Веду полный цикл маркетинга
своим AI-стеком —
от ресёрча до growth.

Классический custdev упирается в потолок — 5–15 интервью, недели рекрутинга и выборка, смещённая в сторону тех, кто скорее скажет «да». Сегменты, которые продукт отвергнут, в исследование почти не попадают.

Многослойная симуляция системно покрывает аудиторное пространство, прогоняет каждую персону через глубокий протокол интервью и стресс-тестирует офферы — специально, чтобы вытащить отказы, которые живой рекрутинг пропускает.

За одну сессию: список гипотез по сегментам, карта цен, карта барьеров и готовые к маркетингу цитаты, привязанные к конкретным персонам — всё упаковано в интерактивный дашборд.

Классический флоу — бриф, дизайнер, копирайтер, разработчик, несколько раундов правок — занимает недели и стартует от предположений команды, а не данных аудитории. SEO и мобильную адаптивность обычно делают «потом», и органика так и не приходит.

Сначала ресёрч: сегменты, боли, барьеры, язык. Копирайт и структура идут от данных, не от вкуса. Mobile-first, мультиязычность, Schema.org и AI-search блоки встроены с v1 — страница одинаково читаема людям, поисковикам и LLM-краулерам.

Органический трафик с первого дня. Одна и та же страница появляется в выдаче Google и в ответах ChatGPT и Perplexity — а не в чём-то одном.

Рекламные кабинеты сделаны под full-time оператора. Для маленькой команды каждый запуск превращается в полдня кликов по UI — креативы, таргетинг, бюджеты, отчёты — и реальные итерации становятся слишком дорогими, чтобы запускать их быстро.

Бриф описываю Claude словами. Claude подтягивает брендгайдлайны, пишет копирайт, передаёт спеки на креативы в image-пайплайн, через MCP-инструменты создаёт кампании, ad set'ы и объявления через нативные API — и оттуда же читает перформанс. Перед любой тратой денег — гейт на аппрув.

Запуски, которые занимали день, сжались в пару часов. Один человек делает то, на что обычно нужна небольшая ad-ops команда — и при этом сессия Claude тихо контролирует brand-safety на каждом шаге.

Одна модель генерит красивые сцены, но искажает детали продукта. Другая держит fidelity, но даёт плоские композиции. Соотношения сторон, текст-оверлеи и продуктовые карточки постоянно ломаются — и любой пайплайн «пусть AI сам всё сделает» падает на одних и тех же повторяющихся ошибках.

Multi-model пайплайн выбирает правильный инструмент под каждый этап: AI — для генерации сцен и lifestyle-контекста, детерминированный код — для размещения продукта и композиции кадра, автоматический QA — для брендовых правил. Плохие генерации отсеиваются до того, как их увидит человек.

Креативы продакшн-уровня за долю агентских денег, итерация концепций — часами, а не днями. Пайплайн переиспользуется между кампаниями: каждый новый запуск начинается с того места, где закончился предыдущий, а не с нуля.

Данные жили в базе, но читать их могли только инженеры. CEO не видел retention, маркетинг не видел воронку, PM решал «по ощущениям» — а BI-инструменты были слишком дорогими и медленными в разворачивании для маленькой команды.

Спецификация писалась «от дашборда назад» — чтобы данные отвечали на реальные вопросы. Ежедневное автообновление, фильтры от сотрудников и спама встроены, табы сгруппированы по читателю, а не по типу графика — каждая роль попадает на ту страницу, которую реально использует.

Вся команда видит метрики в реальном времени. Инженеры перестали получать ad-hoc запросы на отчёты. Один URL под паролем — без ролей, без логинов, без закупки BI-софта.

У PM есть гипотеза по флоу, дизайнер занят в текущем спринте, заявка летит в бэклог. Через две недели приходит макет в Figma — и контекст уже ушёл вперёд. Бумажные или Miro-прототипы не дают пользователю правильного ощущения продукта.

Загружаю в Claude Code дизайн-систему продукта и описываю гипотезу — какой флоу, какие состояния. Claude генерит кликабельный HTML/CSS/JS-прототип, который ведёт себя как настоящий продукт: формы заполняются, переходы анимируются, состояния меняются. Готов к расшариванию по ссылке.

Пользовательские тесты в тот же день. Разработчики берут прототип как спецификацию — точные размеры, точные цвета, без догадок — что сжимает и сам цикл разработки.

Универсальные промпты выдают универсальный результат. Детальные промпты работают — но переписывать их с нуля каждую сессию нереально. Без слоя памяти качество AI масштабируется с человеком, а не с инструментом.

Каждый скилл — это markdown-спецификация, вызываемая одной слеш-командой. Одни генерят посты в брендовом голосе. Другие собирают визуальные креативы через несколько AI-моделей. Третьи проводят синтетические custdev-интервью или строят GEO-аудит сайта. Каждый рабочий промпт, проверенный пайплайн, фикс типичной ошибки — становится переиспользуемым скиллом.

Workflow, на которые раньше уходило 30 минут настройки, запускаются одной командой. Под задачу включается не один скилл, а целый стек — поэтому я работаю как небольшая команда, не как одиночка с AI-ассистентом.