Trendy martech na wrzesień 2026: boty AI, własne dane i zmiana zasad gry

Jeżeli niemal każdy może dziś wygenerować treść, zbudować grupę odbiorców i uruchomić kampanię na podstawie promptu, sam dostęp do oprogramowania przestaje być szczególnym wyróżnikiem. Ważniejsze staje się to, na czym to oprogramowanie pracuje: jakie dane o klientach ma do dyspozycji, jakie procesy ktoś wcześniej dobrze zaprojektował i jaka wiedza operacyjna tkwi w głowach dwóch osób, które pracują w firmie wystarczająco długo, żeby pamiętać, dlaczego wszystko działa właśnie w taki sposób.

Pięć trendów, które wybraliśmy na ten miesiąc, na pierwszy rzut oka dotyczy zupełnie różnych tematów. Mamy boty robiące zakupy online, reklamy w środowiskach AI, zmieniającą się rolę CMO i kolejne przesunięcie w sposobie myślenia o stacku martech. Pod spodem wszystkie prowadzą jednak mniej więcej w tym samym kierunku.

1. Stack martech staje się infrastrukturą

Scott Brinker przez cały 2026 rok przekonywał, że martech odchodzi od modelu zbioru osobnych aplikacji i coraz bardziej przypomina infrastrukturę. We wrześniu, w rozmowie z ANA, opisał AI jako technologię, która rozpuszcza tradycyjny stack martech w modułowym środowisku, a agenci coraz częściej działają pomiędzy różnymi narzędziami, zamiast być zamknięci w jednej aplikacji.

Dla zespołów marketingowych praktyczna konsekwencja jest dość prosta: proces zaczyna mieć większe znaczenie niż pojedyncze narzędzie.

Weźmy zwykłą kampanię porzuconego koszyka. Dane o zachowaniu klienta mogą pochodzić z jednego systemu, informacje produktowe z drugiego, zgody marketingowe z trzeciego, a sama wiadomość może zostać wysłana przez jeszcze inną platformę automatyzacji. Marketer widzi jedną ścieżkę. Technicznie za jej działaniem stoi kilka różnych systemów.

Taki układ od zawsze wymagał sporej ilości wiedzy wewnętrznej. W większości zespołów są osoby, które wiedzą, dlaczego konkretne pole zasila określony segment, czemu w jednej automatyzacji ustawiono nietypowe opóźnienie albo co przestanie działać, jeśli zmieni się feed produktowy. Duża część tej wiedzy nigdy nie została formalnie spisana, bo człowiek mógł po prostu zauważyć problem i go naprawić.

Agenci AI zmieniają to założenie. Mogą działać tylko na podstawie kontekstu, który otrzymają.

To jeden z powodów, dla których workflow oparty na AI może działać świetnie podczas kontrolowanego demo, a po wdrożeniu w prawdziwym środowisku marketingowym nagle stać się mniej niezawodny. Problem nie musi mieć nic wspólnego z jakością modelu. System może po prostu nie mieć informacji, które zespół od lat traktuje jako oczywiste.

Pisaliśmy już wcześniej o tym, co naprawdę działa w AI Marketing Automation. Wraz z przechodzeniem firm w stronę procesów coraz częściej obsługiwanych przez agentów dokumentowanie tego, jak faktycznie działa dany proces, stanie się częścią tej pracy. Wiedza procesowa nie będzie już przydatna tylko podczas onboardingu nowych osób czy do organizacji pracy wewnętrznej. Stanie się kontekstem, którego AI potrzebuje, żeby poprawnie wykonać zadanie.

2. Boty AI stają się nowym kanałem zakupowym

Jeszcze niedawno automatyczny ruch w e-commerce omawiano głównie jako problem bezpieczeństwa. Sprzedawcy musieli radzić sobie ze scraperami, próbami przejmowania kont, testowaniem kart i innymi formami niepożądanej automatyzacji. Naturalną odpowiedzią było więc wykrywanie botów i ich blokowanie.

To już nie wystarcza.

Boty AI odpowiadały za 47,9% ruchu e-commerce w globalnej sieci Akamai w drugiej połowie 2025 roku. Adobe Analytics odnotowało z kolei 4700% wzrostu rok do roku ruchu generowanego przez AI na amerykańskich stronach detalicznych, podczas gdy Radware zauważyło jednoczesny wzrost udziału szkodliwych botów z 31% do 43% ruchu w okresie świątecznym. Dobrym wprowadzeniem do problemu jest analiza wyzwań związanych z uwierzytelnianiem agentów, bo oba zjawiska zachodzą dziś jednocześnie.

Część automatycznego ruchu nadal trzeba blokować. Część może jednak reprezentować prawdziwego klienta próbującego dokonać zakupu.

To komplikuje uwierzytelnianie. Nie wystarczy już ustalić, że zapytanie pochodzi od agenta AI. Sprzedawca musi także wiedzieć, w czyim imieniu agent działa i do czego został upoważniony.

Są już przykłady pokazujące, że może mieć to realną wartość biznesową. Williams Sonoma podaje, że klienci korzystający z Olive, własnego agenta zakupowego marki, konwertują trzykrotnie częściej niż osoby, które z niego nie korzystają. Home Depot rozwija z kolei Magic Apron, dodając do niego wiedzę dotyczącą konkretnych sklepów.

Oba przykłady są interesujące z jeszcze jednego powodu: agent należy do sprzedawcy. Marka zachowuje relację z klientem i może połączyć interakcję z własnymi danymi, historią zakupów oraz programem lojalnościowym.

Dlatego agentic commerce nie będzie sprowadzać się wyłącznie do pytania, który model AI wybierze sprzedawca. Znaczenie będą miały także platforma Customer Engagement, warstwa identyfikacji klienta i infrastruktura danych stojąca pod spodem.

Dla zespołów e-commerce kolejny etap zarządzania botami będzie więc w mniejszym stopniu polegał na domyślnym blokowaniu automatyzacji, a w większym na ustalaniu, którym automatycznym działaniom można zaufać i pod jakimi warunkami.

3. Przewaga konkurencyjna przesuwa się w stronę własnych danych i procesów

Jednym z najczęściej powtarzanych argumentów dotyczących generative AI jest to, że zmniejsza ono różnice między firmami. Jeżeli każdy może tworzyć podobne treści, szybko budować landing page’e i projektować logikę kampanii z pomocą AI, część przewag, które firmy miały wcześniej, staje się znacznie łatwiejsza do skopiowania.

To prawda. Nie oznacza jednak, że cała przewaga konkurencyjna znika.

We wrześniu Brinker przedstawił odwrotny argument w swoim artykule o nieoczekiwanej korzyści wynikającej z prawa Marteca. Jego teza jest prosta: największą szansę na przetrwanie mają te przewagi, których konkurent nie może odtworzyć tylko dlatego, że korzysta z tego samego modelu AI.

Przydatne jest tutaj rozróżnienie między możliwością a zasobem.

Generowanie tekstów kampanii to możliwość. Budowanie segmentu albo landing page’a również. Koszt dostępu do tych możliwości bardzo szybko spada.

Historia zakupowa Twoich klientów to już zasób. Tak samo jak własne dane zebrane za zgodą klientów, wieloletnia wiedza o ich zachowaniach, relacje z dostawcami, historia zwrotów czy konkretne procesy, które firma wypracowała przez lata. Konkurent może kupić dostęp do tego samego modelu AI, ale nie odtworzy tych rzeczy z dnia na dzień.

Zmienia to również sposób, w jaki warto patrzeć na dane klientów. W letnich trendach martech pisaliśmy o tym, że CDP coraz częściej staje się silnikiem kontekstu dla AI. Argument dotyczący przewagi konkurencyjnej jest naturalnym rozwinięciem tej myśli: gdy wykonanie samego zadania coraz łatwiej skopiować, większego znaczenia nabiera własny kontekst, na którym ono bazuje.

Dlatego ujednolicone dane klientów nie powinny być traktowane wyłącznie jako projekt technologiczny. Ważniejsze pytanie brzmi: co organizacja potrafi zrozumieć i zrobić dlatego, że przez lata zbierała, łączyła i utrzymywała te dane?

Dla części marek AI ujawni dość niewygodną prawdę. Jeżeli cała przewaga polegała na wcześniejszym dostępie do narzędzia albo szybszej produkcji treści, to od początku była tylko tymczasowa.

4. Reklamy w AI warto testować, ale rynek wciąż jest niedojrzały

OpenAI znacznie uprościło zakup reklam w ChatGPT i prognozuje 100 mld dolarów przychodów reklamowych do 2030 roku.

To bardzo ambitna prognoza. Analiza MarTech zwraca jednak uwagę na ważne rozróżnienie: samo udostępnienie powierzchni reklamowej nie dowodzi jeszcze, że reklamodawcy rzeczywiście będą wydawać w tym kanale tak duże pieniądze.

Nie oznacza to jednak, że marketerzy powinni ten kanał ignorować.

Nowe środowiska reklamowe często dają ciekawą możliwość nauki, zanim rynek dojrzeje. Powierzchnia reklamowa może być tańsza, konkurencja mniejsza, a zespoły, które zaczynają eksperymentować wcześniej, mogą zrozumieć zachowanie użytkowników, zanim dany kanał stanie się powszechny.

Najważniejsze jest jednak to, jak taki test będzie oceniany.

Reklama wyświetlana dziś w środowiskach AI nie ma jeszcze tak dojrzałych metod pomiaru jak płatne wyniki wyszukiwania czy social media. Traktowanie jej tak, jakby miała, może prowadzić do nierealistycznych oczekiwań. Na tym etapie znacznie więcej sensu ma mały budżet testowy z jasno określonym celem nauki niż przesuwanie istotnej części budżetu mediowego do nowego kanału na podstawie długoterminowych prognoz przychodów.

Podobny schemat obserwowaliśmy już przy innych platformach reklamowych. Na początku nowa powierzchnia potrafi wyglądać wyjątkowo atrakcyjnie, bo rynek jeszcze nie ustalił, ile faktycznie jest warta. Gdy pojawia się więcej reklamodawców, ceny i wyniki zaczynają się stabilizować.

Dlatego pierwsze testy powinny odpowiedzieć na kilka podstawowych pytań. Jak wygląda grupa odbiorców? Które formaty działają najlepiej? Co dzieje się po kliknięciu? Jak wiarygodna jest atrybucja? Czy użytkownicy pozyskani w tym kanale zachowują się inaczej niż osoby trafiające z innych płatnych źródeł?

Jeśli przy okazji test przyniesie dobre wyniki sprzedażowe, tym lepiej. Na razie jednak wiedza zdobyta podczas eksperymentu może być równie cenna jak natychmiastowy zwrot z inwestycji.

5. Marketing Operations coraz bliżej strategicznego zarządzania marketingiem

Ostatni trend dotyczy mniej samej technologii, a bardziej tego, co cztery poprzednie oznaczają dla osób odpowiedzialnych za marketing.

We wrześniowym wywiadzie na MarTech pojawiła się teza, że kolejna generacja CMO może wywodzić się z marketing operations. Jeszcze kilka lat temu brzmiałoby to jak celowo prowokacyjna prognoza. Dziś znacznie łatwiej zrozumieć, skąd się bierze.

Współczesne zarządzanie marketingiem coraz częściej wymaga rozumienia tego, jak współpracują ze sobą dane, systemy i procesy.

Jeżeli agenci mają wykonywać procesy, ktoś musi wiedzieć, skąd bierze się kontekst potrzebny do ich działania. Jeżeli dane klientów stają się częścią przewagi konkurencyjnej, ktoś musi rozumieć, jak są zbierane i aktywowane. Jeżeli pojawia się nowy kanał reklamowy oparty na AI, ktoś musi zdecydować, jak go przetestować, nie myląc eksperymentu z potwierdzoną skutecznością.

Kreatywne wyczucie nadal jest niezbędne. Tak samo jak rozumienie marki, klientów i intuicja kampanijna. Zmiana polega na tym, że te kompetencje coraz częściej muszą iść w parze ze zrozumieniem operacyjnym i technologicznym.

Dla osób pracujących już w marketing operations otwiera to znacznie wyraźniejszą drogę do strategicznego zarządzania. Najcenniejszą umiejętnością nie musi być zdolność automatyzowania największej liczby zadań, ale umiejętność zdecydowania, które procesy należy zautomatyzować najpierw.

To ważna różnica. Można przecież zbudować niezwykle zaawansowaną automatyzację wokół procesu, który ma minimalny wpływ na biznes, podczas gdy ważna kampania nadal zależy od tego, czy ktoś w każdy czwartek wyeksportuje arkusz.

Pisaliśmy już wcześniej o automatyzowaniu procesów we właściwej kolejności. Im większą część realizacji przejmą agenci, tym ważniejsze stanie się ustalanie właściwej kolejności. Dobra decyzja o automatyzacji nie dotyczy już tylko oszczędności czasu. Określa, które części marketingu będzie później łatwiej skalować.

Marketing Operations tradycyjnie działało za kulisami najbardziej widocznej części marketingu. Coraz częściej zaczyna jednak uczestniczyć bezpośrednio w decyzjach, które kształtują tę pracę od początku.

Co warto zrobić w tym kwartale

Żaden z tych trendów nie wymaga całkowitego przebudowania stacku martech. Wskazują jednak kilka praktycznych rzeczy, które warto sprawdzić już teraz:

• Spisz procesy, które zależą dziś od wiedzy jednej lub dwóch osób. Jeżeli w przyszłości ma z nimi pracować agent AI, ta wiedza będzie musiała istnieć również poza ich głowami.

• Sprawdź, jaka część ruchu na Twojej stronie jest generowana automatycznie i czy potrafisz odróżnić potencjalnie wartościowych agentów zakupowych od niepożądanych botów.

• Wypisz dane, procesy i relacje, których konkurenci nie są w stanie odtworzyć, nawet jeśli korzystają z dokładnie tych samych narzędzi AI.

• Przeznacz niewielki budżet na test reklam w środowiskach AI i jeszcze przed startem określ, czego dokładnie chcesz się nauczyć, zamiast zaczynać od oczekiwań dotyczących wyniku.

• Przypisz właściciela każdej automatyzacji, jasno określając, kto ją sprawdza po uruchomieniu oraz kto odpowiada za jej zmianę albo zatrzymanie.

Wszystkie pięć trendów prowadzi do dość prostego wniosku.

Technologie marketingowe stają się coraz łatwiej dostępne, a wiele możliwości, które jeszcze niedawno wyróżniały najlepsze zespoły, zaczyna być standardem. Nie oznacza to, że stack martech przestaje mieć znaczenie. Oznacza tylko, że sam stack coraz rzadziej będzie powodem, dla którego jeden zespół marketingowy osiąga lepsze wyniki od drugiego.

Trwalszych różnic trzeba coraz częściej szukać w danych, które firma budowała przez lata, w procesach, których nauczyła się dobrze wykonywać, oraz w ludziach, którzy rozumieją, jak wszystkie te elementy łączą się ze sobą.

Na demo produktowym pokazuje się je znacznie trudniej. Konkurencji również znacznie trudniej je skopiować.