Маркетинговые агенты
Типичные маркетинговые задачи и их соответствие
Рассмотрим типичные задачи маркетинга и то, какой инструмент им соответствует. Это не абсолютная классификация — конкретный выбор зависит от контекста бизнеса. Но как ориентир эта таблица полезна.
Задача
Инструмент
Уровень автономии
Welcome-серия новому подписчику
Workflow
Высокая
Реактивация спящих клиентов
Workflow + AI-сегментация
Средняя
Мониторинг конкурентов
Агент
Высокая
Генерация рекламных креативов
Агент
Средняя (с подтверждением)
Корректировка ставок в рекламе
Workflow + AI-рекомендации
Средняя
Квалификация входящих лидов
Агент
Высокая
Стратегия контент-плана на квартал
Агент-ассистент + человек
Низкая (рекомендации)
Анализ причин падения конверсии
Агент
Высокая
Управление репутацией в отзывах
Гибрид
Средняя
CRM-скоринг и распределение лидов
Workflow + AI-модель
Высокая
Из таблицы видно: чистых агентов в маркетинге меньше, чем кажется. Большинство задач решается гибридами — workflow с AI-компонентами. Это и есть реальная картина внедрения AI в маркетинге 2026 года. Полностью автономные агенты — это скорее исключение, чем правило, и применяются они в основном в задачах с низким риском и высокой вариативностью (контент, исследования, аналитика).
Сквозной кейс: «Вкуснотех» (услуги) — анализ задач на соответствие агенту
Сеть из 8 кулинарных студий в трёх городах. Услуги: групповые мастер-классы, корпоративы, индивидуальные занятия. Бронирование через сайт и по телефону. База клиентов — 30 000 контактов, 60% — повторные.
Команда рассмотрела 12 задач для возможного внедрения агента. Из них: 7 задач переведены на workflow (welcome-серии, напоминания о занятиях, поздравления с днем рождения, базовая реактивация, сбор отзывов, обновление расписания на сайте, отчёты для руководителя). 3 задачи переведены на гибрид (сегментация клиентов для персонализированных предложений, генерация контента для соцсетей, обработка отзывов). 2 задачи отдали агенту: мониторинг конкурентов (сбор и анализ цен, расписания, новых программ) и аналитика загруженности студий с рекомендациями по оптимизации расписания.
Результат: вместо 12 кандидатов в агенты — только 2. Это позволило сфокусировать внимание на правильной архитектуре двух агентов, а не размазывать ресурсы на 12 полуработых систем. Экономика двух агентов оказалась положительной уже через 4 месяца.
Зрелость команды как фактор выбора
Даже если задача подходит для агента, есть ещё один фактор — зрелость команды. Агент требует сопровождения: проектирования, настройки, мониторинга, обновления. Если в команде нет человека, способного играть роль архитектора агента, даже идеальный кандидат на агентное решение превратится в неуправляемый эксперимент. Перед запуском агента задайте вопрос: кто в команде будет отвечать за его работу? Этот человек должен понимать и маркетинг, и основы AI, и основы интеграций. Если такого человека нет — сначала растите его, потом запускайте агента.
Минимальный набор ролей для запуска первого агента: бизнес-владелец (формулирует цель и критерии успеха), архитектор (проектирует агента и guardrails), разработчик (реализует интеграции и логику), оператор (следит за работой в продакшене и реагирует на эскалации). В небольших компаниях одна и та же роль может совмещаться в одном человеке — но функции должны быть. Без бизнес-владельца агент оптимизирует не то. Без архитектора агент получается непредсказуемым. Без разработчика — не интегрируется. Без оператора — ломается без присмотра.
Дорожная карта внедрения агентов
Если команда определилась, что ей нужен агент, но не знает, с чего начать, — полезно придерживаться типовой дорожной карты. Месяц 1-2: один Research-агент или Analytics-агент (READ-only) — это безопасный старт, который даёт понимание, как агенты работают в реальном контексте. Месяц 3-4: добавление WRITE-агента (например, CRM-агента для зависших лидов) — это уже более высокий уровень автономии, но всё ещё низкий риск. Месяц 5-6: первый EXECUTE-агент с подтверждением (например, Sales-агент для квалификации лидов). Месяц 7-9: добавление Supervisor-агента для координации двух-трёх агентов. Месяц 10-12: оценка результатов и план дальнейшего расширения.
Эта дорожная карта — ориентир, а не догма. Конкретные сроки зависят от размера команды, сложности интеграций, готовности инфраструктуры. Главное — двигаться постепенно и на каждом шаге оценивать, принёс ли предыдущий агент реальную пользу. Если агент не окупается через 6 месяцев — лучше пересмотреть архитектуру, чем упорствовать в попытках заставить его работать. Если окупается — расширять. Принцип «докажи полезность перед масштабированием» работает и для отдельных агентов, и для всей системы.
Сигналы, что агент нужен прямо сейчас
Есть несколько практических сигналов, что задача прямо сейчас подходит для агентного решения, а не ждёт будущего. Первый: задача не делается, потому что никто не успевает. Если есть функция, которая теоретически нужна, но в команде нет рук — агент может закрыть эту нишу. Второй: задача делается, но плохо и нерегулярно. Если еженедельный анализ конкурентов делается раз в месяц, когда кто-то вспоминает — агент будет делать её каждую неделю. Третий: задача делается, но inconsistently — каждый раз по-разному, в зависимости от того, кто из сотрудников её делает. Агент даёт consistenty — одно и то же действие выполняется одинаково.
Четвёртый сигнал: задача требует синтеза данных из нескольких источников, который человек делает долго. Если анализ рекламных кампаний требует открыть 4 кабинета, выгрузить данные в Excel, сопоставить с CRM — это часы работы, которую делает агент за минуты. Пятый сигнал: задача требует реакции в реальном времени, но человек не успевает. Если нужно реагировать на негативные отзывы в течение часа, но дежурный не всегда успевает — агент может быть «первой линией обороны». Любой из этих сигналов — повод серьёзно рассмотреть агентное решение.
Скоринг задач на соответствие агенту
Чтобы не полагаться на интуицию при выборе задач для агента, полезно использовать количественный скоринг. Каждой задаче даётся оценка по нескольким критериям, и по сумме можно сравнивать кандидатов. Это особенно полезно, когда у команды есть несколько потенциальных задач и нужно выбрать одну-две для начала.
Критерий
0 баллов
1 балл
2 балла
3 балла
Повторяемость
Раз в год
Раз в квартал
Раз в месяц
Еженедельно+
Вариативность
Один путь
2-3 пути
5-10 путей
10+ путей
Стоимость ошибки
Высокая
Средняя
Низкая
Минимальная
Доступные данные
Нет
Ограниченно
Достаточно
Богатые
Измеримость
Нет KPI
Косвенная
Прямая KPI
Мульти-KPI
Срочность
Не срочно
Срочно
Очень срочно
Критично
Задача с суммой 12-18 баллов — отличный кандидат на агента. 8-12 — кандидат, но требует внимательной проработки. Ниже 8 — лучше решать workflow или вручную. Этот скоринг — не догма, но он помогает принимать решение осознанно, а не «по ощущениям». Если разные участники команды дают задаче разные оценки — это повод обсудить разногласия, прежде чем начинать разработку.
Альтернативы агенту: что ещё можно сделать
Если задача не подошла для агента — это не значит, что её нельзя автоматизировать. Есть несколько альтернатив, которые часто недооценивают. Первая: просто не делать. Если задача редкая и не критичная — может быть, проще оставить как есть, чем строить сложную систему. Вторая: workflow. Если задача предсказуема — workflow будет дешевле и надёжнее. Третья: AI-ассистент для сотрудника. Если задача требует человеческого решения, но часть операций рутинная — дайте сотруднику AI-ассистента, который ускорит работу.
Четвёртая альтернатива: аутсорс. Если задача не является ключевой компетенцией бизнеса — может быть, проще отдать её на аутсорс, чем строить сложную систему. Пятая: нанять человека. Иногда это дешевле, чем автоматизация, особенно если задача требует гибкости и нестандартных решений. Шестая: использовать готовый SaaS-продукт, который решает эту задачу. Не всё нужно строить с нуля.
Эти альтернативы упомянуты не для того, чтобы отговорить от агентов, а для того, чтобы агентное решение выбиралось осознанно. Агент — это инструмент, а не религия. Если в каком-то случае лучше другое решение — нужно выбрать его. Это зрелый подход.
Глава 4. Память агента
MEMORY ≠ KNOWLEDGE BASE ≠ DATABASE
Память — один из самых недооценённых компонентов агента. Без памяти агент каждый раз начинает с чистого листа: он не помнит, что пробовал, что сработало, а что нет, какие у клиента были возражения, какие креативы уже использовались. С памятью он может накапливать опыт, не повторять ошибки и постепенно улучшать качество своих действий. Но память — это не просто «склад всего, что когда-либо происходило». Это структурированная система, в которой разные виды информации хранятся по-разному и используются для разных целей.
Прежде чем разбирать типы памяти, важно разделить три понятия, которые часто смешивают: memory, knowledge base и database. Database — это база данных: структурированное хранилище транзакционных записей (клиенты, заказы, события). Knowledge base — это база знаний: curated-хранилище проверенной информации о продукте, рынке, процессах, брендах. Memory — это контекст агента: то, что агент помнит о своих взаимодействиях, решениях, результатах, о текущей задаче. База данных — про факты. База знаний — про интерпретацию фактов. Память — про опыт агента.
Шесть слоёв памяти агента
1. Краткосрочный контекст
Краткосрочный контекст — это то, что агент держит «в голове» во время текущей задачи. Например, при выполнении цикла «проанализируй кампанию → предложи изменения → подготовь отчёт» агент должен помнить промежуточные выводы между шагами. Объём краткосрочной памяти ограничен размером контекстного окна модели. На практике это означает, что агент должен уметь «забывать» то, что уже не нужно для текущего шага, чтобы освободить место для новых данных. Хорошая архитектура агента явно управляет краткосрочным контекстом: что добавить, что убрать, что преобразовать в более постоянное хранилище.
2. История взаимодействий
История взаимодействий — это лог всех действий агента: что он делал, в каком порядке, с какими входными данными, с каким результатом. История нужна для двух целей: отладка (почему агент принял такое решение?) и обучение (какие стратегии работают лучше?). История должна быть структурирована: timestamp, action, input, output, success_metric. Без структурированной истории невозможно ни улучшать агента, ни объяснять его поведение.
3. Долгосрочная память
Долгосрочная память — это то, что агент сохраняет между задачами. Например: «для сегмента B2B-клиентов с циклом сделки более 30 дней лучше работают образовательные email, а не промо-предложения». Или: «в прошлой кампании с акцентом на экологичность CTR был выше среднего на 28%». Долгосрочная память формируется из истории взаимодействий через обобщение: агент (или отдельный процесс) периодически анализирует историю и формулирует выводы. Эти выводы должны быть проверяемыми — иначе есть риск, что агент закрепит неверный паттерн.
4. База знаний
База знаний — это curated-хранилище проверенной информации: бренд-бук, описание продуктов, ценовая политика, правила коммуникации, FAQ, регламенты. В отличие от долгосрочной памяти, которая формируется автоматически, база знаний поддерживается человеком (или процессом с человеческим контролем). База знаний — это «тело знаний», на которое агент опирается при принятии решений. Хороший агент не полагается только на то, что модель знает из своего предобучения; он всегда сверяется с актуальной базой знаний.
5. Клиентские данные
Клиентские данные — это база данных CRM: контакты, сделки, события, история коммуникаций. Эти данные агент не хранит у себя, а читает из CRM по необходимости. Здесь критически важно разграничение: что агент может читать, что может обновлять, что не может видеть вовсе. Клиентские данные — самая чувствительная часть контекста агента, и работа с ними требует отдельного внимания к безопасности и приватности.
6. Результаты прошлых действий
Результаты прошлых действий — это метрики и итоги предыдущих задач агента: «кампания X дала CAC 1 800 ₽, кампания Y — 3 200 ₽, кампания Z — 2 100 ₽». Эти данные позволяют агенту оценивать эффективность своих стратегий и выбирать ту, что лучше сработала в похожих условиях. Без этой памяти агент будет повторять одни и те же эксперименты заново, тратя ресурсы впустую.
Что хранить и зачем
Простой принцип: хранить нужно то, что влияет на будущие решения. Не «всё, что может когда-то пригодиться», а конкретно то, что изменит выбор агента на следующем шаге. Это отсекает 70–80% данных, которые иначе попали бы в память. Чем меньше памяти — тем проще её поддерживать, тем быстрее поиск, тем понятнее, на основе чего агент принял решение.
Тип памяти
Что хранить
Зачем хранить
Краткосрочная
Текущая задача, промежуточные выводы
Связать шаги в цикле
История
Логи действий и результатов
Отладка и обучение
Долгосрочная
Обобщённые выводы из истории
Не повторять ошибки
База знаний
Бренд, продукт, правила
Опора для решений
Клиентские данные
CRM-записи
Персонализация
Результаты
Метрики прошлых задач
Сравнение стратегий
Как обновлять, удалять и контролировать актуальность
Память — не склад навсегда. Она живая система, в которой данные должны обновляться, устаревать и удаляться. Правила обновления зависят от типа памяти. Краткосрочная обновляется при каждом шаге и очищается при завершении задачи. История только добавляется (это append-only лог). Долгосрочная память пересматривается периодически: раз в неделю или месяц. База знаний обновляется при изменении продукта, цен, политики. Клиентские данные синхронизируются с CRM в реальном времени. Результаты прошлых действий хранятся с временными метками, и старые записи постепенно «забываются» — или помечаются как устаревшие, если условия изменились.
Контроль актуальности — отдельная задача. Кто решает, что вывод всё ещё верен? Кто удаляет устаревшие записи? Кто следит, чтобы база знаний соответствовала текущему продукту? На практике это роль, которую можно назвать «архивариус» — либо человек, либо отдельный процесс, который периодически проверяет и обновляет память агента. Без архивариуса память быстро превращается в свалку, и агент начинает принимать решения на основе неактуальных данных.
Доступ к памяти: кто что может видеть
Не весь контекст должен быть доступен агенту в любой момент. Разные типы памяти требуют разного уровня доступа. Краткосрочный контекст — только текущему агенту. История — текущему агенту и администраторам. Долгосрочная память — всем агентам того же типа. База знаний — всем агентам. Клиентские данные — только тем агентам, которые работают с данным клиентом, и только в объёме, необходимом для задачи. Результаты прошлых действий — всем агентам того же типа, плюс возможность поделиться с другими типами агентов при наличии бизнес-цели.
Эта модель доступа — основа безопасности. Чем строже правила, тем меньше риск утечки данных или некорректного использования информации. Например, рекламный агент не должен видеть содержимое переписки менеджера с клиентом — это зона CRM-агента. А CRM-агент не должен видеть детали рекламных кампаний — это зона рекламного агента. Каждый тип агента имеет свой профиль доступа к памяти, и этот профиль должен быть явно задан.
Сквозной кейс: «ДомДеко» — архитектура памяти CRM-агента
Краткосрочный контекст: текущий сегмент лидов, по которому работает агент; последние 50 обработанных контактов; текущая гипотеза (например, «отправка письма с напоминанием о брошенной корзине через 1 час снижает долю незавершённых заказов на 6–9%»).
История взаимодействий: лог всех отправленных писем, обновлений CRM, созданных задач менеджерам. Хранится 90 дней, потом архивируется.
Долгосрочная память: выводы вида «для сегмента покупателей товаров для кухни письмо с рецептом работает на 18% лучше, чем письмо с промокодом»; «клиенты с первой покупкой свыше 5 000 ₽ в три раза чаще возвращаются в течение 60 дней — им нужно особое отношение». Обновляется еженедельно.
База знаний: бренд-бук, каталог товаров с ценами, правила скидок, список запрещённых слов в коммуникациях, FAQ.
Клиентские данные: доступ на чтение к контактам, истории заказов, статусам корзин. Доступ на запись — обновление статуса активности, добавление заметок. Без доступа к платежным данным и персональным документам.
Результаты: конверсия каждого типа письма, средняя сумма восстановленной корзины, доля повторных брошенных корзин после первого письма.
Векторная память: новый подход
Традиционная память агента — это структурированные записи в базе данных: таблицы с полями, связями, индексами. Для многих задач этого достаточно. Но есть класс задач, где структурированная память не работает: когда нужно искать «похожие» случаи, а не точные совпадения. Например: «найди в истории кампании, похожие по динамике на текущую». Точное совпадение не найти, но похожие — можно. Для этого используется векторная память: каждая запись преобразуется в числовой вектор (embedding), и поиск ведётся по близости векторов.
Векторная память особенно полезна для Research-агентов (поиск похожих исследований), Content-агентов (поиск похожих успешных тем), Sales-агентов (поиск похожих клиентов с успешной историей сделки). Технически это реализуется через специализированные базы данных: Pinecone, Weaviate, Qdrant, или через pgvector в PostgreSQL. Выбор зависит от масштаба и существующей инфраструктуры. Главное — понимать, что векторная память не заменяет структурированную, а дополняет её: для точных запросов — структура, для похожих — векторы.
Забывание: что удалять и когда
Память без забывания — это помойка. Чем больше записей, тем сложнее найти релевантные, тем выше риск, что агент опирается на устаревшие данные. Поэтому遗忘 — это не потеря, а функция. Что удалять и когда — отдельная задача. Краткосрочная память очищается при завершении цикла. История хранится долго (90+ дней), но периодически архивируется. Долгосрочная память пересматривается: раз в неделю или месяц выводы проверяются, и те, что устарели, помечаются или удаляются. База знаний обновляется при изменении контекста. Клиентские данные хранятся в соответствии с политикой конфиденциальности и регуляторными требованиями.
Правило большого пальца: если данные не использовались в течение 6 месяцев — они, скорее всего, не нужны. Если вывод не подтверждается новыми данными — он устарел. Если запись в базе знаний противоречит текущему состоянию продукта — её нужно обновить. Без периодической чистки память становится балластом, замедляющим работу агента и снижающим качество его решений. Чистка памяти — это такая же обязательная процедура, как аудит конституции или проверка guardrails.
Конфиденциальность и память
Память агента — это потенциальная точка утечки данных. Если агент хранит историю взаимодействий, в этой истории могут быть чувствительные данные клиентов: имена, контакты, история покупок, переписка. Если агент передаёт контекст во внешнюю модель (LLM), чувствительные данные могут попасть «наружу». Это серьёзный риск, и его нужно явно учитывать при проектировании памяти.
Основные меры защиты: минимизация — агент хранит только то, что нужно для работы; обезличивание — имена и контакты заменяются на идентификаторы; маскирование — чувствительные поля маскируются перед передачей модели; шифрование — память шифруется на диске; разграничение — разные агенты имеют доступ к разным частям памяти. Эти меры не «делают память безопасной» — они снижают риск до приемлемого уровня. Полностью безопасной памяти не бывает, как не бывает полностью безопасной любой системы обработки данных. Цель — управлять риском, а не устранить его (что невозможно).
Контекстное окно и его ограничения
Каждая модель имеет ограничение на размер контекста — количество токенов, которое она может «видеть» одновременно. Это ограничение не техническое — оно архитектурное: модель «знает» только то, что помещается в её окне. Если контекста больше, чем окно, модель либо игнорирует часть контекста (обычно — самое старое), либо разбивает обработку на несколько вызовов. Для агента это означает, что он должен явно управлять своим контекстом: что загружать, что выгружать, что резюмировать.
Практические приёмы управления контекстом. Первый: суммирование истории. Если у агента есть история из 50 взаимодействий, он не загружает все 50 в контекст — он загружает резюме первых 40 и последние 10 в полном виде. Второй: релевантная выборка. Если у агента есть база знаний на 1000 документов, он не загружает всю базу — он ищет по релевантности и загружает только топ-3. Третий: приоритизация недавнего. Последние действия важнее для текущего решения, чем события месячной давности — модель должна «помнить» последние лучше.
Без явного управления контекстом агент быстро упирается в ограничения: либо работает медленно (потому что контекст большой), либо теряет важную информацию (потому что контекст маленький). Поэтому архитектура памяти агента — это не «склад», а «активная система управления»: что добавить, что убрать, что преобразовать, что сохранить в долгом хранилище.
Глава 5. Инструменты агента
READ → ANALYZE → WRITE → EXECUTE → TRANSACT
Инструменты — это то, что превращает AI-модель в агента. Без инструментов модель может только отвечать на вопросы. С инструментами — действовать. Чем больше инструментов подключено, тем шире пространство возможных действий агента. Но одновременно растёт и риск: каждое новое подключение — это новая точка отказа, новый канал утечки, новый способ что-то сломать. Поэтому инструментальная архитектура агента — не «дать всё, что есть», а «дать ровно то, что нужно для задачи, с минимально необходимыми правами».
Типовой набор инструментов маркетингового агента
CRM
Доступ к клиентской базе: чтение контактов, истории взаимодействий, статусов сделок, заметок менеджеров; обновление статусов, добавление заметок, создание задач. CRM — центральный инструмент для большинства маркетинговых агентов, потому что именно в ней хранится основная информация о клиентах.
Аналитика
Доступ к системам веб-аналитики (Яндекс Метрика, Google Analytics, внутренние BI-системы): чтение конверсий, источников трафика, воронок, поведения пользователей. Аналитика даёт агенту возможность оценивать результаты своих действий и принимать решения на основе данных, а не предположений.
Рекламные кабинеты
Доступ к Яндекс Директ, VK Рекламе, Telegram Ads и другим рекламным системам: чтение статистики кампаний, цен, аудиторий; создание и остановка кампаний, корректировка ставок, изменение бюджетов. Это один из самых рискованных инструментов, потому что напрямую связано с деньгами.
Поисковые системы и веб
Доступ к поиску и чтению веб-страниц: мониторинг конкурентов, исследование тем, анализ трендов, сбор отзывов. Этот инструмент позволяет агенту получать актуальную информацию, не заложенную в его обучение.
Базы данных и таблицы