Agenci AI w analizie danych marketingowych: 144 000 wierszy bez jednej formuły

1. Koniec ery promptów, początek ery delegowania

Przez ostatnie lata praca z AI wyglądała tak: człowiek zadaje pytanie, model odpowiada, człowiek zadaje kolejne pytanie. Skuteczne, ale płytkie — każdy krok analizy wciąż projektował marketer. Agenci AI zmieniają tę mechanikę fundamentalnie: zamiast pytania dostają cel, a drogę do niego wyznaczają sami — planują kroki, wykonują je, naprawiają własne błędy i wracają z gotowym wynikiem.

Jak ujął to Mike Kaput, Chief Content Officer SmarterX i współprowadzący podcast The Artificial Intelligence Show (odcinek 222), w którym opisano omawiany eksperyment: to „zasadniczo inny sposób pracy niż wpisywanie pytań do chatbota". Różnica jest taka, jak między zadawaniem pytań konsultantowi a zatrudnieniem analityka, któremu powierzasz cały projekt.

2. Czym agent AI różni się od chatbota

Kluczowa cecha agenta: autonomiczna pętla działania. Agent sprawdza dane, formułuje hipotezę, testuje ją, a gdy coś nie działa — próbuje inaczej, bez angażowania człowieka na każdym zakręcie. Człowiek wraca do gry na końcu: ocenia wynik.

3. Eksperyment: 144 000 wierszy, 1000 kolumn, jeden cel

Zespół SmarterX (organizacja stojąca za Marketing AI Institute) postawił przed agentem realny problem marketingowy: znaleźć związek między publikowanymi treściami a przychodami firmy. Materiał do analizy — surowy eksport danych o rozmiarach, które zabiłyby każdy arkusz:

Plik był tak duży, że nie dało się go otworzyć w arkuszu kalkulacyjnym. W klasycznym trybie pracy taki projekt oznaczałby: zatrudnienie analityka, tygodnie czyszczenia danych, pisanie skryptów. Zamiast tego zbiór trafił do narzędzi agentowych — OpenAI Codex i Claude Code — z jednym poleceniem w roli briefu: „znajdź, co jest powiązane z przychodami".

4. Jak agent pracuje — workflow krok po kroku

To, co agent zrobił z tym zbiorem samodzielnie, wygląda jak plan pracy doświadczonego analityka:

1. 1

   Cel zamiast instrukcji

   Agent dostał zadanie biznesowe („co jest powiązane z przychodami"), nie listę kroków do wykonania. Drogę zaplanował sam.

2. 2

   Inspekcja danych

   Przejrzał strukturę zbioru i rozpoznał, które pola dotyczą przychodów, a które atrybucji — bez słownika danych od człowieka.

3. 3

   Odsianie szumu

   Oznaczył kolumny zaszumione i zduplikowane, które zafałszowałyby analizę — typowa pułapka surowych eksportów z CRM.

4. 4

   Walidacja na mniejszej próbce

   Zanim ruszył na cały zbiór, przetestował swoje podejście na mniejszych kohortach — sam zrobił sobie „sanity check".

5. 5

   Skalowanie i zawężenie

   Zwalidowane podejście zastosował do pełnych 144 000 wierszy i zawęził 1000 kolumn do skoncentrowanego zestawu pól, które faktycznie mają związek z przychodami.

Efekt: ukończona analiza — bez jednej ręcznie napisanej formuły i bez sortowania kolumn. Rola człowieka sprowadziła się do zdefiniowania celu na początku i oceny wyników na końcu.

5. Narzędzia: OpenAI Codex i Claude Code

Wspólny mianownik obu narzędzi: nie wymagają przygotowanej, czystej tabeli ani precyzyjnych formuł. Punkt wyjścia to brudne dane i jasny cel — dokładnie to, czym dysponuje typowy zespół marketingowy.

6. Gdzie marketer użyje tego od jutra

Autorzy eksperymentu wskazują trzy typowe „bagna danych", w których agenci sprawdzą się od razu:

7. Zasady bezpiecznej pracy z agentami

Materiał źródłowy skupia się na możliwościach — od siebie (z praktyki wdrożeniowej) dodajemy cztery zasady, bez których delegowanie analityki agentowi bywa ryzykowne:

• Anonimizuj dane osobowe. Eksport z CRM to dane klientów — zanim trafi do narzędzia AI, usuń lub zpseudonimizuj PII (imiona, e-maile, telefony). RODO obowiązuje także w eksperymentach.

• Weryfikuj wnioski na próbce. Poproś agenta o pokazanie metodologii i sprawdź ręcznie kilka wyników pośrednich. Korelacja wskazana przez agenta to hipoteza do potwierdzenia, nie wyrok.

• Porównuj dwóch agentów. Tak jak w eksperymencie SmarterX (Codex + Claude Code): jeśli dwa niezależne narzędzia dochodzą do zbieżnych wniosków, ryzyko błędu wyraźnie spada.

• Decyzje zostają u człowieka. Agent znajduje zależności; decyzję o przesunięciu budżetu podejmuje marketer, który zna kontekst — sezonowość, promocje, zmiany w produkcie — niewidoczny w danych.

8. FAQ — najczęstsze pytania

9. Podsumowanie

Eksperyment SmarterX pokazuje zmianę większą niż kolejne „narzędzie AI": przejście od zadawania pytań do delegowania całych projektów analitycznych. Zbiór danych, który jeszcze niedawno wymagał analityka i tygodni pracy — 144 000 wierszy, 1000 kolumn — agent przeszedł od surowego eksportu do gotowych wniosków bez jednej ręcznej formuły.

Dla zespołów marketingowych oznacza to, że najcenniejsze dane firmy — te zakopane w za dużych eksportach, na które nigdy nie było czasu ani budżetu — właśnie stały się dostępne. Warunek: jasno sformułowany cel na wejściu i ludzka weryfikacja na wyjściu.

Artykuł powstał m.in. na podstawie materiału „This Is How Marketers Can Use AI Agents for Data Analysis" (Marketing AI Institute, na bazie odc. 222 podcastu The Artificial Intelligence Show).