"AI marketing engineers — это новые джедаи Не так давно я думал что на ai marketing engineer подойдёт просто хороший middle/senior marketer с интересом к вайбкодингу. Как же сильно я ошибался! Человек, который автоматизирует медиабаинг, должен быть минимум director-level (это тот что после senior и team lead), с соответствующим опытом и компенсацией. Почему? Потому что он принимает финальные решения, какие ответы llm принять, а какие развернуть и идти отлаживать дальше. И то как он решит и будет считаться хорошим поведением всей системы. Соответственно, уровень доверия к нему должен быть практически как к топ-менеджеру. А если я не могу доверить этому человеку принимать финальные решения → значит мне надо самому погружаться в эти решения → и быстрее это сделать с агентами, а человек-посредник только помешает → и ""сделать самому"" это тупик. Чтобы так доверять, человек должен закрывать много галочек. Список конечен, но реально сложный! 1. Глубокая экспертиза в marketing / media buying Не “знаю Meta Ads”, а понимаю все нюансы необходимые для получения от Меты хороших результатов. Например: — какая структура и тактики самые эффективные после последних изменений алгоритма, — как рассчитать оптимальные ставки/бюджеты на каждый ad set от конечной цели, — какие ранние метрики есть и какие из них полезны чтобы делать actions раньше с минимальными потерями, — как скейлить ad sets максимально быстро, не тригеря learning phase — какие метрики в кабинете врут Люди, которые не закопали 10.000 часов в попытки разобраться в оптимальных подходах к Мете, просто не чувствуют где llm'ки несут чушь. 2. Сильный business judgment Нужно понимать не только CPA, CAC, ROAS, а какое место перформанс занимает в бизнесе в целом: — где канал создаёт новый спрос — где просто доедает существующий — где можно терпеть высокий CAC — где важнее volume — где важнее quality — как всё это влияет на P&L и когда пора менять всё дерево целей Опыта управления рекламными кабинетами недостаточно, надо нескольких лет реальной ответственности за кусок p&l, и правильных выводов из этого опыта. 3. Системное и процессное мышление Внезапно даже люди которые неплохо управляли рекламой руками и чувствуют что влияет на p&l, не могут разложить это знание на цепочку процессов со своими definition of done и граничными условиями так, чтобы вместе они закрывали всё пространство кейсов и со временем количество неожиданных ситуаций действительно уменьшалось. Иначе получается что мы просто добавили ещё один уровень абстракции и сложности, не сократив время и не увеличив эффективность. Как в анекдоте: ""В результат выполнения проекта по автоматизации, удалось убить сразу двух зайцев: эффективность и качество"". 4. Data fluency Маркетинговые данные почти всегда грязные. UTM съехали. Pixel недополучил события. Organic забрал часть результата. Influencer создал спрос, но конверсия пришла через direct. Кабинет показывает одно, backend другое. Автоматизация начинается не с AI, а с вопроса: “Каким данным мы вообще верим?” 5. AI / automation fluency И уже поверх этого нужны агенты, скилы, харнес, workflows, rules, ml, интеграции и вся остальная механика. Но это последний слой, а не первый. Поэтому настоящие AI marketing engineers — это не обычные маркетологи с вайбкодингом. Это сильные marketing operators, которые умеют мыслить как руководители, проектировать процессы как системные архитекторы и использовать AI как способ масштабировать собственный judgment. И таких людей очень-очень мало. Если это вы, посмотрите вакансию. Для вас есть супер амбициозная задача и вкусные условия. Если вы таких знаете, покажите им этот или этот пост. Если вам такой нужен, посмотрите https://plurio.ai/. Из сайта это может быть не очевидно, но мы буквально отлаживаем агентов, workflows и rules под ваш кейс."