Jeszcze kilka lat temu marketing opierał się na w miarę przewidywalnym schemacie: badania rynku trwały miesiącami i kosztowały fortunę, klienci trafiali na markę głównie przez wyszukiwarkę Google, a jakość obsługi mierzono garścią sprawdzonych wskaźników. Dziś każdy z tych elementów przechodzi gwałtowną rewizję. Generatywna sztuczna inteligencja skraca badania konsumenckie z miesięcy do dni, zmienia sposób, w jaki klienci w ogóle znajdują firmy w internecie, a jednocześnie zmusza menedżerów do bardziej rygorystycznego myślenia o tym, jakie dane o kliencie w ogóle mają znaczenie i od kogo w pierwszej kolejności warto się uczyć. To nie jest jedna rewolucja, lecz kilka równoległych – i w tym artykule przyglądamy się czterem z nich, opierając się na najnowszych badaniach i doświadczeniach praktyków marketingu.

1. Badania rynkowe: od miesięcy do dni

Klasyczny proces badań marketingowych – zdefiniowanie problemu, projekt badania, dobór próby, zbieranie danych, analiza, wnioski – od dekad wygląda niemal tak samo, a jego realizacja pochłania od kilku tygodni do kilku miesięcy i kosztuje od dziesiątek do setek tysięcy dolarów. Zanim wyniki trafią na biurko decydenta, rynek zdążył się zmienić. Neeraj Arora, Ishita Chakraborty i Yohei Nishimura z Wisconsin School of Business, opierając się na własnym badaniu opublikowanym w „Journal of Marketing” oraz rozmowach z liderami marketingu, pokazują, że duże modele językowe (LLM) zaczynają fundamentalnie zmieniać tę kalkulację w branży badań i insightów wycenianej dziś na 153 miliardy dolarów.

Cyfrowi bliźniacy konsumentów

Najbardziej spektakularnym zastosowaniem jest wykorzystanie tzw. cyfrowych bliźniaków – syntetycznych, opartych na danych person, które potrafią symulować procesy decyzyjne, zmiany preferencji i reakcje na bodźce marketingowe. Zamiast czekać na zebranie nowych danych, analitycy mogą testować koncepcje produktowe, decyzje asortymentowe czy reakcje na kampanie w środowisku wirtualnym, zanim firma poniesie realne koszty.

Dobrym przykładem jest współpraca firmy badawczej Evidenza z niemieckim przedsiębiorstwem z sektora ICT, które chciało sprawdzić, czy klienci B2B zaufają mu w kwestii cyberbezpieczeństwa i przechowywania danych wrażliwych w chmurze. Zespół zbudował syntetyczne próby decydentów na bazie profili demograficznych i behawioralnych prawdziwych respondentów, po czym poprosił model LLM o wcielenie się w te persony i odpowiedź na pytania badawcze. Zestawienie wyników z tradycyjnym badaniem na ludziach wykazało korelacje na poziomie 0,75–0,88 – wystarczająco silne, by uznać, że syntetyczne próby dają kierunkowo trafne wnioski, i to w ułamku czasu oraz kosztu klasycznego badania.

Autorzy podkreślają, że dane generowane przez LLM bywają wręcz głębsze i bardziej wnikliwe niż odpowiedzi ludzi – modele nie są ograniczone czasem ani niechęcią do rozwijania myśli. Cyfrowi bliźniacy sprawdzają się szczególnie dobrze tam, gdzie dotarcie do prawdziwych respondentów jest trudne lub kosztowne – na przykład wśród lekarzy czy menedżerów wyższego szczebla, którzy rzadko mają czas na udział w ankietach. Co więcej, syntetyczne odpowiedzi można wykorzystać, zanim ankieta trafi do prawdziwych ludzi, aby przetestować jej konstrukcję, usunąć słabe pytania, a czasem nawet uniknąć konieczności przeprowadzenia całego badania – jeśli wyniki są jednoznaczne już na etapie symulacji.

AI jako ankieter, oceniający i „drążący” temat

Drugim obszarem transformacji jest zbieranie danych jakościowych. Modele LLM mogą prowadzić wywiady, pełniąc jednocześnie trzy funkcje: zadają pytania zgodnie ze scenariuszem, oceniają jakość odpowiedzi respondenta w skali 1–100, a gdy ocena spada poniżej progu, proszą o doprecyzowanie. Badacze z Wisconsin ustalili, że dane z wywiadów moderowanych przez AI zachowują sens odpowiedzi ludzkich, a niezależni oceniający – ludzie – przyznawali im nawet wyższe noty za głębię i wnikliwość niż wywiadom prowadzonym tradycyjnie. AI-moderator nie ma ograniczeń geograficznych ani czasowych i potrafi prowadzić tysiące rozmów jednocześnie za ułamek kosztu klasycznych wywiadów pogłębionych, choć wciąż ustępuje doświadczonemu badaczowi w odczytywaniu tonu głosu, mowy ciała czy subtelnych sygnałów niewerbalnych.

Ogromną wartością jest też szybka analiza nieustrukturyzowanych danych – recenzji, transkrypcji z obsługi klienta, wpisów w mediach społecznościowych. Jak zauważył dyrektor zarządzający firmy C+R Research, narzędzia AI potrafią przetworzyć i zsyntetyzować to, co manualnie zajmowałoby całe dnie pracy, w ciągu kilku godzin. Firmy takie jak Voxpopme, oferujące analizę multimodalnych danych jakościowych (wideo, audio, tekst), odnotowują dzięki temu redukcję kosztów projektów badawczych o 30–50% oraz nawet 60-krotny wzrost tempa analiz.

RAG jako łącznik między silosami danych

Samodzielny model LLM, pozbawiony kontekstu firmowego, bywa jednak zawodny – generuje odpowiedzi zbyt jednorodne i pozbawione logicznej spójności typowej dla ludzkiego myślenia. Rozwiązaniem jest generowanie wspomagane wyszukiwaniem (retrieval-augmented generation, RAG), które zasila model danymi z wewnętrznych źródeł – historycznych badań jakościowych, systemów CRM, wyników ankiet. RAG może stać się swoistą „tkanką łączną” spinającą rozproszone strumienie insightów, które w większości organizacji wciąż nie „rozmawiają” ze sobą. Nie jest to jednak rozwiązanie idealne – wraz ze wzrostem bazy wiedzy spada precyzja i szybkość wyszukiwania, a jeśli system pobierze dane niekompletne lub pozbawione kontekstu, jakość generowanych insightów gwałtownie się pogarsza. Jak zauważa wiceprezes ds. analityki w Procter & Gamble, spory fragment wiedzy organizacyjnej wciąż istnieje wyłącznie w prezentacjach, na slajdach albo w głowach ludzi – i AI nie ma jak tego „przeczytać”.

Człowiek wciąż trzyma ster

We wszystkich opisanych zastosowaniach kluczowa pozostaje zasada human-in-the-loop. Definiowanie problemu badawczego i projektowanie badania to etapy zdominowane przez ludzką intuicję rynkową, doświadczenie i realia budżetowe – AI wspiera je co najwyżej pomocniczo. Dopiero w fazie realizacji i analizy modele językowe stają się pełnoprawnym „współpracownikiem”. Jak ujęła to jedna z liderek działu insightów w Microsoft, generatywna AI radykalnie przyspiesza syntezę danych i pozwala pracować na niespotykaną dotąd skalę, ale to człowiek wciąż decyduje, jak sformułować właściwe pytania i przełożyć surowe dane na biznesowo istotne wnioski.

Autorzy nie ukrywają też ryzyk. Modele LLM dziedziczą uprzedzenia płciowe, rasowe i kulturowe obecne w danych treningowych, co wymaga stałego nadzoru. Łatwość generowania raportów rodzi pokusę realizowania badań „na szybko”, kosztem rzetelności. Pojawiają się sygnały o kurczącej się liczbie stanowisk juniorskich w marketingu – a to właśnie te stanowiska od lat były naturalnym poligonem, na którym młodzi specjaliści uczyli się analitycznego myślenia. Wreszcie technologia cyfrowych bliźniaków może zostać nadużyta przez respondentów, którzy przy pomocy LLM masowo generują fałszywe, ale wiarygodnie brzmiące odpowiedzi w ankietach internetowych wyłącznie po to, by szybciej zgarnąć wynagrodzenie za udział. Odpowiedzią na te zagrożenia ma być rygorystyczny nadzór analityczny, systematyczna walidacja wyników oraz podejście typu „testuj i ucz się”, zamiast bezkrytycznego wdrażania AI na pełną skalę.

2. Doświadczenie klienta: mniej wskaźników, więcej sensu

O ile w badaniach marketingowych problemem był brak danych, o tyle w obszarze doświadczeń klienta (Customer Experience, CX) firmy mają dziś odwrotny kłopot – nadmiar wskaźników, których nikt nie potrafi sensownie wykorzystać. Charles H. Patti, Maria M. van Dessel i Steven W. Hartley, na podstawie pracy doradczej z grupą 14 firm z sektora usług subskrypcyjnych, pokazują, jak lawinowy przyrost metryk CX sparaliżował zdolność menedżerów do podejmowania decyzji.

Według Gartnera duże przedsiębiorstwa monitorują średnio ponad 50 wskaźników CX, a niektóre nawet 200, rozproszonych między działami i kanałami – call center, czat, e-mail, strona internetowa, placówki stacjonarne. Firmy badane przez autorów stosowały łącznie ponad sto takich miar. Problem w tym, że klient dziś otrzymuje ankietę satysfakcji kilka minut po każdym kontakcie z marką, a mnogość zbieranych danych – operacyjnych, percepcyjnych i finansowych – nie przekłada się automatycznie na lepsze decyzje biznesowe. Wiele wskaźników jest zbieranych tylko dlatego, że „tak się robi w branży”, bez refleksji, czy faktycznie pomagają poprawiać doświadczenie klienta.

Redukcja przez analizę regresji

Autorzy zaproponowali proste, ale skuteczne narzędzie: analizę regresji, która pozwala określić, które wskaźniki najsilniej – a które najsłabiej – wyjaśniają zmienność kluczowych wyników biznesowych, takich jak wskaźnik rezygnacji (churn), liczba kontaktów czy Net Promoter Score. W przypadku badanych firm subskrypcyjnych z 13 wskaźników monitorowanych w kanale call center jeden – odsetek połączeń przekierowywanych do systemu IVR – samodzielnie tłumaczył większość zmienności NPS. Z kolei poziom obsługi (procent połączeń odebranych w ciągu 30 sekund) oraz wskaźnik transferu połączeń okazały się słabymi predyktorami wszystkich analizowanych zmiennych – co czyni je poważnymi kandydatami do eliminacji.

Efekt? Realna redukcja liczby monitorowanych metryk o około 15% w samym kanale call center, a co za tym idzie – oszczędność zasobów ludzkich i finansowych oraz mniejsze „zmęczenie ankietami” (survey fatigue) u klientów, które i tak obniża wiarygodność zbieranych danych. Co ciekawe, w każdej z 14 badanych firm menedżerowie po zobaczeniu wyników zadawali to samo pytanie: dlaczego nie zrobiliśmy tego wcześniej? Proces ten miał też efekt uboczny – przełamał utrwalone nawyki myślowe typu „zawsze tak robiliśmy” i utrudnił bezrefleksyjne dokładanie kolejnych metryk w przyszłości.

Mapowanie wskaźników na ścieżkę klienta

Drugim, uzupełniającym narzędziem jest mapowanie metryk CX na poszczególne etapy ścieżki klienta – od pierwszego kontaktu z kategorią produktową, przez wybór i zakup, aż po użytkowanie, ewentualną rezygnację i próbę odzyskania klienta. Autorzy przeprowadzili takie ćwiczenie w duchu design thinking z grupą nowych klientów, szczegółowo odwzorowując etap onboardingu – poszukiwanie informacji, weryfikację dostawcy, aktywację usługi, pierwsze rozliczenie, pierwsze zgłoszenie serwisowe.

Efekt był pouczający: wiele firm z sektora usług finansowych opiera się niemal wyłącznie na NPS, pomijając całkowicie etap przedzakupowy, na którym dużo bardziej użyteczne byłyby wskaźniki zaufania czy pozycji marki. Podobnie wiele organizacji mierzy NPS dopiero na końcu procesu onboardingu, choć ten sam wskaźnik zastosowany na wcześniejszym etapie umożliwiłby interwencję w czasie rzeczywistym – zanim negatywne pierwsze wrażenie klienta przełoży się na rezygnację. Luki pomiarowe tego typu wynikają najczęściej z nadmiernego przywiązania organizacji do jednego lub dwóch ulubionych wskaźników, a nie z braku danych jako takich.

Autorzy zwracają też uwagę na czynnik kulturowy: organizacje zorientowane przede wszystkim na rentowność skłaniają się ku wskaźnikom operacyjnym i oszczędnościowym, podczas gdy firmy stawiające klienta w centrum inwestują w zrozumienie emocji i motywacji stojących za decyzjami zakupowymi – co w dłuższej perspektywie i tak przekłada się na wyniki sprzedażowe. W kontekście ery AI ten wniosek nabiera dodatkowego znaczenia: to właśnie oczyszczone, sensownie zmapowane dane CX stanowią surowiec, na którym mogą później efektywnie pracować modele językowe – śmieciowe, nadmiarowe metryki utrudniają jakąkolwiek automatyzację analizy.

3. Widoczność w sieci: nowa gra o uwagę klienta

Trzeci front zmian dotyczy być może najbardziej fundamentalnej funkcji marketingu – tego, czy klient w ogóle znajdzie markę. Michael Pettiette i Kimberly A. Whitler opisują, jak wyszukiwanie oparte na generatywnej AI przewraca do góry nogami mechanizmy, na których od dwudziestu lat opierał się marketing cyfrowy.

Przykłady, które przytaczają, są otrzeźwiające. Jedna z największych amerykańskich sieci fitness, dysponująca ogromnym budżetem na marketing w wyszukiwarkach, ze zdumieniem odkryła, że w wynikach wyszukiwania AI wyprzedza ją mała, lokalna firma z Houston. Dyrektor z branży finansowej zaobserwował, że klient szukający najlepszych ofert użył ChatGPT zamiast Google – a jego firma, mimo pozycji lidera rynku i największych inwestycji w SEO, w ogóle nie pojawiła się w rekomendacjach AI, ustępując miejsca znacznie mniejszemu graczowi. Lata inwestycji w tradycyjną pozycję w wynikach wyszukiwania okazują się nie mieć żadnego automatycznego przełożenia na widoczność w nowym środowisku.

Wyszukiwanie bez kliknięć

Kluczowym zjawiskiem jest tzw. zero-click search – sytuacja, w której konsument w ogóle nie musi klikać w żaden link, bo platforma AI od razu udziela mu bezpośredniej, syntetycznej odpowiedzi. Dotyczy to nie tylko czatbotów takich jak ChatGPT, Perplexity czy Gemini, lecz też funkcji AI Overview w samym Google, która coraz częściej eliminuje potrzebę przeglądania dalszych wyników. Ruch z wyszukiwarek systematycznie spada, a wzrost popularności narzędzi generatywnej AI tylko przyspiesza ten trend.

Ramy Information Search Marketing (ISM)

Ponieważ branży brakowało wspólnego języka do opisania tej zmiany, autorzy proponują ramy pojęciowe Information Search Marketing (ISM), obejmujące cztery filary: klasyczne SEO (optymalizacja pod wyszukiwarki) i SEM (płatne wyszukiwanie), a obok nich nowe GEO – generative engine optimization, czyli dostosowywanie treści tak, by pojawiały się w odpowiedziach generowanych przez AI, oraz GEM – generative engine marketing, czyli reklamy towarzyszące tym odpowiedziom. GEO ma się do GEM tak, jak SEO do SEM, a ISM jest pojęciem nadrzędnym spinającym oba światy.

Autorzy formułują pięć zasad sukcesu w tym nowym środowisku, określanych jako model 5A:

Autorytet (Authority). O ile tradycyjne wyszukiwanie premiuje głównie liczbę linków przychodzących i wskaźniki jakości domeny, o tyle platformy AI stawiają na wysokiej jakości cytowania i opinie eksperckie, gdzie jakość wyraźnie góruje nad ilością.

Odpowiedzi (Answers). Klasyczne wyszukiwarki serwują listy stron do przejrzenia, podczas gdy AI dąży do jednej, precyzyjnej odpowiedzi (np. wskazania jednej konkretnej firmy), więc treści w formacie pytań i odpowiedzi (FAQ) oraz zgodność semantyczna zyskują na znaczeniu bardziej niż dokładne dopasowanie słów kluczowych.

Struktura danych (Arrangement). W SEO obowiązywała zasada „mniej znaczy więcej” i unikanie powtórzeń, w GEO odwrotnie: modele AI preferują kompletne, rozbudowane, uporządkowane treści, nawet jeśli częściowo się powtarzają.

Atrybucja (Attribution). Kliknięcia przestają być wiarygodną miarą skuteczności, a analityka atrybucji dla GEO i GEM jest wciąż w powijakach, co wymusza budowanie zupełnie nowych modeli pomiarowych.

Podejście agnostyczne (Agnostic alignment). Ponieważ liczba konkurujących platform AI stale rośnie, a lider rynku jeszcze się nie wyłonił, firmy nie powinny wiązać się z jednym narzędziem, lecz stale testować i obserwować cały ekosystem.

Dla porównania skali: Google wciąż odpowiada za około 90% tradycyjnego rynku wyszukiwania, natomiast w segmencie AI ChatGPT ma obecnie blisko 60% udziału, a tuż za nim plasują się Microsoft Copilot, Perplexity, Google Gemini, Claude i Grok – choć sytuacja pozostaje wyjątkowo dynamiczna.

Trzy konkretne kroki dla firm

Autorzy rekomendują trzy działania. Po pierwsze, realokację budżetów i zasobów w stronę ISM – biorąc pod uwagę, że cała branża wyszukiwania generuje rocznie około 350 miliardów dolarów przychodu, skala tej realokacji może być ogromna. Po drugie, dobór odpowiednich ludzi i partnerów – zespołów lub agencji, które rozumieją całą domenę ISM, a nie tylko jej klasyczną, dobrze poznaną część. Po trzecie, inwestycję w pomiar i atrybucję: wdrożenie warstwy analitycznej GEO monitorującej obecność marki w cytowaniach AI i udział w odpowiedziach na zdefiniowany zestaw zapytań, wykorzystanie narzędzi first-party (np. Google Analytics 4) do analizy sesji pochodzących z AI oraz konsekwentne stosowanie parametrów UTM, a docelowo – modeli atrybucji triangulujących sygnały GEO z wyszukiwaniami brandowymi i ruchem bezpośrednim, wspartych testami quasi-eksperymentalnymi.

Co istotne, ta zmiana bywa równie korzystna dla małych graczy, co groźna dla dużych. Marki, które od lat budowały pozycję dzięki skali budżetu reklamowego, mogą stracić przewagę na rzecz mniejszych, bardziej zwinnych firm, które lepiej rozumieją nową logikę „bycia cytowanym”, a nie „bycia klikanym”.

4. Kogo słuchać przy ekspansji na nowe rynki

Czwarty wątek dotyczy pytania pozornie niezwiązanego z samą technologią AI, ale kluczowego dla całościowego zrozumienia, jak zmienia się podejście do klienta: od kogo firma powinna uczyć się w pierwszej kolejności, wchodząc na nowy rynek. Nataliya Langburd Wright z Columbia Business School, na podstawie danych dotyczących ponad tysiąca technologicznych startupów, pokazuje, że wybór pierwszych klientów – tak zwanego przyczółka rynkowego (beachhead market) – jest decyzją znacznie bardziej strategiczną, niż zwykle się zakłada.

Menedżerowie stają przed dylematem: uczyć się od dobrze znanych użytkowników z rynku macierzystego, których łatwiej zrozumieć, czy od razu kierować ofertę do użytkowników z rynku docelowego, którzy lepiej reprezentują przyszłych klientów. Autorka nazywa te dwie przeciwstawne wartości czytelnością (legibility) i transferowalnością (transferability) sygnałów. Znani użytkownicy komunikują się w sposób łatwy do interpretacji – wspólny język, normy kulturowe, kontekst – ale ich preferencje mogą nie mieć żadnego przełożenia na rynek docelowy. Użytkownicy zagraniczni dają sygnały trudniejsze do odczytania, za to znacznie bardziej reprezentatywne dla przyszłego popytu.

Dwa czynniki decydujące o wyborze

Zdaniem autorki wybór właściwej strategii zależy od dwóch zmiennych. Pierwsza to stopień podobieństwa preferencji klientów między rynkami – kategorie o niskiej fragmentacji, jak oprogramowanie SaaS czy narzędzia produktywności, mają zwykle globalną, jednorodną bazę potrzeb, podczas gdy kategorie silnie rozdrobnione, jak nauka języków, żywność czy automatyka przemysłowa, wykazują duże różnice kulturowe. Druga zmienna to homogeniczność rynku macierzystego – im bardziej jednolity językowo i kulturowo jest rynek, na którym firma dobrze się orientuje, tym łatwiej poprawnie odczytać sygnały płynące od lokalnych klientów; na rynkach silnie zróżnicowanych, jak Indie z kilkunastoma dominującymi językami, nawet „dobrze znani” lokalni użytkownicy mogą być trudniejsi do zrozumienia, niż mogłoby się wydawać.

Z połączenia obu wymiarów wynika prosta reguła decyzyjna: wysokie podobieństwo między rynkami plus jednorodny rynek macierzysty przemawia za rozpoczęciem od lokalnych, znanych użytkowników; niskie podobieństwo plus zróżnicowany rynek macierzysty przemawia za natychmiastowym wejściem do użytkowników z rynku docelowego. Autorka ilustruje to przykładami: australijska Canva, działająca w niskofragmentarycznej kategorii narzędzi kreatywnych, z powodzeniem budowała produkt w oparciu o lokalnych, jednorodnych językowo użytkowników, zanim ruszyła z globalną ekspansją. Z kolei ukraińska Grammarly, mimo powstania w Ukrainie, od początku kierowała ofertę do anglojęzycznych studentów i profesjonalistów za granicą – bo branża nauki języka jest silnie rozdrobniona kulturowo, a lokalni użytkownicy dawaliby wprawdzie czytelne, ale słabo transferowalne sygnały.

Wright proponuje czteroetapowy proces decyzyjny: precyzyjne zdefiniowanie rynku docelowego, oszacowanie podobieństwa preferencji między rynkami, ocenę homogeniczności rynku macierzystego oraz połączenie obu wymiarów w konkretną rekomendację. To przypomnienie, że nawet w erze syntetycznych respondentów i AI-moderowanych wywiadów fundamentalne pytanie marketingu pozostaje takie samo: czyich sygnałów słuchać i na ile ufać temu, co mówią pierwsi klienci.

Co łączy te cztery historie

Na pierwszy rzut oka badania rynkowe wspierane przez LLM, redukcja wskaźników CX, optymalizacja pod wyszukiwarki generatywne i wybór przyczółka rynkowego to cztery osobne tematy. Łączy je jednak wspólny mianownik: sztuczna inteligencja nie zastępuje strategicznego myślenia o kliencie – ona podnosi stawkę i przyspiesza tempo, w jakim trzeba je stosować.

Modele językowe drastycznie obniżają koszt i czas pozyskiwania insightów, ale tylko tam, gdzie firma dysponuje dobrze uporządkowanymi, sensownymi danymi wejściowymi – stąd rosnące znaczenie takich praktyk jak redukcja nadmiarowych wskaźników CX i mapowanie ich na realną ścieżkę klienta. Te same modele zmieniają reguły gry w wyszukiwaniu, przenosząc uwagę z „bycia klikniętym” na „bycie cytowanym” przez AI – co wymaga nowych kompetencji i nowych metryk, dopiero powstających. A u samych podstaw wciąż stoi pytanie, które AI nie rozwiąże za menedżera: od jakich klientów w ogóle warto się uczyć, żeby wnioski – ludzkie czy syntetyczne – miały sens na docelowym rynku.

We wszystkich czterech obszarach powtarza się też to samo ostrzeżenie: technologia daje skalę i szybkość, ale odpowiedzialność za jakość, kontekst i interpretację pozostaje po stronie ludzi. Firmy, które to zrozumieją i potraktują AI jako potężnego, lecz nadzorowanego współpracownika – a nie automatycznego zamiennika strategicznego myślenia – zyskają realną przewagę. Te, które potraktują AI jako skrót pozwalający ominąć trudną pracę zrozumienia klienta, ryzykują to samo, co wielka sieć fitness, która ze zdumieniem odkryła, że przegrywa w wynikach wyszukiwania AI z małą firmą z Houston.

Źródła. Artykuł powstał na podstawie czterech tekstów: Neeraj Arora, Ishita Chakraborty, Yohei Nishimura – „Badania rynkowe napędzane AI”; Charles H. Patti, Maria M. van Dessel, Steven W. Hartley – „Inteligentniejsze podejście do pomiaru doświadczeń klienta”; Michael Pettiette, Kimberly A. Whitler – „Czy klienci znajdą dziś twoją markę? Strategie dla wyszukiwania opartego na AI”; Nataliya Langburd Wright – „Najlepsi klienci do analizy podczas ekspansji na nowy rynek”.