Лиза Ларсон‑Келли объясняет, как получить от ИИ действительно стратегичные маркетинговые материалы

21 мая 2026 года Лиза Ларсон‑Келли предложила продуктовым маркетологам практические шаги: ИИ ускорил создание текстов, но без дисциплины он генерирует гладкие, но не подтверждённые утверждения.

21 мая 2026 года Лиза Ларсон‑Келли проанализировала влияние ИИ на продуктовый маркетинг и предложила практические шаги, чтобы языковые модели выдавали по‑настоящему стратегичные материалы. Это важно, потому что ускорение генерации текста привело к росту количества правдоподобных, но неподтверждённых сообщений, которые вводят в заблуждение клиентов и команды. Краткий вывод для практики: требуйте доказательств и интегрируйте живые сигналы в рабочие процессы — иначе ИИ автоматизирует домыслы, а не стратегическое мышление.

Ларсон‑Келли фиксирует парадокс: команды получают черновики быстрее, но качество стратегической работы падает. Она предлагает три ключевых подхода: не предполагать, что модель «знает» ваш бизнес; кормить её доказательствами, а не пустыми промптами; и требовать конкретики в формулировках. В качестве типов сигналов, которые стоит подгружать, автор называет стенограммы продаж, данные win‑loss, паттерны использования продукта, возражения клиентов, движение конкурентов и сдвиги на рынке. В тексте упоминается инструмент Mavera как пример подхода к синтетическому моделированию аудитории на основе живых сигналов.

Ларсон‑Келли объясняет природу современных больших языковых моделей: они предсказывают слова, а не понимают продукт, пользователей или условия рынка. Вследствие этого запросы без контекста порождают «статистически правдоподобную» версию позиционирования — среднюю, но не обязательно точную. В статье приведены типичные клише, которые часто возникают в таких текстах — «built for modern teams», «streamline workflows», «unlock efficiency at scale» — и отмечен риск: материалы выглядят завершёнными, но не выдерживают проверки фактами.

Практические рекомендации сосредоточены на подготовке перед промптингом: чётко описать целевого покупателя и продукт, обозначить реальные боли клиента, указать, с чем он сравнивает ваше решение и какие изменения произошли на рынке. Полезный промпт, по автору, — это не общее «написать позиционирование», а короткий набор контекста, ограничений, напряжений аудитории и рыночных входных данных. В него стоит вставлять прямые цитаты клиентов, итоги проигранных сделок и выявленные паттерны использования. Вывод для продуктовых и маркетинговых команд ясен: ИИ остаётся ценным ускорителем черновиков, синтеза и исследования, но не заменяет суждение и проверку гипотез. Команды, которые требуют от инструментов доказательств и интегрируют живые сигналы в процессы, получают действительно стратегичные выводы; если модель не способна предоставить обоснование, ей не место при формировании ключевых сообщений.