Marketing Engineer: The $1M Job with AI Agents

O czym jest ten film

Autor stawia tezę, że w ciągu najbliższych 18–24 miesięcy jedną z najcenniejszych ról w branży technologicznej stanie się „marketing engineer” — osoba wykonująca pracę całego działu marketingu przy pomocy agentów AI.
Pokazuje ciąg ewolucyjny marketingu: era tradycyjna (Don Draper) → marketing cyfrowy → growth hacking → marketing engineering.
Definiuje rolę jednym zdaniem: to człowiek, który zamienia sygnał z rynku w pipeline, używając agentów AI, danych, kodu i smaku.
Pierwszą rzeczą do zbudowania jest „growth repo” (folder lub repozytorium GitHub o nazwie np. growth OS) — miejsce, w którym mieszka marketingowa pamięć firmy.
Opisuje strukturę tego repozytorium: prawda o kliencie, silnik treści, silnik outboundu, testowanie kreacji, definicje agentów.
Omawia stos narzędziowy: Grokbot blisko internetu, Claude i Codex do budowania, workflow w stylu Hermesa do operacji cyklicznych, modele kreatywne do reklam, lokalne AI do danych wrażliwych.
Każdy agent dostaje „job spec” pisany jak ogłoszenie o pracę: źródło danych, harmonogram, filtry, oczekiwany output, punkt akceptacji przez człowieka, metryka.
Na przykładzie vertical SaaS dla wykonawców HVAC przechodzi przez sześć systemów: prawda o kliencie, silnik treści foundera, outbound sygnałowy, testowanie kreacji, widoczność w wyszukiwarkach AI, growth cockpit.
Cztery ścieżki zarobkowe: bycie tą osobą wewnątrz firmy, konsulting, usługi sproduktyzowane, wreszcie oprogramowanie.
Konkretny 30-dniowy plan nauki: tydzień audytu, tydzień repozytorium, tydzień pierwszej maszyny, tydzień wyników i case study.

Redakcyjne tłumaczenie

Nowa rola, która dopiero szuka nazwy

Myślę, że jedną z najcenniejszych osób w branży technologicznej w ciągu najbliższych 18–24 miesięcy będzie ktoś, kogo nazywam marketing engineerem. Niektórzy mówią na to „forward deployed marketer”, inni „AI growth operator”. Nazwijcie to, jak chcecie — nazwa pewnie się jeszcze zmieni, ale sama praca nie. To osoba, która przy pomocy agentów AI wykonuje robotę całego działu marketingu.

(Informacja dodatkowa: określenie „forward deployed” pochodzi z Palantiru, gdzie inżynierowie pracują osadzeni bezpośrednio u klienta i budują rozwiązania na miejscu, zamiast tworzyć uniwersalny produkt z dystansu).

Uważam, że da się na tym zarobić naprawdę duże pieniądze. Sądzę, że to stanie się pracą za 250 tysięcy, 500 tysięcy, a nawet milion dolarów rocznie — bo każda firma chce więcej leadów, szybszych eksperymentów, ostrzejszego pozycjonowania i lepszego rozeznania w tym, co myślą jej klienci. Chce, żeby marketing mądrzał z tygodnia na tydzień, i to przy mniejszym, a nie większym zespole. Kto potrafi wejść i po prostu to zbudować przy pomocy agentów AI, będzie mógł sam dyktować stawkę.

Jeśli jesteś marketerem — tak stajesz się dużo bardziej wartościowy. Jeśli jesteś founderem, sam to wiesz: nie chodzi o to, żeby coś sobie „vibe-code’ować”, tylko o to, żeby ludzie faktycznie używali twojego produktu. Będziesz miał ogromną przewagę, jeśli potrafisz zaprząc agentów AI do własnego marketingu.

Pod koniec tego odcinka będziesz wiedzieć, czym marketing engineer właściwie się zajmuje, co buduje, jak wygląda jego stos narzędziowy — jak Grokbot, Claude, Codex, Hermes i modele kreatywne grają razem w kontekście tej roli — oraz jaki dokładnie 30-dniowy plan sam bym zrealizował, żeby nauczyć się tego od zera.

Cztery epoki marketingu

Nie mogę przestać myśleć o tym, że marketing wciąż się zmienia. Brałem udział w kilku cyklach: założyłem i sprzedałem trzy firmy finansowane przez VC — jedną w erze webu, jedną w erze społecznościowej, jedną w erze mobile. Za każdym razem, gdy zmienia się technologia, zmienia się też to, jaki typ marketera jest najcenniejszy.

Weźmy erę tradycyjną. Myślę o niej jak o epoce Dona Drapera: marketing polegał na tym, żeby ludzi obchodziło — poprzez historię, psychologię, poprzez wystawienie produktu przed oczy odbiorcy na kanałach, które wtedy istniały, czyli w prasie i radiu. Najlepsi marketerzy tamtych czasów rozumieli, czego ludzie pragną, czego się wstydzą, kim próbują się stać i jak opakować produkt, żeby rynek zwrócił uwagę. Ta umiejętność wciąż ma ogromne znaczenie.

(Informacja dodatkowa: Don Draper to główny bohater serialu „Mad Men”, dyrektor kreatywny nowojorskiej agencji reklamowej lat sześćdziesiątych — symbol marketingu opartego na intuicji i wielkiej narracji).

Potem pojawił się internet i stworzył marketera cyfrowego. Nagle były strony WWW, e-mail, SEO, Google. W 2005, może 2006 roku doszły reklamy na Facebooku, landing page’e, piksele. Najlepszym marketerem stał się ten, kto potrafił pozyskiwać klientów przez kanały, które dawało się faktycznie zmierzyć — a wielu ludzi w ogóle nie wiedziało, że te kanały są nowe. Najlepsi rozumieli lejki, targetowanie, analitykę w rodzaju Google Analytics i bardzo praktyczne pytanie: co się dzieje po tym, jak ktoś kliknie.

Potem oprogramowanie stworzyło pętle i przyszła era growth hackingu — jeśli dobrze pamiętam, około 2008–2011 roku. Najlepsi growth hackerzy zajmowali się aktywacją, poleceniami, onboardingiem, retencją, cennikiem. Był taki człowiek, Dave McClure, który stworzył framework oparty na aktywacji i referralach — to był symbol tamtej epoki. Marketing przesunął się bliżej produktu, bo sam produkt mógł stać się silnikiem wzrostu.

(Informacja dodatkowa: chodzi o framework AARRR Dave’a McClure’a — Acquisition, Activation, Retention, Referral, Revenue — nazywany „pirate metrics”).

A teraz wchodzimy w erę marketing engineeringu. Mam wrażenie, że niewiele osób o tym mówi — dlatego chcę, żeby ten odcinek był tym domyślnym materiałem o całej tej epoce.

Czym różni się marketing engineer

Marketing engineer nadal potrzebuje wszystkich starych rzeczy: rozumienia klienta, osądu, pozycjonowania, znajomości dystrybucji, smaku. Jeśli już, to smak liczy się teraz bardziej niż kiedykolwiek — bo AI właśnie sprawia, że przeciętny marketing staje się niewiarygodnie tani.

Nowe jest to, że marketing engineer buduje też system stojący za marketingiem. Podłącza dane o klientach, czyta wyniki, wypuszcza małe landing page’e i kalkulatory, a surowy sygnał od klienta zamienia w treści, outbound, pozycjonowanie i pomysły produktowe.

Podsumowując: marketing tradycyjny polegał na tym, żeby ludziom zależało. Marketing cyfrowy — na pozyskiwaniu klientów przez mierzalne nowe kanały. Growth hacking — na budowaniu pętli z produktu i danych. A marketing engineering polega na używaniu AI, agentów, danych, kodu i smaku do zbudowania systemu marketingowego, który się uczy. To ostatnie sformułowanie jest kluczowe: system marketingowy, który nieustannie się uczy, dopiero w erze agentowej stał się faktycznie możliwy.

Większość firm ma już porozrzucane kawałki tego wszystkiego — narzędzia, dashboardy, nagrania rozmów, treści, kalendarze, CRM, jakieś SaaS-y. Problem w tym, że uczenie się jest rozproszone. Sprzedaż słyszy jedną wersję rynku, support drugą, produkt widzi dane o użyciu, marketing widzi kliknięcia, a founder pamięta tę jedną rozmowę z klientem, która w danym tygodniu uderzyła go emocjonalnie i której nie może wyrzucić z głowy — mnie samemu to się zdarza. Potem wszyscy przychodzą na spotkanie o wzroście, każdy z lekko inną wersją rzeczywistości.

Cała praca marketing engineera polega właśnie na tym, żeby ściągnąć te sygnały do jednego systemu i zamienić je we wzrost. Moja definicja tej roli brzmi tak: marketing engineer to osoba, która zamienia sygnał rynkowy w pipeline, używając agentów AI, danych, kodu i smaku.

Gdybym był teraz founderem, pytałbym sam siebie: kto w moim zespole buduje system wzrostu dla tej firmy? Sam jestem founderem, więc często robię to osobiście. Mam nadzieję, że jeśli słucha mnie founder, to albo kogoś na to zatrudni, albo zrobi to sam. Firmy, które wygrają w erze agentowej, będą uczyć się rynku szybciej niż ktokolwiek inny. Jeśli dostrzegasz ból klienta wcześniej, wyłapujesz zwycięski język wcześniej, testujesz więcej kątów w reklamach na Facebooku, wypuszczasz więcej powierzchni i lead magnetów i rozumiesz, co działa, zanim konkurencja w ogóle to zauważy — masz nieuczciwą przewagę.

Pierwsza rzecz do zbudowania: growth repo

Często dostaję pytanie: dobra, ale co mam zbudować jako pierwsze? Odpowiedź brzmi: growth repo. Wiem, brzmi trochę nerdowsko, ale wierzę, że da się to zrobić nawet bez technicznego zaplecza.

Zakładasz repozytorium na GitHubie — albo po prostu uporządkowany folder. Możesz nazwać go growth OS. To będzie miejsce, w którym mieszka marketingowa pamięć firmy.

Problem, który to rozwiązuje, jest taki: większość ludzi używa AI w przypadkowych czatach. Otwierają ChatGPT, Claude’a albo Gemini, proszą o dziesięć postów, może jeden skopiują do dokumentu — i praca znika. W przyszłym tygodniu AI zaczyna od zera, choć tak naprawdę potrzebowało danych o skuteczności, głosu foundera, obiekcji z rozmów sprzedażowych i języka, który realnie generował odpowiedzi.

Growth repo to naprawia. W środku będziesz mieć:

Folder „prawda o kliencie” — notatki z rozmów sprzedażowych, zgłoszenia z supportu, notatki o churnie, wywiady, a nawet bieżący feedback produktowy.
Folder silnika treści — przewodnik po głosie foundera, zwycięskie hooki, skrypty, notatki o tym, co wcześniej działało.
Folder silnika outboundu — ICP (profil idealnego klienta), research o kontach, zdarzenia wyzwalające, zaakceptowane kąty komunikacji, a także lista języka zakazanego. To ostatnie jest ważne, bo outbound generowany przez AI szybko robi się dziwny. Jeśli pozwolisz mu mówić jak przesadnie podekscytowany handlowiec, który właśnie odkrył personalizację, mogą się dziać złe rzeczy.
Folder testowania kreacji — kąty reklamowe, testy landing page’y, hooki, oferty, wyniki.
Folder agentów — tu definiujesz zadania, które wykonują twoi pracownicy AI.

To repozytorium to różnica między „AI pomogło mi zrobić jedną rzecz” a „AI sprawia, że cała firma robi się mądrzejsza”. I wtedy prompty stają się znacznie lepsze. Zamiast „napisz mi dziesięć postów na LinkedIna” piszesz: przeczytaj plik z prawdą o kliencie, przeczytaj plik z głosem foundera, przeczytaj ostatnich pięć postów, które wygenerowały kwalifikowane odpowiedzi, i zaproponuj pięć nowych postów wokół bólów, o których kupujący faktycznie mówili w tym tygodniu. To zupełnie inny poziom outputu, bo agent ma prawdziwy kontekst.

Stos narzędziowy

Grokbot jest nowy, ale to po prostu świetny produkt. Myślę o nim jak o systemie operacyjnym wzrostu, który żyje blisko internetu. Marketing to żywy system: konkurencja się rusza, kultura się zmienia, klienci zmieniają język, twórcy podchwytują nowe formaty. Grokbot jest w tym świecie szczególnie użyteczny, bo jest połączony z ekosystemem X.

Gdybym ustawiał to jako founder, dałbym mu kilka wyraźnych torów: jeden bot obserwuje konkurencję i mówi mi, co się zmieniło; drugi śledzi język klientów na X i Reddicie; trzeci pilnuje twórców w niszy i znajduje formaty warte przetestowania; czwarty obserwuje reklamy i landing page’e. Wszędzie tam, gdzie potrzebne jest połączenie z internetem, Grokbot będzie wyjątkowo dobry. Nie znaczy to, że nie można robić w nim wszystkiego — spokojnie można. Należę do ludzi, którzy mówią: wybierz ekosystem, który ci pasuje i w którym czujesz się komfortowo. Jeśli dobrze ci się pracuje w Grokbocie, rób tam wszystko. To po prostu mój sposób myślenia — mam nadzieję, że pobudzi twoją kreatywność.

Claude’a, Codexa i podobne produkty używam w innej części systemu. One pomagają mi zbudować repozytorium, wygenerować landing page’e, pisać skrypty, budować te małe wewnętrzne narzędzia, o których mówiłem — czyli zamienić powtarzalną pracę w coś trwałego.

Mówiłem już na tym kanale o Hermesie. Workflow w tym stylu wciąż są niezwykle wartościowe, zwłaszcza gdy chcesz operacji uruchamianych według harmonogramu, z pamięcią i akceptacją. Na przykład: w każdy poniedziałek rano zbuduj mi brief rynkowy. W każdy piątek po południu przejrzyj eksperymenty. Za każdym razem, gdy wpadnie świeża partia rozmów sprzedażowych — wrzuconych do folderu — wyciągnij obiekcje i zaktualizuj plik z pozycjonowaniem.

Dalej są modele kreatywne. One pomogą ci szybciej ruszać z reklamami, miniaturami, mockupami i koncepcjami wideo. Jest ich sporo — Fal AI, Higgsfield i wiele innych.

Lokalne AI ma znaczenie wtedy, gdy dane są szczególnie wrażliwe: prywatne transkrypcje klientów, notatki objęte regulacjami, plany cenowe — w zasadzie wszystko, co firmie dziwnie byłoby wysyłać do narzędzia chmurowego. Albo rzeczy zbyt drogie, żeby przepuszczać je przez chmurę. Zrobię o lokalnym AI osobny odcinek w ciągu najbliższego tygodnia lub dwóch, więc subskrybuj, żeby wpadł ci do feedu.

Narzędzia będą się ciągle zmieniać, ale to workflow jest tym, czego naprawdę warto się nauczyć.

Kiedy agent dotyka prawdziwych danych biznesowych

Naprawdę ciekawie robi się wtedy, gdy agent łączy się z żywymi danymi firmy i z narzędziami, które faktycznie wykonują pracę.

Weźmy treści SEO. Wersja dla początkujących to poprosić AI o wpis blogowy na dane słowo kluczowe. Marketing engineer tego nie zrobi. Marketing engineer sprawdzi Google Search Console, wyciągnie dane o słowach kluczowych z Ahrefs albo SEMrush, zajrzy do CMS-a, żeby sprawdzić, czy taki materiał już nie istnieje, uszereguje szanse według wolumenu i intencji zakupowej, zbada, co już się pozycjonuje, dołoży punkt widzenia foundera, napisze draft, ułoży metatytuł, zaproponuje linkowanie wewnętrzne i wyśle całość do akceptacji.

To spory przeskok, ale zasada jest prosta: agent ma zadanie, zadanie ma wejścia, wejścia pochodzą z biznesu, a wynik trafia w miejsce, w którym jest do czegoś potrzebny.

Każdy agent potrzebuje więc prawdziwego opisu stanowiska. Pisałbym go tak, jakbym zatrudniał człowieka: oto źródło danych, oto kiedy się uruchamiasz, oto co odfiltrowujesz, oto jakiego wyniku oczekuję, oto jak wygląda dobra robota, oto co wymaga akceptacji człowieka, oto metryka, która się liczy, i oto gdzie zapisujesz rezultat, żeby system był następnym razem mądrzejszy.

Przykład — agent zaczepiający kontakty u konkurencji: każdego dnia roboczego rano sprawdź te dwadzieścia kont na LinkedInie, wyciągnij osoby, które skomentowały nowe posty, wzbogać ich dane, odrzuć leady niepasujące do profilu i przygotuj dziesięć wiadomości powiązanych z konkretnym postem, przy którym się udzielili. No i oczywiście zapisz wyniki do pliku do akceptacji. Metryką będą pozytywne odpowiedzi od kwalifikowanych kont — bo marketing engineera interesują wyniki biznesowe, a nie liczba wykonanych czynności. Liczba wysłanych wiadomości to aktywność; kwalifikowane odpowiedzi to sygnał. Celem całości jest generowanie pipeline’u i popytu.

Tych agentów trenuje się dokładnie tak, jak nowego pracownika. Zaczynasz od małych zadań, patrzysz, jak pracuje, poprawiasz błędy, dopisujesz poprawkę do pamięci — bo pamięć już mamy — a potem rozszerzasz zakres, w miarę jak rośnie twój komfort. Jeśli agent outboundowy pisze pierwsze zdanie, które brzmi sztucznie, dopisujesz regułę do repozytorium. Jeśli agent od treści ciągle produkuje generyczne wstępy brzmiące jak typowe AI, dajesz mu trzy dobre przykłady i trzy złe. Jeśli agent od prawdy o kliencie stawia tezę bez dowodu — to jest problem, więc dopisujesz regułę: każdy insight musi mieć cytat, link albo źródło.

Każda poprawka staje się częścią tego systemu operacyjnego. I dlatego całość się kumuluje. A wracając do pytania, jak marketing engineer zarabia milion, pół miliona albo półtora miliona rocznie dla własnego startupu — to właśnie dlatego, że buduje coś tak cholernie wartościowego.

Konkretny przykład: vertical SaaS dla branży HVAC

Wyobraź sobie startup sprzedający oprogramowanie firmom wykonawczym z branży HVAC — takim, które zarządzają technikami, zgłoszeniami serwisowymi, umowami utrzymaniowymi i dyspozytorką. To realny rynek B2B: kupujący ma sporo pieniędzy, procesy są pogmatwane, a język bardzo specyficzny. Dlatego wziąłem ten przykład.

(Informacja dodatkowa: HVAC to skrót od heating, ventilation, air conditioning — ogrzewanie, wentylacja i klimatyzacja; w Polsce odpowiednikiem są firmy instalacyjno-serwisowe z branży HVAC).

Problem marketingowy takiej firmy jest zwykle ostrzejszy niż „potrzebujemy więcej treści”. Realne pytanie brzmi: który ból skłania właściciela firmy do umówienia dema? Może chaos w dyspozytorce? Może spóźnione faktury? Może to, że właściciel do końca miesiąca nie wie, które zlecenia były rentowne? A może to, że technik kończy zlecenie serwisowe, dostrzega okazję do wymiany urządzenia — i oferta na tę wymianę nigdy nie zostaje wysłana? To ostatnie jest ciekawe właśnie dlatego, że jest bardzo konkretne. Kiedy coś jest tak konkretne, nadstawiam uszu. „Przestań tracić przychód z wymian po każdym zleceniu serwisowym” to znacznie ostrzejszy kąt niż „prowadź lepiej swoją firmę HVAC”.

I tutaj marketing engineer zarabia na swoje utrzymanie.

System pierwszy: prawda o kliencie

Każdy startup twierdzi, że rozumie klienta — a rozmawiasz z pięcioma osobami i dostajesz pięć różnych odpowiedzi. Marketing engineer ściąga te sygnały w jedno miejsce. Wynikiem jest plik co mówi nam rynek.md. Napisałem o tym pomyśle na Twitterze i tweet stał się wiralem — cieszę się, że ludziom się spodobał.

To po prostu plik markdown, który aktualizuje się codziennie rano albo raz w tygodniu, zależnie od tego, ile sygnału firma generuje. Czyta rozmowy sprzedażowe, zgłoszenia z supportu, notatki o churnie, ruchy w Stripe, notatki z CRM-u, a także dane społecznościowe — zwłaszcza w produktach konsumenckich. Jego jedyne zadanie to pokazać, co się zmieniło. Może kupujący używają innego zwrotu niż miesiąc temu. Może użytkownicy triali zawsze utykają, zanim zaproszą kolegę z zespołu.

Każesz agentowi pokazywać fragmenty cytatów, linki do zgłoszeń, liczby zdarzeń. Czego na pewno nie chcesz, to ogólnikowego streszczenia — a widziałem, że wielu ludzi na tym poprzestaje. W tym przypadku dostałbyś coś w rodzaju „klienci chcą lepszej współpracy”. To za mało. Chcę czegoś, co utrudni firmie okłamywanie samej siebie. Dla firmy z branży HVAC dobre memo brzmiałoby raczej tak: „pięć rozmów sprzedażowych w tym tygodniu dotyczyło awaryjnej dyspozytorki, ale wszystkie rozmowy, które faktycznie skonwertowały, dotyczyły niewysłanych ofert po wyjściu technika”. To jest znacznie ostrzejsze.

System drugi: silnik treści foundera

Wiele firm ma świetny surowiec: founder ma opinie, są historie klientów. Tylko nikt tego nie zbiera. Marketing engineer może zbudować taką pętlę: nagrywasz foundera rozmawiającego z klientami, wyciągasz materiał z podcastów, ekstrahujesz najmocniejsze idee, a potem system obserwuje, co się sprawdza — które hooki ludzie oglądają do końca, bo masz przecież te dane. I z tego tworzysz treści.

Dla firmy HVAC insight o traconym przychodzie z wymian mógłby stać się: pięcioma postami foundera o ukrytym wycieku przychodu w firmach serwisowych, krótkim wideo o tym, dlaczego wykonawcy tracą pieniądze po pierwszej wizycie, linią na landing page’u w stylu „każde zakończone zlecenie powinno tworzyć kolejną ofertę”, kątem do zimnego maila oraz prostym kalkulatorem szacującym utracony przychód.

System trzeci: outbound sygnałowy

Zły outbound zwykle zaczyna się od arkusza pełnego nazwisk. Dobry outbound zaczyna się od momentu. Kto właśnie zebrał rundę finansowania? Kto rekrutuje na stanowisko dotyczące dokładnie tego problemu, który rozwiązujesz? Kto napisał publicznie o swoim bólu? Kto pasuje do ICP i ma realny powód, żeby przejmować się tym akurat w tym tygodniu? Ci ludzie mają ból — a ty sprzedajesz środek przeciwbólowy, nie witaminę, kiedy trafiasz w moment, gdy naprawdę boli.

Agent, który obserwuje takie sygnały, bada konta, przygotowuje konkretne kąty i wysyła je człowiekowi do akceptacji — to byłoby dla firmy HVAC świetne rozwiązanie. Wypatrujesz wykonawców, którzy rekrutują dyspozytorów, otwierają nowe lokalizacje albo zbierają złe recenzje, i wtedy agent rusza z outboundem.

System czwarty: testowanie kreacji

Bierzesz jedną ofertę i rozpisujesz z niej dwadzieścia hooków, dziesięć kątów reklamowych, testujesz je i zapisujesz wyniki. Wielu ludzi mówi: „reklamy na Facebooku u mnie nie działają”. No, może. A może po prostu nie testujesz wystarczająco dużo kreacji z właściwym kątem. Dobry marketing engineer może wygenerować tysiące kreacji opartych na twoim pozycjonowaniu. Kreacja staje się systemem, który się uczy, a nie bieżnią, na której musisz sam biec. Ustawiasz to w pętli: agenci tworzą kreacje na podstawie tego, jak zmienia się świat i jak zmieniają się dane.

System piąty: widoczność w wyszukiwarkach AI

Ponad miliard ludzi używa dziś samego ChatGPT — a nie mówię jeszcze o AI Overviews w Google, o Gemini, Perplexity czy Claude’zie. Sam Altman powiedział niedawno, że mają miliard użytkowników. To szaleństwo. Trzeba więc zadać sobie pytanie, czy twoja firma jest w ogóle zrozumiała dla tych systemów, a potem uruchomić agentów, którzy ściągają odpowiednie dane, tworzą treści i optymalizują stronę tak, żebyś był w nich wysoko. Bycie cytowanym przez AI to ogromna szansa i marketing engineer o tym myśli.

System szósty: growth cockpit

To cotygodniowy widok, który mówi zespołowi, co się zmieniło i co z tym zrobić. Które treści zadziałały? Która kampania wygenerowała prawdziwe rozmowy? Która obiekcja znów wróciła? Który test wygrał? Ile testów wygrało i jaki to procent? Co zrobiła konkurencja? Który ból klienta robi się głośniejszy i co przetestować dalej?

Dla firmy HVAC kokpit mógłby powiedzieć: „w tym tygodniu kąt o traconym przychodzie z wymian dał mniej kliknięć niż kąt o dyspozytorce, ale dwa razy więcej próśb o demo od właścicieli firm zatrudniających ponad dwudziestu techników”. To jest memo, do którego jako menedżer chcesz się rano obudzić.

Jak na tym zarabiać

Po pierwsze: bądź tą osobą wewnątrz firmy. Jeśli już jesteś marketerem, człowiekiem od RevOps, od wzrostu, twórcą albo po prostu ciekawą osobą o marketingowym nastawieniu, to jedna z najprostszych dróg, żeby stać się dużo bardziej wartościowym — bo ta praca siedzi bezpośrednio obok przychodu. Wszystkie omawiane systemy służą tworzeniu pipeline’u, podnoszeniu konwersji i cięciu zmarnowanych wydatków. Masz więc bezpośrednie połączenie z wartością biznesową. Tak się właśnie zostaje pracownikiem za 500 tysięcy dolarów: ktoś liczy i mówi „skoro oszczędzę dwa miliony, podniosę przychód o tyle i podwoję konwersję, to jest to sytuacja korzystna dla obu stron”.

Dlaczego mówię, że będą ludzie zarabiający na tym milion? Bo uważam, że to szacunek konserwatywny. Najlepsi marketing engineerowie będą zarabiać miliony rocznie, ponieważ dostarczą absurdalnych ilości wartości — dokładnie tak, jak dziś robią to forward deployed engineers.

Po drugie: konsulting. Tworzysz ofertę, wchodzisz do firmy foundera na 30, 60, 90 dni, budujesz jeden system wzrostu i sprzedajesz efekt. „Zbudujemy wam system prawdy o kliencie i zamienimy go w cotygodniowe kampanie”, „zbudujemy wam silnik treści foundera”, „zbudujemy wam outbound sygnałowy”. Osadzasz się, budujesz i liczysz sobie 5, 10, 30 tysięcy dolarów miesięcznie, zależnie od tego, co faktycznie budujesz.

Po trzecie — i o tym mówi się mniej — usługi sproduktyzowane. Wybierasz jeden klin i go powtarzasz. Na przykład: outbound sygnałowy dla vertical SaaS. Albo silnik treści foundera dla prezesów w B2B. Albo repozytoria prawdy o kliencie dla startupów na etapie seed, zanim zbudują pełny dział marketingu. Im ciaśniejszy klin, tym łatwiej to sprzedać, dostarczyć i powtórzyć. Dlatego nazywa się to usługą sproduktyzowaną: nie robisz każdemu czegoś na zamówienie, tylko robisz tę jedną rzecz dla tej jednej niszy i bierzesz za nią ustaloną kwotę.

Po czwarte: oprogramowanie. Myślę, że największe wyniki przyjdą właśnie stąd, ale zacząłbym od usług. Robisz robotę ręcznie, budujesz ten sam system dla pięciu, dziesięciu firm, zauważasz powtarzający się ból — i dopiero wtedy zamieniasz go w produkt. Tak unikasz zbudowania czegoś, czego nikt nie chce.

Najfajniejsze jest to, że te ścieżki się na siebie nakładają. Zaczynasz od konsultingu, żeby nauczyć się, co naprawdę działa. Zauważasz, że każdy klient potrzebuje tego samego systemu. Produktyzujesz to. Z czasem zamieniasz w oprogramowanie — na przykład zestaw agentów.

Od czego zacząć jutro rano

Gdybym robił to jutro rano, pierwszą wersję zostawiłbym niemal boleśnie prostą. Zbudowałbym folder growth OS z pięcioma plikami: prawda o kliencie, głos foundera, eksperymenty, zadania agentów. Wkleiłbym dwadzieścia prawdziwych notatek od klientów albo podsumowań rozmów. A potem poprosiłbym agenta o jedno zadanie: powiedz mi, co się zmieniło, pokaż dowody i zaproponuj jeden test marketingowy, który może wygenerować pipeline w tym tygodniu — nie w przyszłym i nie za miesiąc. A potem zbudowałbym jedną rzecz z tego, co wyjdzie. Dla firmy HVAC może to być kalkulator utraconego przychodu z wymian. Pierwszym celem jest po prostu udowodnić, że system potrafi zamienić bałagan danych rynkowych w jedno użyteczne działanie.

Plan na 30 dni

Tydzień pierwszy — audyt. Wybierz jedną prawdziwą firmę: swoją, znajomego, jakąkolwiek, do której masz dostęp. Przestudiuj stronę, ofertę, ICP, treści foundera, jeśli jakieś są, a jeśli się da — rozmowy sprzedażowe i zgłoszenia z supportu. Efektem ma być mapa rynku: kto jest klientem, jaki ból opisuje, jakich słów używa, co kupuje zamiast tego produktu, gdzie przecieka lejek i co przetestowałbyś jako pierwsze.

Tydzień drugi — growth repo. Załóż je, dodaj foldery i zbuduj swój pierwszy plik co mówi nam rynek. Możesz użyć dowolnych narzędzi: Claude, ChatGPT, Grokbot, Gemini, modele lokalne. Narzędzia znaczą tu mniej niż workflow. Celem jest zamienić rozproszony sygnał w memo z prawdziwymi dowodami — i zacząć naprawdę czuć się jak marketing engineer.

Tydzień trzeci — pierwsza maszyna. Wybierz jeden system i go zbuduj: silnik treści, outbound sygnałowy, tester landing page’y. To będzie zależeć od tego, czego dana firma potrzebuje, ale wybierz jeden, bo tak osiągniesz lepszy efekt. Jeden działający system bije pięć niedokończonych.

Tydzień czwarty — wyniki. Co się zmieniło? Czy poprawiła się liczba odpowiedzi? Czy umówiły się spotkania? Czy podniosła się konwersja? Czy founder brzmi ostrzej — czy spodobał mu się post? Na koniec miesiąca powinieneś mieć case study brzmiące mniej więcej tak: „przeprowadziłem audyt wzrostu tej firmy, zbudowaliśmy repozytorium prawdy o kliencie, znalazłem jeden ból o wysokiej intencji zakupowej, o którym nie wiedzieli, zamieniłem go w outbound sygnałowy, który wysłał 75 stargetowanych wiadomości, dostał dziewięć ciepłych odpowiedzi, umówił trzy rozmowy — i wszystko udokumentowałem”. Pokazujesz realny wynik biznesowy, namacalną wartość. Tak się dostaje pracę, tak się zdobywa klientów i tak buduje się wiarygodność.

Kto na tym wygra

Myślę, że najlepsi marketing engineerowie będą po trosze marketerami, po trosze ludźmi od produktu, po trosze RevOps, po trosze analitykami danych, po trosze twórcami i po trosze inżynierami. Potrafią porozmawiać z klientem i zbudować workflow wykorzystujący ten insight. Potrafią napisać pozycjonowanie i podpiąć automatyzację. Potrafią zrobić landing page i odczytać konwersję. Potrafią ustawić agenta outboundowego i wiedzą, kiedy personalizacja brzmi sztucznie. Potrafią użyć AI, żeby produkować więcej, i mają osąd oraz smak, żeby wiedzieć, co w ogóle powinno powstać.

Agenci w pewnym momencie staną się towarem masowym. Twoim rowem obronnym jest osąd, na co ich skierować. I to właśnie jest praca marketing engineera — moim zdaniem jedna z najcenniejszych, jakie będą istnieć.

Jeśli jesteś marketerem, tak stajesz się osobą, bez której twoja firma dosłownie nie potrafi działać. Jeśli jesteś founderem, tak sprawiasz, że agenci prowadzą twój marketing. Sądzę, że jest tu realna przewaga, bo ludzie wciąż tkwią w erze growth hackingu albo, co gorsza, marketingu cyfrowego. To okno jest otwarte właśnie teraz — mnóstwo osób jeszcze nie zbudowało tej maszyny. Chciałem dać ci ten przepis, żebyś mógł go sobie przyswoić, przetworzyć i pobrudzić ręce budowaniem tych marketingowych agentów. Chodzi o zwiększenie prawdopodobieństwa sukcesu, kiedy budujesz własny startup. A jeśli dzięki temu dostaniesz awans albo będziesz mieć więcej frajdy z pracy w firmie — czemu nie?

Mam nadzieję, że było to pomocne. Oczywiście mógłbym pójść głębiej w wielu miejscach, po prostu zabrakło czasu. Dajcie znać, co rozwinąć: wątek Grokbota? Pliki markdown i skille? Czekam na sygnały. Do zobaczenia następnym razem.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Zbuduj growth repo, zanim zbudujesz cokolwiek innego

Na czym polega: Cała marketingowa pamięć firmy — prawda o kliencie, głos foundera, wyniki eksperymentów, definicje agentów — trafia do jednego repozytorium lub uporządkowanego folderu (growth OS) zamiast rozpływać się w przypadkowych czatach z modelem.

Jak stosować: Zacznij od pięciu plików markdown i dwudziestu prawdziwych notatek z rozmów z klientami. Nie automatyzuj niczego, dopóki repozytorium nie zawiera realnych danych — pusty szkielet nie poprawi promptów.

Na co uważać: Repozytorium bardzo szybko robi się śmietnikiem. Jeśli nikt nie usuwa nieaktualnych plików i nie oznacza, co jest zweryfikowane, a co hipotezą, agent zacznie cytować przestarzałe tezy z pełnym przekonaniem.

2.Pisz agentom opisy stanowisk, nie prompty

Na czym polega: Każdy agent dostaje specyfikację jak nowy pracownik: źródło danych, harmonogram uruchomienia, filtry, oczekiwany output, definicję dobrej roboty, punkt akceptacji przez człowieka, metrykę i miejsce zapisu wyniku.

Jak stosować: Zapisz spec w folderze agentów jako plik, a nie w oknie czatu. Wtedy da się go wersjonować, poprawiać i przekazać komuś innemu.

Na co uważać: Bez wyraźnie wskazanego punktu akceptacji człowieka agent zacznie wysyłać rzeczy w świat. Przy outboundzie i publikacjach to ryzyko reputacyjne, nie tylko jakościowe.

3.Mierz sygnał, nie aktywność

Na czym polega: Liczba wysłanych wiadomości to aktywność. Kwalifikowane, pozytywne odpowiedzi to sygnał. Metryka agenta powinna być wynikiem biznesowym.

Jak stosować: Do każdego agenta przypisz jedną metrykę wynikową, zanim go uruchomisz, i zapisz ją w jego specyfikacji. Cotygodniowy przegląd rób wyłącznie na tej metryce.

Na co uważać: Agenty są znakomite w produkowaniu wolumenu, więc dashboardy aktywności zawsze będą wyglądać imponująco. To najłatwiejszy sposób, by przez pół roku czuć się produktywnym bez jednego dodatkowego dema.

4.Traktuj korekty jako trwałe reguły

Na czym polega: Trenujesz agenta jak nowego pracownika: małe zadania, obserwacja, poprawka — a poprawka trafia do pamięci systemu, nie do jednorazowej odpowiedzi.

Jak stosować: Gdy outbound brzmi sztucznie, dopisz regułę. Gdy treści są generyczne, dołóż trzy dobre i trzy złe przykłady. Gdy agent stawia tezę bez dowodu, wprowadź zasadę: każdy insight ma cytat, link albo źródło.

Na co uważać: Reguły potrafią się nawzajem znosić i po kilkudziesięciu narastać w sprzeczny zbiór. Raz na jakiś czas przeczytaj je w całości i usuń te, które są już martwe.

5.Wymagaj dowodów zamiast streszczeń

Na czym polega: Memo „co mówi nam rynek” ma pokazywać cytaty, linki do zgłoszeń i liczby zdarzeń. „Klienci chcą lepszej współpracy” to nie jest insight.

Jak stosować: Wpisz do promptu twardy wymóg: każde zdanie o rynku musi mieć podpięty dowód. Odrzucaj wyniki, które go nie mają — bez wyjątków, bo wyjątki natychmiast się rozlewają.

Na co uważać: Model potrafi wygenerować cytat, który brzmi wiarygodnie, a nie pochodzi ze źródła. Sprawdzaj wyrywkowo, czy cytaty da się odnaleźć w oryginalnych plikach.

6.Szukaj ostrego kąta, nie ogólnej kategorii bólu

Na czym polega: „Przestań tracić przychód z wymian po każdym zleceniu serwisowym” jest znacznie mocniejsze niż „prowadź lepiej swoją firmę”. Konkret sprzedaje, ogólnik nie.

Jak stosować: Przeglądając sygnał, wyłapuj momenty, w których klient opisuje pojedynczą, powtarzalną porażkę operacyjną. Sprawdź, czy rozmowy, które skonwertowały, dotyczyły tego samego bólu, co rozmowy, które nie.

Na co uważać: Bardzo wąski kąt bywa prawdziwy tylko dla części rynku. Zanim przebudujesz na nim całe pozycjonowanie, sprawdź, ile jest wart w liczbach.

7.Dobry outbound zaczyna się od momentu, nie od listy

Na czym polega: Zamiast arkusza z nazwiskami — zdarzenia wyzwalające: runda finansowania, rekrutacja na stanowisko związane z twoim problemem, publiczny post o bólu, złe recenzje, nowa lokalizacja.

Jak stosować: Zdefiniuj listę trzech–pięciu obserwowalnych sygnałów dla swojego ICP i ustaw agenta, który codziennie je monitoruje i przygotowuje wiadomości do akceptacji.

Na co uważać: Personalizacja oparta na sygnale bardzo szybko robi się nachalna. Trzymaj w repozytorium listę zakazanych sformułowań i sygnałów, których nie wypada komentować.

8.Kreacja to system uczący się, nie bieżnia

Na czym polega: Z jednej oferty wyprowadzasz dwadzieścia hooków i dziesięć kątów, testujesz je i zapisujesz wyniki. Skala kreacji staje się tania, więc problemem przestaje być produkcja, a zaczyna być selekcja.

Jak stosować: Zanim wygenerujesz masę wariantów, ustal, na jakiej metryce je oceniasz i ile ruchu potrzebujesz, żeby wynik cokolwiek znaczył. Zapisuj wyniki do folderu testowania kreacji.

Na co uważać: Tysiąc kreacji przy małym budżecie oznacza tysiąc statystycznie bezwartościowych wyników. Więcej wariantów bez większego ruchu to szum, nie nauka.

9.Zacznij od usług, dopiero potem buduj produkt

Na czym polega: Ścieżki zarobku układają się w sekwencję: rola wewnątrz firmy albo konsulting → usługa sproduktyzowana na wąskim klinie → oprogramowanie. Największe wyniki są w software, ale wiedza pochodzi z ręcznej pracy.

Jak stosować: Zbuduj ten sam system dla pięciu–dziesięciu firm, notując, który ból się powtarza. Dopiero powtarzalny ból uzasadnia produkt.

Na co uważać: Konsulting potrafi wciągnąć — przy 10–30 tysiącach dolarów miesięcznie łatwo nigdy nie przejść do produktu. Ustal z góry, po ilu wdrożeniach robisz przegląd i decyzję.

10.Osąd jest rowem obronnym, agenci będą towarem masowym

Na czym polega: Zdolność wykonania pracy staje się tania. Wartość przenosi się na decyzję, na co skierować agentów i co w ogóle powinno powstać — czyli na smak i rozumienie klienta.

Jak stosować: Inwestuj czas w rzeczy, których agent nie zrobi za ciebie: rozmowy z klientami, obserwację języka rynku, decyzje o pozycjonowaniu. Wykonanie deleguj.

Na co uważać: Łatwo pomylić opanowanie narzędzi z kompetencją. Stos narzędziowy z tego materiału (Grokbot, Claude, Codex, Hermes, modele kreatywne) zdezaktualizuje się szybciej niż workflow — ucz się workflow, nie interfejsów.