7 промптов для маркетолога, которыми я пользуюсь каждую неделю

Раз в две недели мне приходит одно и то же сообщение: «скинь свою папку с промптами». Папки нет. Есть семь шаблонов в Notion, к которым я возвращаюсь по 3–5 раз в неделю с лета 2024-го. Это не «топ-50 промптов для маркетолога», который любая нейросеть сама себе сгенерит за полчаса. Это семь штук, прошедших фильтр «работает на боевых проектах с performance-бюджетом от 1M ₽ в месяц». Все семь — ниже, без сокращений.

Дисклеймер на входе: «промпт-инжиниринг» — наполовину маркетинговое слово, наполовину дисциплина. Маркетинговое — потому что в большинстве курсов про него вам продают то, что Claude и так делает по умолчанию. Дисциплина — потому что **разница между вопросом «помоги с креативом» и рабочим промптом — это разница между потерянным часом и сэкономленной неделей**. На моих кейсах эта разница уже считается в реальных деньгах, и я перестал спорить про «инструмент или замена человека». Перейдём к делу.

Промпт — не магия. Это шаблон, который повторяется между задачами. Если у вас в работе нет 5–10 повторяющихся шаблонов — вы не используете AI, вы с ним общаетесь.

1. Конкурентный teardown за 30 минут вместо 2 дней

Когда: перед заходом в новый проект и раз в квартал — для текущих. До 2024-го я делал такой разбор руками: открывал 5–7 сайтов конкурентов, смотрел соцсети, читал отзывы, выписывал в табличку. Уходило 2 рабочих дня. Сейчас — 30 минут на промпт + 30 минут на верификацию в источниках.

Что даёт: позиционирование конкурента в трёх осях (продукт, аудитория, цена), список из 3–5 message lines, которые он покрывает, и список из 3 message lines, которые он не покрывает. Последнее — самое ценное: дыра в коммуникации конкурента — это ваш первый кандидат на УТП.

Промпт-шаблон, который у меня прямо сейчас в Notion:

Ты — конкурентный аналитик, работающий с маркетологом. Я даю тебе данные про конкурента: сайт, описание продукта, прайс, 5 последних рекламных креативов, 10 последних постов в соцсетях.

Твоя задача — не описать конкурента, а вытащить его коммуникационную модель.

Сделай ровно три вещи:

1) Pos triangle: позиционирование в трёх осях — продукт (фичи vs выгоды), аудитория (кому продают по описанию), цена (premium / mid / budget). Для каждой оси — цитата из их же материала, на которой ты основываешь вывод.

2) 3–5 message lines, которые они активно используют. Каждая — с пруфом: откуда взято.

3) 3 message lines, которые они НЕ покрывают, но которые легитимно можно использовать против них (то есть аудитория про это спрашивает в отзывах / комментариях / поиске).

Никакого "является лидером рынка". Только конкретика.

Формат вывода — Markdown с заголовками, без воды.

Где сливается: если конкурент закрытый (b2b enterprise без публичной коммуникации) — данных мало, выводы становятся натянутыми. Тогда я подгружаю отзывы сотрудников из Habr Career / Glassdoor — это часто восстанавливает картину.

Реальная метрика: на проекте MM AI Trading (финтех, ОАЭ) такой teardown по 4 конкурентам помог найти позиционную дыру «трейдинг для AI-нативной аудитории» — её никто из этих четырёх не занимал. Вокруг этой дыры я построил запуск.

2. Rewrite чужого текста в свой voice

Когда: клиентский бриф, заглавная страница лендинга, серия писем. Любая ситуация, где надо взять формулировку из чужой головы и переложить её в своё голосовое поле, не перепридумывая.

Главный трюк здесь — не сам промпт, а контекст. У меня в репозитории сайта лежит папка /content/voice/ с 11 файлами на 50K знаков: координаты voice по матрице NN/G, пять риторических пилларов, словарь, ритмика, список AI-tells. Перед каждой задачей на rewrite я загружаю всю эту папку в контекст Claude — и только потом подаю исходник.

Контекст: [прикрепляю всю папку /content/voice/]

Дальше — текст, который надо переписать в этот voice. Текст НЕ мой, мне его прислал клиент / партнёр / коллега, и он написан в нейтрально-корпоративной интонации.

[вставляю исходник]

Задача:
- Сохранить все факты и цифры из исходника без потерь
- Перевести интонацию в координаты Casual 3 / Funny 6 / Irreverent 7 / Matter-of-fact 2
- Применить минимум 4 из 5 пилларов (антитеза, цифра, ёлочки на штампе, уравнение, insider-термин)
- НЕ добавлять свои факты, которых нет в исходнике
- НЕ добавлять "стоит отметить", "в современном мире", "является" — см. файл 06-ai-tells.md

Дай два варианта: жёсткий (максимум voice) и мягкий (50/50 между исходником и voice).

Где сливается: когда клиент — premium B2B (private banking, юридический консалтинг), и от текста требуется намеренно скучный, формальный тон. Тогда мой voice работает против задачи. В таких случаях я делаю обратный перенос — кормлю Claude voice клиента и переписываю свои черновики туда.

Метрика: на этой статье первый абзац у меня прошёл через rewrite-шаблон трижды — потому что Claude сначала вставил пять штампов из 06-ai-tells, и только третий проход вычистил всё. Без шаблона этот же результат я получаю руками за 20–25 минут.

3. 30 хедлайнов в трёх логиках за один запрос

Когда: запуск новой кампании в VK Ads, Я.Директ или Telegram Ads. Любая ситуация, где нужно сразу 10–30 вариантов хедлайна с разной риторикой для A/B-теста.

Стандартная ошибка: «дай 30 хедлайнов для рекламы X». На выходе получаешь 30 вариаций одной и той же мысли, переставленных как пасьянс. Полезность — нулевая, разнообразия для теста — никакого.

Рабочая версия — разделение на три риторики в одном запросе:

Контекст продукта: [короткое описание, ICP, 3 главных выгоды, 3 возражения]

Сгенерируй 30 хедлайнов для VK Ads (длина — до 33 знаков с пробелами), разбитых на три группы по 10:

ГРУППА A — логика. Хедлайн строится на цифре или сравнении. Без эмоций. Пример паттерна: "CAC снизился на 40% за квартал".

ГРУППА B — конфликт. Хедлайн ставит читателя в позицию выбора, спора, или провокации. Пример паттерна: "Ваш performance не работает. Вот почему."

ГРУППА C — выгода в моменте. Хедлайн обещает измеримое action в краткосрочной перспективе. Пример паттерна: "30 минут разбора. Бесплатно."

ОГРАНИЧЕНИЯ:
- Не использовать слова: уникальный, эффективный, инновационный, передовой, лучший
- Не использовать восклицательные знаки
- Не использовать эмодзи
- Каждый хедлайн — самодостаточный, без отсылки к другим

После 30 хедлайнов — короткая аннотация: какая группа лучше работает в каких нишах по моему опыту (на основе общедоступных данных по перформанс-бенчмаркам).

Где сливается: AI плохо чувствует культурный контекст и каламбуры. Если кампания требует игру слов или локального референса (типа отсылки к гейминг-сленгу или вайбу района) — он промахивается. Эту часть я по-прежнему пишу руками.

Метрика: на NEMIFIST в одной из кампаний 2024-го победил AI-сгенерированный хедлайн из группы B (CTR 2.4%) против моего ручного из группы C (CTR 1.8%). Я этот эпизод помню до сих пор — потому что был уверен, что мой будет лучше.

4. Гипотезы по причинам churn на основе когорт-таблицы

Когда: retention падает, LTV не растёт, или клиент жалуется «не знаю, почему уходят». До AI это была неделя работы аналитика и ещё неделя на интервью с уходящими. Сейчас — час на промпт, два часа на проверку гипотез, два дня на финальные интервью с самыми вероятными кандидатами на причину.

Главный трюк — никогда не спрашиваешь Claude про churn в общем виде. Сначала кормишь когорт-таблицу сырыми данными — поэтапно, чтобы он построил видение динамики, и только потом просишь гипотезы.

Шаг 1. Я подаю когорт-таблицу retention по месяцам (CSV, 12+ когорт). Только данные, без вопросов.

Шаг 2. Прошу: "Опиши, что ты видишь в этой таблице. Где аномалии, где паттерны. Не интерпретируй — просто опиши." Claude отвечает 200 слов наблюдений.

Шаг 3. Подаю контекст продукта: что это, какой ICP, ценовая модель, последние 3 продуктовых изменения с датами.

Шаг 4. Только теперь — основной запрос:

"С учётом таблицы и контекста — сформулируй 5–7 рабочих гипотез по причинам ускоряющегося churn. Каждая гипотеза должна:
1) Иметь отсылку к конкретной строке/когорте таблицы как пруфу
2) Быть проверяемой за 1 день (не "надо переделать продукт")
3) Иметь предложенный способ проверки (cohort-сегмент, exit-survey, поведенческий анализ)

Ранжируй по ожидаемой объяснительной силе. Слабые гипотезы — отсеивай, не натягивай до 7."

Где сливается: на маленьких объёмах. Меньше 100 пользователей в когорте — Claude начинает галлюцинировать паттерны. В таких случаях я возвращаюсь к ручной работе.

Метрика: на одном из e-com проектов в 2024-м этот промпт за час дал 7 гипотез, из которых 4 я отверг сразу, 2 проверил через cohort-выборку, и одна оказалась верной — продуктовое изменение в апреле сломало onboarding для returning users. Поправили в одном спринте, retention восстановился за 6 недель.

5. Транскрипт discovery-колла → структура стратегии

Когда: после первого 30–60-минутного звонка с потенциальным клиентом. Раньше я после такого звонка садился на полдня и собирал summary + первый драфт стратегии. Сейчас — 15 минут.

Транскрипт колла беру с Granola или Otter — они оба дают чистый markdown. Дальше:

Контекст: я — фриланс-маркетолог, провёл discovery-call с потенциальным клиентом. Транскрипт — ниже.

[транскрипт целиком]

Сделай три вещи:

1) ICP-карта: кто клиент описал как покупателя продукта (одна строка), кого он реально хочет привлекать (часто отличается, читается между строк), и где разрыв.

2) Топ-3 настоящих болей клиента (то, что повторял несколько раз, или говорил с раздражением, или быстро менял тему). Я знаю, что декларируемая боль и настоящая часто не совпадают — найди настоящую.

3) Каркас 90-дневного плана:
   - Месяц 1: одна гипотеза, проверяемая за 4 недели
   - Месяц 2: углубление того, что сработало в M1, или поворот
   - Месяц 3: масштабирование

   Без буллет-листов "сделать SMM, performance, контент, аналитику". Конкретные шаги с метрикой результата каждого месяца.

И ещё одно: 3 red flag в этом транскрипте — что в работе с этим клиентом будет тяжело. Если красных флагов нет — так и скажи.

Главное в этом промпте — последний пункт. Claude действительно умеет вытащить red flags из транскрипта, потому что у него нет личной заинтересованности взять проект. У меня есть. И это первый раз, когда AI-черновик предупредил меня про клиента, у которого «гибкий бюджет» в первом разговоре оказался ловушкой к concession-overload.

Где сливается: на коротких звонках (15 минут). Транскрипт слишком тонкий, выводы — натянутые. На звонках 45+ минут — работает чисто.

6. JTBD-распаковка пользовательских интервью

Когда: после серии 5–10 интервью с действующими или ушедшими клиентами. JTBD (jobs-to-be-done) — это методология, в которой ты не спрашиваешь «что вам нравится», а реконструируешь момент «я переключился / купил / ушёл». Это даёт реальные триггеры, а не желательные ответы.

Каждое интервью у меня — markdown-файл на 1500–2500 слов. Подавать их Claude по одному — медленно. Подавать пачкой — он размывает контекст. Решение:

У меня — 8 транскриптов интервью, по одному на сообщение. Я загружу их по очереди.

После КАЖДОГО интервью ты делаешь ровно одно действие: вытаскиваешь моменты-триггеры. Триггер — это конкретное событие или фраза, которая привела к смене поведения (купил, бросил, переключился, нашёл, передумал).

Формат на каждое интервью:

[ID интервью]
- Триггер 1: [цитата] → [тип job]
- Триггер 2: [цитата] → [тип job]
- ...

НЕ суммируй. НЕ обобщай. Просто триггеры с цитатами.

После 8-го интервью — итоговый шаг:
- Кластеризуй все триггеры в 3–5 групп по типу job (functional / emotional / social)
- Для каждой группы — какая ёмкость в выборке (сколько интервью её содержат)
- Финальный список: 3–5 jobs, ранжированных по частоте

Этот список я буду использовать как messaging map для лендинга.

Где сливается: если интервью велось плохо — без конкретных временных привязок, без вопросов про «расскажите про последний раз, когда…», — Claude всё равно пытается достать триггеры там, где их нет, и натягивает выводы. Качество выхода равно качеству вопросов на входе.

Метрика: на этом промпте я обычно собираю messaging map за 90 минут вместо обычных двух дней ручного анализа.

7. Сегментация от unit-economics, а не от демографии

Самый дорогой урок в моей карьере описан в отдельной статье — кейс провала на −20% к плану квартала. Сегментировал по демографии, должен был — по поведению. Этот промпт я собрал ровно после того кейса, как «никогда больше».

Когда: CAC растёт, ROAS падает, нужно перераспределить бюджет между сегментами. Любая ситуация, в которой возникает соблазн открыть Я.Метрику и нарезать аудиторию по «18–24 / 25–34 / 35–44». Не делай так. Делай так:

Контекст: проект [описание]. ICP — широкий, единая performance-стратегия не даёт результата.

У меня есть данные:
1) AOV по последним 12 месяцам (распределение, не среднее)
2) Frequency покупок по когортам
3) Time-to-second-purchase (если есть)
4) Канал привлечения по сегментам
5) Retention curve по сегментам

[вставляю CSV или таблицу]

Задача — не нарезать сегменты по демографии. Нарезать их так, чтобы внутри каждого сегмента unit-economics были однородными.

Конкретно:
- Раздели аудиторию на 3–5 поведенческих сегментов
- Для каждого посчитай: средний CAC, средний LTV, payback period
- Ранжируй по LTV/CAC ratio
- Покажи, где деньги "тонут" — сегмент, в который льётся бюджет, но юнит-экономика отрицательная
- Покажи, где деньги "недоинвестированы" — сегмент с высокой LTV/CAC, но малой долей бюджета

Финал: рекомендация по перераспределению бюджета между сегментами на следующий квартал. Никаких "увеличить охваты". Конкретные доли в процентах.

Где сливается: если данных мало (меньше 6 месяцев истории и меньше 500 покупок) — Claude натягивает паттерны на шум. В таких случаях я честно говорю клиенту, что для сегментации нужно ещё 3 месяца данных, а пока работаем по гипотезе.

Что я перестал использовать

За 3 года работы со связкой «маркетолог + AI» у меня умерло несколько паттернов, на которые я ставил в начале.

• Промпты-цепочки на 10 шагов. Звучит круто, работает плохо. На третьем шаге Claude теряет контекст и начинает галлюцинировать. Сейчас я держу промпты максимально атомарными — один промпт = одна задача.
• «Сыграй роль CMO Coca-Cola». Role-prompts работали в 2023-м с GPT-3.5. С Claude 4.6 они дают шаблонные ответы — модель играет «CMO» как карикатуру.
• Длинные системные промпты с десятью правилами. Восемь из десяти правил Claude игнорирует. Лучше — три жёстких правила и проверка через follow-up.
• «Будь критичным» / «Critique my idea». Модель критикует поверхностно — она оптимизируется на «помочь», а не на «сломать». Реальная критика — только от живых коллег.

Что у меня осталось вне промптов

Все семь шаблонов выше работают, потому что я держу контекст в голове. Промпт — половина задачи. Вторая половина — понимание, что считать ответом, а что — мусором, который Claude сгенерил, чтобы не оставить меня без выхода.

Это значит — никакой «просто запусти промпт и публикуй». Каждая статья, каждый креатив, каждая стратегия после AI проходит через мою редактуру — где я выкидываю tells, проверяю цифры, и часто полностью переписываю один из абзацев, потому что Claude угадал тему, но не угадал интонацию. На это уходит ~30% времени от того, которое я бы тратил на работу с нуля.

Если вы искали «папку с промптами, которая решит маркетинг за вас» — её нет. Не у меня, и нигде. Семь шаблонов выше — это семь рычагов, которые работают в моих руках, потому что я знаю, что считать ответом. В чужих руках они дадут меньше — ровно на ту разницу, которая отделяет инструмент от навыка.

Если хотите, чтобы я разобрал ваш воркфлоу и собрал такую же библиотеку под ваши задачи — пишите в форме контактов, на discovery-колл я выделяю 30 минут бесплатно. Если хотите увидеть, как этот стек работает в продакшне — посмотрите кейс «Один маркетолог = команда из 5 ролей», там вся арифметика.

Связанные материалы: калькулятор юнит-экономики, шаблон контент-плана, полный гайд по performance-маркетингу.