Ce tipuri de modele AI există și pe care le folosești în marketing și vânzări?

Ce sunt aceste modele AI

Un model AI nu funcționează doar pe baza unor reguli explicite scrise în avans, ci își ajustează parametrii în procesul de antrenare pentru a identifica tipare în date. Apoi folosește ceea ce a învățat pentru a produce rezultate pe date noi.

Calitatea rezultatului depinde însă atât de model, cât și de datele, contextul și instrucțiunile pe care le primește. Dacă folosești un model predictiv construit pe istoricul companiei tale, iar datele despre lead-uri și clienți sunt incomplete sau împrăștiate în cinci locuri, rezultatul va reflecta și aceste probleme.

Distincția care contează pentru tine, ca owner de business sau director de marketing, este alta: într-o automatizare clasică, sistemul execută reguli stabilite în avans. Un model AI introduce o componentă probabilistică: poate clasifica, estima sau genera un rezultat pe baza datelor primite.

„Dacă lead-ul completează formularul, atunci trimite emailul X" este o regulă de automatizare și se execută la fel de fiecare dată. „Lead-ul acesta seamănă cu cei care au cumpărat în ultimele șase luni și are o probabilitate de conversie de 78%, deci merită sunat primul" este rezultatul unui model predictiv.

Cele două nu se exclud. Din contră, una dintre cele mai utile combinații în business este AI + automatizare: modelul produce scorul, clasificarea sau conținutul, iar automatizarea decide ce se întâmplă mai departe pe baza acelui rezultat.

Cum se mai împart modelele AI

Nu este neapărat esențial pentru marketing și vânzări, dar este util să știi că modelele AI pot fi clasificate în mai multe moduri.

După modul de învățare, întâlnim supervised learning (modelul învață din exemple care au și răspunsul corect sau eticheta), unsupervised learning (caută structuri și tipare în date fără etichete), self-supervised learning (își construiește semnalul de învățare din datele neetichetate) și reinforcement learning (învață prin interacțiune și recompense).

Separat, putem vorbi despre tehnologii și arhitecturi precum arbori de decizie, rețele neuronale, deep learning sau Transformers. Deep learning, de exemplu, nu este o alternativă la supervised sau reinforcement learning: o rețea neuronală profundă poate fi antrenată folosind diferite metode de învățare.

Ca owner de business nu construiești tu, de obicei, aceste modele. Cumperi sau integrezi unelte și platforme care le folosesc. De aceea, pentru marketing și vânzări este mai util să le clasificăm după treaba pe care o fac în procesul tău.

5 categorii practice de modele și sisteme AI folosite în marketing și vânzări

• Modele predictive și de scoring - folosesc date istorice pentru a estima un rezultat: ce probabilitate are un lead să cumpere, care client prezintă risc de churn, cât este probabil să vinzi luna viitoare sau în ce categorie intră un contact. În această familie intră task-uri precum clasificarea, regresia, forecasting-ul și diferite forme de propensity sau risk scoring. Sunt tehnologii folosite în business de mult înainte de actualul val de AI generativ și pot avea un impact financiar foarte direct atunci când există suficiente date relevante. De obicei nu le cumperi ca „model" separat, ci le găsești integrate în CRM sau în platformele pe care le folosești, sub denumiri precum lead scoring, prioritizare, churn prediction sau sales forecasting;
• Modele generative (inclusiv LLM-urile) - produc conținut nou pornind de la o instrucțiune sau de la alte date de intrare: text, imagini, audio, video sau cod. LLM-urile (Large Language Models) sunt o categorie importantă de modele generative, specializată în lucrul cu limbajul și, în cazul modelelor multimodale moderne, și cu alte tipuri de informație. În marketing le poți folosi pentru emailuri, descrieri, variante de mesaje, rezumate, idei, analiză sau adaptarea aceluiași mesaj pentru segmente și piețe diferite. AI-ul generativ a devenit mult mai vizibil pentru utilizatorii business după lansarea ChatGPT în 2022, pentru că poate produce rezultate utile fără ca firma să antreneze un model propriu de la zero. În zona de text și conversație găsești produse precum ChatGPT, Claude și Gemini; pentru generarea de imagini există servicii precum DALL·E și Midjourney, iar pentru video, Sora și alte instrumente similare. Important: acestea sunt produse sau servicii construite folosind modele AI, nu categorii de modele în sine;
• Modele și funcții de înțelegere a limbajului (NLP) - analizează textul sau conversațiile pentru a extrage informație structurată: despre ce s-a discutat, ce intenție are clientul, ce obiecție a apărut, care este sentimentul unui review sau ce subiecte revin în conversațiile de vânzări. Astăzi aceste funcții pot fi realizate atât de modele NLP specializate, cât și de LLM-uri generaliste. De aceea, granița dintre „generare" și „înțelegerea limbajului" nu mai este una rigidă: același LLM poate genera un email într-un task și clasifica intenția unui client în următorul. În analiza apelurilor există de obicei mai multe etape: un model speech-to-text transformă mai întâi conversația audio în text, iar apoi un model NLP sau un LLM poate analiza transcriptul pentru a identifica intenții, obiecții, sentiment, subiecte recurente sau informații care trebuie introduse în CRM;
• Modele de recomandare și ranking - ordonează: ce produs să arate cui, ce ofertă urmează firesc după ultima achiziție, ce contact să apară primul în lista de sunat. Le știi din Netflix, Spotify și din magazinele online mari, dar mecanica este aceeași și pentru un portofoliu de 400 de clienți B2B, unde apar ca sugestii de ofertă următoare în CRM sau ca produse recomandate pe site. În practică există și suprapuneri între categorii - de exemplu, un model predictiv poate calcula probabilitatea de conversie pentru fiecare lead, iar sistemul de ranking poate folosi acel scor pentru a decide ordinea în care apar lead-urile pentru echipa de vânzări;
• Agenți AI - nu sunt un tip nou de model, ci sisteme construite în jurul unui model, de regulă un LLM, căruia îi sunt puse la dispoziție instrucțiuni, date și unelte pentru a executa un obiectiv în mai mulți pași. Diferența importantă față de o automatizare obișnuită sau de un simplu LLM conectat la un tool este gradul de control pe care îl are modelul asupra procesului: într-un agent, modelul poate decide dinamic ce pas urmează, ce informații îi lipsesc, ce unealtă trebuie să folosească și când și-a terminat sarcina, în limitele regulilor și permisiunilor stabilite. De exemplu, un agent de vânzări ar putea purta o conversație cu un lead, identifica informațiile care îi lipsesc, consulta CRM-ul, completa datele obținute, decide dacă lead-ul îndeplinește criteriile de calificare și, dacă da, îl poate trimite către persoana potrivită din echipa de vânzări. Asta nu înseamnă că orice chatbot sau automatizare care folosește un LLM este un agent: dacă traseul este stabilit complet în avans - pasul A, apoi B, apoi C - vorbim mai degrabă despre un workflow cu AI; dacă modelul decide dinamic cum ajunge la rezultat, intrăm în zona sistemelor agentice. Rămân, deocamdată, din punctul meu de vedere, categoria cu cea mai mare distanță între ce se promite și ce se livrează efectiv.

Tool-urile de mai sus sunt niște exemple, nu neapărat recomandări - fiindcă se schimbă constant, apar modele noi, apar tooluri noi bazate pe aceste modele. Ce nu se schimbă este categoria: dacă știi ce tip de model îți trebuie pentru problema ta, alegi unealta mult mai ușor (și scapi de demonstrațiile care sună toate la fel).

La ce le folosești, la modul concret

Dacă ai un business cu vânzare consultativă, B2B sau B2C, utilizările care apar constant în practică sunt, în principal, următoarele:

• captarea și calificarea lead-urilor în afara programului, prin asistenți conversaționali care pun întrebările de calificare și predau discuția mai departe;
• scorarea și prioritizarea lead-urilor, ca omul de vânzări să înceapă ziua cu cine are șanse reale, nu cu cine este primul în listă;
• actualizarea și completarea datelor de contact - completarea automată a informațiilor despre firmă și rol, plecând de la un email sau un nume;
• generarea de conținut și de variante de mesaje pentru campanii, secvențe și materiale de vânzare, inclusiv adaptarea aceluiași mesaj pentru segmente diferite;
• analiza campaniilor și prognoza - ce a funcționat, ce nu a funcționat, unde se pierde bugetul, ce estimări avem pentru perioada următoare;
• analiza conversațiilor de vânzări, ca să vezi ce obiecții revin și unde se blochează discuțiile, la nivel de echipă;
• segmentarea și personalizarea comunicării, pe comportament real, nu pe presupuneri.

Fiecare este un pas anume dintr-un proces care există deja și care, făcut manual, consuma timp sau se făcea inconsecvent.

Ce trebuie să existe înainte de a folosi modelele AI

Aici este o nuanță importantă: nu toate aceste sisteme au nevoie de aceleași date și, mai ales, trebuie să facem diferența între datele folosite pentru antrenarea unui model și datele pe care i le oferim atunci când îl folosim.

Un model predictiv construit special pentru businessul tău are nevoie, de regulă, de istoric relevant: lead-uri și clienți împreună cu rezultatele lor reale, date suficient de curate, consecvente și accesibile. Dacă vrei să prezici probabilitatea ca un lead să cumpere, modelul trebuie să poată învăța din exemple anterioare în care știm cine a cumpărat și cine nu.

În schimb, un LLM sau un model NLP pre-antrenat poate analiza o conversație, un email sau un document fără să fi fost antrenat anterior pe datele companiei tale - conversația pe care i-o dai este input pentru analiză, nu automat „training data". Și sistemele de recomandare pot funcționa în moduri diferite: unele învață din istoricul propriu al utilizatorilor și clienților, altele folosesc informații despre produse, similarități, embeddings sau combinații de mai multe metode.

De aceea, întrebarea corectă nu este doar „avem suficiente date pentru AI?", ci „pentru ce vrem să folosim AI și ce fel de date cere acel sistem?".

Dacă folosești un model propriu care trebuie să învețe în continuare din rezultatele businessului, îmbunătățirea nu apare automat. Trebuie să existe o infrastructură prin care rezultatul real, de exemplu lead câștigat sau pierdut, ajunge corect în setul de date, iar modelul este evaluat și, atunci când este necesar, reantrenat. În timp se pot schimba atât distribuția datelor de intrare (data drift), cât și relația dintre aceste date și rezultatul pe care vrem să-l prezicem (concept drift) - de exemplu, caracteristicile care indicau în trecut un lead foarte bun pot să nu mai prezică la fel de bine conversia după schimbarea pieței, a prețurilor sau a comportamentului cumpărătorilor. De aceea, un model predictiv aflat în producție trebuie monitorizat; nu este suficient să-l construiești o dată și să presupui că va avea aceeași performanță pentru totdeauna.

Interesant este că problema asta nu apare doar la firmele mici. În studiul IBM Institute for Business Value despre AI generativ în marketing (decembrie 2023, pe 110 CMO din Statele Unite), doar aproximativ un sfert dintre respondenți spuneau că funcția de marketing implementează AI generativ în colaborare atât cu vânzările, cât și cu customer service - deși aceleași organizații identificau integrarea datelor drept condiția principală pentru personalizare la scară. Este un studiu realizat în Statele Unite în 2023, deci nu trebuie interpretat ca o măsurare a pieței actuale din România; este însă un exemplu relevant pentru problema integrării datelor și a colaborării între departamente.

Modelele generative comerciale vin deja pre-antrenate de furnizor pe volume foarte mari de date, deci nu trebuie să le antrenezi tu de la zero pentru a începe să le folosești. Pentru rezultate relevante în business au însă nevoie de context: ce vinzi, cui, care este poziționarea companiei, ce ton folosești, ce informații trebuie respectate și, ideal, câteva exemple bune. Fără context suficient, modelul poate produce un rezultat corect ca formă, dar generic sau nepotrivit pentru businessul tău.

Instrucțiunile și materialele de context pot fi salvate și refolosite în diferite moduri, în funcție de platformă: proiecte sau spații de lucru pentru un client ori un brand, seturi reutilizabile de instrucțiuni pentru anumite sarcini, asistenți configurați pentru un anumit rol sau sisteme de retrieval care caută informația relevantă în documentele companiei atunci când este necesară. Denumirile și implementarea diferă de la un produs la altul, dar principiul este același: îi pui modelului la dispoziție contextul de care are nevoie pentru sarcina respectivă, fără să fie necesar să modifici modelul de bază.

Important de reținut este că salvarea unor instrucțiuni, exemple sau documente nu înseamnă automat reantrenarea modelului. Aceste informații devin context disponibil sistemului: pot fi introduse direct în context sau recuperate selectiv atunci când sunt relevante pentru sarcina curentă. Asta este diferit de training sau fine-tuning, unde se modifică efectiv parametrii modelului.

Dacă actualizezi un document cu reguli de brand după ce modelul a făcut o greșeală, ai îmbunătățit contextul pe care îl va primi data viitoare, nu modelul de bază. Distincția este importantă: contextul poate fi schimbat imediat; modificarea parametrilor modelului presupune un proces separat de training sau fine-tuning.

În business, instrucțiunile și materialele de context merită tratate ca active operaționale: se documentează, se testează, se îmbunătățesc în timp și pot fi reutilizate de echipă, astfel încât modul de lucru să nu dispară odată cu persoana care l-a construit.

De unde începi

Îți recomand să începi cu acești 3 pași:

1. uită-te unde pierzi acum bani în procesul comercial - viteza de contactare, calitatea prioritizării, follow-up-ul inconsecvent, clienții inactivi;
2. verifică dacă datele necesare pentru acel punct există și sunt utilizabile: dacă vrei scorare, îți trebuie istoric de lead-uri cu rezultatul lor real, nu doar lista de contacte;
3. alege tipul de model sau sistem AI potrivit pentru acel pas, testează-l pe volum mic în paralel cu procesul existent și compară rezultatele înainte să-i crești autonomia.

Dacă vrei să vezi cadrul de decizie și regulile de verificare umană, le-am detaliat în articolul despre cum folosești corect și eficient AI în marketing și vânzări. Iar dacă nu ești sigur unde anume pierzi lead-uri sau timp, mini-auditul gratuit îți dă un punct de plecare în câteva minute.

Întrebări frecvente

Care sunt principalele tipuri de modele AI?

Nu există o singură clasificare universală. Modelele pot fi clasificate după modul în care învață, arhitectură, tipul datelor sau sarcina pe care o rezolvă. După modul de învățare putem vorbi, de exemplu, despre supervised, unsupervised, self-supervised și reinforcement learning. Deep learning descrie o familie de tehnici bazate pe rețele neuronale profunde și nu este o categorie paralelă cu acestea. Pentru marketing și vânzări este mai utilă o clasificare practică după funcție: modele predictive și de scoring, modele generative, modele și funcții de înțelegere a limbajului și sisteme de recomandare/ranking. Peste acestea pot fi construite sisteme agentice care folosesc modele AI pentru a executa procese în mai mulți pași.

Ce tip de AI întâlnim cel mai des în marketing?

AI-ul generativ, în special aplicațiile bazate pe LLM-uri, este astăzi una dintre cele mai vizibile forme de AI în marketing, pentru că poate fi folosit imediat pentru conținut, analiză, research și personalizare fără ca firma să antreneze un model propriu. În procesele de vânzări și CRM sunt însă foarte importante și modelele predictive, folosite pentru scoring, prioritizare, forecasting sau identificarea riscului de churn.

Care este diferența dintre AI și automatizări?

O automatizare clasică execută un proces pe baza unor reguli stabilite în avans. Un model AI poate clasifica, estima sau genera un rezultat probabilistic pe baza datelor primite. Cele două se folosesc frecvent împreună: AI-ul poate decide dacă un lead are probabilitate mare de conversie, iar automatizarea poate folosi acel scor pentru a-l atribui unui consultant sau pentru a declanșa un anumit follow-up.

Am nevoie de multe date ca să folosesc AI?

Depinde de problemă. Un model predictiv construit pe istoricul businessului tău are nevoie de suficiente exemple relevante și de rezultatele lor reale. În schimb, un model generativ pre-antrenat poate fi folosit fără să îl antrenezi pe datele companiei tale, dar are nevoie de instrucțiuni, context și informații corecte pentru a produce rezultate relevante. Important este să separi datele necesare pentru antrenarea unui model de datele și contextul pe care i le dai atunci când îl folosești.

Ce rol au proiectele, skill-urile și asistenții personalizați?

Sunt modalități prin care anumite platforme păstrează și reutilizează instrucțiuni, documente, exemple sau unelte pentru anumite contexte și sarcini. Ele pot face modelul mult mai util pentru business, dar nu înseamnă automat că modelul de bază a fost reantrenat. În general, îi oferă contextul potrivit atunci când are nevoie de el.

Modelul învață din corecțiile mele?

Nu neapărat. În utilizarea obișnuită a unui model generativ, faptul că îl corectezi într-o conversație nu înseamnă că i-ai modificat automat parametrii. Corecția poate influența conversația curentă sau poate fi păstrată ca instrucțiune, memorie ori context, în funcție de produs. Modelul propriu-zis se modifică prin procese separate de training sau fine-tuning. În cazul unui model predictiv construit pentru businessul tău, rezultatele reale pot fi introduse în setul de date și folosite ulterior la reantrenare. Nici aici simplul feedback nu schimbă automat modelul: trebuie să existe o buclă prin care feedback-ul este colectat, validat și folosit la evaluare sau training.