Always-On Marketing w Erze AI: od POC do skalowalnego systemu

Jest pomysł na kampanię, ale normalnie taka akcja wymaga tygodnia pracy. Brief, konsultacje z programistami, backlog. Tym razem jest inaczej. Wieczorem strona jest live. Do północy przewija się przez nią milion użytkowników. Cztery godziny od pomysłu do realizacji.

Brzmi jak science fiction? To 2025 rok.

To nie wyjątek. Według badania McKinsey z listopada 2025, 23% firm już skaluje systemy agentyczne AI, a kolejne 39% eksperymentuje z automatyzacją. Marketing i sprzedaż konsekwentnie prowadzą w adopcji – dane z ośmiu lat badań pokazują, że to właśnie te funkcje najczęściej wykorzystują AI w działaniach operacyjnych.

Przez ostatnie lata budowałem systemy personalizacji w Booking.com i Allegro. Widziałem co działa w skali – miliony użytkowników dziennie, dziesiątki data scientists, konkretne wyniki mierzone w procentach wzrostu konwersji. Widziałem też dziesiątki projektów, które umierają po fazie testów.

Różnica między prostym zautomatyzowanym workflow a pełnym systemem jest brutalna. Pierwsze da się zrobić w weekend. Drugie wymaga miesięcy pracy, zespołu ludzi i infrastruktury data warehouse. Kluczowe pytanie brzmi – kiedy firma potrzebuje jakiego rozwiązania?

Biedronka testuje miniseriale AI. Sieć dyskontów przedstawia przygody kota Sebastiana

Jak wygląda personalizacja w Booking.com

Praca nad personalizacją strony głównej zaczęła się od prostej heurystyki. Założenie było banalne: ludzie mieszkający w podobnych miejscach jeżdżą w podobne miejsca. System sprawdzał IP użytkownika i pokazywał popularne destynacje. Warszawa? Zakopane i Kraków. Gdańsk? Hel i Trójmiasto. POC działał – użytkownicy klikali, konwersja rosła.

Dość szybko pojawił się problem. System pokazywał tylko najpopularniejsze miejsca, ignorując klientów z wyższym budżetem, którzy szukali mniej oczywistych destynacji. Żeby obsłużyć takich klientów, trzeba było przejść na zupełnie inny poziom – zbudować indywidualny profil każdego użytkownika. Historia wyszukiwań, rezerwacji, budżet, preferencje, długość pobytu. Pomnóż to przez miliony użytkowników. Dziennie. Każdy profil wymaga zapisania, regularnej aktualizacji, analizy w czasie rzeczywistym. Budowa takiej infrastruktury to poważne przedsięwzięcie. System logowania zdarzeń, data warehouse, modele uczenia maszynowego, API serwujące rekomendacje w milisekundach. Dziesiątki data scientists pracowało nad różnymi modelami. W Allegro działał pełny pięcioosobowy zespół data science wraz z zespołami deweloperskimi wdrażającymi rozwiązania. Efekt? Osoba z Warszawy przeglądająca głównie wakacje w Azji dostaje rekomendacje Tajlandii, Kambodży, Laosu – konkretnych regionów geograficznych, hoteli i atrakcji – nie Krupówek w Zakopanem. System wie, czego szuka dany użytkownik.

Metryki były dwie. Kliki – czy użytkownik w ogóle zwraca uwagę na rekomendacje? I konwersja – czy faktycznie finalizuje rezerwację? Każda zmiana była mierzona przez wzrost konwersji w konkretnych procentach i konkretnej wartości w pieniądzach. Mierzyliśmy każdą interakcję użytkownika na ścieżce od wejścia na stronę – do ekranu z zakończoną płatnością. To jest poziom infrastruktury, którego potrzebują tylko firmy w skali milionów użytkowników.

Taki system działa stale, bez ingerencji człowieka. Poza cyklicznym sprawdzeniem przez data scientist czy model rekomendacyjny się nie degraduje – personalizacja działa na okrągło, zawsze gotowa. Dlatego mówimy na takie systemy: always-on.

Anatomia systemu Always-On

Always-on to nie kampania do odpalenia i zamknięcia. To system oparty na czterech warstwach.

Dane i Triggery

Każda interakcja użytkownika staje się potencjalnym triggerem. Wizyta na stronie z cennikiem po raz trzeci. Produkt w koszyku, ale transakcja nieukończona. Pięć artykułów z tej samej kategorii. To wszystko sygnały do reakcji.

Komunikat „ktoś właśnie zarezerwował ten hotel” w czasie rzeczywistym wymaga całej infrastruktury – event tracking, data warehouse, API. Ale start może być prostszy: webhook z Google Analytics do n8n, arkusz Google jako baza, Zapier sprawdzający co godzinę formularze. Dla kilku tysięcy użytkowników to wystarczy.

Decyzja

Zaawansowane firmy używają collaborative filtering i sieci neuronowych – miesiące pracy zespołu data science. Dziś alternatywą jest LLM przez API. Model otrzymuje kontekst i generuje nie tylko rekomendację, ale też spersonalizowany tekst. Czy zastąpi to modele ML przy milionach użytkowników? Nie. Czy wystarcza typowej firmie? Tak.

Egzekucja

N8n, Make, Zapier łączą systemy bez kodu. Webhook trigguje workflow, LLM generuje tekst, email API wysyła wiadomość. Vibe coding przez Claude Code czy Cursora pozwala stworzyć landing page w kilka godzin.

Przykład: zespół marketingowy w GOG dowiaduje się o aferze z procesorami płatności blokującymi gry NSFW. Zapada decyzja – kampania protestu, strona z manifestem. Użyli Replit do vibe codingu.

Wieczorem strona była online, w kilka godzin obsłużyła milion użytkowników. Cztery godziny, zero zespołu deweloperskiego.

Feedback Loop

W prostym workflow logowanie trafia do arkusza Google. Testujesz dwa warianty emaila, sprawdzasz, który osiągnął lepszy open rate, i wykorzystujesz tę wiedzę w kolejnej iteracji… Kluczowa jest pamięć – większość firm testuje, patrzy na wyniki i zaczyna kolejną kampanię od zera.

Od czego zacząć? Przykłady workflow

Obecnie marketer może zbudować działające workflow z AI w weekend. Uczymy tego na AI Product Heroes.

Automatyczny Generator Kampanii TikTok

Workflow generujący kreacje na TikToka z trendów w czasie rzeczywistym: Perplexity analizuje trendy, ChatGPT tworzy skrypty, ElevenLabs generuje voiceover, Veed.io animuje twarz, system publikuje przez TikTok API i loguje rezultaty do arkusza. Setup dostępny jako darmowa templatka w n8n.

Monitoring i Kampanie Real-Time

System wyciągający trendy z Hacker News i wykrywający pain pointy. Podobne narzędzia monitorują słowa kluczowe, tworzą raporty, generują propozycje kreacji. LLM pisze teksty i tworzy prompty do generatorów obrazów. Od monitoringu do gotowej kampanii – automatycznie.

Spersonalizowane Sekwencje Emailowe

Email do osób które trzykrotnie odwiedziły cennik, ale nie kupiły. Webhook z analytics, sprawdzenie profilu w CRM, Claude API generuje spersonalizowany email, wysyłka przez Sendgrid, konwersja logowana. Setup: weekend. Koszt: kilkadziesiąt złotych miesięcznie.

Skala: kilka tysięcy użytkowników. Największa pułapka? Działanie bez planu. AI to zdolny stażysta z ogromną wiedzą techniczną, ale bez kontekstu firmowego. Polecenie „zbuduj monitoring social mediów” da coś generycznego. Konkretne zlecenie „monitoruj Hacker News i Reddit, wyciągaj posty z frustracjami użytkowników SaaS, generuj raporty markdown, wysyłaj na Slacka o 8:00” – da dokładnie to, czego trzeba.Ta przemyślana strategia stawia na siłę marek, doskonałe doświadczenia użytkownika i ograniczenie zależności od zewnętrznych platform społecznościowych. Polscy wydawcy mają szansę zbudować podobny model. Jest to szczególnie istotne w obliczu zmieniających się realiów wyszukiwania w Google.

Kiedy i jak skalować?

Firma ma workflow w n8n obsługujący kilka tysięcy użytkowników. Zarząd pyta „może zbudujmy pełny system?”. Prawdziwe pytanie brzmi: kiedy dotychczasowy workflow przestaje wystarczać?

Zostań przy workflow jeśli:

Skala do 50 tysięcy użytkowników miesięcznie. Czas odpowiedzi w sekundach, nie milisekundach. Do 20 automatyzacji dających się ogarnąć ręcznie. Firma testuje różne podejścia i potrzebuje elastyczności. Koszty API w rozsądnych ramach – setki do kilku tysięcy złotych.

Czas budować pełny system gdy:

Ponad milion użytkowników miesięcznie. Personalizacja w czasie rzeczywistym wymaga mikrosekund odpowiedzi. Dziesiątki punktów kontaktu – strona główna, emaile, push, SMS-y, reklamy. Sygnały behawioralne są kluczowe.

Przykład: W GOG testowaliśmy syntetyczne opisy gier generowane przez LLM. Poprawiały rekomendacje. Potem porównano z modelem opartym na faktycznych zachowaniach zakupowych – co ludzie kupują razem, w jakie gry grają. Sygnał behawioralny wygrał. LLM przez API takiej analizy milionów zachowań nie zrobi.

Ostatnia kwestia to ekonomia: koszt zespołu data science (pół miliona do miliona rocznie) musi być niższy niż wartość z kilku procent wzrostu konwersji. Dla firm z miliardowymi obrotami – oczywiste. Dla dziesiątek tysięcy użytkowników miesięcznie – prawdopodobnie nie.

Framework decyzyjny

Przed skalowaniem cztery pytania:

1. Czy infrastruktura danych jest gotowa? Pełny system wymaga ciągłego strumienia danych, nie ręcznych eksportów.
2. Kto będzie właścicielem? Osoba rozumiejąca biznes i technologię, mająca czas na iteracje i testy.
3. Czy matematyka się zgadza? Koszt systemu < wartość biznesowa.
4. Czy kultura jest gotowa? Pełny system wymaga myślenia produktowego, częstych iteracji, współpracy między działami. Jeśli każda zmiana potrzebuje trzech tygodni na zatwierdzenia – to nie zadziała.

Czasem najlepsza decyzja to pozostać przy workflow lub zabić projekt. Zabicie projektu nie jest porażką – porażką jest inwestowanie miesięcy w coś bez szans powodzenia.

Marketing jako produkt, nie kampania

Marketing always-on to fundamentalna zmiana myślenia. Zamiast kampanii na kwartał – system działający non-stop. Zamiast jednego testu – iteracje co tydzień. Zamiast zlecania na zewnątrz – budowanie własnych kompetencji.

Dziś istnieją dwa światy personalizacji. Pierwszy: Big Tech, dziesiątki data scientists, miliony budżetu. Drugi: workflow w weekend, n8n, Claude API, gotowe templatki. Dla typowej firmy ten drugi świat wystarcza. Personalizowany email nurturing nie wymaga infrastruktury Big Techu. Monitoring trendów i generowanie kampanii nie potrzebuje zespołu data science. Potrzebne jest natomiast zrozumienie, kiedy workflow wystarcza, a kiedy nadchodzi moment na pełny system. Umiejętność pracy z AI – precyzyjnego opisywania problemów, definiowania workflow, testowania. I przede wszystkim gotowość do budowania, nie tylko planowania.

Start: jeden workflow, jeden punkt w customer journey. Budowa w n8n, test na małej grupie, pomiar. Jeśli działa – rozwój. Jeśli nie – nauka i kolejna próba.

To nie kampania na kwartał. To produkt wymagający ciągłego utrzymania i ulepszania. Always-on to nie tylko „zawsze włączony” – to „zawsze uczący się”.

W AI Product Heroes uczymy właśnie tego – myślenia produktowego, toolkitu do automatyzacji z AI i vibe codingu dla osób nietechnicznych. Bo marketing always-on w erze AI to nie kwestia technologii. To zmiana sposobu pracy.

Ten tekst ukazał się w Trendbooku 2026. Ponad 160 stron inspiracji o trendach w marketingu na kolejnych 12 miesięcy. Inspirujące rozmowy, wnikliwe insighty i kreatywne case studies, które zainspirują cię do działania. Pobierz i przeczytaj już dziś.