Hallam: сотрудники маркетингового агентства сами делают агентов, исследование аудитории занимает 15 минут вместо двух дней
Британское digital-агентство Hallam перешло от разрозненных экспериментов с ИИ к единой платформе Gemini, где сотрудники без навыков программирования создают собственных агентов. Исследование аудитории сократилось с 1–2 дней до 15 минут, переговорный план по договору готовится за десять минут вместо полудня.
Результат
Исследование аудитории: 15 минут вместо 1–2 дней; план переговоров по договору: 10 минут вместо полудня; создание агента: 3–4 часа вместо месяцев
Задача
Для digital-агентств привлечь внимание клиентов стало труднее: платформы переполнены контентом, а стоимость привлечения клиентов выросла. Hallam — британское агентство цифрового маркетинга. Оно помогает брендам быть заметными и в обычном поиске, и на новых ИИ-платформах.
Сотрудники и раньше сами пробовали ИИ-сервисы, но подход был разрозненным: каждый экспериментировал со своими инструментами, и было трудно отследить эффект или поддерживать единый стандарт обращения с данными клиентов.
Что сделали
Агентство перешло на Gemini и превратило отдельные эксперименты в «агентную команду», в которой любой сотрудник может безопасно создавать и выбирать автоматизации. Решающим стали защищённые подключения к внутренним данным: ИИ опирается на репозитории компании, поэтому знает реальный контекст, а конфиденциальность клиентов сохраняется.
Партнёр Google Cloud управлял лицензиями, настройкой и обучением. Чтобы закрепить привычку, руководителям отделов выделили 20% рабочего времени на ИИ-инновации, а остальным сотрудникам — один день в месяц на эксперименты.
Как это устроено
Сотрудники пользуются готовыми агентами из галереи, например Deep Research для изучения целевой аудитории: маркетологи выгружают большие массивы разговоров из форумов и фокус-групп и анализируют их вместо ручного просмотра. Для специфических задач сотрудники без программирования создают собственных агентов на естественном языке. Так появились агент прогноза органического трафика, агент для брифов и агент по договорам, который просматривает правки юристов, разбирает риски и предлагает позиции для переговоров.
Разработчики занимаются более сложным: на пакете для разработки агентов они сделали анализатор сайтов, который достаёт исходный код, проверяет технический SEO и находит плагины. Данные клиентов собраны в BigQuery. Агенты подключены к Google Drive, HubSpot и Slack, поэтому новички могут задавать вопросы по внутренним правилам вместо чтения миллионов файлов.
Цифры
- ●исследование аудитории: 15 минут вместо 1–2 дней
- ●план переговоров по договору: 10 минут вместо полудня
- ●агент для брифов: 15 минут вместо половины рабочего дня правок
- ●создание нового агента: 3–4 часа вместо месяцев; по словам операционного директора, простой агент можно запустить за час
- ●адаптация новичков: недели обучающих сессий укладываются в первые 2–3 дня
- ●запросы на анализ данных больше не ждут недели ответа от отдела данных
Что повторить у себя
- Соберите разрозненные эксперименты на единой платформе с общими правилами для данных клиентов.
- Дайте сотрудникам время на ИИ: оно должно быть выделено в расписании, а не оставаться «когда получится».
- Подключайте агентов к рабочим данным (хранилище файлов, CRM, мессенджер), иначе ответы будут общими.
- Позвольте неразработчикам делать простые агенты самим, а разработчиков направьте на сложные.
- Оценивайте эффект по конкретным задачам, например по времени на исследование или договор.
Как измеряли
Цифры взяты из собственного кейса вендора, опубликованного вместе с агентством. Сроки «до» и «после» — оценки сотрудников компании, а не замеры; размер команды и число агентов не названы. «Агент за 3–4 часа вместо месяцев» относится к агентам, которые собирают сотрудники в конструкторе без кода; операционный директор в цитате говорит, что агент может заработать за час. Переход «от недель к 2–3 дням» для адаптации новичков дан без базы расчёта.
Сроки: Дата на странице не указана. Агентство работало с партнёром по лицензиям и обучению; руководителям отделов выделили 20% времени на ИИ, остальным — один день в месяц.
Цифры взяты из публикации компании и не проверялись независимо. Оценивайте достоверность по описанию методики выше. Первоисточник