Zapraszamy do nowej odsłony questus marketing insights. W tym miesiącu przedstawiamy Wam teksty autorstwa: American Marketing Association, Martech, Harvard Business School.  Przyjemnej lektury!

Most Gen AI Players Remain 'Far Away’ from Profiting: Interview with Andy Wu

Andy Wu & Danielle Kost

Harvard Business School

https://www.library.hbs.edu/working-knowledge/many-gen-ai-players-remain-far-away-from-profiting-interview-with-andy-wu

Mimo fascynacji rozwiązaniami opartymi na sztucznej inteligencji większość firm oferujących te rozwiązania nie generuje wciąż zysków, a rynek może czekać korekta podobna do wcześniejszych „baniek” technologicznych.

W efekcie rynek AI przypomina dzisiaj czasy „gorączki złota”, gdzie nie tylko „wydobywcy” (firmy tworzące modele), lecz przede wszystkim „sprzedawcy łopat” (dostawcy chipów, jak Nvidia) oraz „jubilerzy” (firmy integrujące AI w usługach, jak Meta) osiągają największe korzyści.

Jednocześnie bariery wejścia maleją. Konkurenci, jak xAI czy DeepSeek, zbliżają się do jakości liderów przy znacznie niższych nakładach, co zwiększa presję na ceny. Prognozy wskazują, że długoterminowo rynek będzie zmierzał w kierunku modeli płatności za użycie. Z jednej strony to wynik tego, że większość z użytkowników korzysta z dostępnych rozwiązań bezpłatnie. A z drugiej obecne modele subskrypcyjne, średnio 20 USD miesięcznie, nie pokrywają kosztów działania. Skutkuje to tym, że tradycyjne zasady monetyzacji przestają działać.

Wyścig jednak nabiera tempa. OpenAI szacuje, że do 2030 r. wyda ponad 150 mld USD wyłącznie na koszty inferencji (wykorzystanie wytrenowanego modelu AI do prognozowania lub podejmowania decyzji).

A w tym w samym czasie widać różne strategie obrony wartości: Google ostrożnie ogranicza wykorzystanie AI w Search, by nie obniżyć wyników finansowych. Microsoft dywersyfikuje ryzyko, wspierając zarówno OpenAI, jak i modele open source. Meta inwestuje w AI jako wzmacniacz istniejących ekosystemów reklamowych.

Overestimating Stars, Underestimating Numbers: The Hidden Impact of Rating Formats

Deepak Sirwani, Srishti Kumar & Manoj Thomas

American Marketing Association & Journal of Marketing Reserach

https://www.ama.org/research-insights/research-insight-consumers-perceive-star-ratings-to-be-higher-than-numerals/

Badania Journal of Marketing Research odkrywają jak format prezentowania ocen w systemach rekomendacyjnych wpływa na percepcję jakości produktów i usług. Okazuje się, że konsumenci różnie interpretują tę samą ocenę w zależności od tego, czy widzą ją jako ułamek liczbowy, czy w formie częściowo wypełnionych gwiazdek.

Badanie ujawnia, że graficzne oceny z gwiazdkami są systematycznie zawyżane – np. 3,5 gwiazdki odbierane jest jak 3,62, co wynika z efektu „wizualnego domykania”, w którym mózg automatycznie uzupełnia niepełny kształt gwiazdy.

Z kolei oceny w formacie liczbowym są zaniżane przez tzw. efekt cyfry wiodącej – 3,5 liczbowo odbierane jest bliżej 3,45, gdyż konsumenci podświadomie koncentrują się na pierwszej cyfrze

W praktyce oznacza to, że sposób prezentacji ocen może podnosić lub obniżać postrzeganą jakość oferty, nawet przy identycznych danych. Ma to istotne znaczenie dla projektowania systemów rekomendacji, platform e-commerce czy komunikacji produktowej.

82% of marketers fail AI adoption (Positionless Marketing can fix it)

Martech

Martech

https://martech.org/82-of-marketers-fail-ai-adoption-positionless-marketing-can-fix-it/

Mimo ogromnego zainteresowania AI w marketingu aż 82% zespołów nie potrafi skutecznie wdrażać tej technologii, a główną barierą nie jest brak narzędzi, lecz sposób organizacji pracy. Badania Forrester wskazują, że jedynie 18% marketerów uważa się za zaawansowanych w wykorzystaniu AI, podczas gdy ponad 40% wciąż dopiero uczy się jej możliwości

Problem polega na tym, że większość firm nadal działa według modelu „taśmy produkcyjnej”, w którym insighty, kreacja i aktywacja są odseparowane, co spowalnia procesy i uniemożliwia wykorzystanie pełnego potencjału automatyzacji.

Przykład Blain’s Farm & Fleet obrazuje, jak firmy mogą przełamać ten impas. Detalista rozpoczął wdrażanie AI od zamkniętego systemu Jasper, który pomógł ujednolicić ton komunikacji przy kampanii marki. Mały, wyraźnie zdefiniowany test przyniósł szybkie efekty i zbudował zaufanie zespołów. Taki etapowy model wdrażania – od narzędzi kreatywnych, przez czyszczenie danych, aż po segmentację – pozwala stopniowo skracać cykle działań i podnosić ich jakość.

Kluczowe jest przejście do tzw. positionless marketing, w którym jeden marketer może samodzielnie analizować dane, generować treści i uruchamiać kampanie z zachowaniem zasad bezpieczeństwa marki. Jednocześnie AI wymaga stałej obecności człowieka – zwłaszcza w obszarach, gdzie autentyczność i spójność brandu są krytyczne.

Rekomendacje są jasne: zaczynać małymi krokami, budować nowe modele pracy, centralizować kluczowe definicje danych oraz mierzyć efekty na poziomie realnego liftu, a nie aktywności. Firmy, które potrafią połączyć automatyzację z ludzkim osądem, osiągną przewagę w świecie, w którym AI przyspiesza nie tylko działania, ale i konsekwencje błędów.