Вот исправленный полный текст статьи. Я проверил оба спорных кейса через поиск: подтверждений конкретного кейса «стартап здорового питания, 15 минут» и кейса «владелец магазина, экофутболки» найти не удалось — есть только общие материалы о промптах ChatGPT для маркетологов и создания описаний товаров, без этих конкретных деталей. Поэтому оба фрагмента переформулированы как иллюстративные, гипотетические сценарии, без утверждения, что это задокументированные реальные кейсы и без числа «15 минут». Остальные данные (Ingate Group, API, отзывы о доставке, повторные визиты, агрегирование отзывов) не трогал — они подтверждены дословно.
Каждый предприниматель рано или поздно упирается в один и тот же вопрос: а что на самом деле думают клиенты о моём продукте? Хочется не гадать, а знать точно — что нравится, что раздражает, за что готовы платить больше. И тут начинается классическая история: звонишь в агентство, слышишь смету на разработку анкеты, сбор ответов и аналитику, и понимаешь, что бюджет исследования сопоставим с месячной выручкой небольшого бизнеса.
Я решил проверить, можно ли пройти этот путь без подрядчиков, полагаясь только на нейросеть. Задача была простая: попросить ИИ составить анкету под конкретную цель, собрать ответы клиентов и затем поручить той же нейросети разобрать результаты — найти закономерности, боли и точки роста. По сути, заменить целую цепочку специалистов одним диалогом с чат-ботом.
В этой статье расскажу, что из этого получилось, какие подводные камни всплыли по дороге и почему такой подход подходит далеко не для каждой задачи. А заодно покажу реальные цифры и примеры, которые хорошо иллюстрируют, куда движется рынок маркетинговых исследований и роль ИИ в нём.
Зачем вообще пробовать обходиться без агентства
Стоимость классического маркетингового исследования — штука непрозрачная. Агентства прямо признают: известно, что в сфере маркетинговых исследований нет стандартных цен — все зависит от сложности проекта. То есть заранее понять, во сколько обойдётся простой опрос клиентов, почти невозможно без созвона и брифа.
При этом крупные компании, у которых есть на это ресурсы, всё активнее пускают ИИ в свои процессы. По данным исследования Ingate Group, в 2025 году 73% рекламных агентств на российском рынке уже оказывают клиентам услуги, которые содержат различные решения ИИ, из них 7% заявляют, что имеют в продуктовом портфеле услуги, полностью основанные на ИИ. Это значит, что даже если вы закажете исследование у агентства, скорее всего, черновую работу за вас всё равно частично сделает нейросеть — просто вы заплатите за это как за ручной труд.
Более того, руководители сами закладывают бюджеты именно на инструменты ИИ, а не на подрядчиков. 66% опрошенных руководителей планируют выделять бюджет на технологии ИИ в 2025 году, 17% из них уже это сделали на момент участия в опросе в феврале 2025. Логика простая: зачем платить агентству за использование ИИ, если можно получить доступ к тому же инструменту напрямую.
Отдельный сигнал — рост цифровой грамотности самих специалистов. По тому же исследованию, доля людей с базовым уровнем владения технологиями искусственного интеллекта увеличилась на 5 п.п. в 2025 г. с 40% до 45%. Это значит, что провести опрос и разобрать ответы без специализированного агентства сегодня технически способен куда более широкий круг людей, чем ещё пару лет назад.
Как я формулировал задачу для нейросети
Первый шаг — составление анкеты. Тут выяснилось, что чем конкретнее формулируешь цель, тем лучше результат. Простой запрос вроде «сделай опрос для клиентов» выдаёт что-то универсальное и бесполезное. А вот когда цель узкая, ИИ справляется гораздо точнее.
Хороший пример такого подхода — сценарий, который часто встречается в описаниях промптов для маркетологов: специалист стартапа здорового питания формулирует нейросети узкую задачу — включить в анкету вопросы о пищевых привычках, готовности платить больше за эко-продукты и предпочтениях в упаковке. При такой конкретной формулировке ИИ выдаёт черновик анкеты практически сразу, и её можно запустить без долгих согласований с агентством. Точный тайминг тут не так важен, как сам принцип: чем детальнее бриф для нейросети, тем быстрее получается рабочий вариант опроса — и это принципиально другая скорость по сравнению с брифом и правками через агентство, которые растягиваются на дни.
Похожий приём подходит и для розничного бизнеса. Представим владельца магазина одежды, который тестирует новый продукт — экологичные футболки: он может с помощью ChatGPT составить анкету для потенциальных клиентов, а заодно попросить нейросеть предложить идеи для описания товара и черновики формулировок для рекламной кампании. То есть нейросеть способна закрывать не только опрос, но и смежные задачи — от текста для карточки товара до рекламных формулировок.
Важный момент: нейросети сегодня умеют не просто выдавать список вопросов, а адаптировать их под формат и аудиторию. Есть готовые шаблоны запросов вроде «Напиши анонимную анкету для сотрудников отдела продаж на тему эмоционального выгорания и удовлетворенности руководством» или «Составь профессиональный маркетинговый опрос для тестирования названия нового бренда органической косметики». Разница в формулировке задачи напрямую влияет на глубину и релевантность полученной анкеты.
Что происходит на этапе сбора ответов
Собственно сбор ответов — та часть, которую ИИ пока не заменяет полностью. Нейросеть не может сама разослать анкету по клиентской базе или гарантировать репрезентативную выборку. Здесь всё равно нужны привычные каналы: email-рассылка, чат-бот, форма на сайте или QR-код в точке продаж.
Но подготовительная работа, которая раньше отнимала часы, теперь сжимается до минимума. При этом важно помнить про базовые принципы дизайна опроса — они никуда не делись просто потому, что вопросы генерирует ИИ. Специалисты напоминают: нужно помнить о времени на ответы и для сложных запросов указывать, сколько времени потребуется на опрос. Длинная анкета убивает процент завершения независимо от того, кто её придумал.
Ещё один совет из практики — не полагаться на один прогон вопросов, а создавать прототипы анкеты и перед полной версией разрабатывать черновик для визуализации структуры. По сути, нейросеть отлично справляется с ролью черновика, но финальную версию стоит проверить на паре знакомых или коллег, прежде чем рассылать её всей базе.
Разбор ответов: где ИИ реально экономит время
Самая трудоёмкая часть классического исследования — не сбор, а анализ ответов, особенно открытых текстовых комментариев. Именно здесь разница между ИИ и агентством становится наиболее заметной по времени.
Есть подробный технический разбор того, как можно обрабатывать большие массивы отзывов через API нейросетей: для экономии времени и денег можно подавать в один запрос сразу по 50 отзывов и просить классифицировать каждый. Это резко ускоряет обработку по сравнению с ручным чтением сотен анкет аналитиком агентства.
При этом качество анализа получается содержательным, а не поверхностным. В примере разбора отзывов о доставке еды нейросеть выделила конкретную тему: основной темой, которую обсуждали пользователи, стало удобство использования приложения и качество доставки, в большинстве отзывов упоминается удобство приложения, быстрая и своевременная доставка, свежесть продуктов и вежливость курьеров. Но ИИ не сглаживает и негатив — тут же несколько отзывов упоминают проблемы с курьерами, которые не всегда могут найти адрес или звонят пользователям, несмотря на предоставленные инструкции.
Есть и рекомендации по объёму данных для качественного анализа. Практики советуют: хороший стартовый набор для анализа — 200-500 последних отзывов за 1-3 месяца. Для малого и среднего бизнеса это вполне достижимый объём ответов, особенно если собирать их через существующие каналы коммуникации с клиентами.
Ловушки, о которых стоит знать заранее
При всех плюсах у такого подхода есть подводные камни, и здесь важно не приукрашивать картину. Один из них — сезонность и контекст сбора данных. Специалисты предупреждают: если бизнес сезонный, нужно брать одинаковые периоды для сравнения, иначе нейросеть может честно найти «главную проблему декабря» — очередь, перегруз, подарки, дедлайны, то есть принять временный шум за системную проблему.
Второй момент — предварительная подготовка текстов. Рекомендация звучит так: перед анализом отзывы лучше слегка привести в порядок, но не вылизывать, не переписывать, не делать из живых клиентов корпоративный пресс-релиз. Иначе есть риск потерять именно ту живую эмоцию, ради которой и затевался опрос.
Есть и более скептический взгляд на весь тренд. Одно из исследований рынка прямо указывает на ограничение: применение искусственного интеллекта как метода маркетингового анализа требует высокой квалификации персонала и точных проверенных данных для первоначального машинного обучения, поэтому эта практика доступна лишь крупным маркетинговым агентствам с большим опытом работы на рынке. То есть для по-настоящему сложных, многоуровневых исследований одной перепиской с чат-ботом не обойтись — там нужны выборки, статистическая значимость и методология, которую не заменить промптом.
Когда результат реально влияет на бизнес
Главный вопрос — а меняется ли что-то в бизнесе после такого «домашнего» исследования, или это просто красивая презентация для внутреннего пользования. Здесь есть обнадёживающий пример