Персонализация email-рассылок с LLM: что нас ждет?

Собрали главные выводы масштабной работы A Literature Review of Personalized Large Language Models for Email Generation and Automation, которая предсказывает трансформацию работы с email-рассылками и внедрение языковых (LLM) моделей в работу маркетологов.

В основе материала — обзорное научное исследование, где проанализированы 32 работы за 2021–2025 годы. Это не один эксперимент, а разбор области: как большие языковые модели (LLM) применяются для генерации и персонализации писем.

Проще говоря, это «исследование исследований». Авторы собрали подходы, сравнили и описали, куда движется рынок. Главный вывод: email не меняется как канал, но меняется логика работы с ним. И это изменение глубже, чем кажется.

Что показали исследования

Если упростить, 32 работы сходятся в одной идее: бывшая формальной, персонализация становится смысловой. Раньше письмо выглядело так: подставили имя, учли сегмент, отправили шаблон. Теперь появляется другой подход, где система получает: историю действий пользователя, его реакции, контекст. И на этой основе формирует текст письма.

Важно! Не выбирает из заготовленных вариантов, а формирует. И если еще точнее, будет формировать, ведь пока такой вариант работы системы –  это технология будущего, а не готовая схема, которую можно внедрить завтра.

В чем суть нового подхода

Главный сдвиг — в том, как принимается решение о содержании письма. До этого логика была проста: есть событие, а под него есть готовое письмо.

Например:

• брошенная корзина — отправляем напоминание
• нет активности — отправляем реактивационное письмо 

Теперь логика усложняется: событие остаётся, но к нему добавляется контекст. И появляется новая формула: событие отвечает за момент отправки, контекст — за содержание письма.

Почему одного события недостаточно

Классический маркетинговый подход исходит из идеи, что последнее действие пользователя — главное. Но исследования показывают: последнее действие — это часть картины.

Пример:

История поведения пользователя — смотрел товар, сравнивал, читал отзывы, вернулся через несколько дней, добавил товар в корзину, не купил товар. Формально — это «брошенная корзина». Но причины отличаются.

Если отправить одно универсальное письмо, оно будет усреднённым. И значит — менее эффективным.

Как это решается

Новый подход пытается ответить не только на вопрос «что произошло», но и на вопрос «почему это произошло».

Система анализирует:

• последовательность действий
• поведение
• реакции на прошлые письма

И делает предположение: что сейчас важно для пользователя. Важно подчеркнуть: она не знает точную причину, а строит гипотезу. Но даже примерное попадание часто лучше, чем универсальное письмо. Разумеется, обучение LLM требует времени, поэтому авторы исследования подчеркивают футуристический характер работы, подчеркивают тренд, который с большой долей вероятности воплотится в жизнь маркетологов.

Как это может работать в связке с CDP-платформами

В будущем речь не пойдёт о замене существующих систем. Платформы данных уже умеют:

• собирать поведение
• строить сегменты
• запускать триггеры

И это останется основой. Изменится следующий слой. 

То есть: триггер остаётся, сегментация остаётся, но текст перестаёт быть фиксированным для всех участников сегмента, а генерируется для каждого с учётом контекста.

При этом генерация происходит автоматически и быстро, без ручной работы. Разумеется, это требует интеграции LLM-моделей с CDP-платформами. И, конечно, случится не завтра. Но система движется к этому.

Вопросы, которые возникают у маркетолога

1. Почему нельзя просто использовать сегментацию?

Потому что сегментация работает с заранее заданными группами. Но поведение пользователей — это комбинации факторов.
Если учитывать:

• интерес
• цену
• поведение
• реакцию

количество сегментов начинает быстро расти. И под каждый нужно отдельное письмо. Когда-то это станет неуправляемым процессом. Новый подход решает это иначе: не создаёт сегменты вручную, а формирует сообщение под конкретную ситуацию.

Сегодня эту задачу частично закрывают рекомендательные технологии, которые помогают CDP-платформам персонализировать блоки рекомендаций с учётом просмотренных или купленных товаров. Но интеграция с LLM выведет персонализацию на новый уровень.

2. Как это нововведение в перспективе влияет на триггеры?

Триггеры никуда не исчезают, по-прежнему отвечают за запуск: произошло событие — отправляем письмо. Но меняется содержание: вместо одного шаблона появляется адаптация под контекст.

3. Зачем много вариантов на одно событие?

Потому что у одного события разные причины. Например, брошенная корзина:

• забыл
• сомневается
• сравнивает

Одинаковое письмо подходит всем понемногу, но идеально — никому. Разные варианты точнее попадают в ситуацию.

4. Как это масштабировать?

Главный страх — придётся делать всё вручную. Но логика обратная. Человек не пишет письма по отдельности, а задаёт правила:

• какие данные учитывать
• какой тон использовать
• какие аргументы возможны

Дальше все работает автоматически.

5. Как система понимает причину поведения?

Она не понимает её буквально, а анализирует:

• поведение пользователя
• схожие случаи
• возможные сценарии

И выбирает наиболее возможную интерпретацию. Это не точное знание, а вероятностная модель. Иногда она ошибается. Но в среднем даёт результат точнее, чем универсальные письма.

6. Заменит ли это копирайтера?

Полностью — нет. Но роль меняется. Раньше писал тексты писем. А станет задаёт правила, логику и стиль. Тексты всё чаще будут формироваться автоматически.

Вывод

Исследования показывают, что главное изменение происходит не в канале, а в подходе. Email перестаёт быть набором шаблонов и сценариев. Он становится системой, которая:

• реагирует на события
• учитывает контекст
• адаптирует сообщение

Это не отменяет существующие инструменты, а дополняет. Платформы данных, триггеры и сегментация остаются основой. Но появляется новый слой — гибкая генерация содержания.

В результате меняется сама логика работы: не «какое письмо отправить», а «как система должна решить, что сказать пользователю». И именно это становится главным навыком в ближайшие годы.