AI w marketingu internetowym – case studies i przykłady sukcesu

Marketing internetowy przechodzi rewolucję, w której algorytmy uczące się z danych stają się jednym z najpotężniejszych narzędzi w arsenale specjalistów. Zamiast kierować kampanie do szerokich, słabo zdefiniowanych grup, marki zaczynają wykorzystywać AI do precyzyjnego przewidywania potrzeb klientów, automatyzacji komunikacji i optymalizacji budżetów reklamowych niemal w czasie rzeczywistym. Poniższe studia przypadków pokazują, jak zastosowanie sztucznej inteligencji w marketingu online przekłada się na konkretne wyniki biznesowe – wyższy ROAS, większą konwersję, lepszą personalizację i trwałą przewagę konkurencyjną.

AI w kampaniach performance: od optymalizacji stawek do prognozowania przychodu

Automatyczne ustalanie stawek w kampaniach e‑commerce

Jednym z najbardziej spektakularnych zastosowań sztucznej inteligencji w marketingu internetowym jest automatyzacja licytacji reklam. W dużych sklepach online, które obsługują setki tysięcy słów kluczowych i produktów, ręczne zarządzanie stawkami jest praktycznie niewykonalne. Systemy oparte na machine learning analizują dane historyczne, sezonowość, zachowania użytkowników oraz kontekst wyszukiwań, aby w czasie zbliżonym do rzeczywistego ustalać optymalne stawki za kliknięcie.

Case study z branży fashion: średniej wielkości sklep z odzieżą, działający na kilku rynkach europejskich, przeszedł z ręcznego modelu stawek na rozwiązanie oparte na inteligentnych strategiach ustalania stawek oraz własnym algorytmie. Po trzymiesięcznym okresie testowym sklep odnotował wzrost przychodów z kampanii Google Ads o 32% przy jednoczesnym obniżeniu kosztu pozyskania klienta o 18%. Kluczowe okazało się połączenie danych o marży z danych o konwersjach, dzięki czemu algorytm mógł maksymalizować nie tylko liczbę sprzedaży, ale przede wszystkim zysk.

System analizował m.in. dzień tygodnia, porę dnia, typ urządzenia, historię użytkownika oraz poziom konkurencji w aukcji reklamowej. Na tej podstawie każdej aukcji przypisywana była prognoza prawdopodobieństwa zakupu oraz oczekiwanej wartości koszyka. W efekcie na zapytania, które oznaczały wysoką intencję zakupową, sklep licytował agresywniej, a na frazy mało rokujące – minimalnie. Ta forma automatyzacji pozwoliła zespołowi marketingowemu skupić się na strategii i kreacji, a nie na codziennym mikro‑zarządzaniu stawkami.

Predykcyjne modelowanie przychodu i LTV klienta

Kolejnym krokiem w wykorzystaniu AI w marketingu performance jest predykcja przychodów i wartości klienta (LTV – lifetime value). Zamiast optymalizować kampanie wyłącznie pod pojedynczą konwersję, marki zaczynają różnicować inwestycje w reklamy na podstawie przewidywanego, przyszłego zysku z danego użytkownika. Model predykcyjny analizuje historię zakupów, częstotliwość wizyt na stronie, typ kupowanych produktów, reakcję na promocje oraz kanał pozyskania, aby wyestymować prawdopodobny przychód w perspektywie kilku miesięcy.

Przykład z branży beauty: sklep internetowy z kosmetykami wprowadził własny model predykcji LTV oparty na algorytmach gradient boosting. Klientów z wysokim, prognozowanym LTV kierowano do segmentu premium w kampaniach paid social oraz search, zwiększając maksymalne stawki i dopuszczalny koszt pozyskania. Rezultat: przy tym samym budżecie reklamowym, po sześciu miesiącach całkowity przychód ze sprzedaży online wzrósł o 27%, przy czym liczba nowych klientów nie zwiększyła się znacząco – zmieniła się natomiast jakość pozyskiwanego ruchu.

W tym wdrożeniu kluczowe było powiązanie systemu reklamowego z wewnętrzną bazą danych klienta i regularne trenowanie modelu na nowych danych. Marketerzy mieli wgląd w segmenty predykcyjne (np. „wysokie LTV, wysoka wrażliwość na promocje”, „średnie LTV, niska lojalność”) i mogli projektować dedykowane ścieżki komunikacji – od pierwszego kontaktu z reklamą, przez automatyczne follow‑upy, aż po program lojalnościowy.

Dynamiczne alokowanie budżetów między kanałami

AI wspiera nie tylko poziom pojedynczej aukcji reklamowej, ale też decyzje strategiczne dotyczące alokacji budżetu między kanałami. Modele atrybucji oparte na uczeniu maszynowym zastępują tradycyjne, liniowe podejścia, pozwalając zrozumieć rzeczywisty wkład poszczególnych punktów styku klienta – od pierwszego kliknięcia w reklamę display, po ostateczne wejście z organicznych wyników wyszukiwania.

Case study z branży usług finansowych: firma oferująca pożyczki gotówkowe stosowała wcześniej prosty model last‑click, który faworyzował kampanie brandowe w wyszukiwarce. Po wdrożeniu modelu atrybucji ML‑based oraz systemu do dynamicznego zarządzania budżetem, okazało się, że wczesne kontakty w social media oraz wideo mają większy wpływ na ostateczną decyzję niż przypisywano im wcześniej. W ciągu czterech miesięcy firma przeniosła 20% budżetu z kampanii brand search do kampanii prospectingowych i remarketingowych w social media, co przełożyło się na 15% wzrost liczby zaakceptowanych wniosków przy niezmienionym budżecie.

Model uczył się na danych transakcyjnych i ścieżkach użytkowników, identyfikując sekwencje kontaktów, które statystycznie częściej prowadziły do finalnej konwersji. Dzięki temu możliwa była niemal codzienna korekta podziału budżetu między kanały o najwyższej realnej efektywności.

AI w optymalizacji landing page’i i ścieżki konwersji

AI coraz częściej obejmuje nie tylko zakup ruchu, ale i optymalizację tego, co dzieje się po kliknięciu w reklamę. Systemy analityczne oparte na uczeniu maszynowym wykrywają bariery konwersji na stronach docelowych, analizując m.in. zachowania myszki, czas spędzony na sekcjach strony, sekwencję przewijania oraz moment opuszczenia.

Praktyczny przykład: sklep z elektroniką użytkową wdrożył narzędzie oparte na AI, które identyfikowało nietypowe wzorce zachowań użytkowników. Wykryto m.in., że użytkownicy mobilni często porzucali koszyk na etapie wyboru formy dostawy, gdyż układ przycisków był mało czytelny i wymagał powiększania ekranu. Dzięki serii mikro‑testów A/B sugerowanych przez algorytm (zmiana kolejności elementów, kolorów przycisków i komunikatów), współczynnik konwersji mobilnej wzrósł o 22% w ciągu dwóch miesięcy.

W tym scenariuszu AI nie tyle zastępuje specjalistów UX, ile wskazuje miejsca o najwyższym potencjale optymalizacyjnym, priorytetyzuje testy i skraca czas dochodzenia do najlepszego wariantu strony.

Personalizacja w czasie rzeczywistym: AI jako motor doświadczeń klienta

Rekomendacje produktowe napędzane AI

Systemy rekomendacji produktów są jednym z najczęściej cytowanych przykładów zastosowania AI w marketingu. Jednak różnica między prostymi modułami „najczęściej kupowane” a zaawansowanymi, kontekstowymi rekomendacjami napędzanymi przez algorytmy deep learning jest ogromna. W nowoczesnych rozwiązaniach rekomendacje uwzględniają nie tylko historię zakupów, ale też aktualne zachowanie użytkownika na stronie, dane z newsletterów, interakcje z aplikacją mobilną oraz podobieństwo do innych profili klientów.

Case study z branży home & decor: duży sklep z wyposażeniem wnętrz zastąpił tradycyjny moduł rekomendacji systemem opartym na sieciach neuronowych, który łączył dane produktowe (kolor, styl, materiał, przeznaczenie) z zachowaniami użytkowników. Po wdrożeniu nowych rekomendacji, udział transakcji z przynajmniej jednym produktem z rekomendacji wzrósł z 19% do 34%, a średnia wartość koszyka zwiększyła się o 11%. System personalizował widok strony głównej, karty produktu oraz koszyka, dopasowując proponowane produkty do przewidywanego celu wizyty (np. szybki zakup versus inspiracje do aranżacji mieszkania).

Dodatkowym efektem było lepsze wykorzystanie „długiego ogona” oferty – produkty mniej popularne zyskały widoczność wśród użytkowników, których profil idealnie do nich pasował. To przełożyło się na lepszy obrót zapasami oraz mniejsze potrzeby wyprzedażowe.

Dynamiczny content na stronie i w e‑mail marketingu

Personalizacja treści nie ogranicza się do rekomendacji produktowych. Dzięki AI, cały układ strony, kolejność sekcji oraz komunikaty mogą być dynamicznie dopasowywane do segmentu użytkownika i kontekstu wizyty. Algorytmy predykcyjne oceniają, czy użytkownik jest blisko decyzji zakupowej, czy dopiero eksploruje ofertę, a także czy jest nowym odbiorcą, czy lojalnym klientem.

Przykład z branży edukacyjnej: platforma z kursami online wdrożyła dynamiczny content na stronie głównej i w newsletterach. Użytkownicy, którzy wcześniej przeglądali kursy programistyczne, otrzymywali priorytetowo treści związane z nowymi technologiami, a osoby zainteresowane rozwojem osobistym – moduły coachingowe, artykuły i webinary z tej dziedziny. W e‑mail marketingu zastosowano AI do wyboru tematów wiadomości oraz kolejności prezentowanych kursów.

Rezultaty po trzech miesiącach: 38% wzrost współczynnika otwarć newsletterów, 24% wzrost kliknięć w treści oraz 17% wyższy przychód z użytkownika przypisany do kanału e‑mail. Co istotne, marketing nie musiał ręcznie tworzyć dziesiątek wariantów newslettera – system sam łączył dostępne treści w różne kombinacje, testując je na małych próbach użytkowników i szybko skalując zwycięskie warianty.

Chatboty i voiceboty wspierające sprzedaż i obsługę klienta

Rozwiązania konwersacyjne, takie jak chatboty i voiceboty, są kolejnym obszarem, gdzie AI realnie zmienia doświadczenie klienta. Zamiast prostych, sztywnych scenariuszy, nowoczesne boty korzystają z przetwarzania języka naturalnego (NLP), aby rozumieć intencje użytkownika i dostosowywać odpowiedzi do kontekstu rozmowy. W marketingu internetowym przekłada się to na możliwość prowadzenia zautomatyzowanych, ale spersonalizowanych dialogów sprzedażowych.

Case study z branży turystycznej: serwis rezerwacji wycieczek wdrożył chatbot wspierany przez AI na stronie oraz w komunikatorach społecznościowych. Bot nie tylko odpowiadał na pytania o terminy i ceny, ale też zadawał użytkownikom kilka prostych pytań o preferencje (budżet, rodzaj wypoczynku, długość wyjazdu), a następnie proponował dopasowane oferty. W ciągu sześciu miesięcy 21% rezerwacji online miało swój początek w interakcji z chatbotem, a współczynnik konwersji użytkowników, którzy weszli w dialog z botem, był o 35% wyższy niż w grupie, która korzystała jedynie z tradycyjnej wyszukiwarki ofert.

Bot był zintegrowany z systemem CRM, dzięki czemu rozpoznawał powracających użytkowników, przypominał wcześniej oglądane oferty oraz informował o spadkach cen. Takie połączenie konwersacyjnego interfejsu z danymi o historii użytkownika tworzyło wrażenie bardzo spersonalizowanej obsługi, dostępnej 24/7.

Hyper‑personalizacja w aplikacjach mobilnych

Aplikacje mobilne są wyjątkowo dobrym środowiskiem do wykorzystania AI w personalizacji, gdyż dostarczają bogatego zestawu danych kontekstowych – od częstotliwości logowania, przez lokalizację, aż po interakcje z powiadomieniami push. Hyper‑personalizacja polega na dopasowywaniu nie tylko treści, ale też momentu i formy komunikacji do konkretnego użytkownika.

Przykład z branży fitness: aplikacja do treningów domowych zastosowała model predykcyjny, który przewidywał ryzyko rezygnacji użytkownika w kolejnych tygodniach. U osób z wysokim wskaźnikiem ryzyka system włączał specjalne sekwencje komunikacji: motywujące powiadomienia push, spersonalizowane plany treningowe, krótsze sesje dopasowane do kalendarza oraz dodatkowe nagrody za regularność. Dodatkowo AI modyfikowała rekomendacje treści treningowych w czasie rzeczywistym, reagując na faktyczne wykonanie (lub pominięcie) planowanych ćwiczeń.

Efekt: 29% redukcja churnu w pierwszych 90 dniach korzystania z aplikacji oraz wyraźny wzrost średniego czasu korzystania tygodniowo. To bezpośrednio przełożyło się na wyższe przychody z subskrypcji oraz zwiększoną skuteczność kampanii cross‑sell (np. sprzedaży planów dietetycznych).

AI w content marketingu i SEO: automatyzacja, która daje przewagę

Generowanie treści wspierane przez AI

Rozwój modeli językowych sprawił, że AI zaczęła odgrywać rosnącą rolę w tworzeniu treści marketingowych. Od opisów produktów i meta opisów, przez szkice artykułów blogowych, aż po warianty nagłówków testowanych w kampaniach – algorytmy generujące tekst przyspieszają pracę zespołów contentowych i pomagają utrzymać spójny ton komunikacji na dużą skalę.

Case study z branży marketplace: platforma z milionami ofert od sprzedawców indywidualnych stanęła przed wyzwaniem poprawy jakości opisów produktów, które często były niepełne, niespójne lub zawierały błędy językowe. Wdrożono system generowania opisów oparty na AI, który na podstawie kilku kluczowych parametrów produktu (kategoria, marka, cechy techniczne) tworzył pełny, zoptymalizowany pod SEO opis oraz propozycję tytułu. Sprzedawcy mogli edytować zaproponowaną wersję, ale większość akceptowała ją bez znaczących zmian.

Po sześciu miesiącach serwis odnotował wzrost ruchu organicznego o 18%, głównie dzięki lepszemu pokryciu długiego ogona fraz oraz poprawie jakości treści z punktu widzenia algorytmów wyszukiwarki. Co istotne, rozwiązanie nie polegało na bezrefleksyjnym generowaniu tysięcy podobnych tekstów – AI miała dostęp do danych o skuteczności poszczególnych wariantów (CTR, czas na stronie, konwersje), dzięki czemu mogła doskonalić generowane opisy w oparciu o rzeczywiste wyniki.

Clusterowanie słów kluczowych i planowanie strategii SEO

AI znajduje zastosowanie także na etapie planowania strategii pozycjonowania. Zamiast ręcznie grupować tysiące fraz kluczowych, marketerzy korzystają z algorytmów, które automatycznie tworzą tematyczne klastry na podstawie semantycznego podobieństwa i intencji użytkownika. Takie podejście ułatwia budowę logicznie powiązanych struktur treści (topic clusters) oraz wewnętrznego linkowania.

Przykład z branży B2B SaaS: firma oferująca rozwiązania chmurowe musiała zaplanować rozbudowę sekcji edukacyjnej na swojej stronie, obejmującej setki artykułów. Zastosowano algorytmy przetwarzania języka naturalnego do analizy bazy słów kluczowych oraz istniejących treści. System zidentyfikował luki tematyczne, czyli obszary, w których konkurencja posiada rozbudowane treści, a firma – jedynie podstawowe artykuły lub w ogóle ich brak.

Na tej podstawie opracowano roadmapę contentową na najbliższe 12 miesięcy, priorytetyzując tematy o najwyższym potencjale ruchu i konwersji. Po roku widoczność domeny w wyszukiwarce w top 10 na kluczowe frazy wzrosła o 46%, a ruch organiczny generował już ponad 40% wszystkich leadów marketingowych. AI wspierała cały proces, nie zastępując jednak ekspertów merytorycznych – ci nadal odpowiadali za ostateczny kształt treści i ich zgodność z potrzebami klientów.

Optymalizacja on‑page i techniczna z pomocą AI

Analiza techniczna dużych serwisów – złożonych z tysięcy podstron – jest idealnym obszarem do automatyzacji z wykorzystaniem algorytmów. Narzędzia oparte na AI potrafią wykrywać nie tylko klasyczne błędy (duplikacja treści, problemy z indeksacją, nieoptymalne meta tagi), ale również korelacje między parametrami technicznymi a wynikami SEO i konwersją.

Case study z branży automotive: portal ogłoszeniowy z samochodami używanymi wykorzystał system analizy SEO napędzany AI, który integrował dane z logów serwera, Google Search Console, systemu analitycznego i bazy ogłoszeń. Algorytm wykrył, że podstrony z bardzo długimi, złożonymi filtrami generują znacznie gorsze wskaźniki indeksacji i CTR niż proste listy ofert, mimo że teoretycznie lepiej odpowiadały na konkretne intencje użytkowników.

Rekomendacje AI obejmowały uproszczenie struktury adresów URL, konsolidację niektórych wariantów filtrów oraz zmianę sposobu generowania tytułów i opisów. Po wdrożeniu zmian nastąpił 25% wzrost liczby zaindeksowanych podstron oraz 14% wzrost ruchu organicznego na stronach z ofertami. Co ważne, system stale monitorował wpływ wprowadzanych modyfikacji i proponował kolejne iteracje, traktując optymalizację jako proces ciągły, a nie jednorazowy audyt.

AI w analizie konkurencji i monitoringu marki

Content marketing i SEO to nie tylko tworzenie treści, ale również śledzenie działań konkurencji i nastrojów wokół marki. Narzędzia oparte na analizie języka naturalnego skanują media społecznościowe, fora, recenzje oraz treści publikowane przez konkurentów, aby wychwycić trendy tematyczne, potencjalne kryzysy i szanse na zaistnienie w nowych obszarach.

Przykład z branży elektroniki użytkowej: producent smartfonów użył systemu monitoringu opartego na AI do analizy recenzji swoich produktów oraz konkurentów w kilkunastu językach. Algorytm klasyfikował opinie według sentymentu oraz tematów (np. aparat, bateria, wydajność, design) i identyfikował powtarzające się motywy. Okazało się, że w segmencie średniej półki użytkownicy szczególnie doceniają jakość zdjęć nocnych, a krytykują konkurencyjne modele za słabą stabilizację wideo.

Na tej podstawie zespół marketingowy przeprojektował komunikację kampanii online, kładąc większy nacisk na demonstrację przewagi w zdjęciach nocnych oraz wideo. Wideo‑reklamy na platformach społecznościowych skupiały się na porównaniach „przed/po” oraz realnych scenach z życia. Kampania wygenerowała 40% wyższy współczynnik oglądalności do końca filmu oraz wyższą intencję zakupu w badaniach brand lift niż poprzednie, bardziej ogólne kreacje. AI pomogła zidentyfikować to, co jest naprawdę ważne dla użytkowników w danej kategorii, zamiast opierać się wyłącznie na intuicji marketerów.

Strategia, etyka i organizacja pracy: jak skutecznie wdrożyć AI w marketingu

Budowanie kompetencji i zespołów data‑driven

Wdrożenie AI w marketingu internetowym to nie tylko kwestia wyboru odpowiednich narzędzi, ale przede wszystkim transformacja sposobu pracy zespołów. Organizacje, które odnoszą sukcesy, inwestują w rozwój kompetencji analitycznych, rozumienie danych oraz podstaw uczenia maszynowego wśród marketerów. Nie chodzi o to, by każdy specjalista stał się programistą, ale o umiejętność krytycznej oceny wyników modeli, formułowania hipotez i właściwego interpretowania rekomendacji algorytmów.

Case study z branży retail: sieć sklepów online utworzyła interdyscyplinarny zespół „marketing intelligence”, łączący specjalistów performance, content, UX, analityków danych i inżynierów. Zespół ten odpowiadał za wybór projektów AI o największym potencjale, definiowanie metryk sukcesu oraz pilotażowe testy. W ciągu dwóch lat wdrożono kilkanaście inicjatyw – od systemu rekomendacji, przez predykcję LTV, po automatyzację e‑mail marketingu – które łącznie podniosły udział kanałów cyfrowych w całkowitym przychodzie firmy z 42% do 63%.

Kluczowym elementem było budowanie zaufania do rozwiązań AI poprzez transparentną komunikację: prezentowanie nie tylko korzyści, ale też ograniczeń modeli, wspólne przeglądy wyników testów oraz umożliwienie marketerom zadawania pytań i zgłaszania zastrzeżeń. Dzięki temu AI była postrzegana jako narzędzie wspierające decyzje, a nie czarna skrzynka narzucająca działania.

Etyka, prywatność i transparentność wobec klientów

Wraz z rosnącą rolą AI w marketingu internetu pojawiają się pytania o etykę i ochronę prywatności. Personalizacja, profilowanie i predykcja zachowań wymagają przetwarzania dużej ilości danych o użytkownikach. Firmy, które chcą budować długoterminowe zaufanie, muszą jasno komunikować, jakie dane zbierają, w jakim celu i jakie korzyści otrzymuje użytkownik w zamian.

Przykład z branży finansowej: bank wprowadzający system predykcyjnych rekomendacji produktów w bankowości internetowej zdecydował się na pełną transparentność. Użytkownicy otrzymywali w panelu informację, że prezentowane oferty są dopasowywane na podstawie ich historii transakcji, a także możliwość regulacji poziomu personalizacji – od pełnej, przez ograniczoną, aż po całkowite wyłączenie rekomendacji. Dodatkowo klient mógł sprawdzić, dlaczego dany produkt został mu zaproponowany (np. „Częste płatności za podróże – propozycja karty z ubezpieczeniem podróżnym”).

Takie podejście zmniejszyło obawy dotyczące „śledzenia” i wzmocniło poczucie kontroli użytkowników nad własnymi danymi. W rezultacie odsetek osób korzystających z personalizowanych rekomendacji systematycznie rósł, co przekładało się na wyższą sprzedaż produktów dodatkowych, przy jednoczesnym utrzymaniu wysokiego poziomu satysfakcji klientów.

Integracja narzędzi AI z istniejącym ekosystemem martech

Wiele organizacji posiada już rozbudowane środowisko narzędzi marketingowych – od CRM, przez systemy automation, po platformy analityczne. Wprowadzenie nowych rozwiązań opartych na AI wymaga przemyślanej integracji, tak aby dane swobodnie przepływały między systemami, a wyniki modeli mogły być wykorzystywane w różnych kanałach komunikacji.

Case study z branży subskrypcyjnej: serwis VOD wdrożył centralną platformę danych klienta (CDP), która gromadziła informacje z aplikacji, strony WWW, płatności oraz działań marketingowych. Na tej bazie trenowano modele predykcyjne (m.in. ryzyka rezygnacji, skłonności do zakupu wyższego pakietu), a następnie wyniki były eksportowane do systemu marketing automation, narzędzi do kampanii płatnych oraz centrum kontaktu. Dzięki temu ten sam model ryzyka churnu mógł zasilać zarówno scenariusze e‑mail, jak i priorytetyzację obsługi telefonicznej czy segmentację kampanii w social media.

Efektem takiej integracji była spójność doświadczenia klienta – użytkownik wysoko zagrożony rezygnacją mógł otrzymać spójną komunikację: najpierw powiadomienie push z propozycją nowej funkcji, następnie e‑mail z indywidualną ofertą, a jeśli nadal nie reagował – rozmowę z konsultantem przygotowanym do zaproponowania najlepszego rozwiązania. AI działała w tle, ale to organizacja kanałów i przepływu danych decydowała o skuteczności całości.

Od projektów pilotażowych do skali: jak mierzyć sukces AI w marketingu

Wiele firm rozpoczyna przygodę z AI od pojedynczych pilotaży – testu chatbotów, inteligentnej licytacji czy automatyzacji e‑mail. Aby przejść na poziom skalowalnego wykorzystania, konieczne jest zdefiniowanie jasnych metryk sukcesu i procesu oceny projektów. Zamiast ulegać „efektowi wow” nowych technologii, liderzy marketingu powinni zadawać pytania: jaki wpływ dana inicjatywa ma na przychód, marżę, satysfakcję klienta, efektywność pracy zespołu.

Przykład z branży modowej online: marka odzieżowa w ciągu dwóch lat przetestowała ponad 20 inicjatyw związanych z AI. Po pierwszych doświadczeniach wprowadzono standardowy proces: każdy projekt musiał mieć jasno określony cel biznesowy, hipotezę, plan testu A/B oraz sposób pomiaru wpływu na kluczowe wskaźniki. Dzięki temu łatwiej było odróżnić projekty o realnej wartości (np. system rekomendacji, predykcja zwrotów towarów) od tych, które generowały koszty, ale nie wnosiły istotnej poprawy wyników.

Organizacja uczyła się na błędach: część inicjatyw została zakończona po pilotażu, inne – rozwinięte na większą skalę. Ostatecznie, tylko około połowa testowanych rozwiązań weszła do stałego użycia, ale to one wygenerowały większość wzrostu przychodów z kanałów cyfrowych w analizowanym okresie. Taki pragmatyczny, oparty na danych sposób podejścia do AI sprawił, że technologia stała się narzędziem służącym celom biznesowym, a nie celem samym w sobie.