Adatvezérelt marketing és mesterséges intelligencia

Ha a XX. század a tömegmédia kora volt, akkor a XXI. század második negyedébe lépve egy teljesen más játékteret látunk. A reklám már nem pusztán plakát, rádióspot és televíziós szpot: a marketing ma adatstruktúrák, API-k, modellek és dashboardok hálózata. Míg a korábbi évtizedekben egy jól eltalált tévékampány hónapokra meghatározhatta egy márka sorsát, 2025-ben gyakran percekben mérjük, mennyit ér egy kreatív – és ezt valós idejű viselkedési adatok alapján döntjük el. A Gartner legfrissebb előrejelzése szerint 2025-ben a világ IT-költése 7,9%-kal nő, és ennek jelentős részét az AI-hoz kapcsolódó fejlesztések, infrastruktúrák és szoftverek viszik el. Ez nem technikai érdekesség, hanem üzleti üzenet: aki nem épít mesterséges intelligenciára, az nem egyszerűen lemarad, hanem egy teljesen más ligában játszik.

Közben a generatív MI a „csodafegyver” státuszból lassan háttérfunkcióvá válik. Egyre több eszközbe épül be észrevétlenül: CRM-rendszerek, e-mail automatizmusok, hirdetéskezelők, analitikai platformok. Ahogyan ma már nem külön beszélünk „internet-stratégiáról”, ugyanígy pár éven belül furcsán fog hangzani az „AI-stratégia” kifejezés is: egyszerűen stratégia lesz, amely feltételezi az MI-t. A kérdés tehát nem az, hogy használ-e a cég mesterséges intelligenciát, hanem az, hogy milyen szemlélettel teszi. Aki csak kódot vált, de gondolkodásmódot nem, az maximum költséget generál magának, tartós versenyelőnyt nem.

A lassuló GDP-növekedés, a telített piacok és az árérzékeny fogyasztók közegében az nyer, aki ugyanannyi pénzből többet tud kihozni a marketingjéből. Ez nem kreatív trükk kérdése, hanem döntési minőség. Az adatvezérelt marketing és a mesterséges intelligencia azért került a stratégia középpontjába, mert képes szisztematikusan javítani a döntések minőségét: jobb célzás, pontosabb árazás, kifinomultabb ajánlatok, reálisabb prognózisok. Ugyanakkor ez a fordulat etikai, jogi és pszichológiai kérdéseket is felvet: meddig mehet el a személyre szabás, mikor lép át manipulációba, és hogyan marad a márka hiteles egy olyan világban, ahol a fogyasztó egyre érzékenyebb az adathasználatra? Ebben a cikkben azt szeretném megmutatni, hogyan válik az MI a marketingstratégia gerincévé, hogyan mérhető reálisan a megtérülése, és milyen korlátokat kell tudatosan felhúzni – különösen egy olyan piacon, mint a magyar, ahol tőkehiányos, sokszor pesszimista vállalkozók próbálnak zsonglőrködni a költségvetéssel.

A mesterséges intelligencia útja: kutatólabortól marketingosztályig

Az első marketing-algoritmusok még nagyon messze voltak attól, amit ma MI-nek nevezünk. A klasszikus szegmentáció statikus demográfiai adatokon alapult: életkor, nem, lakóhely, jövedelmi szint. Ezekhez jöttek a korai statisztikai modellek, mint a logisztikus regresszió és az egyszerű döntési fák, amelyek már képesek voltak megjósolni, ki reagál egy direkt levélre vagy egy kuponra. Ezek a modellek még az „egy kampány – egy célcsoport – egy üzenet” logikáját követték, és viszonylag ritkán frissültek. Mivel kevés adat állt rendelkezésre, a fő kockázat az volt, hogy a marketinget túl leegyszerűsített kategóriákra építjük.

A digitális csatornák elterjedésével minden megváltozott. A webanalitika, a cookie-k, a mobilappok és a közösségi média olyan mennyiségű viselkedési adatot kezdett termelni, hogy a régi statisztikai eszközök már nem bírták a terhelést. Ekkor léptek színre a gépi tanulási modellek: random forest, gradient boosting, később neurális hálók. A hangsúly a „ki a célcsoport?” kérdésről átkerült arra, hogy „milyen döntési útvonalon halad végig az ügyfél?”. Ma egy komolyabb marketingrendszer nem csak azt látja, hogy egy felhasználó vásárolt-e, hanem azt is, hogy honnan érkezett, mennyi időt töltött az oldalon, hány terméket nézett meg, mit rakott a kosárba, majd vett ki onnan, és hányadik látogatás után lett vevő.

A McKinsey 2025-ös anyaga egyértelműen jelzi: a személyre szabott marketing ma már elsősorban viselkedési mintákra épül, nem pedig statikus demográfiai mezőkre. Az MI itt nem „okos robot”, hanem egy olyan eszközkészlet, amely képes a tranzakciós, tartalomfogyasztási és interakciós adatokat közös modellbe rendezni. A Deloitte Tech Trends 2025 rámutat: az MI rövid időn belül nem elkülönülő modulként, hanem a teljes technológiai réteg alapjaként fog működni. Magyarul: a marketinges sokszor úgy használ MI-t, hogy észre sem veszi. A kérdés mégis az, hogy mennyire tudatosan épít erre a képességre stratégiát. Dajka Gábor tapasztalata szerint egy átlagos magyar KKV sokszor úgy hiszi, „nem használ MI-t”, miközben a hírlevélküldő rendszere, a hirdetéskezelője és a webshopmotorja mind AI-funkciókra támaszkodik – csak éppen üzleti szinten senki sem gondolja végig, mire lehetne ezeket tudatosan használni.

Adatvezérelt marketing 2025-ben: mire költenek a cégek valójában?

A Gartner előrejelzése nemcsak arról szól, hogy összességében mennyit költenek a vállalatok IT-re, hanem arról is, hogy hova kerül ez a pénz. 2025-ben a növekedés jelentős részét a felhőszolgáltatások, a mesterséges intelligencia és a kiberbiztonság adják. A marketing szempontjából ez azt jelenti, hogy egyre több rendszer lesz natívan AI-képes: az analitika automatikusan ajánl szegmenseket, a hirdetéskezelő javasol kreatív variánsokat, az e-mail rendszerek dinamikusan személyre szabják a tárgysorokat, a webáruház pedig algoritmusokkal állítja össze az ajánlót. Nem a „veszünk egy külön MI-platformot?” a lényegi kérdés, hanem az, hogy a meglévő rendszerek AI-funkcióit mennyire tudatosan kapcsoljuk össze és mérjük.

McKinsey-ék több szektorban is mérhető többletet látnak ott, ahol a személyre szabás magas szinten van: a bevétel és a marketing-megtérülés egyaránt számottevően nő, bár jellemzően nem egyik napról a másikra, hanem folyamatos kísérletezés eredményeként. Ez a folyamat a magyar piacon különösen érzékeny téma. Egy tőkehiányos KKV nem engedhet meg magának olyan „játéknapot”, amikor büntetlenül tesztelget; ugyanakkor versenyhátrányba kerül, ha soha nem tesztel semmit. A jó adatvezérelt stratégia ezért olyan tesztkörnyezetet alakít ki, ahol korlátozott keretből, mégis tudatosan mérve próbálja ki az MI-eszközöket.

Fontos árnyalat: a nemzetközi felmérések szerint a generatív AI-projektek nagy része nem hozza az első körben várt eredményt. Különböző tanulmányok utalnak arra, hogy sok vállalat pilottal indul, majd nem skálázza fel a megoldást, mert az üzleti hatás elmarad a túl optimista várakozásoktól. Ez nem a technológia „kudarca”, hanem a hibás célkitűzésé: sok helyen nincsenek jól definiált KPI-ok, kontrollcsoportok, és nincs felelős, aki üzleti nyelvre fordítsa a modell eredményeit. Ha a marketingvezető számára az MI-projekt annyit jelent, hogy „valamit csinál a rendszer a háttérben”, akkor nem lesz miről beszámolnia a tulajdonosnak. Ha viszont előre rögzített célok mentén mér, akkor tisztán látja, mikor érdemes tovább fejleszteni és mikor kell irányt váltani.

Hogyan lesz az MI a marketingstratégia gerince?

A működő MI-alapú marketing nem technológiai bemutató, hanem döntési struktúra. Én három szintben gondolkodom, ha egy cég marketingjét átvilágítom: adaptív pozicionálás, tartalom–csatorna illesztés és élmény-spirál. A lényeg az, hogy minden szinten adatokra és modellekre támaszkodunk, de emberi döntési elvek szerint használjuk őket.

Az adaptív pozicionálás arról szól, hogy a márkaígéret nem betonozott szlogen, hanem finoman mozgó üzenetrendszer. A prediktív klaszterezés képes kimutatni, hogy mely fogyasztói csoportoknál milyen érvek működnek jobban: ár, kényelem, státusz, biztonság, fenntarthatóság. Ha rendszeresen figyeljük, hogyan reagálnak a különböző szegmensek a kampányokra, akkor akár havonta újra tudjuk rajzolni a fő üzenetek hangsúlyait. Nem arról van szó, hogy hetente brandet váltunk, hanem arról, hogy a kommunikáció fókuszát finoman toljuk egyik értékről a másikra.

A második szint a tartalom–csatorna mátrix. Itt az MI abban segít, hogy minden egyes érintkezési ponton azt a formátumot és üzenetet mutassuk, amely a legnagyobb valószínűséggel viszi előre az ügyfelet a döntési útján. A generatív A/B (vagy inkább A/B/n) tesztek automatikusan variálják a címsorokat, képeket, CTA-kat, és folyamatosan rangsorolják, melyik teljesít jobban. Itt könnyű elcsúszni: ha csak a CTR-t nézzük, a rendszer könnyen elkezdi a legzajosabb, leginkább kattintásvadász kreatívokat előnyben részesíteni. Éppen ezért kell a harmadik szint, az élmény-spirál: az a gondolkodás, amely nem az első konverzióban, hanem teljes ügyfélélettartamban látja a siker mérőszámát.

Az alábbi egyszerű táblázat jól összefoglalja, miről beszélünk:

A mátrix logikája az, hogy minden KPI visszacsatol a modellekhez. Ha például a CPA hirtelen megugrik, az nem csak „drágább lett a hirdetés”, hanem jelzés: változott a közönség viselkedése, a versenytársak aktivitása vagy a kreatívok relevanciája. Ilyenkor az MI új kombinációkat javasol, de a végső döntés továbbra is a marketingvezetőé.

Az MI nem elveszi a marketinges munkáját, hanem felfedi, mennyire gondolkodott eddig valójában stratégában – vagy csak kampányokban. – Dajka Gábor

Személyre szabás, mikro-konverziók és a megtérülés valós mérése

A személyre szabás évek óta a marketing egyik legdivatosabb kifejezése. A valóságban azonban a legtöbb cég még ott tart, hogy a hírlevél elejére beilleszti a keresztnevet, és ezt tekinti perszonalizációnak. A mesterséges intelligenciára épülő személyre szabás jóval mélyebb: a felhasználó viselkedése, preferenciái, vásárlási gyakorisága, korábbi panaszai és interakciói alapján dinamikusan állítjuk össze az ajánlatokat, az árakat, a kommunikáció hangnemét. McKinsey elemzései szerint azok a vállalatok, amelyek magas szinten alkalmazzák a személyre szabást, a bevétel és a marketing-megtérülés tekintetében is jelentős előnyre tesznek szert a versenytársaikhoz képest.

A kulcs az, hogy ne csak a „nagy konverziót” (vásárlás, szerződéskötés) mérjük, hanem a mikro-konverziókat is. Ilyenek például:

• feliratkozás egy tematikus hírlevélre,
• termék mentése kívánságlistára,
• webinár-regisztráció,
• valamilyen tartalom letöltése (e-book, checklist),
• értékelés vagy vélemény írása.

Ezek a lépések még nem hozzák a kasszába a pénzt, de jelzik, hogy a felhasználó melyik fázisban jár, és milyen irányba érdemes továbbterelni. Az MI képes felismerni, hogy a különböző mikro-konverziók milyen valószínűséggel vezetnek későbbi vásárláshoz, így a marketingköltést olyan pontokra irányíthatjuk, ahol a legnagyobb a várható eredmény.

A másik kritikus tényező az adatminőség. A következő években a harmadik feles cookie-k fokozatos visszaszorulása miatt még értékesebbé válnak az első és úgynevezett zero-party adatok (azok az információk, amelyeket az ügyfél saját maga, önként ad meg). Ha egy cég nem épít saját adatbázist, akkor kiszolgáltatja magát a platformoknak. Az MI-modellek pontossága közvetlenül függ attól, hogy milyen tiszta, aktualizált és engedélyezett adatokat kapnak. Aki ezt nem veszi komolyan, az nem csak jogi, hanem üzleti kockázatot is vállal: rossz döntéseket fog automatizálni.

Méréstechnika: hogyan számolj realista ROI-t MI-projektre?

Az MI-alapú marketing egyik legnagyobb csapdája, hogy a cégvezető túl hamar vár „látványos eredményt”. Egy új modell bevezetése azonban nem csak technikai munka; folyamatot, kultúrát és KPI-rendszert is kell hozzá alakítani. Itt jön be a méréstechnika: ha nincs tiszta, előre definiált összehasonlítás, akkor a projekt vagy csodaként, vagy kudarcként kerül be a céges legendáriumba – egyik sem egészséges.

Az első lépés a kontrollcsoport. Ha például egy ajánlórendszert vezetünk be webáruházban, elengedhetetlen, hogy a látogatók egy részét még a régi logika szerint szolgáljuk ki (vagy ne kapjanak ajánlót), és csak a többiek lássák az új rendszert. Az így kapott különbség mutatja meg az MI valós üzleti hatását. Ha mindenkinek bekapcsoljuk az új modellt, akkor soha nem fogjuk tudni, mennyit hozott, és mennyit a szezonalitás, az infláció vagy a konkurensek árváltozása.

Második lépésként érdemes különválasztani a „modell pontosságát” és az üzleti eredményt. Lehet, hogy a churn-prediktív modell 90%-os pontossággal jelzi előre, ki fog lemorzsolódni, de ha a cég nem épít köré megtartási programot, akkor ez csak szép statisztika. Dajka Gábor tapasztalata szerint a hazai KKV-k egy része már most is bőven rendelkezik annyi adattal és analitikai jelentéssel, amelyből jó döntéseket lehetne hozni, mégsem ez történik: a riportok elkészülnek, majd senki nem hoz rájuk építve következetes akciótervet.

A harmadik szint az időtáv. Egy MI-projektet nem egyetlen hónap ROI-ja alapján kell megítélni. Különösen igaz ez olyan területeken, ahol az ügyfélélettartam hosszú: B2B szolgáltatások, oktatás, pénzügyi termékek. Itt az a kérdés, hogy 12–24 hónap alatt hogyan változik a CLV, az ügyfélmegtartás és a panaszarány. Ha a rendszer segít kiszűrni a nem a célcsoportba tartozó érdeklődőket, az rövid távon csökkentheti a lead-számot, hosszú távon viszont javítja a nyereséghányadot. Ezt a gondolkodást a marketingvezetőnek kell képviselnie a tulajdonos felé, különben az MI-projektet úgy fogják értékelni, mint egy sikertelen „kampányt”.

Etika, adatvédelem és AI-kormányzás: hol húzd meg a határokat?

Az MI-alapú marketing nem szabadon választott gyakorlat, amelyben mindent lehet, amit a technológia megenged. Az Európai Unió által elfogadott AI Act kifejezetten szabályozza a generatív MI és az úgynevezett magas kockázatú rendszerek működését, kötelezővé téve többek között az átláthatóságot és a felhasználók tájékoztatását, ha AI-val kerülnek interakcióba. A GDPR és a kapcsolódó adatvédelmi rendeletek pedig egyértelműen rögzítik az adatkezelés elveit: célhoz kötöttség, adatminimalizálás, hozzájárulás, törlési jog, stb. Ezek nem „adminisztratív terhek”, hanem olyan keretek, amelyek mellett hosszú távon is fenntartható a fogyasztói bizalom.

Etikai szempontból különösen veszélyes, ha az MI-t a fogyasztó gyengeségeinek kihasználására használjuk. Ide tartozik például:

• a kifejezetten kiszolgáltatott csoportok (gyerekek, adósságspirálban lévők) agresszív célzása,
• a mesterséges sürgetés és hiányérzet túltolása („már csak 1 darab maradt” típusú üzenetek valós alap nélkül),
• a sötét minták (dark patterns), amelyek megnehezítik a leiratkozást, az adatmegosztás visszavonását vagy a szolgáltatás felmondását.

Az AI-vezérelt rendszerek ráadásul könnyen felerősíthetik a meglévő torzításokat. Ha egy modell a múltbeli adatokból tanul, és azokban eleve benne vannak a diszkriminatív minták (például bizonyos városrészek következetes hátrányos megítélése), akkor ezt fogja újratermelni. Itt jön be az AI-kormányzás: világos szabályok kellenek arra, milyen esetekben kell emberi felülvizsgálat, hogyan dokumentáljuk a modellek döntési logikáját, és hogyan kezeljük az ügyfél panaszait, ha úgy érzi, igazságtalan döntés érte.

A Gartner egy friss jelentésben arra figyelmeztet, hogy a „AI-wash” jelenség komoly reputációs kockázat: ha egy cég mindent AI-nak nevez, miközben valójában túlzó vagy félrevezető állításokat tesz a technológiáról, az hosszú távon rombolja a hitelességet. A fogyasztó magasabb szintű kontrollt vár: tudni akarja, milyen adatokat kezelnek róla, és mit kap cserébe. A márka számára ez lehet teher, de lehet előny is: aki elsőként épít átlátható, etikusan működő AI-kormányzást, az egy következő technológiai botrány idején védettebb helyzetben lesz.

Szervezeti átalakulás: milyen csapat kell az MI-alapú marketinghez?

A mesterséges intelligencia bevezetése nem csak eszközvásárlás, hanem szervezeti kérdés is. A Deloitte Tech Trends 2025 külön hangsúlyozza, hogy az AI nem marginális funkció, hanem a teljes technológiai rétegbe beépülő képesség. Ez azt jelenti, hogy a marketing, az IT és az üzletfejlesztés nem működhet tovább elszigetelt silókban. Szükség van olyan közös nyelvre, ahol a marketinges érti, mit jelent egy modell pontossága, az IT érti, mit jelent egy kampányciklus, a pénzügy pedig érti, hogyan térül meg mindez.

Egy ideális – nem feltétlenül óriási – MI-alapú marketingcsapatban legalább az alábbi szerepeknek kell valamilyen formában megjelenniük:

• Marketingstratéga, aki üzleti célokat fogalmaz meg, és ezekhez keres MI-használati eseteket.
• Adat- vagy analitikai szakember, aki érti a modellek működését, és le tudja fordítani az eredményeket üzleti nyelvre.
• Technikus / integrátor, aki a rendszerek közötti adatáramlást biztosítja (CRM, webshop, analitika, hirdetéskezelők).
• Tartalomért felelős szakember, aki képes a generatív MI által kínált lehetőségeket értelmesen használni, nem csak „szöveget gyártat”, hanem koncepcióban gondolkodik.
• Jog / adatvédelem, akár külsős formában, aki segít megfelelni a szabályozásnak.

Dajka Gábor tapasztalata szerint Magyarországon a legnagyobb hiány gyakran nem is a technikai oldalon van, hanem a gondolkodásmódban. Sok cég úgy tekint a marketingre, mint kiszervezhető díszcsomagolásra: „valaki írjon posztokat, állítson be hirdetéseket, a többi nem érdekes”. Az MI-alapú korszakban ez a hozzáállás végzetes. A marketing akkor lesz hatékony, ha a vezetői szinten is megértik: az adatvezérelt működés nem extra, hanem a vállalkozás idegrendszere. Az Online Marketing és Pszichológia című könyvemben részletesen írok arról, hogyan kapcsolódik össze a fogyasztó gondolkodásmódja, a vállalkozó önismerete és a kampányrendszer, és miért nem működnek a „gyorsan meggazdagodok” jellegű megoldások egy tőkehiányos, bizalmatlan piacon.

Gyakorlati útiterv CMO-knak 2025-ben

Mit tegyen egy marketingvezető – vagy akár egy tudatosabb KKV-tulajdonos – 2025-ben, ha nem elégszik meg azzal, hogy pár új AI-funkciót kipipáljon a szoftverben? Ahelyett, hogy egyszerre mindent akarna, érdemes egy lépcsőzetes útitervet követni.

Első lépésként készíts adat- és folyamat auditot. Nem technikai, hanem üzleti szemszögből nézd végig: honnan érkeznek az érdeklődők, milyen csatornákon lépnek be, milyen pontokon morzsolódnak le, hol keletkezik róluk adat, és ezek az adatok hol szóródnak szét (több rendszerben, Excelben, fejekben). Második lépésként válassz ki 2–3 konkrét MI-használati esetet, amelyek valóban pénzt hozhatnak: például termékajánló a kosárban, churn-előrejelzés az előfizetőknél, vagy dinamikus árazás bizonyos kategóriákban.

Harmadik lépés a méréstechnika kidolgozása: kontrollcsoport, mérési időablak, KPI-k (nem csak kattintás, hanem bevétel, CLV, panaszarány). Negyedik lépésként válassz olyan eszközöket és partnereket, akik nem csak technikát adnak, hanem értik a magyar piac sajátosságait is. Nem biztos, hogy a legnagyobb nemzetközi platform lesz a legjobb döntés, ha a cég mérete, kultúrája és pénzügyi realitásai nincsenek ehhez igazítva.

Ötödik lépés az etikai és jogi keretek rögzítése: milyen típusú adatokat gyűjtötök, mire használjátok, hogyan tájékoztatjátok erről az ügyfeleket, és milyen jogorvoslati utat kínáltok, ha valaki kifogásolja az MI-alapú döntést. Végül a hatodik lépés a folyamatos tanulás: az MI és az adatvezérelt marketing nem olyan projekt, amit „megcsináltunk”, és kész. Folyamatosan módosítani kell a modelleket, finomítani kell a folyamatokat, és fejleszteni a csapat gondolkodását. Itt jön be a képzés szerepe: egy jól megválasztott tréning vagy könyv hosszú évekre meghatározhatja, hogy a cég milyen szemlélettel nyúl a marketinghez.

Dajka Gábor marketingszakértő, business coach és befektető szerint

Ha egy mondatban kellene összefoglalnom a mesterséges intelligencia szerepét a marketingben, azt mondanám: felnagyítja, ami eddig is ott volt. Ha egy cég gondolkodás nélkül másolta a konkurenciát, most gyorsabban és látványosabban fog rossz döntéseket automatizálni. Ha viszont eddig is volt benne stratégiai fegyelem, akkor az MI lehetővé teszi, hogy ugyanezzel a szemlélettel sokkal precízebben, kevesebb pazarlással, átgondoltabban dolgozzon.

Nem az fog nyerni, aki a legdrágább MI-rendszert veszi meg, hanem az, aki a legőszintébben szembenéz a saját vállalkozása realitásaival. Hajlandó kimondani, hogy nincs rendben az adatbázisa, szétcsúsztak a folyamatai, nem tudja pontosan, ki a minta vásárlója – és ezeket a hiányosságokat kezdi el rendbe tenni. A mesterséges intelligencia nem „megmenti” a rosszul működő vállalkozást, hanem átláthatóbbá, mérhetőbbé teszi a hibákat. Ez sokaknak kényelmetlen élmény lesz.

Én annak drukkolok, hogy minél több magyar vállalkozó válassza a nehezebb utat: a gondolkodást, a tanulást, az önkritikát. Aki hajlandó időt és pénzt áldozni arra, hogy megértse a fogyasztó pszichológiáját, az adatvezérelt rendszerek működését, a pénzügyi összefüggéseket, az hosszú távon versenyelőnybe kerül – még akkor is, ha nem ő költi a legtöbbet hirdetésre. A mesterséges intelligencia ebben az értelemben nem ellenség, nem is megmentő, hanem erősítő: felerősíti azt, amilyen gondolkodás régen is ott volt a cégben. Hogy ez jó hír-e neked, az azon múlik, mennyire vagy őszinte magaddal a saját rendszered állapotáról.

Ajánlott magyar videó/podcast

Ehhez a témához különösen jól kapcsolódik az a gondolat, hogy az automatizálás nem helyettesíti az emberi felelősséget. Érdekességként ajánlom ezt a videót is: egy másik szemszögből beszélek arról, miért veszélyes, ha mindent teljesen automatizálni akarunk, és hol kell meghúzni a határt.

Szakértő válaszol – gyakori kérdések

Elég nagy egy magyar KKV ahhoz, hogy érdemben használjon MI-alapú marketinget?

Igen, de nem úgy, ahogy sokan elképzelik. Nem kell saját data science csapatot felépítened és egyedi neurális hálókat programoztatnod. Már azzal óriási lépést teszel, ha a meglévő eszközeid (webanalitika, hírlevélrendszer, hirdetéskezelők, CRM) AI-funkcióit tudatosan állítod be: normális szegmentálás, dinamikus remarketing, ajánlóblokkok, jól definiált konverziók. Egy átlagos magyar KKV számára a valódi kérdés nem az, hogy „használ-e MI-t”, hanem az, hogy a rendelkezésre álló funkciók hány százalékát használja ki. A legtöbb helyen ez meglepően alacsony. Ha ezen javítasz, már komoly előnyt szerzel a piacodon.

Mennyi adat kell ahhoz, hogy egy MI-modell működjön marketingben?

Kevesebb, mint gondolnád, de rendezettebb formában. Nem feltétlenül darabszámról van szó, hanem struktúráról. Ha egy webáruháznak éves szinten pár ezer rendelése van, az már elég lehet ahhoz, hogy egyszerű ajánlórendszert, kosárelemzést vagy churn-előrejelzést építsen – feltéve, hogy a rendelési adatok nincsenek szétcsúszva öt különböző rendszerben. Sokkal többet árt, ha a termékek, vevők, számlák, hirdetési statisztikák nem tiszták és nem összekapcsolhatók, mintha „kevés” lenne a tranzakció. Érdemes inkább az adatminőséget javítani és az összekötéseken dolgozni, mint azon görcsölni, hogy nincs elég rekordod egy komplex modellhez.

Nem túl manipulatív ez az egész személyre szabás dolog?

A személyre szabás önmagában nem jó vagy rossz; az a kérdés, mire használod. Ha arra, hogy relevánsabb ajánlatokat adj, időt spórolj az ügyfélnek, és segítsd a döntésben, akkor értéket teremtesz. Ha arra, hogy nyomást gyakorolj, kihasználd a kognitív torzításait, és olyan döntésekbe told bele, amelyekről később megbánással gondol, akkor hosszú távon a saját márkádat rombolod. A jogi keretek (GDPR, AI Act) mellett érdemes saját etikai kódexet is alkotni: milyen szegmenseket nem célzol, milyen típusú üzeneteket nem használsz, és milyen esetekben kötelező emberi felülvizsgálat. Ha ezt előre rögzíted, sok későbbi konfliktust megelőzhetsz.

Mi a különbség aközött, hogy ChatGPT-t használok szövegírásra, és aközött, hogy MI-alapú marketingstratégiám van?

Ég és föld. Ha egy generatív modellt csak arra használsz, hogy gyorsabban írj hírlevelet vagy posztot, az taktikai szint: időt spórolsz, de nem változik a vállalkozásod gondolkodása. Az MI-alapú marketingstratégia ezzel szemben azt jelenti, hogy a kampányokat, a célzást, az ajánlatokat, a költségkeret elosztását és az ügyfélélettartam kezelését is modellekre és mérésekre építed. Itt már nem az a lényeg, hogy „ki írta” a szöveget, hanem az, hogy milyen adatokat használsz, hogyan tesztelsz, hogyan döntesz. A generatív szövegírás lehet ennek egy hasznos része, de önmagában kevés.

Milyen tipikus hibákat látsz a hazai piacon, amikor egy cég MI-ről kezd beszélni?

Három visszatérő hibát látok. Az első: a cégvezető azt hiszi, az MI majd „megmenti” a rosszul pozicionált, gyenge ajánlatot. Nem fogja. A második: túlígérik a technológiát az ügyfelek felé, mindenre ráírják, hogy AI, miközben valójában nincs mögötte valós tartalom – ez hosszú távon hitelességromboló. A harmadik: nincsenek kijelölt felelősök és KPI-ok; a projekt „valahol az IT és a marketing között lebeg”. Ha nincs olyan ember, aki üzleti nyelven vállalja a felelősséget az MI-használatért, akkor az egész csak drága kísérlet marad, tanulságok nélkül.

Források

Gartner: Worldwide IT Spending to Grow 7.9% in 2025

McKinsey & Company: Unlocking the Next Frontier of Personalized Marketing

Deloitte: Tech Trends 2025

Ha tetszett a cikk, támogasd a blogomat és vedd meg a könyvem.