Trendy martech: 5 zmian, które zespoły marketingowe powinny obserwować w sierpniu 2026

Kilka zmian trudno jednak zignorować. Google zaczyna wreszcie dawać marketerom konkretne dane na temat widoczności w wynikach generowanych przez AI. Odkrywanie produktów coraz częściej odbywa się poza miejscami, nad którymi sprzedawcy mają bezpośrednią kontrolę. Projekty AI boleśnie zderzają się z dobrze znanym problemem nieuporządkowanych danych klientów, a wejście w życie kolejnych przepisów AI Act sprawiło, że transparentność przestała być tematem „na później”.

Warto spojrzeć na to w szerszym kontekście. Marketing Technology Landscape 2026 Scotta Brinkera liczy już 15 505 produktów, czyli zaledwie o 0,79% więcej niż rok temu. Tyle że pod tą niemal nieruchomą liczbą kryje się całkiem spory ruch: pojawiło się 1488 nowych produktów, a 1367 zniknęło.

Rynek martech wcale nie zwolnił. Raczej przypomina to wymianę części podczas gdy silnik pracuje na pełnych obrotach.

Oto pięć zmian, które naszym zdaniem warto obserwować w tym miesiącu.

1. Widoczność w AI wreszcie da się przynajmniej częściowo zmierzyć

Przez ostatnie dwa lata marketerzy coraz częściej zadawali pytanie: „Czy nasza marka w ogóle pojawia się w ChatGPT, Gemini i wynikach generowanych przez AI?”.

Gorzej było z kolejnym pytaniem: „No dobrze, ale jak to właściwie zmierzyć?”.

Google zrobił właśnie krok w stronę bardziej konkretnej odpowiedzi. Search Console raportuje teraz wyświetlenia pochodzące z AI Overviews i AI Mode, z podziałem między innymi na strony, kraje, urządzenia i daty. Nadal nie zobaczymy tam danych o kliknięciach, więc nie ma jeszcze powodu wyrzucać klasycznych dashboardów SEO do kosza.

Dostajemy za to wyraźniejszy sygnał, że pozycja w tradycyjnej wyszukiwarce i widoczność w odpowiedziach AI to dwie różne rzeczy. Marka może świetnie radzić sobie w Google, a jednocześnie prawie nie pojawiać się w generowanych odpowiedziach. Co więcej, samo cytowanie marki nie oznacza jeszcze, że AI faktycznie ją rekomenduje.

Zachowania konsumentów komplikują ten obraz jeszcze bardziej. W 2025 roku 82% badanych uważało wyszukiwanie z AI za bardziej użyteczne od tradycyjnego. Rok później było to już tylko 54%, czyli o 28 punktów procentowych mniej w ciągu dwunastu miesięcy. Jednocześnie 70% respondentów deklarowało, że korzysta z narzędzi AI do wyszukiwania częściej niż rok wcześniej.

Używamy ich więc coraz więcej, ale ufamy im coraz mniej. Internet w pigułce.

Z perspektywy zespołu marketingowego widoczność w AI warto już traktować jako osobny element raportowania, zamiast próbować upchnąć ją w obecnym raporcie SEO. Pozycje organiczne nadal są ważne, ale nie pokazują już wszystkich miejsc, w których klient może zetknąć się z marką przed wejściem na stronę.

2. Odkrywanie produktów wymknęło się z klasycznego lejka

Klasyczny lejek zawsze wyglądał znacznie porządniej na slajdzie niż w prawdziwym życiu. AI search i social commerce sprawiają, że wstawianie go na slajd zaczyna ocierać się o kategorię żartu. 

Ktoś szukający nowych butów do biegania może zacząć od ChatGPT, później zobaczyć ich recenzję na TikToku, sprawdzić na Reddicie, czy inni użytkownicy na coś narzekają, a na stronę sklepu wejść dopiero wtedy, kiedy wybór zawęził już do dwóch modeli. Strona e-commerce nadal jest ważna, ale coraz częściej pojawia się w tej historii później, niż życzyłby sobie tego sprzedawaca.

I nagle dużo większego znaczenia nabiera coś mało efektownego i eksponowanego: jakość i dostępność katalogu produktowego.

Ranking AI Commerce przygotowany przez Digital Commerce 360 bierze pod uwagę między innymi to, czy agenci AI mogą odczytać dane z katalogu, jaka część ruchu pochodzi z AI-powered discovery, czy trafia on z kilku różnych silników oraz czy jego udział rośnie.

Na pierwszy rzut oka brzmi to jak temat dla zespołu od feedów, SEO albo IT. Przestaje nim być w momencie, kiedy produkty nie pojawiają się tam, gdzie klienci zaczynają podejmować decyzje zakupowe.

Dla e-commerce oznacza to, że jakość katalogu zasługuje na miejsce przy marketingowym stole. Jeśli AI nie potrafi poprawnie odczytać informacji o produkcie, nawet najlepsza kreacja kampanii czekająca kilka folderów dalej w Figmie niewiele tu pomoże.

Oczywiście, nie ogłaszajmy jeszcze śmierci lejka. Marketerzy uczestniczyli już w wystarczająco wielu jego pogrzebach. Po prostu coraz trudniej zakładać, że discovery odbywa się głównie w kanałach, które potrafimy wygodnie rozrysować i zmierzyć.

3. Twoje AI widzi tylko te dane o kliencie, do których ma dostęp

Kiedy projekt AI nie działa tak dobrze, jak oczekiwaliśmy, zwykle zaczyna się ten sam zestaw prób naprawczych: zmieńmy model, poprawmy prompt, przetestujmy innego agenta.

Czasami to pomaga. A czasami przypomina zmianę nawigacji w samochodzie, kiedy problem polega na tym, że droga po prostu kończy się w polu.

Jeśli historia zakupów znajduje się w jednym systemie, zachowanie na stronie w drugim, a informacje o zgodach jeszcze gdzie indziej, AI nadal pracuje tylko na fragmentach wiedzy o kliencie. Lepszy model potrafi zrobić więcej z dobrym kontekstem, ale nie wyczaruje danych, do których nigdy nie dostał dostępu.

To jeden z powodów, dla których zmienia się również rola CDP. Gartner wskazuje kierunek rozwoju w stronę intelligent customer context engines, gdzie ujednolicone dane klientów stają się pamięcią i kontekstem potrzebnym AI do podejmowania decyzji i działania, a nie tylko bazą, z której marketer pobiera segment przed kampanią.

W codziennej pracy ten problem wygląda znacznie mniej futurystycznie. To eksport CSV przed poniedziałkową wysyłką, dwa segmenty, które teoretycznie powinny zawierać tych samych klientów, ale jakoś nie zawierają, albo personalizacja oparta na danych, które zdążyły się już zdezaktualizować.

Gdzie w tym wszystkim jest miejsce na Customer Engagement Platform?

Właśnie wokół tej warstwy zbudowana jest nasza platforma.

Manago AI łączy dane behawioralne, transakcyjne i informacje o zgodach w jednym profilu klienta, który może być bezpośrednio wykorzystywany w segmentacji, personalizacji i automatyzacji. Ten sam kontekst zasila później predictive AI, generative AI, rekomendacje oraz  agentic AI.

Dzięki temu kolejna funkcja oparta na AI nie musi za każdym razem budować własnej, niepełnej wersji wiedzy o kliencie.

Zespół nadal decyduje, co trafia do kampanii. AI po prostu zaczyna pracę z lepszym kontekstem.

Więcej o tym, jak połączenie danych i aktywacji zmienia marketing, piszemy w artykule o zastosowaniach CDP.

4. Oszczędności z AI nie zawsze pojawiają się tam, gdzie spodziewał się ich dział finansowy

Pierwsze business case'y dla AI dało się często streścić w jednym zdaniu: automatyzujemy pracę, więc wydajemy mniej.

Gdyby tylko budżety zachowywały się tak zgodnie.

Według Gartnera CMO przeznaczają obecnie 15,3% budżetów marketingowych na AI, podczas gdy zaledwie 30% uważa swoje organizacje za wystarczająco dojrzałe, żeby skalować jego wykorzystanie. Jednocześnie udział kosztów pracy w budżetach marketingowych wzrósł z 21,9% do 24,5%.

Brakującym elementem tego równania jest cała praca, która pojawia się wokół AI.

Nowy agent może oszczędzić godzinę ręcznej pracy przy kampanii, a jednocześnie dołożyć koszty API, monitoringu, integracji oraz kolejny proces, za który ktoś musi odpowiadać. Nie oznacza to, że AI jest złą inwestycją. Oznacza tylko, że patrzenie wyłącznie na koszt zautomatyzowanego zadania daje dość wygodny ale nieprawdziwy widok.

Nie ma też dodatkowych punktów za używanie agentic AI tam, gdzie zwykła reguła zrobi dokładnie to samo. Rule-based automation, modele predykcyjne, generative AI i autonomiczni agenci rozwiązują różne problemy i generują zupełnie inne koszty.

Czasami wygrywa ta mniej efektowna opcja. Marketing operations pamiętają tę lekcję z wielu innych “przełomów”. 

5. Klienci korzystają z AI coraz częściej, a jednocześnie patrzą na nie coraz bardziej podejrzliwie

Sierpień przyniósł również zmianę, której nie da się odłożyć na później.

Od 2 sierpnia 2026 roku obowiązuje art. 50 unijnego AI Act, który wprowadza obowiązki informacyjne dla dostawców i podmiotów wykorzystujących określone systemy AI.

Dla zespołów marketingowych szczególnie ważne jest tutaj pojęcie deployer. Sam fakt, że korzystamy z modelu dostarczanego przez inną firmę, nie oznacza automatycznie, że cała odpowiedzialność leży po jej stronie. Jeżeli organizacja wykorzystuje AI w kontakcie z klientami, musi wiedzieć, jakie obowiązki dotyczą jej bezpośrednio.

Nowe regulacje pojawiają się przy tym w niezbyt komfortowym momencie dla zaufania do AI. Według Mintel połowa konsumentów w Wielkiej Brytanii uważa, że ryzyka związane z AI przeważają nad jego korzyściami, mimo że 45% deklaruje większe zainteresowanie produktami wyposażonymi w funkcje AI.

Pozorną sprzeczność łatwiej zrozumieć, kiedy spojrzymy na kwestię kontroli. Ludzie chętniej akceptują AI, kiedy sami świadomie z niego korzystają. Entuzjazm wyraźnie spada, kiedy algorytm zaczyna po cichu podejmować za nich ważne decyzje.

Dla marketerów oznacza to, że popularne „human in the loop” powinno wreszcie przestać być tylko uspokajającym hasłem na slajdzie. Trzeba konkretnie ustalić, kto sprawdza output AI, na którym etapie to robi i jak dużą swobodę ma system, zanim człowiek się w ten proces włączy.

Te szczegóły są znacznie mniej ekscytujące niż uruchomienie nowego agenta. Za to właśnie o nich będziemy myśleć jako pierwszych, kiedy coś pójdzie nie tak.

5 rzeczy, które warto zrobić teraz

Żaden z tych trendów nie wymaga natychmiastowej przebudowy całego stacku martech. Kilka sensownych działań może jednak zrobić sporą różnicę:

• Dodaj widoczność w AI do raportowania obok klasycznych wyników organicznych.

• Sprawdź, czy systemy AI rzeczywiście mogą odczytać i zrozumieć Twój katalog produktowy.

• Zmapuj, do jakich danych klientów mają dostęp wykorzystywane przez Ciebie narzędzia AI.

• Do każdego use case'u dobieraj najprostszy poziom automatyzacji, który rzeczywiście rozwiązuje problem.

• Zweryfikuj customer-facing AI pod kątem wymogów informacyjnych wynikających z art. 50 AI Act.

Scott Brinker dobrze podsumował szerszą zmianę: AI nie usuwa ograniczeń związanych z innowacją, tylko przenosi je z tworzenia nowych rzeczy na sprawienie, żeby miały realne znaczenie.

To chyba najlepiej łączy wszystkie pięć trendów z tego miesiąca. Narzędzi AI już nam nie brakuje. Trudniejsza część polega na tym, żeby miały dostęp do właściwych danych, pojawiały się w odpowiednich miejscach, zdobywały zaufanie klientów i faktycznie dowoziły coś wartego pieniędzy, które na nie wydajemy.

We wrześniu na pewno pojawi się kolejna porcja nowych narzędzi, o których będzie głośno. Zespoły, które naprawdę idą do przodu, prawdopodobnie poświęcą co najmniej tyle samo czasu na to, żeby porządnie wykorzystać te, które już mają.

Pytania, które marketerzy zadają najczęściej