Human in the loop w marketingu: gdzie AI potrzebuje człowieka, żeby dowieźć wyniki

Pracuję w marketingu B2B od 15 lat, na rynku polskim i międzynarodowym. Narzędzia AI weszły do mojej codziennej pracy tak samo jak kiedyś automatyzacja marketingu czy CRM: zmieniły tempo, ale nie zmieniły tego, kto odpowiada za decyzje. Ten tekst pokazuje, jak ułożyć proces, w którym AI realnie oszczędza czas, a jakość i wyniki nie spadają.

Czym jest human in the loop w marketingu?

Warto odróżnić trzy poziomy udziału człowieka:

• Human in the loop: człowiek zatwierdza każdy wynik przed publikacją lub wdrożeniem. To standard dla treści zewnętrznych, ofert i komunikacji z klientem.
• Human on the loop: AI działa samodzielnie w ustalonych granicach, a człowiek monitoruje wyniki i reaguje na odchylenia. Tak działają na przykład automatyczne strategie stawek w systemach reklamowych, gdzie marketer ustawia cel, budżet i wykluczenia, a potem kontroluje wyniki.
• Human out of the loop: AI działa bez kontroli. W marketingu B2B nie rekomenduję tego modelu dla niczego, co widzi klient.

Model HITL ma też wymiar prawny. AI Act (rozporządzenie UE 2024/1689) w art. 50 ust. 4 nakłada obowiązek oznaczania tekstów generowanych przez AI i publikowanych w celu informowania opinii publicznej o sprawach interesu publicznego, ale wyłącza ten obowiązek, gdy treść przeszła ludzką weryfikację lub kontrolę redakcyjną, a osoba fizyczna lub prawna ponosi odpowiedzialność redakcyjną za publikację (treść art. 50). Ludzka redakcja jest więc elementem jakości i jednocześnie elementem zgodności z przepisami. Szerzej opisuję to w artykule o bezpiecznym korzystaniu z AI w marketingu: AI Act, RODO i anonimizacja danych.

Na których etapach kampanii człowiek musi zatwierdzać pracę AI?

Poniżej podział, który stosuję w projektach MARCOM:

Najczęściej pomijany jest ostatni punkt. AI poprawnie pokaże w danych, że spadł ruch, pozycje albo liczba zapytań ofertowych, ale nie wie, co ten spadek spowodowało. A od przyczyny zależy decyzja budżetowa. Za tym samym wykresem mogą stać zupełnie różne zdarzenia:

• Aktualizacja algorytmu Google. Marcowy core update z 2024 roku trwał od 5 marca do 19 kwietnia i włączył dawny system helpful content do głównych systemów rankingowych. Google sam uprzedzał, że wahania pozycji będą większe niż przy zwykłej aktualizacji (Google Search Central, Search Engine Land). Daty kolejnych aktualizacji publikuje Google Search Status Dashboard.
• Wprowadzenie AI Overviews. W Polsce Google uruchomił „Przegląd od AI” 26 marca 2025 roku (blog Google Polska). W analizie Ahrefs obejmującej 300 tys. słów kluczowych obecność AI Overview wiązała się z niższym CTR pierwszego wyniku: o około 34,5% w danych z marca 2025 roku i o około 58% w danych z grudnia 2025 roku (Ahrefs, Ahrefs, aktualizacja). Strona może utrzymać pozycję, a mimo to dostawać mniej kliknięć. Co zrobić, żeby marka pojawiała się w samych odpowiedziach AI, opisuję w przewodniku po widoczności w ChatGPT i AI Overviews.
• Zmiana przepisów o komunikacji bezpośredniej. Od 10 listopada 2024 roku obowiązuje Prawo komunikacji elektronicznej. Jego art. 398 zakazuje przesyłania informacji handlowej, w tym marketingu bezpośredniego, e-mailem, SMS-em czy telefonicznie bez uprzedniej zgody odbiorcy (Dz.U. 2024 poz. 1221). Porządkowanie zgód w bazie może zmniejszyć listę odbiorców, a za nią liczbę leadów z mailingu.
• Zmiana algorytmu platformy. LinkedIn ogłosił 12 marca 2026 roku nowy ranking feedu oparty na modelach LLM. Zapowiedział przy tym mniej generycznych treści i działania przeciw zautomatyzowanym komentarzom (LinkedIn News). Wcześniej, w styczniu 2018 roku, Meta zapowiedziała zmianę rankingu na Facebooku na korzyść treści od znajomych i rodziny i uprzedziła, że strony firmowe mogą stracić zasięg (Meta).
• Przyczyny wewnętrzne: urlop działu handlowego, zmiana cennika, sezonowość branży klienta.

Każda z tych przyczyn wymaga innej reakcji. Po aktualizacji algorytmu poprawia się treści i stronę, po zmianie przepisów proces zbierania zgód, a przy problemie wewnętrznym współpracę marketingu ze sprzedażą. Bez tego kontekstu wnioski z danych prowadzą do złych decyzji budżetowych, na przykład do wycięcia kanału, który nadal działa, choć zmieniło się jego otoczenie.

Sama interpretacja danych to jednak połowa pracy. Druga połowa to decyzja, a ta rzadko jest zero-jedynkowa. Ten sam wynik może oznaczać co innego w zależności od okoliczności, od klienta i od tego, na jakiej grupie go zmierzono. Zanim zmienię budżet albo kreację na podstawie raportu, sprawdzam trzy rzeczy:

• Czy wynik testu A/B jest miarodajny. Wariant B może wygrywać o kilka punktów procentowych, ale przy kilkudziesięciu odbiorcach to wciąż przypadkowa próbka, a nie dowód. W B2B, gdzie kampania często trafia do kilkuset decydentów, a nie do dziesiątek tysięcy konsumentów, trzeba to sprawdzać szczególnie uważnie.
• Czy wniosek pasuje do modelu sprzedaży. To, co działa w B2C (szybka decyzja, impuls, niska cena), w B2B często się nie sprawdza. Tu proces zakupowy trwa tygodnie, decyzję podejmuje kilka osób, a jeden kontakt z handlowcem może mieć większe znaczenie niż wzrost CTR.
• Czy wynik zgadza się z wiedzą o kliencie. Czasem dane wskazują jedno, a rozmowa z działem sprzedaży albo z samym klientem pokazuje, że liczy się coś innego. Ostatecznie liczy się kontekst biznesowy, a nie sama tabela.

AI policzy wynik testu w kilka sekund. Ocena, czy można na jego podstawie przesunąć budżet, to wciąż rola człowieka. Właśnie takie niuanse odróżniają raport od decyzji, która przynosi zwrot z inwestycji.

Jak wygląda proces: AI przygotowuje szkic, a ekspert sprawdza, poprawia i odpowiada za efekt?

W praktyce wygląda to tak:

1. Brief od człowieka. Cel biznesowy, grupa docelowa, kluczowy przekaz, fakty, które wolno użyć, i rzeczy, których nie wolno obiecać. Im precyzyjniejszy brief, tym mniej poprawek.
2. Szkic od AI. Kilka wariantów struktury, nagłówków lub tekstów. To materiał roboczy, a nie gotowy produkt.
3. Weryfikacja merytoryczna. Ekspert sprawdza każde twierdzenie, liczbę, nazwę i odwołanie do przepisów. Jeśli czegoś nie da się potwierdzić w źródle, usuwa to.
4. Redakcja strategiczna. Dopasowanie do etapu lejka sprzedażowego, do segmentu odbiorców (inaczej pisze się do właściciela MŚP, inaczej do dyrektora marketingu) i do tonu marki.
5. Zatwierdzenie i publikacja. Jedna osoba z imienia i nazwiska akceptuje materiał. To ona odpowiada za treść wobec klienta i odbiorców.
6. Pomiar i wnioski. Wyniki wracają do kolejnego briefu. W ten sposób każdy cykl poprawia jakość następnego.

Kluczowe jest to, że krok 3 i 4 nie są „korektą przecinków”. To właściwa praca eksperta, która odróżnia treść generyczną od treści, która sprzedaje. AI skraca czas dojścia do pierwszej wersji, ale wartość biznesowa powstaje w redakcji.

Jakie błędy popełnia AI bez nadzoru?

Najczęstsze kategorie błędów, które widzę przy weryfikacji treści generowanych przez AI:

• Zmyślone fakty i źródła. Modele językowe generują tekst prawdopodobny, a nie sprawdzony. W efekcie pojawiają się nieistniejące badania, błędne daty przepisów albo „statystyki” bez źródła. W treściach eksperckich B2B to bezpośrednie ryzyko dla wiarygodności marki.
• Generyczny język. Teksty pełne ogólników, podobne do tysięcy innych. Taka treść nie buduje pozycji eksperta i słabo sprawdza się w SEO · GEO · AIO, bo nie wnosi nic, czego wyszukiwarka lub silnik AI nie znalazłby gdzie indziej.
• Brak kontekstu firmy. AI nie wie, że dana usługa została wycofana, że cennik się zmienił albo że klient nie chce komunikować określonego segmentu.
• Obietnice bez pokrycia. Model chętnie dopisuje korzyści, których firma nie jest w stanie dowieźć. W B2B to prosta droga do reklamacji i utraty zaufania.
• Ryzyko prawne i danych. Wklejenie danych klientów do niezatwierdzonego narzędzia, użycie wizerunku osoby bez zgody, brak oznaczenia treści tam, gdzie wymaga tego prawo.
• Błędne wnioski z danych. Korelacja traktowana jak przyczyna, brak uwzględnienia sezonowości, porównywanie okresów o różnej liczbie dni roboczych.

Żaden z tych błędów nie wynika ze „złego narzędzia”. Wynikają z tego, że AI nie odpowiada za skutki, a człowiek tak.

Jak mierzyć, czy model AI plus człowiek się opłaca?

Proponuję prosty zestaw wskaźników, który można wdrożyć bez dodatkowych narzędzi:

1. Czas od briefu do publikacji. Mierzony osobno dla generowania szkicu i dla redakcji. Jeśli redakcja trwa dłużej niż napisanie tekstu od zera, proces wymaga poprawy briefu albo zmiany narzędzia.
2. Koszt jednostkowy materiału. Godziny pracy razy stawka plus koszt licencji narzędzi, podzielone przez liczbę opublikowanych materiałów.
3. Liczba poprawek po akceptacji. Ile razy materiał wraca po publikacji z powodu błędu merytorycznego. To wskaźnik jakości nadzoru.
4. Wskaźniki efektu. Współczynnik konwersji strony, liczba i jakość leadów, koszt pozyskania leada w kampaniach, a w treściach eksperckich także widoczność w wynikach wyszukiwania i w odpowiedziach silników AI.
5. Wyniki testów A/B. AI pozwala szybko przygotować więcej wariantów nagłówków i tekstów reklam. Zysk liczy się dopiero wtedy, gdy testy mają wystarczającą liczbę wyświetleń, a zwycięski wariant wdraża człowiek.

Zalecam pomiar przez co najmniej kilka cykli publikacji, a nie na podstawie jednego tekstu. Dopiero wtedy widać, czy AI faktycznie skraca drogę od pomysłu do zapytania ofertowego.

FAQ: najczęstsze pytania o human in the loop w marketingu