25 августа 2026 года McKinsey опубликовала исследование The State of AI in 2026: On the Road to ROI. Почти треть респондентов, 32%, рассказали, что их компании уже отказались от покупки хотя бы одного программного продукта или функции, потому что смогли собрать нужное внутри компании с помощью AI-инструментов для разработки.
Эту цифру легко прочитать как начало конца SaaS. Я бы так не стала.
Меняется сам выбор между готовым продуктом и собственной разработкой. В части задач компании уже могут собрать нужный инструмент сами. В других быстрее и разумнее купить готовое решение. Gartner в своих материалах для IT-руководителей описывает эту логику как Build, Buy и Blend: разработать самостоятельно, купить готовое решение или соединить оба подхода. Смысл не в том, чтобы выбрать сторону раз и навсегда, а в том, чтобы для каждой задачи выбирать заново, глядя на полную стоимость владения и на то, насколько задача типовая.
Для маркетинговой аналитики есть ещё одна проблема, и она не про выбор инструмента.
Сначала нужны данные
23 июня 2026 года McKinsey выпустила исследование AI data readiness: The key to scaling impact. Авторы пишут, что данные становятся одним из главных ограничений при переходе от экспериментов с AI к его масштабному использованию.
Только 7% компаний, по данным McKinsey, полностью масштабировали AI внутри организации. Больше двух третей компаний с высокими результатами называют данные главным препятствием для использования AI.
Причина понятная. AI может быстро ответить на вопрос о маркетинге. Но сначала ему нужно понять, откуда взять данные, что означает каждая метрика и по каким правилам её считать. Если в CRM один набор данных, в рекламном кабинете другой, а в таблице маркетолога третий, AI не соберёт из этого единую систему измерения автоматически. Он даст ответ. Вопрос в том, насколько этому ответу можно доверять.
Есть и ещё один слой проблемы. Исследование From adoption to impact: Three horizons of AI transformation, опубликованное McKinsey 8 июля 2026 года, показывает разрыв: 70% респондентов считают себя лично готовыми использовать AI, но только 27% руководителей считают готовой свою организацию.
Сотрудники уже пользуются AI. Компания ещё не перестроила процессы, данные и правила работы вокруг него.
Именно поэтому меня интересует не очередной AI-чат для маркетолога, а то, на какой основе этот чат работает.
Только 7% компаний, по данным McKinsey, полностью масштабировали AI внутри организации. Больше двух третей компаний с высокими результатами называют данные главным препятствием для использования AI.
Причина понятная. AI может быстро ответить на вопрос о маркетинге. Но сначала ему нужно понять, откуда взять данные, что означает каждая метрика и по каким правилам её считать. Если в CRM один набор данных, в рекламном кабинете другой, а в таблице маркетолога третий, AI не соберёт из этого единую систему измерения автоматически. Он даст ответ. Вопрос в том, насколько этому ответу можно доверять.
Есть и ещё один слой проблемы. Исследование From adoption to impact: Three horizons of AI transformation, опубликованное McKinsey 8 июля 2026 года, показывает разрыв: 70% респондентов считают себя лично готовыми использовать AI, но только 27% руководителей считают готовой свою организацию.
Сотрудники уже пользуются AI. Компания ещё не перестроила процессы, данные и правила работы вокруг него.
Именно поэтому меня интересует не очередной AI-чат для маркетолога, а то, на какой основе этот чат работает.
Что показала история с Dreamdata
1 сентября 2026 года B2B-платформа Dreamdata представила Dreamdata AI. Запуск разобрали несколько независимых изданий, включая PPC Land, и по описанию продукта они совпадают в деталях.
Компания не просто добавила чат к существующей аналитике. В основе Dreamdata AI лежит заранее подготовленная модель B2B-данных: она связывает маркетинговые касания, аккаунты и выручку. Поверх неё работает управляемый слой определений и расчётов, semantic layer.
Dreamdata предлагает три варианта работы с AI:
Analytics Agent внутри платформы;
MCP Server для работы через внешний AI-ассистент или агент, поддерживающий MCP, например Claude или ChatGPT;
Data Warehouse для тех, кто хочет создавать собственных агентов.
Все три варианта используют одну модель данных. На мой взгляд, именно это заслуживает внимания.
Сначала данные и правила. Потом AI.
Можно спросить: какие маркетинговые каналы принесли нам больше всего выручки в прошлом квартале? Но что считать выручкой. Включать ли продления. Как связать маркетинговое касание с конкретным аккаунтом. Как распределить вклад канала между несколькими точками контакта. Если правила не заданы заранее, модель начинает интерпретировать их сама, и у разных сотрудников AI будет давать разные ответы на один и тот же вопрос.
Dreamdata использует собственную модель данных и единые определения метрик. Пользователь может проверить, какие метрики, фильтры, даты, сегментация и модель атрибуции легли в основу ответа. Для руководителя это принципиально. Цифру нужно не только получить. Её нужно объяснить.
Компания не просто добавила чат к существующей аналитике. В основе Dreamdata AI лежит заранее подготовленная модель B2B-данных: она связывает маркетинговые касания, аккаунты и выручку. Поверх неё работает управляемый слой определений и расчётов, semantic layer.
Dreamdata предлагает три варианта работы с AI:
Analytics Agent внутри платформы;
MCP Server для работы через внешний AI-ассистент или агент, поддерживающий MCP, например Claude или ChatGPT;
Data Warehouse для тех, кто хочет создавать собственных агентов.
Все три варианта используют одну модель данных. На мой взгляд, именно это заслуживает внимания.
Сначала данные и правила. Потом AI.
Можно спросить: какие маркетинговые каналы принесли нам больше всего выручки в прошлом квартале? Но что считать выручкой. Включать ли продления. Как связать маркетинговое касание с конкретным аккаунтом. Как распределить вклад канала между несколькими точками контакта. Если правила не заданы заранее, модель начинает интерпретировать их сама, и у разных сотрудников AI будет давать разные ответы на один и тот же вопрос.
Dreamdata использует собственную модель данных и единые определения метрик. Пользователь может проверить, какие метрики, фильтры, даты, сегментация и модель атрибуции легли в основу ответа. Для руководителя это принципиально. Цифру нужно не только получить. Её нужно объяснить.
Нужна ли средней B2B-компании такая платформа
Не обязательно.
Если у компании уже есть CRM, рекламные кабинеты, сайт, e-mail и другие источники данных, систему можно собирать постепенно. Например, CRM может быть Bitrix24. Его BI Builder работает с данными CRM и внешними источниками, а также позволяет подключать внешние базы данных MySQL и PostgreSQL. Если компания хранит заказы в PostgreSQL, эту базу можно подключить к BI Builder, выбрать таблицу с продажами, собрать датасет и построить график по сумме заказов. В итоге у руководителя один отчёт, который объединяет данные из внешней базы и из самого Bitrix24.
Архитектура может выглядеть так:
CRM · реклама · сайт · e-mail · Telegram
↓
Интеграция и объединение
↓
База данных
↓
Правила и контекст
(определения метрик, атрибуция, документы)
↓
BI / аналитика
↑
MCP
↑
AI
Логика простая. CRM и другие системы дают исходные данные. Интеграции объединяют их. База данных хранит единую структуру. Правила расчёта, определения показателей и контекст компании фиксируются отдельно и применяются до того, как данные попадают в отчёты, а не после. BI превращает данные в показатели и отчёты по этим правилам. AI получает доступ к BI и к самим правилам через MCP.
Здесь стоит быть точной. Связка BI Builder и AI через MCP — это архитектурный принцип, а не готовая функция Bitrix24 из коробки. У Bitrix24 есть собственный официальный MCP-сервер: он позволяет внешней AI-системе управлять Bitrix24 прямо из чата. Но на момент публикации он поддерживает модуль задач, список модулей постепенно расширяется. Отдельно у Bitrix24 есть BIconnector, программный интерфейс для работы с коннекторами, источниками и датасетами BI Builder. Чтобы AI-агент отвечал на вопросы именно по аналитике BI Builder, сегодня эту связку нужно собирать самостоятельно поверх BIconnector. Готового решения под ключ для этого сценария у Bitrix24 пока нет
Если у компании уже есть CRM, рекламные кабинеты, сайт, e-mail и другие источники данных, систему можно собирать постепенно. Например, CRM может быть Bitrix24. Его BI Builder работает с данными CRM и внешними источниками, а также позволяет подключать внешние базы данных MySQL и PostgreSQL. Если компания хранит заказы в PostgreSQL, эту базу можно подключить к BI Builder, выбрать таблицу с продажами, собрать датасет и построить график по сумме заказов. В итоге у руководителя один отчёт, который объединяет данные из внешней базы и из самого Bitrix24.
Архитектура может выглядеть так:
CRM · реклама · сайт · e-mail · Telegram
↓
Интеграция и объединение
↓
База данных
↓
Правила и контекст
(определения метрик, атрибуция, документы)
↓
BI / аналитика
↑
MCP
↑
AI
Логика простая. CRM и другие системы дают исходные данные. Интеграции объединяют их. База данных хранит единую структуру. Правила расчёта, определения показателей и контекст компании фиксируются отдельно и применяются до того, как данные попадают в отчёты, а не после. BI превращает данные в показатели и отчёты по этим правилам. AI получает доступ к BI и к самим правилам через MCP.
Здесь стоит быть точной. Связка BI Builder и AI через MCP — это архитектурный принцип, а не готовая функция Bitrix24 из коробки. У Bitrix24 есть собственный официальный MCP-сервер: он позволяет внешней AI-системе управлять Bitrix24 прямо из чата. Но на момент публикации он поддерживает модуль задач, список модулей постепенно расширяется. Отдельно у Bitrix24 есть BIconnector, программный интерфейс для работы с коннекторами, источниками и датасетами BI Builder. Чтобы AI-агент отвечал на вопросы именно по аналитике BI Builder, сегодня эту связку нужно собирать самостоятельно поверх BIconnector. Готового решения под ключ для этого сценария у Bitrix24 пока нет
Что можно делать поверх такой системы
Представим B2B-компанию, у которой есть CRM, рекламные кабинеты, сайт, e-mail, Telegram и BI.
Маркетинговый директор спрашивает: почему количество качественных лидов снизилось в августе.
AI получает данные по лидам, источникам, кампаниям и продажам. Затем обращается к правилам компании и определяет, что здесь считается качественным лидом. После этого сопоставляет показатели и формулирует вывод.
Это другой сценарий, чем просьба к универсальному AI-чату проанализировать рекламу. Во втором случае AI получает отдельный фрагмент информации без контекста. В первом он работает внутри подготовленной системы, где определения и правила заданы заранее.
Маркетинговый директор спрашивает: почему количество качественных лидов снизилось в августе.
AI получает данные по лидам, источникам, кампаниям и продажам. Затем обращается к правилам компании и определяет, что здесь считается качественным лидом. После этого сопоставляет показатели и формулирует вывод.
Это другой сценарий, чем просьба к универсальному AI-чату проанализировать рекламу. Во втором случае AI получает отдельный фрагмент информации без контекста. В первом он работает внутри подготовленной системы, где определения и правила заданы заранее.
Build, Buy или Blend
Выбор между готовым продуктом и собственной разработкой теперь не обязательно бинарный. Gartner для маркетинговых руководителей описывает похожую логику применительно к Customer Data Platform: решение зависит от того, насколько платформа даёт компании конкурентное преимущество, какие ресурсы и опыт разработки уже есть внутри и какие у компании требования к скорости запуска.
Buy — купить готовое решение, если задача типовая и продукт уже хорошо её решает.
Build — разработать самостоятельно, если процесс специфичен для компании и может стать её преимуществом.
Blend — соединить готовые продукты со своей архитектурой.
Для B2B-маркетинга мне этот вариант кажется самым практичным. CRM и BI можно оставить готовыми. Данные объединить в единой базе. Правила и контекст хранить отдельно. А поверх этой системы постепенно создавать собственных AI-агентов.
Здесь стоит учесть ещё один сдвиг. 1 июля 2026 года Gartner оценила в 234 млрд долларов долю расходов на корпоративный софт, которая к 2030 году может уйти из-под традиционной модели SaaS из-за AI-агентов. Это около 20% рынка корпоративного SaaS. Логика простая: если агент выполняет задачу через API нескольких систем сразу, пользователь перестаёт открывать интерфейс каждого отдельного сервиса, а классическая модель лицензий по числу пользователей теряет смысл. Для решения Build или Buy это означает, что при выборе готовой платформы стоит смотреть не только на интерфейс, но и на то, разрешает ли договор с вендором подключать к системе внешних AI-агентов через API.
Не нужно строить всё сразу. Можно начать с одного сценария: определить, какие маркетинговые активности действительно приводят к выручке.
Buy — купить готовое решение, если задача типовая и продукт уже хорошо её решает.
Build — разработать самостоятельно, если процесс специфичен для компании и может стать её преимуществом.
Blend — соединить готовые продукты со своей архитектурой.
Для B2B-маркетинга мне этот вариант кажется самым практичным. CRM и BI можно оставить готовыми. Данные объединить в единой базе. Правила и контекст хранить отдельно. А поверх этой системы постепенно создавать собственных AI-агентов.
Здесь стоит учесть ещё один сдвиг. 1 июля 2026 года Gartner оценила в 234 млрд долларов долю расходов на корпоративный софт, которая к 2030 году может уйти из-под традиционной модели SaaS из-за AI-агентов. Это около 20% рынка корпоративного SaaS. Логика простая: если агент выполняет задачу через API нескольких систем сразу, пользователь перестаёт открывать интерфейс каждого отдельного сервиса, а классическая модель лицензий по числу пользователей теряет смысл. Для решения Build или Buy это означает, что при выборе готовой платформы стоит смотреть не только на интерфейс, но и на то, разрешает ли договор с вендором подключать к системе внешних AI-агентов через API.
Не нужно строить всё сразу. Можно начать с одного сценария: определить, какие маркетинговые активности действительно приводят к выручке.
Почему я бы начинала не с AI
Если начать с AI, легко получить красивый интерфейс, графики и агента.
Но если исходные данные разрознены, метрики определяются по-разному, а правила компании нигде не зафиксированы, AI будет работать с тем, что ему дали. И может очень убедительно ошибаться.
Dreamdata строит свой продукт с другой стороны: сначала модель данных, правила и возможность проверить результат, затем AI. Для собственной системы я бы придерживалась той же последовательности: данные, структура, аналитика, правила и контекст, доступ AI, агент.
Не обязательно покупать Dreamdata. Не обязательно сразу создавать собственную платформу. Но если мы хотим, чтобы AI отвечал на вопросы конкретного бизнеса, ему нужны три вещи: данные, правила и контекст.
Машукова Екатерина
Но если исходные данные разрознены, метрики определяются по-разному, а правила компании нигде не зафиксированы, AI будет работать с тем, что ему дали. И может очень убедительно ошибаться.
Dreamdata строит свой продукт с другой стороны: сначала модель данных, правила и возможность проверить результат, затем AI. Для собственной системы я бы придерживалась той же последовательности: данные, структура, аналитика, правила и контекст, доступ AI, агент.
Не обязательно покупать Dreamdata. Не обязательно сразу создавать собственную платформу. Но если мы хотим, чтобы AI отвечал на вопросы конкретного бизнеса, ему нужны три вещи: данные, правила и контекст.
Машукова Екатерина
Источники
McKinsey
- The State of AI in 2026: On the Road to ROI (25 августа 2026)
- AI data readiness: The key to scaling impact (23 июня 2026)
- From adoption to impact: Three horizons of AI transformation (8 июля 2026)
- Build vs Buy Strategy: Top Principles for Enterprise Applications
- Should You Build or Buy a Customer Data Platform? (Gartner for Marketers)
- Gartner Says $234 Billion in Enterprise Application Software Spend Is at Risk from Agentic AI (1 июля 2026)
- Dreamdata AI, запуск 1 сентября 2026, dreamdata.io
- Разбор запуска: PPC Land, «Dreamdata adds MCP server so Claude and ChatGPT cannot alter its B2B numbers»
- BI Builder: Datasets
- BI Builder: Use external MySQL and PostgreSQL databases
- Регуляторная база
- Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации»
- EU AI Act, Article 50: Transparency Obligations