Маркетингові бюджети у світі LLM: як планувати доходи від AI?

У цій статті ви знайдете всебічний аналіз ролі каналів штучного інтелекту в структурі прибутків і збитків, зокрема огляд основних типів рішень - від чат-ботів до систем ціноутворення - та їхній безпосередній вплив на дохід, маржу і CAC-витрати. Ви також дізнаєтеся, чому класичне прогнозування не спрацьовує з моделями, що навчаються, і як впровадити 5-етапну систему бюджетного планування на основі конкретних сценаріїв використання та виміряти приріст доходів за допомогою таких інструментів, як Semly.

Що таке канали штучного інтелекту в маркетингу та продажах з точки зору P&L

На практиці "канали штучного інтелекту" - це не один абстрактний потік доходів, а кілька класів рішень, які "підключаються" до існуючої воронки маркетингу та продажів.

Основні типи каналів штучного інтелекту

• Чат-боти та розмовні асистенти (розмовна комерція, боти для обслуговування клієнтів)

• Місця проведення операцій: чат на сайті, WhatsApp, Messenger, IG DM, чат в додатку, голосові боти.

• Особливості:

1. відповіді на питання перед покупкою,
2. які допоможуть вам у виборі та оформленні замовлення,
3. обробка статусів замовлень, повернень, скарг.

Дослідження Meta показує, що компанії, які використовують діалогові помічники в WhatsApp і Messenger, повідомляють про вищі конверсії та коротші шляхи покупок у мобільній комерції.

Особливості:

• скоринг і пріоритезація лідів,
• автоматичне підбиття підсумків дзвінків та підготовка подальших кроків,
• рекомендації щодо перехресних продажів/апселів.

За оцінками Gartner, до 2027 року 95% процесів дослідження продажів будуть ініційовані за допомогою ШІ, а впровадження GenAI може збільшити продуктивність продажів на 25%, а дохід - приблизно на 12-13%.

Генеративний контент-маркетинг (LLM + генеративний ШІ)

• Заявки: SEO, медійна реклама, електронна пошта, соціальні мережі, цільові сторінки.

• Особливості:

1. швидке створення безлічі креативних варіантів,
2. персоналізація копії для сегментів,
3. автоматизація A/B та багатовимірних тестів.

• Бізнес-ефект: більше експериментів, краще узгодження повідомлень і вищі показники CTR і CR, що призводить до збільшення доходу. В електронній комерції ця перевага ще більше посилюється завдяки контенту, створеному за програмою LLM - описам продуктів і поширеним запитанням.

Системи рекомендацій продуктів та персоналізація 1:1

• Заявки: електронна комерція (веб-сайт, додаток), електронна пошта, push, банери на місці.

• Особливості:

1. "наступний найкращий продукт/пропозиція"
2. персоналізовані списки та замовлення продуктів
3. динамічна комплектація продуктів.

• McKinsey вказує, що просунута персоналізація може збільшити дохід на 5-15% і підвищити ефективність маркетингових витрат на 10-30%.

Кампанії з автономним виконанням (управління кампаніями зі штучним інтелектом)

• Заявки: Google Ads, Meta Ads, programmematic, роздрібні медіа, автоматизація маркетингу.

• Особливості:

1. автоматичний розподіл бюджету між каналами та кампаніями,
2. оптимізація ставок і створення за KPI (ROAS, CAC, дохід),
3. безперервне тестування сотень комбінацій.

• Тематичні дослідження показують зниження CAC до 30% та значне збільшення рентабельності інвестицій в кампанії.

ШІ в ціноутворенні та управлінні доходами

• Заявки: динамічне ціноутворення, промо-акції, управління маржею.

• Особливості:

1. оптимізація цін для максимізації доходу або прибутку.
2. автоматичне коригування знижок відповідно до цінової чутливості.

• Інструменти управління доходами (наприклад, PROS) передають ШІ задокументований додатковий дохід.

ШІ для аналітики, прогнозування та атрибуції (маркетингова аналітика/аналітика доходів)

• Заявки: всі канали - роль "мета-шару" над маркетинговою діяльністю та продажами.

• Особливості:

1. прогнозування CLV, відтоку та схильності до купівлі моделей.
2. моделювання маркетингового міксу (МММ).
3. багатоканальна атрибуція, вимірювання інкрементальності.

• Інструменти цього класу, такі як Semly, дають змогу оцінити додатковий дохід від каналів штучного інтелекту та виміряти продажі, згенеровані пошуком у штучному інтелекті та іншими джерелами трафіку, а також оптимізувати розподіл бюджетів за доходами, а не тільки за кліками.

Де канали АІ "торкаються" прибутків і збитків

• Виручка: вища конверсія, вищий середній кошик (AOV), частіші покупки, вищий CLV.

• Витрати на придбання (CAC): краще таргетування та оптимізація кампаній зменшують витрати на залучення клієнтів.

• Операційні витрати (OPEX): автоматизація обслуговування клієнтів і продажів знижує собівартість послуг, але вимагає інвестицій в дані та інтеграції.

• Маржа: ШІ в ціноутворенні та управлінні рекламними акціями дозволяє підвищити маржу, зберігаючи або збільшуючи обсяги.

Чому класичне прогнозування доходів не працює безпосередньо для ШІ

Перенесення логіки "давайте додамо новий канал в Excel" часто закінчується або переоцінкою, або недооцінкою ефекту ШІ. Причини тут три.

Висока варіативність та навчальний ефект моделей

Канали ШІ не є статичними:

• моделі навчаються на основі даних і поведінки користувачів,
• результати через 2-3 тижні можуть кардинально відрізнятися від перших днів,
• продуктивність зростає в рази, коли з'являються нові підказки, дані або інтеграції.

Прогнозування "жорстко" (один CR, один AOV) є небезпечною ілюзією - що реально потрібно, так це прогнозування за сценаріями і з періодами "навчання".

Проблема атрибуції: ШІ як "співпроцесор", а не окремий канал

ШІ часто працює у фоновому режимі:

• покращує текст кампанії і, відповідно, ефективність існуючих каналів (Google, Meta).
• рекомендує товари, але продажі приписуються "електронній пошті" або "органічному пошуку".
• кваліфікує лідів, але дохід відображається як "Прямі" або "Продажі".

У класичній атрибуції за принципом "останнього кліку" більша частина вартості ШІ "розсіюється" по інших каналах. Тому без вдосконалених інструментів атрибуції та моделей інкрементальності керівництво побачить лише частину ефекту.

Ризик ажіотажу та недооцінки організаційних витрат

Про це свідчать звіти BCG та Deloitte:

• лише незначна частина проектів зі штучного інтелекту виходить за рамки пілотних і досягає масштабу з позитивною рентабельністю інвестицій

• TCO (сукупна вартість володіння) проектів ШІ часто на 40-60% вища, ніж передбачалося, а 60-80% зусиль припадає на роботу з даними

Якщо керівництво планує лише витрати на ліцензування та "швидке розгортання", ігноруючи дані, інтеграцію, зміну процесів та компетенції, прогноз рентабельності інвестицій буде систематично завищеним.

Система прогнозування доходів каналів штучного інтелекту для управління

Керівництву потрібен простий, повторюваний підхід, який можна застосувати до різних випадків використання ШІ. Нижче наведено пропозицію щодо такої системи.

Крок 1: Визначте КОНКРЕТНИЙ сценарій використання та етап воронки

Замість "ми інвестуємо в ШІ", будьте більш конкретними:

• Варіанти використання: наприклад, рекомендації щодо товарів в електронній комерції, чат-бот зі штучним інтелектом на сторінці товару, асистент з продажу в B2B.

• Етап воронки: залучення, конверсія, утримання, апсел.
• Основні KPI: CR, AOV, CLV, відтік, кількість SQL/MQL тощо.

Крок 2: Визначити сценарії: консервативний / базовий / агресивний

Для кожного варіанту використання сплануйте три сценарії на 12-24 місяці:

• Консервативний: низький рівень прийняття, помірне підвищення (наприклад, +3 п.п. CR).
• Базовий рівень: відповідно до контрольних показників та ринкового досвіду (наприклад, +5-7 б.п. КР).
• Агресивний: оптимістичний, але все ще реалістичний (наприклад, +10 п.п. CR, більше покриття трафіку).

Крок 3 Підрахунок "моделі на серветці" - числовий приклад

Припустимо, що ви ведете бізнес електронної комерції з наступними параметрами (на місяць):

• Трафік: 500 000 сесій,
• Поточна конверсія (CR): 2,0%,
• Середня вартість кошика (AOV): 58,13 EUR
• Валова маржа: 40%.

Впровадження рекомендацій щодо продуктів зі штучним інтелектом на сайті та в електронній пошті:

• охоплюють 60% трафіку (300 000 сесій),
• у базовому сценарії ми підвищуємо CR на +0,5 відсоткових пункти. (з 2,0% до 2,5%).

Поточний стан (без ШІ - тільки покритий трафік):

• Закупівлі = 300 000 × 2,0% = 6 000,
• Дохід = 6,000 × 58.13 EUR = 348,750 EUR
• Маржа = 348,750 × 40% = 139,500 EUR.

Стан після впровадження ШІ (базовий сценарій):

• Закупівлі = 300 000 × 2,5% = 7 500,
• Дохід = 7,500 × 58.13 EUR = 435,938 EUR
• Маржа = 1 875 000 × 40% = 174,375 EUR.

Щомісячний ефект нарощування (тільки на покритий трафік):

• Додаткові замовлення: 1 500,
• Додатковий дохід: 87,188 EUR
• Додаткова маржа: 34,875 EUR.

Якщо вартість рішення зі штучного інтелекту (інструмент + інтеграція + обслуговування) становить 13,950 EUR стерлінгів на місяць, додатковий валовий прибуток (до врахування інших витрат) становить ~ 20,925 EUR фунтів стерлінгів на місяць. Сценарії можна масштабувати (80-100% покриття трафіку, різні рівні підйомів) і вбудовувати "коридор" доходів.

Крок 4 Включення поступових та контрольних груп

Модель "на серветці" базується на припущенні про підйом. Щоб зробити її більш реалістичною:

• проводити A/B-тести з контрольною групою (наприклад, 80% користувачів бачать рекомендації ШІ, а 20% - ні).
• через 4-8 тижнів порівняйте CR, AOV та різницю між групами.
• порахуйте додатковий дохід як різницю.

Саме такий рівень додаткового доходу повинен бути прийнятий бюджетною аналітикою - і саме тут з'являється роль таких інструментів, як Semly, які допомагають інтегрувати тестові дані, підрахувати додатковий дохід і перевести його в бюджетні сценарії.

Крок 5 Від кейсів використання до портфоліо ШІ

На рівні правління окремі експерименти не фінансуються, а лише портфоліо:

• 3-5 пріоритетних випадків використання ШІ
• кожен з яких має три сценарії доходів та витрат

• все це об'єднано в бюджетну модель (12-24 місяці) з видимим внеском у дохід, впливом на CAC і CLV та періодом окупності для кожного варіанту використання.

Тут Semly - як аналітична та дистрибутивна платформа - може виступати в ролі "єдиного джерела істини": об'єднати дані від ШІ та традиційних каналів в єдину модель доходів, що особливо важливо для електронної комерції, яка створює конкурентні переваги за допомогою ШІ.

Як планувати маркетингові бюджети у світі LLM

1. Розподіліть бюджет між R&D та "основною діяльністю"

На практиці поділ працює добре:

• R&D / AI експерименти (5-15% маркетингового бюджету) - пілоти, POC, тестування нових кейсів використання.
• Основна діяльність (решта бюджету) - діяльність з визначеною рентабельністю, включаючи масштабовані канали ШІ, які пройшли пілотну фазу.

"Високопродуктивні" компанії, за даними McKinsey, часто виділяють понад 20% свого технологічного бюджету на ШІ. У маркетингу частина цього бюджету "повертається" у вигляді витрат на медіа та інструменти, оптимізовані за допомогою штучного інтелекту.

2. Думайте в логіці "портфеля тестів", а не однієї великої ставки

Замість великих одноразових інвестицій в "один проект зі штучного інтелекту":

• створіть дорожню карту з 3-5 варіантів використання з різними профілями ризиків та потенціалом,
• для кожного варіанту використання є пілотний проект (3-6 місяців), критерії успіху (зростання, додатковий дохід, рентабельність інвестицій) та план масштабування (якщо він спрацює).

3. Узгодьте з фінансовим директором горизонт 12-24 місяці

• Deloitte і McKinsey підкреслюють, що реалістичний горизонт повернення великих інвестицій в ШІ становить 12-24 місяці.
• Пілотні проекти повинні показати "докази цінності" через 1-2 квартали, але для повного повернення інвестицій потрібен час для масштабування та вдосконалення моделей.

4. Приклад схеми бюджетування ШІ на 12 місяців

Припустимо, що річний маркетинговий бюджет становить 4,650,000 EUR.

• Фонд експериментів зі штучним інтелектом - 10% (465,000 EUR): 3-4 пілотні проекти (наприклад, рекомендації, чат-бот, продавець-консультант, контент зі штучним інтелектом). Кожен зі своїм власним P&L (витрати + прогнозований додатковий дохід).

• Масштабування успішних кейсів використання - 10-15% бюджету (465,000–697,500 EUR): Переміщення частини витрат з менш ефективних каналів продуктивності на масштабовані ініціативи у сфері ШІ. Рішення на основі даних за допомогою таких інструментів, як Semly (реальний вплив на дохід).

• Решта бюджету - 75-80% (3,487,500–3,720,000 EUR): Класичні канали (пошук, соціальні мережі, афіліати, офлайн), але все частіше керовані та оптимізовані за допомогою штучного інтелекту (автоматизація кампаній, управління ставками).

Роль даних, атрибуції та інструментів, таких як Semly

Що має побачити рада директорів, щоб довіряти прогнозам штучного інтелекту

• Послідовне уявлення про доходи та витрати за кожним каналом: дані про доходи (замовлення, підписки), медіа- та операційні витрати, дані про точки дотику (в тому числі: контакт з чат-ботами, рекомендації, контент зі штучним інтелектом).
• Багатоканальна атрибуція та інкрементальність: класичний "останній клік" не показує справжньої цінності ШІ; необхідні моделі атрибуції на основі даних, моделювання маркетинг-міксу (MMM) та експерименти з контрольними групами.
• Панелі управління, орієнтовані на дохід і CLV: не тільки ROAS і CPC, але й додатковий дохід на канал, вплив на CAC і CLV, період окупності для кожного варіанту використання.

• консолідує дані з традиційних каналів і нових каналів штучного інтелекту в єдину модель.
• допомагає виміряти додатковий вплив штучного інтелекту на дохід і ключові KPI.
• дозволяє будувати бюджетні сценарії та контролювати їх (що станеться з доходами, якщо ми переведемо X% бюджету на канали штучного інтелекту).
• надає керівництву чіткі інформаційні панелі для обговорення з фінансовим директором та наглядовою радою.

Це гарантує, що рішення про масштабування каналів штучного інтелекту ґрунтуються не на обіцянках постачальника або "відчуттях" команди, а на достовірних даних.

Кейси та числові приклади: як канали АІ трансформуються в дохід

Приклад 1: електронна комерція - рекомендації ШІ щодо товарів

Припущення (базовий сценарій):

• Додаткова щомісячна маржа від рекомендацій ШІ (після вирахування вартості інструменту): 20,925 EUR
• Масштабування для більшої частини трафіку протягом року (середній ефект 1,5×) → 31,388 EUR/month.
• Горизонт: 12 місяців.

Щорічний приріст ефекту: приблизно 377,100 EUR додаткового прибутку.

Якщо початкові інвестиції в інтеграцію та впровадження складають 93,000 EUR стерлінгів, а щорічні операційні витрати -167,400 EUR стерлінгів (ліцензії, обслуговування), то

• Загальна вартість у першому році: 260,600 EUR
• Додаткова маржа: 377,100 EUR
• Рентабельність інвестицій у рік 1 ≈ 45%, термін окупності < 12 місяців.

Приклад 2: B2B SaaS - асистент ШІ для SDR (провідна кваліфікація)

Припущення:

• Команда SDR генерує 1,000 MQL на місяць,
• Поточний MQL → SQL = 20% (200 SQL/mc),
• SQL → виграв = 25%,
• Середньорічний дохід на одного клієнта (ARR) = 9,300 EUR.

Впровадження пілотного проекту зі штучного інтелекту підвищує ефективність кваліфікацій та подальших дій:

• MQL → SQL піднімається до 26% (+6 п.п.),
• SQL/mc = 260,
• Перемогли/МЦ = 260 × 25% = 65 (проти 50 раніше),
• Додаткові 15 клієнтів × 9,300 EUR = 139,500 EUR ARR на місяць.

Річний горизонт (за умови збереження параметрів)додаткові 1,674,000 EUR ARR. Якщо річна вартість рішення (інструмент + інтеграція + обслуговування) становить 348,750 EUR, то валова рентабельність інвестицій є дуже високою. На практиці частина додаткового доходу буде поглинута витратами на продаж і відтоком клієнтів, але навіть після коригування показник рентабельності інвестицій залишається привабливим.

Найпоширеніші управлінські помилки при складанні бюджету на АІ в маркетингу

• Відсутність чітко визначених кейсів використання та KPI: "Бюджетів на ШІ" недостатньо. Потрібні конкретні цілі: наприклад, +X п.п. CR, +Y zl додатковий дохід, -Z% CAC.
• Занадто багато або занадто мало пілотування: Занадто велика: важко контролювати, без чітких висновків. Занадто малі: статистично незначущі, важко узагальнити.
• Зосередьтеся на впровадженні технології, а не на процесі: ШІ без змін у процесах (продажах, обслуговуванні, виробництві контенту) часто не розкриває свого потенціалу.
• Ігнорування витрат на дані та інтеграцію: Заниження TCO на 40-60% є нормою для ШІ-проектів без зрілого підходу до даних.
• Відсутність центрального інструменту для моніторингу ефектів (аналітика та атрибуція): Без такого інструменту, як Semly, керівництво бачить розрізнені дані і не може достовірно розрахувати додатковий дохід, порівняти ефективність каналів або змоделювати бюджетні сценарії.

Контрольний список для CEO/CMO/CRO: як підходити до бюджетування АІ

• Визначте 3-5 ключових кейсів використання ШІ в маркетингу та продажах (з етапами воронки та KPI).
• Переконайтеся, що у вас є дані для вимірювання їхнього впливу (дохід, витрати, точки контакту, CLV).
• Визначте сценарії доходів (консервативний / базовий / агресивний) на 12-24 місяці.
• Розробіть пілотний проект з контрольною групою та чіткими критеріями успіху.
• Надайте інструмент атрибуції та аналітики (наприклад, Semly), який показує поступовий вплив штучного інтелекту на дохід.
• Узгодьте з фінансовим директором горизонт повернення інвестицій (зазвичай 12-24 місяці) та принципи оцінки.
• Бюджетуйте ШІ як портфель тестів, а не як окремий проект; щоквартально переглядайте рентабельність використання кейсів.
• Увімкніть канали ШІ для безперервної управлінської звітності (дашборди доходів, CAC, CLV, окупність кожного варіанту використання).

FAQ: найпоширеніші запитання від правлінь

1. Яку частину нашого маркетингового бюджету ми повинні виділити на штучний інтелект?

Універсального числа не існує, але практика "високих показників" підказує:

• 5-15% маркетингового бюджету на експерименти та пілоти зі штучним інтелектом,
• додаткові 10-15% за масштабування перевірених кейсів використання,
• з часом ШІ прониже весь бюджет (автоматизація кампаній, персоналізація, атрибуція), тож мова йде більше про те, як, ніж про те, "скільки".

2. Коли можна очікувати повернення інвестицій в АІ?

• Перші сигнали цінності від пілотів мають з'явитися протягом трьох-шести місяців.
• Реалістичний термін повної окупності великих програм ШІ становить 12-24 місяці.

3. Як уникнути "AI-хайпу" та проїдання бюджету?

• Використовуйте кейс-підхід та чітко визначені KPI.
• Проведіть експерименти з контрольною групою та виміряйте додатковий дохід.
• Використовуйте такі інструменти, як Semly, щоб звіряти прогнози з фактичними даними, в тому числі в контексті нових джерел трафіку з пошукових систем на основі LLM.

4. Чи потрібна нам власна команда з науки про дані, щоб використовувати АІ в маркетингу?

Не завжди - багато рішень пропонують готові моделі. З іншого боку:

• вам потрібна компетентність, щоб розуміти, інтерпретувати та використовувати результати.
• інвестиції в якість даних та аналітичну платформу, яка пов'язує всю екосистему разом, є ключовими.

Підсумок

Канали штучного інтелекту - від чат-ботів, рекомендацій щодо продуктів і генерації контенту до розширеної аналітики - можуть реально збільшити дохід, знизити CAC і підвищити CLV. Звіти McKinsey, Gartner, BCG та численні кейси свідчать про двозначне зростання доходів та ефективності компаній, які впроваджують штучний інтелект.

Однак ключовим для ради директорів є не питання "скільки ми витрачаємо на ШІ", а те, як ми пов'язуємо ШІ з бюджетами та прогнозами доходів:

• визначення конкретних випадків використання
• побудова сценаріїв доходів
• проведення пілотних проектів з виваженою інкрементальністю
• інтеграція каналів штучного інтелекту в процеси бюджетування та звітності

Без міцного фундаменту даних і атрибуції, який можуть забезпечити такі інструменти, як Semly, штучний інтелект залишиться лише дорогим експериментом. З іншого боку, з таким фундаментом він стає одним з найважливіших важелів для збільшення доходів і вартості бізнесу.

Джерела

• Мета - Перемагайте з розмовами (2024)
• Gartner - Роль штучного інтелекту (ШІ) в продажах у 2025 році
• Gartner - Генератори: Як використовувати генеративний ШІ в GTM для збільшення продажів і продуктивності (2024)
• Нортбім - Посібник маркетолога про штучний інтелект
• McKinsey - агенти зростання: Перетворення обіцянок ШІ на вплив
• Аднан Масуд - Компас випадків використання ШІ - Роздрібна торгівля та електронна комерція: персоналізація в масштабах планети
• SuperAGI - автоматизація маркетингу на основі штучного інтелекту: Кейси про те, як АІ-агенти підвищують ефективність і рентабельність інвестицій у 2025 році
• ЗА - Програмне забезпечення для управління доходами авіакомпаній
• Averi.ai - Перевірка реальності маркетингового бюджету на 2026 рік
• Маданчян М. - Вплив маркетингу на основі штучного інтелекту на продажі в електронній комерції (MDPI, 2024)
• Envive.ai - 32 Статистика довічної цінності клієнтів на основі штучного інтелекту для електронної комерції
• Cascadia Capital - Звіт про продажі та маркетинг в технологічній галузі за 1 півріччя 2024 року
• Wair.ai - ШІ для стратегічного планування та реалізації просування
• Haptik - Стан маркетингу в WhatsApp у 2024 році
• McKinsey - Стан штучного інтелекту в 2025 році: Агенти, інновації та трансформація
• McKinsey - Як організації оцінюють цінність штучного інтелекту в масштабах?
• Gartner - опитування про бенчмарки технологічного маркетингу 2024 року: штучний інтелект та генерація штучного інтелекту
• BCG - Впровадження ШІ у 2024 році: 74% компаній борються за досягнення та масштабування вартості
• LinkedIn - Як штучний інтелект може врятувати ваш відділ продажів від марнування 66% робочого дня
• Sparkco.ai - Аналіз коефіцієнтів конверсії воронки продажів 2025
• McKinsey - Стан штучного інтелекту на початку 2024 року: впровадження Gen AI
• Deloitte - Рентабельність інвестицій в АІ та технології
• Марк Орсборн - Вимірювання того, що має значення - рентабельність інвестицій у штучний інтелект за межами галасу
• Wair.ai - Моделювання підйому, прогнозування ROI просування
• Sellforte - Динамічні сценарії:
• PrescientIQ - Прогнозування рентабельності інвестицій у штучний інтелект за допомогою Aether
• Spinta Digital - прогнозування рентабельності інвестицій: Майбутнє за моделями прибутку ROAS та AI
• LinkedIn - Ваш путівник по бюджету B2B GTM на 2026 рік
• Tomi.ai - 2x маркетинговий дохід та LTV:CAC з предиктивним ШІ та первинними даними

Поділитися:

Копіювати посилання