Gdzie są case studies AI w marketingu z prawdziwymi liczbami? W mniejszej liczbie miejsc, niż sugeruje obieg konferencyjny. Większość „historii sukcesu AI” zlicza produkcję: wygenerowane materiały, teoretycznie zaoszczędzone godziny, wdrożone narzędzia. Te nieliczne, z których warto się uczyć, wskazują konkretną nieefektywność, mierzą ją, wyjaśniają metodę i uczciwie mówią, czy wynik już się zmaterializował.
Najświeższy przykład pojawił się w tym tygodniu. Campaign Middle East poinformował, że agencja performance TRKKN wykorzystała otwartoźródłowy model marketing mix Meridian od Google, by pokazać Faces, sprzedawcy z branży beauty, skąd naprawdę pochodzą jego przychody w Arabii Saudyjskiej. Trzy lata danych, 11 kanałów oraz prognozowany przyrostowy wzrost przychodów o 8,5% i poprawa ROI o 10,8 punktu procentowego, tylko dzięki przesunięciu budżetu, który Faces i tak już wydawało.
Co właściwie dowodzi przypadek Faces i TRKKN?
Coś konkretnego i użytecznego. TRKKN wdrożyło Meridian w istniejącym środowisku Google Cloud Faces, zamodelowało dane marketingowe i przychodowe online i offline z lat 2023–2025 oraz zbudowało krzywe odpowiedzi i nasycenia dla każdego kanału. Najsilniejszym kanałem okazało się Performance Max. Model pokazał też, gdzie dodatkowe wydatki zaczną przynosić malejące zwroty.
Harry Lonergan, dyrektor marketingu cyfrowego w Faces, części Chalhoub Group, ujął wartość w jednym zdaniu: „Meridian pomógł nam wyjść poza to, co widzimy w wynikach last click”.
Dwa zastrzeżenia. Po pierwsze, jak jasno wynika z raportu, 8,5% i 10,8 punktu pochodzą z modelowanych scenariuszy, a nie z wyników po wdrożeniu. Po drugie, to modelowanie statystyczne, a nie generatywna AI, więc nic nie mówi o narzędziach do treści. Żaden z tych punktów nie osłabia tego przypadku. Oba czynią go wiarygodnym, bo wiadomo dokładnie, na co się patrzy.
Dlaczego większość case studies AI w marketingu jest tak powierzchowna?
Ekonomiści mają nazwę dla rynków, na których ceny przestają wysyłać właściwe sygnały: porażka rynku. Jedną z klasycznych przyczyn jest asymetria informacji, gdy jedna strona transakcji wie znacznie więcej niż druga. Reklama żyje z nią od dekad. Platformy same wystawiają sobie oceny. Agencje fakturują godziny za pracę, której klienci nigdy nie widzą. Klienci oceniają kanały po wynikach last click, które schlebiają temu, co akurat znalazło się najbliżej sprzedaży.
Case studies AI dziedziczą ten problem. Dostawcy publikują sukcesy, rzadko metodę, a punkt odniesienia prawie nigdy. Zdanie w rodzaju „zaoszczędziliśmy 40% czasu produkcji” brzmi jak dowód, dopóki nie zapytasz: 40% czego, mierzone jak i co się stało z tą pracą?
Użyteczne przypadki robią coś odwrotnego. Atakują nieefektywność, którą rynek tolerował, taką jak pomiar last click czy dni ręcznego raportowania, i pokazują liczbę. Efektywność w tym sensie naprawdę jest matką innowacji: nie da się na nowo wymyślić procesu, dopóki nie widać, ile kosztuje.
Które case studies AI mają liczby, które można sprawdzić?
Oto, na co możemy dziś wskazać, w tym nasi własni klienci, oceniane tym samym testem. Tam, gdzie nie ma opublikowanej liczby, mówimy o tym wprost.
| Przypadek | Zaadresowana nieefektywność | Liczba | Prognoza czy wynik zrealizowany? | Czego brakuje |
|---|---|---|---|---|
| Faces i TRKKN (Meridian MMM) | Widok 11 kanałów oparty na last click | Przyrostowy wzrost przychodów o 8,5%; poprawa ROI o 10,8 punktu | Prognoza na podstawie trzech lat danych | Wyniki po wdrożeniu |
| SAMY z Defy Agents | Ręczne raportowanie wyników | Trzy dni pracy skrócone do jednego | Zrealizowane w procesie pracy | Wartość handlowa zwolnionego czasu |
| Enchant z Defy Monitor | Ręczne wnioski z CRM i ręczne wdrażanie kampanii | Brak opublikowanej liczby | Przyjęte dla wszystkich klientów agencji | Policzalny wynik |
| SharkNinja z Defy Monitor | Zrozumienie rynków LATAM | Brak opublikowanej liczby | Wykorzystane do budowania strategii, które można szybko testować i na których można się uczyć | Wyniki tych testów |
| Agencje sprintowe (Beers With Friends, X&O) | Wielomiesięczne projekty i retainery | Pięciodniowe sprinty; klienci wracają kilka razy w roku | Stosowany model operacyjny | AI nie odgrywa w tej historii żadnej roli |
Jak wygląda „z trzech dni do jednego” wewnątrz agencji?
SAMY, globalna agencja influencer marketingu, wdrożyła Defy Agents, by usprawnić raportowanie wyników, skracając trzy dni pracy do jednego. To nie jest efektowna liczba. To taka, która ma znaczenie, bo raportowanie to obowiązek znany każdemu zespołowi klienckiemu: pobrać liczby z platform, uzgodnić je, sformatować prezentację, sprawdzić ją, wysłać, wyjaśnić.
Agentowe przepływy pracy na platformie Defy zdejmują tego rodzaju powtarzalną realizację z biurek ludzi. Ciekawe pytanie brzmi, czym staną się pozostałe dwa dni. Jeśli rozpłyną się w kolejnych zadaniach tego samego rodzaju, klient nic nie zobaczy. Jeśli pójdą w analizę, pomysły i rozmowę, raport przestaje być kosztem i staje się powodem do przedłużenia współpracy.
Omówienie modelu agencji sprintowej w Campaign US pokazuje, dokąd szybkość prowadzi pod względem komercyjnym. Beers With Friends pracuje w pięciodniowych sprintach. Współzałożyciel X&O, Brett Banker, mówi, że agencja ma „zerową retencję klientów”, ponieważ klienci wracają kilka razy w roku zamiast podpisywać umowy agency-of-record. Tekst w ogóle nie wspomina o AI. I o to chodzi: klienci już płacą za szybkość i skupienie. Szybsza realizacja po prostu udostępnia ten model większej liczbie agencji.
Jak ocenić case study AI w marketingu, zanim je skopiujesz
- Nazwij nieefektywność. Co było marnotrawstwem lub było niewidoczne wcześniej? „Wdrożyliśmy AI” nie jest nieefektywnością.
- Znajdź punkt odniesienia. Trzy dni raportowania, atrybucja last click, projekt mierzony w miesiącach. Bez punktu odniesienia nie ma case study.
- Sprawdź metodę. Jakie dane, w jakim okresie, w ilu kanałach? Przypadek Faces odpowiada na wszystkie trzy pytania.
- Oddziel prognozę od wyniku zrealizowanego. Modelowany wzrost to prognoza. Traktuj ją jako hipotezę do przetestowania, a nie wynik do cytowania w pitchu.
- Zapytaj, dokąd poszedł zaoszczędzony czas. Efektywność liczy się tylko wtedy, gdy przekłada się na lepszą pracę, szybsze decyzje lub niższy koszt dla klienta.
- Przeprowadź własny pilotaż. Jeden klient, jeden proces, jeden miesiąc, z punktem odniesienia zapisanym przed startem.
Gdzie dowody wciąż są słabe?
Głównie tam, gdzie twierdzenia są najgłośniejsze. Pomiar i raportowanie dają czyste liczby „przed i po”, więc dobrze nadają się na case studies. Treści generatywne to trudniejsza sprawa: łatwo policzyć, że powstało więcej materiałów, trudniej udowodnić, że sprzedały więcej. Strzeż się każdego case study, które kończy się na wolumenie.
Nasza własna tabela też ma luki. Enchant i SharkNinja to prawdziwe wdrożenia bez opublikowanych liczb, a liczba SAMY mierzy czas, a nie przychody. Wolimy pokazać luki, niż je zamazywać. Dobrze poradzą sobie te agencje, które będą publikować metodę razem z sukcesami, bo tylko takie case study sceptyczny dyrektor finansowy klienta przeczyta dwa razy.
