочки писем, сегменты и сценарии в конструкторах. Вместо этого он занимается управлением системой персонализации и становится специалистом, который настраивает и контролирует работу AI: следит за результатами, корректирует промпты, тестирует гипотезы, управляет источниками данных и бюджетами.

Мы в команде хотим прийти к тому, чтобы ИИ брал на себя 100% персонализированных коммуникаций бренда. Единственный глобальный риск, который видим ― возможная монополизация рынка нейросетей техногигантами и резкий рост цен на API. Но в текущих условиях экономика уже работает в пользу внедрения. Стоимость генерации одного персонализированного сообщения остается низкой, а эффективность такого взаимодействия ― высокой.

Поэтому вопрос уже не в том, стоит ли внедрять AI в CRM, а в том, насколько быстро бизнес сможет перестроить процессы под новую модель работы. Пока одни команды продолжают вручную собирать сложные сценарии, другие уже получают продажи, потому что работают в модели, где значительная часть задач выполняется автоматически и подстраивается под конкретного пользователя.