Od ponad trzech dekad biznes ściga obietnicę marketingu „jeden do jednego”. Mimo to, codzienne doświadczenia klientów wciąż pełne są irytujących pomyłek. Czy wszechobecna Generative AI jest wreszcie rewolucją, na którą czekaliśmy? Profesor Tom Davenport, światowy autorytet w dziedzinie analityki, twierdzi, że pogoń za samym GenAI to ślepa uliczka. Prawdziwa transformacja wymaga zrozumienia, że GenAI jest tylko jednym z trzech filarów nowej nauki o relacjach z klientem.

Historia marketingu 1-do-1 jest długa i pełna rozczarowań. Sięga lat 80. i marketingu bazodanowego. Już w 1991 roku, na łamach „MIT Sloan Management Review”, przewidywano nadejście „ery adresowalności”, w której AI pozwoli idealnie personalizować oferty. Minęły dekady, a my wciąż tkwimy w erze irytującego retargetingu.

Profesor Tom Davenport przytacza osobisty przykład zakupu nowej Toyoty. Mimo sfinalizowania transakcji, przez wiele tygodni był bombardowany reklamami zachęcającymi do kupna dokładnie tego samego modelu, który już stał w jego garażu. To jaskrawy dowód na to, że systemy marketingowe działają w oparciu o prymitywną logikę: „jeśli zainteresowałeś się raz, będziesz zainteresowany zawsze”.

Sedno problemu leży w ogromnej złożoności danych. Organizacje zmagają się z definiowaniem, kim właściwie jest „klient”. Walczą z mnogością kanałów, urządzeń i systemów transakcyjnych. Większość firm przyznaje, że nie posiada 360-stopniowego obrazu swoich klientów , a zdolność firm do rozumienia danych rośnie wolniej niż sama ilość tych danych.

AI Analityczna: Zapomniany fundament zarabiania

W dyskusji o rewolucji AI, która rozpoczęła się wraz z premierą ChatGPT w listopadzie 2022 roku, powszechnie pomija się kluczowy element. Davenport podkreśla, że jeśli celem firmy jest zarabianie pieniędzy, a nie tylko tworzenie treści, to AI Analityczna (nazywana też tradycyjnym uczeniem maszynowym) jest absolutnym fundamentem.

Różnica jest strategiczna. AI Analityczna używa danych strukturalnych – rzędów i kolumn liczb – aby przewidywać konkretne wyniki. To ona odpowiada na krytyczne pytania biznesowe: Który klient jest skłonny do odejścia? Który lead najprawdopodobniej zakończy się sprzedażą? Jaka jest optymalna cena dla danego segmentu?

Dopiero na tym fundamencie pojawia się rola AI Generatywnej. GenAI, bazując na ogromnych zbiorach danych nieustrukturyzowanych (tekst, obrazy), służy do tworzenia nowych treści. Kiedy AI Analityczna przewidzi, który klient jest gotowy na ofertę, GenAI może stworzyć spersonalizowaną treść tej oferty w odpowiednim kanale.

Problem polega na tym, że GenAI jest łatwa w użyciu – każdy potrafi napisać prompt. AI Analityczna wymaga natomiast wiedzy statystycznej i ekspertów data science. Firmy, przeskakując ten trudniejszy etap, tracą strategiczną dźwignię.

Pułapka „indywidualnego AI”. Dlaczego eksperymenty z ChatGPT to za mało?

Profesor Davenport wprowadza kolejne kluczowe rozróżnienie: między indywidualnym a korporacyjnym podejściem do AI. Obecna fascynacja GenAI prowadzi głównie do podejścia indywidualnego.

Polega ono na tym, że firmy zachęcają pracowników do samodzielnych eksperymentów: „sprawdź, czy napiszesz lepszy post na bloga lub opis produktu”. Takie działania nie są mierzone, nie są zintegrowane z firmowymi danymi ani procesami biznesowymi. Wartość takich nieustrukturyzowanych testów jest zazwyczaj niewielka.

Prawdziwa przewaga konkurencyjna rodzi się na poziomie „Enterprise AI”. Jest to podejście strategiczne, którego celem jest wdrożenie produkcyjne dla całej funkcji marketingowej lub stworzenie nowej usługi. Kluczowe jest tu wykorzystanie własnych, firmowych danych poprzez techniki takie jak RAG (Retrieval-Augmented Generation). Zamiast polegać na ogólnym modelu LLM, firma „dokarmia” go własną, unikalną wiedzą.

Takie wdrożenie jest droższe i trudniejsze. Wymaga przeprojektowania procesów biznesowych i integracji z architekturą IT. Jednak tylko ono pozwala mierzyć realny wpływ na wskaźniki organizacyjne: wzrost przychodów, redukcję kosztów czy udziały w rynku.

Lekcje z pola bitwy: Wzlot i upadek Caesars

Jak buduje się potęgę na danych, doskonale pokazuje studium przypadku firmy hazardowej Harrah’s, znanej później jako Caesars. Pod koniec lat 90. firma postanowiła wykorzystać posiadane dane.

Caesars zainwestowało w nowe systemy transakcyjne i CRM. Zatrudniło „najbystrzejszych analityków, jakich można sobie wyobrazić” i stworzyło legendarny program lojalnościowy Total Rewards. To była czysta AI Analityczna w praktyce, na dekadę przed boomem na data science. Sukces był gigantyczny.

Niestety, firma upadła nie przez błędy analityczne, ale przez katastrofalną decyzję biznesową. W 2008 roku, tuż przed globalnym kryzysem, zadłużyła się na 40 miliardów dolarów w ramach wykupu lewarowanego. Firma zbankrutowała, a cały imponujący program „customer science” został zatrzymany.

Lekcja jest brutalna: analityka i AI to nie jest jednorazowy projekt. To proces, który wymaga ciągłości. Jeśli się zatrzymasz, cała misternie budowana przewaga znika.

Wzór do naśladowania: Czego Sephora uczy o niekończącej się innowacji

Przeciwieństwem Caesars jest Sephora, która również buduje swoją pozycję na technologii, ale robi to w sposób zrównoważony i ciągły. Byli jedną z pierwszych firm kosmetycznych w internecie i handlu mobilnym.

Sephora konsekwentnie inwestuje. Posiada własne laboratorium innowacji w San Francisco. Ich program lojalnościowy Beauty Insider jest świetnie zintegrowany z doświadczeniem klienta. Firma wprowadza narzędzia AI, takie jak Skaner IQ do analizy skóry czy „Wirtualny Artysta” pozwalający na testowanie makijażu w rozszerzonej rzeczywistości.

Sephora udowadnia, że personalizacja to „niekończąca się bitwa”, która jednak przynosi wymierne korzyści, jeśli jest prowadzona konsekwentnie i na wszystkich frontach.

Przyszłość jest „Agentic”. Co nadchodzi po GenAI?

Ostatnim elementem układanki, który dopiero wkracza na scenę, jest „Agentic AI”. To kolejny krok ewolucji. Agenci AI nie tylko przewidują (jak AI Analityczna) czy tworzą (jak GenAI), ale przede wszystkim działają.

Agentic AI to systemy, które potrafią samodzielnie wykonać sekwencję zadań: przeprowadzić research, wyciągnąć wnioski, napisać e-mail, a nawet sfinalizować transakcję. To właśnie agenci mają w przyszłości orkiestrować całą relację z klientem.

Technologia ta jest wciąż we wczesnej fazie. Zmaga się z halucynacjami i ryzykiem bezpieczeństwa (np. „prompt insertion”). Jednak, jak podsumowuje Davenport, nie ma wątpliwości, że agenci AI staną się kluczowym narzędziem dla marketerów w najbliższej przyszłości.

Fundamenty muszą być solidne

Wnioski z analizy profesora Davenporta są jednoznaczne dla liderów biznesu. Inwestycja w AI – czy to analityczną, generatywną, czy agenticzną – jest absolutnie kluczowa.

Jednak żadne, nawet najbardziej zaawansowane modele AI, nie zadziałają bez solidnych fundamentów. Wiele organizacji wciąż nie odrobiło tej pracy domowej. Sukces wymaga posiadania właściwej infrastruktury technologicznej i danych , zatrudnienia odpowiednich ludzi (analityków i mądrych marketerów) oraz zapewnienia prawdziwie omnichannelowej obsługi klienta.

Artykuł powstał na podstawie wystąpienia prof. Toma Davenporta podczas kongresu MIT Sloan Management Review Polska. Profesor jest autorem książki „The New Science of Customer Relationships”.