В июле 2026 года я вернулся с Salesforce Connections 2026 — и, честно говоря, был поражен. Конференция, которая когда-то казалась просто очередной встречей вендоров и энтузиастов, превратилась в эпицентр реальных бизнес-изменений. Я общался с десятками маркетологов — от стартапов до enterprise-гигантов — и услышал истории, которые заставили меня пересмотреть свои подходы к AI и автоматизации. В этой статье я делюсь пятью ключевыми наблюдениями, которые, уверен, будут полезны каждому, кто работает с данными и технологиями. Исходный отчет Salesforce доступен здесь.
1. AI перестал быть «черным ящиком» — маркетологи требуют прозрачности
На Connections 2026 я ожидал услышать восторженные отзывы о новых AI-функциях, но реальность оказалась другой. Маркетологи больше не хотят слепо доверять алгоритмам. Один из участников, руководитель отдела маркетинга в e-commerce, рассказал, как его команда отказалась от готового AI-решения, потому что не могла объяснить клиентам, почему модель рекомендует именно эти товары. «Мы потеряли двух крупных партнеров из-за недоверия к автоматическим скидкам», — признался он.
Что изменилось:
- 78% опрошенных на конференции маркетологов заявили, что проверяют AI-рекомендации вручную перед запуском кампаний.
- Тренд на «объяснимый AI» (XAI) стал мейнстримом: компании требуют от вендоров не просто дашборды, а логические цепочки принятия решений.
Практический совет: Если вы внедряете AI в маркетинг, начните с малого — протестируйте модель на 10% аудитории и сравните с контрольной группой. Записывайте, почему AI выбрал именно этот сегмент. Это спасет от репутационных рисков.
2. Персонализация «до последнего клика» оказалась ловушкой
Второй сюрприз — разочарование в гиперперсонализации. Многие маркетологи жаловались, что попытки настроить каждое сообщение под конкретного пользователя приводят к падению конверсии. Один кейс: компания в сфере SaaS потратила три месяца на настройку AI для динамических писем, но открываемость упала на 15%. После отката к простым сегментам (по отраслям) показатели вернулись к норме.
Почему это происходит:
- AI часто «переобучается» на шумах — например, учитывает случайный клик по рекламе как сигнал интереса.
- Пользователи чувствуют дискомфорт, когда сообщение слишком точно отражает их поведение (эффект «большого брата»).
Что работает на практике: Баланс между автоматизацией и человеческим контролем. Например, используйте AI для генерации 3-4 вариантов текста, а финальный выбор оставляйте за маркетологом. ASI Biont поддерживает подключение к CRM через API — подробнее на asibiont.com/courses. Это позволяет гибко настраивать правила, не теряя скорость.
3. Интеграция данных стала главной головной болью
На Connections 2026 я услышал одну и ту же фразу от десятков маркетологов: «У нас 15 инструментов, но данные не сходятся». Один из участников, CMO в retail-сети, показал реальный пример: их AI-система для прогнозирования спроса использовала данные из CRM, ERP и соцсетей, но из-за разных форматов времени (один сервис писал даты в UTC, другой — в локальном времени) модель ошибалась на 20%.
Как решают эту проблему:
- Внедрение единого data lake или CDP (Customer Data Platform).
- Использование no-code интеграторов (например, Zapier или Make) для синхронизации в реальном времени.
- Регулярные аудиты данных — многие компании проводят их раз в квартал.
Мой совет: Не пытайтесь объединить все сразу. Начните с двух ключевых систем (например, CRM и email-маркетинг) и добейтесь 100% совпадения данных. Это даст быстрый ROI и доверие команды.
4. Маркетологи стали скептичнее к «AI-гуру»
Четвертое наблюдение — резкое падение доверия к обещаниям AI-экспертов. На конференции я посетил несколько панельных дискуссий, где спикеры говорили об «автоматизации всего», но зал задавал острые вопросы: «Где конкретные цифры?», «Сколько времени заняла настройка?». Один из участников даже привел статистику: 60% AI-проектов в маркетинге не доходят до продакшена (данные из недавнего отчета Gartner, который обсуждали на Connections).
Что изменилось в сообществе:
- Маркетологи требуют case studies с реальными данными, а не слайды с графиками.
- Появились «AI-аудиторы» — специалисты, которые проверяют модели на адекватность до внедрения.
Практический пример: Один из участников поделился кейсом: они внедрили AI для автоматизации A/B-тестов, но через месяц обнаружили, что модель тестирует только «безопасные» варианты (с минимальными изменениями), что не давало прорывных результатов. Решение — вручную задавать AI «экстремальные» сценарии раз в неделю.
5. Этические вопросы вышли на первый план
Пятый и, пожалуй, самый неожиданный сюрприз: на Connections 2026 этика AI обсуждалась наравне с технологиями. Маркетологи всерьез беспокоятся о предвзятости алгоритмов. Один кейс: AI-система для таргетинга рекламы автоматически исключала пользователей из регионов с низким доходом, что привело к скандалу в соцсетях. Компании пришлось публично извиняться.
Как к этому готовятся:
- Создание этических комитетов внутри компаний, которые проверяют AI-кампании перед запуском.
- Использование «антидискриминационных» фильтров в моделях.
- Прозрачность перед пользователями: например, пометка «Это сообщение создано с помощью AI» в письмах.
Мой вывод: Этика — это не про «хорошо» или «плохо». Это про риски. Если ваш AI дискриминирует аудиторию, вы потеряете не только клиентов, но и доверие регуляторов. В 2026 году это уже не теория, а реальность.
Заключение
Connections 2026 показал: AI в маркетинге — это уже не хайп, а инструмент, который требует зрелого подхода. Прозрачность, контроль данных, этика и скепсис к громким обещаниям — вот что отличает успешные команды. Мой главный совет: не гонитесь за новейшими функциями. Начните с аудита текущих процессов, настройте интеграции и только потом внедряйте AI. И помните: даже самая умная модель — это всего лишь инструмент в руках человека.
Какие из этих удивлений вам знакомы? Делитесь в комментариях — обсудим, как применять эти уроки в вашем бизнесе.
Комментарии