Claude Code w researchu marketingowym: 5 lekcji z 10 000 punktów danych

Każda dyskusja o tym, czy AI zastąpi research marketingowy, przypomina mi rozmowy z połowy lat dziewięćdziesiątych o tym, czy Excel zastąpi księgowych. Excel nie zastąpił księgowych. Zastąpił dwadzieścia osób z papierowymi arkuszami i kalkulatorami liczącymi sumy kontrolne. Z Claude Code w researchu marketingowym historia powtarza się niemal identycznie, co stało się dla mnie boleśnie jasne, kiedy w styczniu zacząłem analizować, jak ekipa MKT1 ogarnęła 10 000 punktów danych do swojego State of Marketing Report.

Postanowiłem przejść tę drogę samodzielnie, z własnym datasetem dla klienta z branży B2B na rynek DACH, i opisać siedem lekcji, które mogłyby zaoszczędzić komuś dwóch tygodni. Piszę to jako fractional CMO pracujący z firmami IT i mar-tech, który spędził ostatnie cztery miesiące na żywo z Claude Code w środowisku produkcyjnym.

Dlaczego Claude Code, a nie ChatGPT albo Gemini

Zanim przejdę do lekcji, jedna rzecz wymaga wyjaśnienia, bo bez niej reszta artykułu zawisa w próżni. Claude Code różni się od chatbotowego interfejsu Claude.ai tym, czym warsztat samochodowy różni się od salonu wystawowego. Salon ma lepsze oświetlenie, warsztat ma narzędzia do faktycznej naprawy. Claude Code działa w terminalu, ma dostęp do plików lokalnych, potrafi uruchamiać skrypty Pythona, czytać CSV-ki o rozmiarze, którego interfejs webowy nigdy nie zaakceptuje, i co kluczowe, pamięta kontekst projektu między sesjami.

Dla researchu marketingowego oznacza to dokładnie tyle: mogę dać mu folder z trzystoma plikami CSV wyeksportowanymi z LinkedIn Sales Navigator, Apollo, Crunchbase i firmowego CRM, kazać znaleźć duplikaty, zharmonizować nomenklaturę branżową i wypluć tabelę zbiorczą z wnioskami. Próba zrobienia tego samego w Claude.ai kończy się komunikatem o limicie tokenów po dwudziestu minutach.

Lekcja pierwsza: zacznij od próbki, nie idź na całość

Najczęstszy błąd, który widziałem u ludzi zaczynających research z Claude Code, to wpuszczenie pełnego datasetu w pierwszym promptcie i nadzieja, że wyjdzie raport. Wychodzi raport, owszem, ale jest to raport na temat, którego nie da się zweryfikować, gdyż ślepo ufa się modelowi, który widział wszystko naraz i nigdzie się nie zatrzymał.

Sensowny workflow wygląda tak. Bierzesz pierwsze sto rekordów, przepuszczasz je przez Claude Code z jasną instrukcją kategoryzacji i ręcznie sprawdzasz każdy wynik. Jeśli na próbce stu rekordów model się myli w piętnastu, to na pełnym datasecie pomyli się w półtora tysiącu, a Ty zobaczysz to dopiero, kiedy klient pokaże slajd na zarządzie i ktoś zapyta, dlaczego firma logistyczna z Hamburga została sklasyfikowana jako fintech.

Lekcja druga: prompt to dokument, nie zdanie

Kiedy MKT1 opisuje swoje doświadczenia z researchowym projektem na 10 000 data-pointów, jeden szczegół przebija się w każdym akapicie: ich prompty to nie są zdania, tylko struktury przypominające briefy projektowe. Cytuję jeden fragment, który zapamiętałem: "Learnings, advice & prompts based on researching 10,000 data points". Klucz leży w słowie prompts w liczbie mnogiej.

Mój własny prompt do kategoryzacji firm w sprincie ABM dla klienta z DACH ma 1200 słów i dwanaście sekcji. Brzmi to absurdalnie, dopóki nie zobaczysz outputu z promptu trzyzdaniowego i outputu z promptu dwustronicowego. Pierwszy daje dane, drugi daje dane uporządkowane według kryteriów, które rzeczywiście zamierzasz wykorzystać w decyzji biznesowej. Różnica między tymi dwoma rezultatami w przeliczeniu na czas pracy mojego zespołu wynosi około pięciu dni roboczych, czyli mniej więcej dwudziestu tysięcy złotych na fakturze.

Lekcja trzecia: hallucination rate spada z kontekstem, ale nigdy do zera

Modele językowe halucynują. To nie jest defekt, to architektoniczna cecha. Przy batch processingu na 10 000 punktów, nawet po dopracowaniu promptu, średnio cztery do dziewięciu procent wyników zawiera jakąś formę zmyślenia. Może to być błędna nazwa miasta dla siedziby firmy, może to być zaklasyfikowanie firmy do branży, w której nie operuje od trzech lat, może to być fikcyjny kontakt do CEO, którego nikt nigdy nie zatrudniał.

W praktyce oznacza to, że budżet czasowy projektu musi przewidywać manualną weryfikację outliers, czyli wyników, które wyglądają nietypowo na tle reszty. Jeśli pomijasz ten krok, raport publikujesz na własną odpowiedzialność, a w research B2B reputacja autora jest twardszą walutą niż liczba pobrań PDF-a.

Lekcja czwarta: ekonomia nie domyka się przy jednym raporcie

Tu dochodzimy do punktu, który najczęściej umyka entuzjastom AI w marketingu. Pierwszy raport zrobiony w Claude Code zajmie ci tyle samo czasu, co raport bez AI, bo połowę tygodnia spędzisz na uczeniu się narzędzia, drugą połowę na poprawianiu promptów. Druga iteracja jest o trzydzieści procent szybsza. Piąta jest dwa razy szybsza. Dziesiąta zajmuje weekend.

W tym sensie inwestycja w AI w researchu marketingowym przypomina decyzję restauracji o własnym piecu do pizzy. Pierwszy weekend jest stratą. Po pół roku piec spłaca się dwukrotnie, a po roku zastanawiasz się, jak w ogóle prowadziłeś restaurację, kupując mrożone spody. Dla firm, które robią jeden raport branżowy rocznie, ekonomia nie domyka się nigdy. Dla agencji content marketingowej obsługującej dziesięciu klientów B2B SaaS, domyka się w trzecim miesiącu.

Lekcja piąta: model widzi wzorce, nie widzi biznesu

Pomyślałem, że ten punkt zostawię na koniec, bo jest zdecydowanie najważniejszy. Claude Code zwróci ci dane uporządkowane, statystyki, korelacje i wykresy. Nie zwróci ci wniosku, który czyni raport wartym przeczytania. Wniosek powstaje wtedy, gdy ktoś, kto zna rynek, patrzy na korelację i mówi: "to dlatego, że w trzecim kwartale 2024 zmieniła się ustawa o e-fakturach w Niemczech, a połowa firm z naszej próbki musi teraz wymienić ERP, więc otworzyło im się okno na rozmowę o naszym produkcie". Tej myśli nie wygenerujesz promptem.

Co więcej, im lepiej znasz swoją branżę, tym mniej spektakularnie wygląda output Claude Code. Dla doświadczonego marketing leada w B2B SaaS osiemdziesiąt procent wniosków, które generuje model, jest oczywistością. Reszta to dwadzieścia procent, dla których naprawdę robisz raport. Jeśli zostaje ci sześć słów na ostatnim slajdzie i pięć tygodni mniej pracy, to interes się opłacił. Umów konsultację, jeśli chcesz wspólnie przemyśleć, czy ten model w ogóle zadziała w Twojej organizacji, albo policz koszt CMO etatowego vs Fractional, zanim podejmiesz decyzję o tym, kto ma takie projekty u Ciebie prowadzić.

Czy AI zastąpi research marketingowy? Nie. Zastąpi research marketingowy robiony powoli, drogo i przez ludzi, którzy nie mieli czasu zadać sobie pytania, po co właściwie ten raport powstaje. Reszta zostaje, tak jak Excel został.

Inspiracja: The Claude Code research playbook behind my State of Marketing Reports, MKT1.