Как я перестал бояться искусственного интеллекта и научил его делать email-рассылки, которые продают

Email-маркетинг быстро съедает ресурсы. У меня был клиент — сеть мебельных магазинов с каталогом в 8000 позиций. Каждую неделю новые поступления, акции, персональные предложения. Команда из трех копирайтеров активно генерировала темы, описания, адаптировала тексты под сегменты. Результат? 40 часов работы на одну массовую рассылку, Open Rate 12%, CTR 1.8%.

Классическая ситуация: вы либо делаете быстро и шаблонно (привет, падающие метрики), либо вручную персонализируете каждое письмо (привет, выгоревшая команда и взорвавшийся бюджет). Третьего не дано.

Вернее, не было дано — до того момента, как мы перестали использовать AI как замену человека и начали применять его как усилитель экспертизы.

Этап 1. Переосмысление роли нейросетей — от копирайтера к аналитику

Первая ошибка, которую делают все (включая меня год назад) — пытаются заставить ChatGPT написать «продающее письмо». На выходе получают безликую воду, которую стыдно отправлять даже тестовому сегменту.

Мы с командой сменили подход. Вместо того чтобы просить нейросеть «придумать тему письма про распродажу», я начал загружать в Claude данные по последним 50 рассылкам: темы, Open Rate, CTR, время отправки, сегменты аудитории. И просил не придумать тему, а найти паттерн — что именно цепляет нашу аудиторию.

Что обнаружили: оказалось, что письма с упоминанием конкретного срока («осталось 3 дня») открывают на 34% чаще, чем общие «большая распродажа». Но только если этот срок попадает в середину недели — в пятницу эффект нулевой. Вручную я бы искал эту закономерность месяц, нейросеть выдала за 40 секунд.

С этого момента мы перестали генерировать контент в лоб. Вместо этого AI стал нашим data scientist'ом, который препарирует каждую рассылку и говорит: «Смотри, вот здесь ты облажался, а вот здесь — попал в точку».

Как мы используем AI для анализа данных:

1. Берём выгрузку по последним рассылкам (Open Rate, CTR, конверсии по сегментам, время отправки) и загружаем в Claude или Gemini с запросом:

«Проанализируй эти данные по последней промо-кампании и предложи 3 гипотезы, почему сегмент "женщины 25-35" показал низкий CTR, и как это можно улучшить в следующей рассылке»

В итоге получаем не просто сухую статистику, а структурированный анализ:

Например, для одного e-commerce проекта использовали функцию Deep Research в Gemini. Просто загрузили выгрузку с показателями за квартал, и получили полноценный документ на 8 страниц:

• Анализ провалов и пиков по каждому сегменту
• Корреляции, которые мы не заметили вручную (например, что письма с видео в четверг дают +47% к конверсии, но только у мужской аудитории 35+)
• 12 готовых гипотез для следующего спринта, ранжированных по потенциальному impact

На такой анализ у штатного аналитика ушла бы неделя. AI справился за 3 минуты.

Инструменты для аналитики:

• Claude — лучше всех работает с большими таблицами и сложным контекстом
• ChatGPT с Code Interpreter — удобен для быстрого анализа и визуализации
• Gemini Deep Research — когда нужен глубокий research с поиском дополнительной информации по индустрии

Этап 2. Создание «слоеного пирога» из промптов

Второй инсайт случился, когда я понял: один промпт не работает. Нужна цепочка.

Для того же клиента с мебелью мы построили систему из четырех последовательных запросов:

Запрос 1 (анализ): «Вот данные о 200 товарах из категории "диваны". Раздели их на 5 кластеров по ценовому сегменту и стилю. Для каждого кластера определи ключевую потребность покупателя»

Запрос 2 (гипотеза): «Для кластера "бюджетные скандинавские диваны" предложи 3 разных подхода в коммуникации: через экономию, через стиль, через практичность. Обоснуй каждый»

Запрос 3 (генерация): «Создай 5 вариантов темы письма для подхода "через практичность". Целевая аудитория — молодые семьи с детьми, городская квартира. Тон дружелюбный, без пафоса»

Запрос 4 (оптимизация): «Возьми лучший вариант и адаптируй его под ограничение в 50 символов для мобильных устройств. Сохрани главный триггер»

Каждый следующий запрос использует ответ предыдущего. Да, это дольше, чем «напиши письмо про диваны». Но в результате время на подготовку одной рассылки сократилось с 40 до 6 часов. Open Rate вырос до 18.2%, CTR до 3.1%. Плюс команда перестала выгорать на написании однотипных описаний и переключилась на стратегию.

После того как мы научились строить цепочки промптов, возникла новая проблема: маркетологи тратили время на рутину — каждый раз заходить в ChatGPT через VPN, копировать текст, ждать ответа, снова копировать обратно. Плюс постоянно писать одни и те же промпты: «проверь на ошибки», «сократи на 20%», «сделай тон дружелюбнее».

Мы с командой автоматизировали и это. Создали Telegram-бота, который работает как личный редактор.

Как это работает: маркетолог пишет черновик письма и просто отправляет его на специальный email. Через 15-30 секунд в Telegram прилетает уже отредактированная версия: исправлены стилистические ошибки, убраны канцеляризмы, текст стал более читаемым и конверсионным.

Этап 3. Внедрение AI-ассистента прямо в процесс создания писем

Третий этап — самый технически сложный, но и самый эффективный.

Мы создали кастомного ассистента, который интегрирован с нашей CRM и ESP-системой. Вот как это работает в реальности:

1. Маркетолог выбирает сегмент (например, «клиенты, которые смотрели кухонные гарнитуры, но не покупали 30+ дней»). Бот автоматически подтягивает данные: какие конкретно модели смотрел каждый человек, в каком ценовом диапазоне, какие письма открывал раньше.

2. Дальше бот генерирует не одно письмо на весь сегмент, а микровариации. Для человека, которому нравятся минималистичные кухни, тема будет «Та самая кухня без ручек — новая цена». Для того, кто смотрел классику — «Массив и патина: снизили цену на 15%».

При этом базовая структура письма одна, меняются только триггерные слова и акценты. Технически это реализовано через API Claude + скрипты на Python, которые крутятся на нашем сервере.

Неожиданный эффект: количество отписок упало на 23%. Люди перестали воспринимать рассылку как спам, потому что каждое письмо теперь реально релевантно.

Этап 4. Тестирование того, что раньше не тестировали из-за ресурсов

Раньше у нас физически не было возможности тестировать больше 2-3 вариантов темы письма. Сейчас мы за один вечер генерируем 20 вариантов, прогоняем их через предиктивную модель (да, тоже на AI) и выбираем 5 самых перспективных для реального A/B/C/D/E-теста.

Эксперимент с интерактивным AI-персонажем: Гном Гнумберт

Самый интересный эксперимент мы провели на себе — во внутренней рассылке агентства.

Корпоративные письма обычно никто не читает. Ну серьёзно, кому интересны «итоги квартала» или «новые процедуры согласования»? Мы решили сломать этот паттерн и создали персонажа — Гнома Гнумберта, злобного, но честного корпоративного советника.

Фишка в том, что с Гнумбертом можно было общаться прямо внутри письма. Технология AMP for Email + API к GPT-4 позволила сделать это в реальном времени.

Как это работает: сотрудник открывает письмо, видит Гнумберта и форму для вопроса. Пишет, например: «Какие у нас планы на квартал?» или «Расскажи анекдот про маркетологов». Нажимает кнопку — и через 3-5 секунд прямо в письме появляется ответ от Гнумберта. Не переход на сайт, не открытие нового окна — всё происходит внутри email.

Самое ценное — мы поняли, что интерактивные AI-механики работают не только как развлечение. Это способ собрать качественную обратную связь в формате, который людям комфортен.

Этап 5. Генерация визуального контента — когда дизайнер в отпуске, а письмо нужно вчера

Текст — это полдела. Картинка в письме решает не меньше. Проблема в том, что на каждую A/B-тестовую гипотезу заказывать дизайнеру новый баннер — это дорого и долго. Особенно когда тестируешь 5-7 вариантов одновременно.

AI-генераторы изображений закрыли эту боль процентов на 60-70.

Что мы делаем с их помощью:

1. Фоны и атмосферные иллюстрации. Для промо-рассылки магазина товаров для дома нам нужен был уютный скандинавский интерьер. Вместо покупки стоков за $50-100 сгенерировали в Midjourney за 10 минут. Получилось даже лучше — уникально и точно в tone of voice бренда.

2. Иконки и элементы в едином стиле. Для одного клиента делали серию welcome-писем. Нужны были 12 иконок в одном стиле (шаги онбординга). Через Leonardo.ai с фиксированным seed'ом (это параметр, который сохраняет стилистику) создали весь набор за вечер. Дизайнеру на такое нужна минимум неделя.

3. Быстрая визуализация для A/B-тестов. Тестируем три разных эмоциональных подхода в письме? Генерируем три разных героя/сцены через DALL-E 3, смотрим, какая заходит лучше. Только после этого заказываем финальную версию у дизайнера. Экономия бюджета и времени — колоссальная.

Инструменты, которыми пользуемся:

• Midjourney — для художественных иллюстраций, когда нужно «вау»
• DALL-E 3 (встроен в ChatGPT Plus) — самый удобный для быстрых задач, отлично понимает запросы на русском
• Leonardo.ai — когда нужен контроль стиля и много вариаций
• Recraft — удобен тем, что можно сразу выбрать нужный стиль (flat, 3D, hand-drawn)

Что в итоге изменилось в подходе к email-маркетингу

Полтора года назад типичная неделя нашей email-команды выглядела так: понедельник-вторник — написание текстов, среда — правки и согласования, четверг — верстка и тестирование, пятница — отправка и молитва, чтобы всё не упало. На эксперименты, глубокую аналитику и стратегию времени не оставалось вообще.

Сейчас всё наоборот.

Рутинные задачи занимают 20% времени вместо 80%. Генерация контента, редактура, подбор изображений, базовая аналитика — всё это автоматизировано настолько, что маркетолог тратит на это пару часов вместо нескольких дней.

Освободившиеся 60% времени команда направляет на то, что AI не умеет:

• Глубинные интервью с клиентами для понимания реальных болей
• Разработку сложных триггерных цепочек под разные сценарии поведения
• Стратегическое планирование контента на квартал вперёд
• Креативные эксперименты, которые раньше не могли себе позволить

Изменилась и роль специалиста. Email-маркетолог больше не «человек, который пишет письма». Это стратег, который управляет AI-инструментами для создания персонализированного опыта на каждом этапе воронки.

При этом — и это критически важно — мы не заменили людей роботами. Каждое письмо проходит человеческую проверку. Каждая гипотеза от AI оценивается экспертом. Финальные решения принимает человек, который понимает контекст бизнеса.