Насколько сильно ИИ может повысить производительность труда одного человека?
Недавно пост об Anthropic в социальных сетях вызвал множество репостов. Пользователь Ole Lehmann заявил, что вся команда роста маркетинга в Anthropic, компания с оценкой в 380 миллиардов долларов, состоит всего из одного человека — маркетолога без технического образования, который самостоятельно отвечает за платный поиск, платные социальные сети, оптимизацию магазинов приложений, email-маркетинг и SEO, и продолжается это уже почти десять месяцев.
Вскоре после публикации поста в комментариях появились сомнения, но быстро вмешался сам заинтересованный. Маркетолог по имени Austin Lau ответил, что на момент написания того репортажа он действительно был единственным, кто занимался ростом маркетинга, и один держался почти десять месяцев.
Рис.丨 Соответствующий твит (Источник: X)
Anthropic в конце января опубликовала официальное кейс-исследование, подробно описывающее рабочий способ Austin Lau. В тот же период Anthropic также выпустила внутреннюю белую книгу под названием «Как команда Anthropic использует Claude Code», охватывающую десять команд, от инфраструктуры данных до юридического отдела, и рост маркетинга был одним из них.
В белой книге написано: команда роста маркетинга фокусируется на таких каналах, как платный поиск, платные социальные сети, мобильные магазины приложений, email-маркетинг и SEO, это «нетехническая команда из одного человека», которая полагается на Claude Code для автоматизации повторяющихся маркетинговых задач, создавая автоматизированные рабочие процессы, которые традиционно требуют значительных инженерных ресурсов.
(Источник: Anthropic)
Austin Lau не инженер. В официальном видео-кейсе Anthropic он сказал, что «никогда не писал ни строчки кода», когда он впервые столкнулся с Claude Code, ему даже пришлось искать в Google «как открыть терминал на Mac». Когда Claude Code только вышел, его первой реакцией было «совершенно непонятно, для кого этот продукт», как маркетолог, он не видел очевидного применения.
Переломный момент произошел, когда в Slack-чате компании коллега поделился руководством по установке Claude Code для нетехнических сотрудников. Austin из любопытства установил его, и через неделю он создал два автоматизированных процесса, которые полностью изменили его way of working.
Первый — это плагин для Figma. Для работы с платными социальными рекламами и маркетингом в магазинах приложений требуется обработка большого количества визуальных материалов в Figma. Прежний процесс был таким: когда нужно было создать несколько вариантов текста для одного дизайна, ему приходилось вручную копировать框架 в Figma, постоянно переключаться между Google Документами и Figma, копируя и вставляя заголовки по одному. Если нужно было адаптировать 10 вариантов текста под 5 разных соотношений сторон, эта механическая работа могла легко занять полчаса.
Рис.丨 Austin Lau (Источник: Anthropic)
Он описал эту боль естественным языком Claude Code и попросил помочь написать плагин для Figma. В процессе он просил Claude Code ссылаться на API-документацию Figma, изучая и создавая прототип одновременно. Сгенерированная первая версия прототипа была не идеальна, но как отправная точка достаточна, он постоянно debugил на её основе и в итоге сделал рабочий плагин.
(Источник: Anthropic)
Плагин работает так: выбрав статическую图片框架, плагин автоматически распознает такие компоненты, как заголовок, кнопка призыва к действию, блок кода и т.д., затем из подготовленного списка текстов批量生成独立的框架 Figma, каждый вариант соответствует новому тексту. За один批处理 генерируется до 100 вариантов рекламы, каждая партия занимает около полусекунды. Прошлые 30 минут ручной работы теперь сокращены до 30 секунд.
Второй — рабочий процесс генерации рекламного текста для Google Ads. Адативная поисковая реклама Google Ads имеет строгие ограничения на количество символов в заголовке и описании: максимум 30 символов для заголовка, 90 для описания. Раньше ему нужно было писать черновик в Google Таблицах, вручную проверять количество символов, затем逐个 вставлять контент в бэкэнд Google Ads.
Austin создал в Claude Code пользовательскую slash-команду «/rsa», при активации Claude Code запрашивает ввод данных кампании, существующего рекламного текста и ключевых слов, затем перекрестно ссылается на его заранее установленные «Agent Skills», включая брендовый тон Anthropic,规范 точности продукта и лучшие практики Google Ads RSA.
Система использует два sub-agent с четким разделением обязанностей, один专门 пишет заголовки, другой — описания, каждый работает within своих ограничений символов, качество вывода выше, чем если бы обе задачи были в одном промпте.
В итоге Claude Code упаковывает 15 заголовков и 4 описания в CSV-файл, который можно напрямую загрузить в Google Ads. Austin подчеркивает, что сгенерированный текст — это только отправная точка, он оценивает каждый пункт: правильно ли передано ценностное предложение? Правильный ли тон? Есть ли отличие от конкурентов? Но, по крайней мере, скучная работа по созданию черновика и форматированию полностью автоматизирована.
Повышение эффективности этих двух рабочих процессов уже впечатляет, но система Austin на этом не заканчивается. Он также построил MCP-сервер (Model Context Protocol), подключенный к Meta Ads API.
Благодаря этой интеграции он может напрямую запрашивать в настольном приложении Claude показатели эффективности рекламы, данные о расходах и эффективность каждой рекламы, не открывая бэкэнд-панель Meta Ads. На вопросы like «У какой рекламы на этой неделе самая высокая конверсия» или «Где я потратил бюджет впустую» можно спросить напрямую у Claude и получить ответ с данными в реальном времени.
Что еще важнее —闭环. Austin создал систему памяти, которая записывает предположения и результаты экспериментов в каждом раунде рекламных итераций. Когда он начинает новый раунд генерации вариантов, Claude автоматически извлекает данные всех предыдущих тестов, какие тексты работали хорошо, какие нет, позволяя следующему раунду строиться на основе истории экспериментов. Эта система становится немного умнее после каждого цикла. Такой систематический отслеживание экспериментов across сотен объявлений в традиционной команде обычно требует专职数据分析师.
Судя по белой книге Anthropic, результаты этого рабочего способа таковы: создание рекламного текста сократилось с 2 часов до 15 минут, объем креативов увеличился в 10 раз, количество тестируемых им вариантов рекламы覆盖的 каналов и数量 превзошло большинство полноценных маркетинговых команд.
В той белой книге рост маркетинга был лишь одним из десяти кейсов. Команда инфраструктуры данных использовала Claude Code для debugging сбоев в кластере Kubernetes, решая за几分钟 проблемы, которые обычно требуют обращения к сетевым экспертам; члены команды inference без фона в машинном обучении использовали его для понимания функций и настроек модели, сократив время изучения документации с часа до 10-20 минут; команда продукт-дизайна напрямую использовала Claude Code для изменения фронтенд-кода, инженеры обнаружили, что дизайнеры вносят «крупные изменения в управление состоянием, которые обычно дизайнеры не делают»; юридическая команда сделала за час приложение с predictive text для члена семьи с языковыми барьерами, а до этого у них не было никакого опыта программирования.
Способы использования технических и нетехнических должностей различны, но вывод един: Claude Code размывает границу между «может» и «не может», а эта граница раньше почти полностью определялась техническими способностями.
Сам Austin Lau в кейсе резюмировал примерно так: «Расстояние между „Я хочу, чтобы эта вещь существовала“ и „Я могу создать её своими руками“ гораздо короче, чем думает большинство людей».
Конечно, необходимо добавить, что рост маркетинга (growth marketing) не равен всей GTM (go-to-market). У Anthropic есть полноценные команды бренда, продукт-маркетинга и коммуникаций, Austin Lau отвечал за направление performance marketing, quantifiable каналы like платные размещения, оптимизация магазинов приложений, SEO.
В феврале этого года Anthropic разместила телерекламу на Суперкубке, это явно не то, с чем один человек справится. Рабочий процесс, который он использовал,依赖的 тексты и бренд-активы изначально также были созданы совместно командами продукт-маркетинга и копирайтинга, Claude на их основе генерировал варианты и масштабное тестирование.
Austin Lau недавно добавил некоторый контекст на LinkedIn. Он указал, что широко распространенная статья описывает его опыт как единственного маркетолога роста во втором квартале 2025 года, что было почти 8 месяцев назад. Позже команда действительно расширилась, хотя масштаб仍然 намного меньше, чем外界 представляет, по его словам, «наша боеспособность far превышает нашу численность».
Тем не менее, сигнал достаточно сильный. Компания с пост-денежной оценкой в $380 миллиардов, годовой доходностью $14 миллиардов, на этапе самого быстрого роста, позволила одному маркетологу без опыта программирования独自 управлять ключевыми каналами роста в течение десяти месяцев, и效果还不错. Это должно уже доказать, что коэффициент усиления ИИ для знаний работников, вероятно, намного выше, чем предполагают наши текущие организационные структуры и инерция найма.
Пока неясно, насколько широко можно复制ровать эту модель. Рост маркетинга высоко data-driven, процессно-ориентирован, дружественен к API, от природы подходит для автоматизации. В областях, требующих更多 межличностной оценки или творческой интуиции, ситуация может быть совсем другой.
Белая книга Anthropic в конце главы о росте маркетинга дает три рекомендации: искать повторяющиеся рабочие процессы с API-интерфейсом для автоматизации; разбивать сложные процессы на多个专门的 sub-agent, а не пытаться охватить всё одним промптом; прежде чем писать код,充分 обдумать общий дизайн процесса в Claude. Эти три рекомендации по сути говорят, что узкое место эффективности часто не в технических способностях, а в том, готовы ли вы потратить время на то, чтобы разобрать свой рабочий процесс, а затем передать части, которые могут быть переданы машине.
