O roli standardów profesjonalnych w marketingu (i nie tylko)

Czasami zastanawiam się, czy więcej sensownych marketingowych zastosowań GenAI rodzi się w ramach oficjalnych programów wdrożeniowych, czy na prywatnych instancjach Claude’a, których dział IT wolałby nigdy nie zobaczyć. 

I wiecie co? Obstawiałbym to drugie. 

W sferze shadow AI praca zaczyna się bowiem zwykle od konkretnego problemu. Podczas gdy w organizacjach kolejność bywa zupełnie odwrotna – najpierw pojawia się narzędzie, a dopiero później potrzeba, która ma uzasadnić jego obecność.

Okej, mamy tego Copilota. Teraz znajdźmy mu jakieś zajęcie

Skala opisanego wyżej zjawiska jest całkiem wymierna. Według Gartnera CMO przeznaczają dziś średnio 15,3% budżetów marketingowych na AI, a 70% z nich chce należeć wręcz do liderów jego wdrażania. Gotowość pozwalającą skalować te zastosowania deklaruje jednak zaledwie 30% z nich. 

Innymi słowy, alokacja budżetu na konkretne narzędzia mocno wyprzedziła pomysł na ich użycie. 

źródło: https://marketoonist.com/2023/03/ai-written-ai-read.html

W potęgę GenAI wyjątkowo łatwo jest bowiem uwierzyć podczas dowolnej demonstracji. Wystarczy wkleić raport, poprosić o draft nowej kampanii na jego podstawie i po kilkunastu sekundach obserwować narodziny tabeli, sloganu oraz persony nazwanej – z jakiegoś powodu niemal zawsze – Anną. Wszystko działa i wygląda logicznie. Wiem co mówię – wykorzystuję tę mechanikę podczas szkoleń (zdecydowanie zbyt często). 

ChatGPT jest jednak tylko narzędziem. Streszczenie raportu to zadanie. Natomiast use case powstaje dopiero wtedy, gdy kombinacja jednego i drugiego zostaje osadzona w realnym procesie – ma określony cel, miejsce w strategii organizacji oraz metody, którymi możemy sprawdzić jego skuteczność. 

Spróbujmy zatem zastosować (wreszcie!) właściwą logikę. W niniejszym artykule zaczniemy od marketingowych wyzwań. I dopiero później pomyślimy, jak (i czy w ogóle) generatywna AI będzie w stanie na nie odpowiedzieć.  

Problem 1: Danych przybywa. Ale insightów brak

Marketing zdecydowanie nie cierpi dziś na niedobór danych. Badania, systemy CRM, rozmowy sprzedażowe czy zgłoszenia do obsługi produkują ich aż nadto. Wąskim gardłem jest natomiast moment, gdy z tego materiału trzeba wyłuskać coś użytecznego i pasującego do danej sytuacji. W często cytowanym przez nas CMO Survey 2026 analityka i data science nadal należą do najczęściej wskazywanych luk kompetencyjnych – podobnie jak umiejętność pracy z insightami.

Wsparcie AI? W pracy analitycznej z generatywną sztuczną inteligencją nie musimy sprowadzać wszystkich źródeł do jednej tabeli ani ręcznie oznaczać setek wypowiedzi według ustalonego klucza. Model może przeczytać wywiady, komentarze, zgłoszenia, odpowiedzi w ich oryginalnej formie (i wiele innych źródeł), a następnie przeczesać cały materiał w poszukiwaniu odpowiedzi na pojedyncze pytanie – ot, choćby „co najczęściej blokuje zakup?”. A następnie pokazać wzorzec razem z fragmentami, z których go wyprowadził.

W praktyce: Spróbujmy wrzucić do Gemini Notebook (dawny NotebookLM) zestaw transkrypcji wywiadów, recenzji i odpowiedzi otwartych, a następnie poprosić o tabelę: wzorzec → segment → dowód → implikacja, z cytatem prowadzącym do źródła. 

Podobny workflow możemy zbudować w poczciwym ChacieGPT, w zakładce Projects, gdzie pliki i stałe instrukcje pozostają wspólnym kontekstem kolejnych analiz. Przy większej skali danych możemy natomiast pomyśleć o własnym rozwiązaniu analitycznym bazującym na API – Reckitt zbudował takie narzędzie korzystając z Azure OpenAI i raportuje dziś 60% wzrost efektywności pracy marketingu.

Problem 2: Marketing mierzy dużo. Ale nadal ma problem z decyzją

Podobnie jak danych, nie brakuje nam dashboardów. Gorzej z odpowiedziami na pytanie, co właściwie z nich wynika. 

Gartner wskazuje, że 76% rekomendacji płynących z analityki marketingowej jest ostatecznie odrzucanych, a jednym z powodów są właśnie przeładowane informacjami zestawy wykresów, które sprzyjają eksploracji, lecz nie prowadzą do działania. Innymi słowy, problemem nie jest brak pomiaru, lecz droga od wykresu do odpowiedzi na konkretne pytanie – zwłaszcza takiego, którego autor dashboardu wcześniej nie przewidział.

źródło: https://marketoonist.com/2019/11/kpi-overload.html

Wsparcie AI? GenAI może pełnić rolę pośrednika pomiędzy “ludzko brzmiącym” marketerem a bazującym na twardych danych systemem analitycznym. Zamiast budowy kolejnego zestawu wykresów i bezustannego filtrowania, możemy dochodzić rynkowej prawdy zadając kolejne pytania. „Które kampanie pogorszyły wynik?”, następnie „czy spadek wynikał z kosztu dotarcia czy konwersji?”, „gdzie warto przesunąć budżet?” itd. Zamiast zestawu wielu diagramów dostajemy wówczas jeden wykres związany konkretnie z naszym zapytaniem.

W praktyce: Takie możliwości mają dziś m.in. Copilot w Power BI i Conversational Analytics w Lookerze. Efektem jest mniej czasu poświęconego na przekopywanie dashboardów, a więcej przestrzeni na sprawdzanie hipotez i podejmowanie decyzji. Bo w tym ostatnim AI absolutnie nie powinna nas wyręczać. 

Problem 3: Marketingowa krótkowzroczność wciąż trzyma się mocno

Zjawisko marketingowej krótkowzroczności ma już swoje lata. Theodore Levitt opisał je jeszcze w odległym 1960 roku, pokazując, jak firmy przywiązują się do własnego produktu i bieżącego sposobu działania tak mocno, że przestają widzieć potrzebę klienta, dla której ten produkt w ogóle powstał. 

Minęło ponad 60 lat, a z szerszym spojrzeniem nadal radzimy sobie średnio. We wspomnianym CMO Survey 2026 70,6% marketerów przyznało, że pod presją organizacji mocniej koncentruje się na efektach krótkoterminowych, a średnio 68,2% czasu poświęca na zarządzanie teraźniejszością (względem nieco ponad 30% na zadania związane z “przyszłością”). W takich warunkach bardzo łatwo zoptymalizować kolejną kampanię i jednocześnie zapomnieć, co tak naprawdę ma z niej wynikać w długim okresie.

Wsparcie AI? Cóż, GenAI świetnie nadaje się do celowego psucia własnych pomysłów i prowadzenia wszelkich myślowych sparingów. Wystarczy zbudować kilka perspektyw – klienta, CFO, sprzedaży czy zarządu – i sprawdzić, jak każda z nich oceni ten sam pomysł, jakie ryzyka zauważy oraz które założenia zakwestionuje. Przy odpowiednim promptowaniu da się też zasymulować zmianę horyzontu analizy.

Ten sposób myślenia jest też bliski temu, czego uczymy na studiach podyplomowych Diploma in Professional and Digital Marketing – dobra decyzja marketingowa powinna bowiem wytrzymać konfrontację z perspektywą klienta, marki i biznesu (jednocześnie). Samo opanowanie narzędzia jest tu raczej początkiem niż końcem pracy.

W praktyce: Tego rodzaju symulacje bez problemu zbudujemy w ChatGPT Projects/Custom GPTs albo Gemini Gems (tworząc określone persony do sparingów). Przy decyzjach budżetowych ciekawym uzupełnieniem będzie natomiast Google Meridian – model, który pozwala sprawdzać, jak różne scenariusze wydatków mogą wpłynąć na wynik marketingowy. 

From Spend to Gain: using Meridian Marketing Mix Modeling to Prove Marketing’s Value

Problem 4: Marketing traci czas na uzgadnianie decyzji między funkcjami

Im więcej osób uczestniczy w projekcie, tym większa część pracy zaczyna polegać na ustalaniu… co właściwie już ustaliliśmy. Decyzje rozchodzą się między spotkania, maile i komentarze do dokumentów, a powrót do tematu często oznacza mozolną rekonstrukcję kontekstu (własnym umysłem, a nie przy wsparciu AI) zamiast dalszej pracy.

Wsparcie AI? Sztuczna inteligencja dobrze radzi sobie ze składaniem rozproszonych informacji w spójną (czasem nadmiernie) całość. AI w skrzynkach mailowych streszcza długie wątki oraz wyciąga z nich ustalenia i kolejne kroki. Z kolei RAGi mogą pełnić rolę żywej dokumentacji projektu – zbieramy w jednym notatniku prezentacje, PDF-y z mailami oraz notatki ze spotkań, a następnie pytamy choćby „co nadal wymaga akceptacji finansów?”. Pamiętajmy jednak o konieczności aktualizowania załączonych tam dokumentów. 

W praktyce: Możemy zacząć od Read.ai, Otter.ai lub Fireflies.ai, które sprawnie podsumują spotkania i wyciągną z nich “wiszące pytania” oraz zadania do wykonania. Copilot w Outlooku albo Gemini w Gmailu zrobią podobny porządek z korespondencją, a Gemini Notebook zbierze w jednym miejscu całą dokumentację. Przy większej skali ciekawszy staje się Gemini Enterprise – pozwala przeszukiwać jednym pytaniem dane z Gmaila, Drive’a, Outlooka, SharePointa, Slacka czy Jiry.

Problem 5: Nowy kanał → strategia do zmiany?

Każdy nowy trendujący format czy kanał ma własny zestaw dobrych praktyk. Gdy jednak na siłę i przez długi czas naginamy do niego aktywności marketingowe, z naszego pierwotnego strategicznego zamysłu (o ile takowy istniał) zostaje niewiele. 

Wsparcie AI? Zamiast zatem pytać model „co zrobić dziś na TikToku?”, warto wyposażyć go w dokumenty strategiczne, persony i planowane value propositions.. Przy każdym nowym kanale czy trendzie AI sprawdzi wówczas, jak wspiera on cel strategiczny, gdzie “naginanie” nie ma sensu, a co możemy dostosować dla potrzeb szeroko rozumianego real-time-marketingu. Wówczas generatywna AI staje się filtrującą AI – co w świecie nadmiaru treści i pomysłów bywa niezwykle przydatne. Możemy robić to także względem konkretnego standardu działań, jak np. standard The Chartered Institute of Marketing.

W praktyce: taki „strategiczny brief” zbudujemy choćby w ChatGPT Projects lub Gemini Gems. Przy większej skali podobną logikę rozwija Claude Design (w sferze grafiki) oraz Adobe GenStudio, gdzie kontekst marki, produktu i odbiorcy towarzyszy treściom od planowania po kolejne kanały. Z korzyścią dla całego brandu – dane Kantara pokazują, że spójne idee cross-channel są dziś 2,5x ważniejsze dla sukcesu kampanii niż dekadę temu.

Od problemu do priorytetu

To, który z pięciu problemów powinien otrzymać pierwszeństwo, zależy od sytuacji konkretnej organizacji. Osobno warto jednak zapytać, na ile dobrze dany problem w ogóle “nadaje się” do wsparcia przez GenAI. Wszak technologia ma tutaj zwiększać możliwości marketera, a nie przejmować jego rolę.

Do porównania przyjmijmy trzy kryteria z Microsoft Cloud Adoption Framework, oceniane od 1 do 5: wpływ biznesowy, wykonalność techniczną oraz użyteczność dla użytkownika. Microsoft wykorzystuje właśnie te wymiary do priorytetyzacji use case’ów AI.

Najwyżej wypadają zatem zastosowania, w których AI poszerza pole widzenia marketera przed podjęciem decyzji: wydobywa insighty albo pozwala sprawdzić pomysł z kilku perspektyw. Na drugim końcu znajduje się przechodzenie wprost od danych do działania – kuszące, lecz wymagające znacznie dojrzalszej analityki. I nierzadko poddania własnego myślenia na poczet wszechwiedzącej AI. 

Pierwszych wdrożeń szukałbym więc tam, gdzie AI pomaga nam zauważyć więcej – pozostawiając marketerowi odpowiedzialność za to, co z tą wiedzą zrobi.

PS A propos wiedzy & marketingu – pamiętajcie, że rekrutacja na najbliższą edycję studiów podyplomowych Diploma in Professional and Digital Marketing trwa 😉