Человек, не владеющий навыками программирования, в одиночку курировал весь маркетинг роста Anthropic на протяжении десяти месяцев.

До какой степени искусственный интеллект способен повысить эффективность работы одного человека?

Недавно в социальных сетях появилось сообщение о компании Anthropic, которое набрало огромное количество репостов. Автор публикации Оле Леманн (Ole Lehmann) утверждает, что весь отдел маркетинга роста (growth marketing) компании Anthropic, оценочная стоимость которой достигает 380 млрд долларов, состоял всего из одного человека — маркетолога без технического бэкграунда, который на протяжении почти десяти месяцев в одиночку курировал платный поиск, платное социальное продвижение, оптимизацию в мобильных приложениях (ASO), email-маркетинг и SEO.

Вскоре после публикации в комментариях появились сомнения, но сам автор сообщения довольно быстро всё подтвердил.

Специалист по маркетингу роста по имени Остин Лау (Austin Lau) ответил: во время написания того материала он действительно был единственным, кто занимался развитием, и один держал на себе все процессы почти десять месяцев.

Рис. | Связанный твит (Источник: X)

В конце января этого года Anthropic опубликовала официальный кейс, подробно описывающий методику работы Остина Лау. В тот же период компания выпустила внутренний белый документ «Как команда Anthropic использует Claude Code», в котором представлены примеры использования из десяти подразделений — от инфраструктуры данных до юридического департамента, включая направление маркетинга роста.

В документе говорится, что отдел маркетинга роста специализируется на каналах платного поиска, платного социального контента, магазинов мобильных приложений, email-маркетинга и SEO; это «нетехническая команда из одного человека», которая опирается на Claude Code для автоматизации рутинных маркетинговых задач и построения рабочих процессов, которые раньше требовали значительных инженерных ресурсов.

(Источник: Anthropic)

Остин Лау не является инженером. В официальном видеокейсе от Anthropic он признавался, что «ни разу не писал ни строчки кода»: когда только начинал осваивать Claude Code, ему даже приходилось гуглить, «как открыть терминал на Mac». Когда инструмент только вышел, его первой мыслью была полная непонятка «для кого вообще предназначен этот продукт» — как специалисту по маркетингу, он не сразу понял практическую ценность для себя.

Поворотный момент наступил, когда в корпоративном Slack-канале коллега поделился инструкцией по установке Claude Code для нетехнических сотрудников.

Из любопытства Остин установил его, и уже через неделю создал два автоматизированных процесса, полностью изменивших его рабочий подход.

Первый — плагин для Figma. Для запуска платных рекламных кампний в социальных сетях и продвижения в магазинах приложений необходимо обрабатывать в Figma огромное количество визуальных материалов. Раньше процесс выглядел так: чтобы подготовить несколько вариантов текста для одного и того же макета, ему приходилось вручную копировать элементы из Figma, постоянно переключаться между Google Docs и Figma и построчно копировать заголовки. Если нужно было адаптировать 10 вариантов текста под 5 разных пропорций кадров, такая монотонная работа спокойно отнимала半小时 (половину часа).

Рис. | Остин Лау (Источник: Anthropic)

Он описал эту проблему Claude Code естественным языком и попросил помочь написать плагин для Figma. В процессе работы он давал системе инструкции обращаться к официальной документации по API Figma, параллельно изучая материал и создавая прототип. Первая версия сгенерированного прототипа не отличалась совершенством, но её хватало для старта. На этой основе он проводил непрерывную отладку и в итоге создал рабочий инструмент.

(Источник: Anthropic)

Принцип работы плагина таков: при выделении статичного кадра изображения он автоматически распознаёт такие компоненты, как заголовок, кнопка призыва к действию, блоки кода и прочее, а затем из заранее подготовленного словаря фраз массово генерирует отдельные кадры в Figma, где каждому варианту соответствует свой текст. За одну пакетную обработку можно создать до 100 рекламных вариантов, причём каждая порция обрабатывается примерно за полсекунды. То, что раньше занимало 30 минут ручной работы, теперь сократилось до 30 секунд.

Второй процесс касался генерации текстов для рекламы в Google Ads. В адаптивных поисковых объявлениях (RSA) Google Ads существуют строгие лимиты символов: для заголовков максимум 30 символов, для описаний — 90. Раньше ему приходилось черновик писать в таблицах Google, вручную считать количество знаков, а затем переносить данные построчно в интерфейс Google Ads.

Остин создал в Claude Code пользовательскую slash-команду «/rsa». После её вызова система запросит параметры кампании, существующие тексты объявлений и ключевые слова, после чего сопоставит их с заранее настроенными «навыками агента» (Agent Skills), включающими тональность бренда Anthropic, стандарты точности описания продукта и лучшие практики для RSA в Google Ads.

Архитектура использует двух строго специализированных субагентов (sub-agent): один отвечает исключительно за заголовки, другой — за описания. Каждый работает в рамках собственных ограничений по символам, что обеспечивает значительно более высокое качество результата по сравнению с попыткой уместить обе задачи в один промпт.

В итоге Claude Code упаковывает 15 заголовков и 4 описания в CSV-файл, готовый к прямой загрузке в Google Ads. Остин подчёркивает, что сгенерированные тексты — лишь отправная точка. Он проверяет каждый вариант на предмет: корректно ли передано ценностное предложение? Соответствует ли тон обращения? Есть ли отличия от конкурентов? Тем не менее, рутинные процессы черновой генерации и форматирования текста были полностью автоматизированы.

Эффективность этих двух процессов возросла колоссально, но система Остина на этом не заканчивается. Он также развернул сервер на базе протокола Model Context Protocol (MCP), подключённый к API Meta Ads.

Благодаря этой интеграции он может напрямую в десктопном приложении Claude запрашивать метрики эффективности кампаний, финансовые данные и показатели конкретных объявлений, не открывая админ-панель Meta Ads. Вопросы вида «какие объявления показали наивысшую конверсию на этой неделе» или «где я потратил бюджет впустую» задаются напрямую Claude, и система выдаёт ответы на основе актуальной аналитики.

Что ещё важнее, выстроен замкнутый цикл обратной связи. Остин внедрил систему памяти, фиксирующую гипотезы и результаты экспериментов в каждой итерации рекламных кампаний. При запуске новой партии генерации вариантов Claude автоматически подтягивает данные всех предыдущих тестов, анализируя, какие тексты сработали хорошо, а какие нет, что позволяет строить следующий раунд на основе исторических данных. Эта система становится эффективнее с каждым циклом. Подобное систематическое отслеживание экспериментов по сотням объявлений в традиционных структурах обычно требует выделения отдельного дата-аналитика.

Согласно.white паперу Anthropic, результаты данной методологии таковы: создание рекламных текстов сократилось с 2 часов до 15 минут, объём выпускаемых креативов увеличился в 10 раз, а охват каналов и количество тестируемых им рекламных вариантов превосходят показатели большинства полноценных маркетинговых команд.

В том же документе маркетинг роста приводится лишь как один из десяти примеров. Команда инфраструктуры данных использует Claude Code для отладки сбоев в кластерах Kubernetes, самостоятельно решая за считанные минуты проблемы, ранее требовавшие привлечения специалистов по сетям; специалисты подразделения inference, не имеющие профильного опыта в машинном обучении, применяют инструмент для разбора функций и гиперпараметров моделей, сокращая время изучения документации с часа до 10–20 минут; отдел продуктового дизайна напрямую правит фронтенд-код через Claude Code, благодаря чему инженеры отмечают у дизайнеров «крупномасштабные изменения управления состоянием, которых обычно от них не ожидают»; коллеги из юридического департамента за час собрали приложение для предиктивного набора текста для членов семьи с речевыми особенностями, хотя ранее вообще не имели никакого опыта программирования.

Методы применения техническими и нетехническими сотрудниками различаются, но вывод единогласен: Claude Code стирает границу между тем, «что возможно сделать», и тем, «что невозможно», причём раньше эта грань определялась практически исключительно техническими компетенциями.

Сам Остин Лау резюмирует свой опыт так: «Расстояние между „мне бы хотелось, чтобы это существовало“ и „я могу построить это своими руками“ гораздо короче, чем большинство людей предполагает».

Разумеется, важно отметить: маркетинг роста (growth marketing) не тождественен всему спектру GTM (go-to-market). В Anthropic действует полноценный департамент брендинга, продуктового маркетинга и PR; Остин Лау курирует исключительно performance-каналы — платную рекламу, ASO, SEO и прочие измеримые площадки.

Например, в феврале этого года Anthropic закупала телеэфиры в Super Bowl для ТВ-роликов — очевидно, такой масштаб невозможно реализовать силами одного человека. Тексты и бренд-активы, лежащие в основе его рабочих процессов, изначально создавались совместно отделом продуктового маркетинга и копирайтинга, а Claude применялся для генерации вариаций и масштабного A/B-тестирования.

Недавно Остин Лау добавил деталей в своём профиле LinkedIn. Он указал, что широко разошедшаяся статья описывает период второго квартала 2025 года, когда он выступал в роли единственного специалиста по маркетингу роста, — с тех пор прошло уже почти восемь месяцев. Штат команды действительно расширился, хотя её численность по-прежнему значительно меньше ожиданий внешнего рынка. По словам Остина, «наша боеспособность многократно превышает формальную численность коллектива».

И всё же сигнал звучит очень громко. Компании с постденацинной оценкой в 380 млрд долларов США и годовой выручкой в 14 млрд долларов, на этапе наиболее интенсивного роста, доверила маркетологу, никогда не писавшему код, самостоятельное управление ключевыми каналами развития на протяжении десяти месяцев, и результаты оказались вполне успешными. Этого явно достаточно, чтобы понять: потенциал ИИ по кратному усилению возможностей специалистов интеллектуального труда значительно выше, чем предполагают нынешние организационные модели и корпоративные慣ции найма.

Главный вопрос остаётся открытым: насколько широко данную модель удастся тиражировать. Маркетинг роста отличается высокой степенью цифровизации, стандартизацией процессов и дружественностью к API, что изначально делает его крайне удобным объектом для автоматизации. В сферах, где требуется больше человеческого суждения или творческой интуиции, расстановка сил может выглядеть совершенно иначе.

В завершение главы о маркетинге роста белый документ Anthropic предлагает три рекомендации: искать повторяющиеся рабочие процессы с доступом к API для автоматизации; разбивать сложные системы на множество узкоспециализированных субагентов, а не пытаться уместить всё в единый промпт; прежде чем переходить к написанию кода, сначала детально спроектировать всю архитектуру процесса непосредственно в интерфейсе Claude. По сути, эти советы указывают на то, что главным ограничителем эффективности часто выступают не технические навыки, а готовность инвестировать время в чёткую декомпозицию собственных рабочих процессов и передачу машинам тех сегментов, которые поддаются алгоритмизации.