AI-агенты в email-маркетинге: что они реально делают

За 2023–2024 годы почти все крупные платформы для рассылок — от Mailchimp до HubSpot и Klaviyo — добавили в интерфейс генеративные модели. Кнопки называются по-разному: «AI-помощник», «умные сегменты», «предиктивная отправка». Под капотом обычно один из двух подходов: генерация текста через большую языковую модель и предсказание поведения через классические ML-модели на данных о поведении подписчиков. Слово «агент» в маркетинговых материалах используется всё чаще, но настоящих автономных агентов, которые сами планируют цепочку и вносят правки без человека, среди массовых продуктов почти нет.

Что именно называют «AI» в email-платформах

Стоит разделить три разные вещи, которые продавцы охотно смешивают в одну.

• Генерация контента. Модель пишет тему письма, черновик текста, варианты заголовков. Это самый заметный и самый распространённый сценарий.
• Предиктивная аналитика. Алгоритм предсказывает вероятность оттока, лучшее время отправки для конкретного адреса, вероятность покупки. Работает не на языковых моделях, а на исторических данных аккаунта.
• Оркестрация цепочек. Система сама решает, кому и когда отправить следующее письмо в зависимости от реакции. Здесь ближе всего к идее агента¹, но большинство платформ ограничиваются заранее заданными сценариями с ветвлениями, а не свободным планированием.

Разница важна для бюджета. Генерация текста продаётся дёшево и есть почти везде. Предиктивная отправка и продвинутая сегментация обычно спрятаны в старших тарифах.

Персонализация: от «Имя» до контекста

Классическая персонализация — это подстановка переменных: имя, город, брошенная корзина. Она работает без всякого ИИ уже лет двадцать. Новое — попытка генерировать индивидуальный текст под сегмент или даже под конкретного человека на основе истории покупок и кликов. На практике массовая генерация уникального письма для каждого подписчика упирается в стоимость запросов к модели и в риск, что модель напишет что-то фактически неверное о товаре.

Персонализация ломается не на технологии, а на данных: если у вас нет чистой истории покупок и сегментов, AI-помощник сгенерирует красивый текст ни для кого конкретно.

Сравнение подходов у популярных платформ

Ниже — обобщённая картина по функциям, которые платформы заявляют публично. Конкретные названия фич и их доступность меняются, а привязка к тарифам зависит от вашего плана — проверяйте на официальных страницах перед выбором.

Вывод из таблицы простой: генерация текста стала базовой возможностью, а вот всё, что ближе к предсказанию поведения и автономным решениям, по-прежнему требует либо дорогого тарифа, либо своей разработки.

Как это собирают самостоятельно

Компании с командой разработки часто не берут готовую фичу, а собирают связку сами. Типичная схема выглядит так.

1. Хранилище с историей заказов, кликов и открытий — источник контекста.
2. Слой поиска релевантных данных под конкретного подписчика, часто через RAG², чтобы модель писала о реальных товарах, а не выдумывала их.
3. Языковая модель, которая на основе найденного контекста генерирует тему и тело письма.
4. Обязательная проверка человеком или правилами перед отправкой — на фактические ошибки и на соответствие бренду.

Ключевой пункт здесь четвёртый. Отправить письмо со ссылкой на несуществующую скидку или чужим именем — это не абстрактный риск, а прямая жалоба клиента и удар по доставляемости.

Кому это пригодится, а кому нет

Пригодится:

• E-commerce с большим каталогом и накопленной историей покупок — там персонализация под сегмент даёт измеримый рост конверсии, и есть данные, на которых модель работает осмысленно.
• Командам, которые тонут в рутине черновиков: генерация десяти вариантов темы за минуту экономит время редактора, даже если финальный текст правит человек.
• Сервисам с чёткими триггерами (брошенная корзина, окончание подписки), где предиктивное время отправки реально влияет на открытия.

Скорее не пригодится:

• Малым базам в несколько сотен адресов — данных для предсказаний недостаточно, модель будет угадывать, а вы переплатите за тариф.
• Нишам с жёсткими требованиями к точности формулировок (медицина, финансы, право), где генеративный текст без вычитки юриста или комплаенса опасен.
• Тем, у кого база «грязная»: без нормальных сегментов и истории любой AI-помощник — просто дорогой генератор шаблонных фраз.

¹ Агент — программа на основе языковой модели, которая не просто отвечает на один запрос, а сама планирует последовательность действий и вызывает внешние инструменты для достижения цели. В email-маркетинге пока чаще встречаются сценарии с заранее заданными правилами, а не полноценные агенты.

² RAG (retrieval-augmented generation) — подход, при котором модель перед генерацией текста подтягивает релевантные данные из вашей базы, чтобы отвечать по фактам, а не по памяти обучения.