Research kampanii z 3 dni do 15 minut dzięki agentowi AI - Case study Process Hub

Każda kampania w AI Marketing Factory zaczyna się od researchu: co boli persony w tym tygodniu, jakie tematy rezonują w branży, czym konkurencja właśnie zaatakuje feed. Bez tej wiedzy agent copywriterski produkuje poprawny, ale generyczny content. Przez pierwsze tygodnie projektu ten research robił człowiek - i zajmowało mu to 3 dni. Teraz robi go agent w 15 minut, z cytowaniem źródeł i datą pobrania przy każdej informacji.

Co było „zepsute"?

AI Marketing Factory (AMF) to system autonomicznej produkcji treści marketingowych działający w Process Hub. Na wejściu dostaje brief kampanii z Jiry. Na wyjściu - gotową treść z opisem wizualnym, po zatwierdzeniu przez CEO przez Bramkę B1.

Problem był w punkcie startowym. Zanim agent copywriterski mógł cokolwiek napisać, ktoś musiał dostarczyć mu aktualny kontekst rynkowy:

• Jakie tematy poruszają teraz osoby decyzyjne w branży docelowej?
• Co publikują konkurenci i jakie posty zbierają największe zaangażowanie?
• Jakie bóle persony są teraz najgłośniej artykułowane na LinkedIn i w portalach branżowych?

Ten kontekst był zbierany ręcznie. Michał (Solution Manager) spędzał na researchu 2-3 godziny tygodniowo. Do każdej nowej kampanii team wracał do Google, LinkedIn i 5-6 portali branżowych. Wyniki lądowały w notatce, którą ktoś potem ręcznie wklejał do briefu agenta.

Trzy konkretne problemy:

• Czas: 3-5 dni od ticketu w Jirze do gotowego raportu B1 - zanim agent w ogóle zaczął pisać
• Brak cytowań: żadna informacja w raporcie nie miała źródła ani daty - nie dało się zweryfikować czy jest aktualna
• Izolacja wiedzy: wyniki researchu nie trafiały do pamięci systemu - każda kampania startowała od zera, bez nauki z poprzednich

Dlaczego tak, a nie inaczej?

Przed wyborem narzędzi przeprowadziliśmy dwa spiki badawcze.

SPIKE 7.1 - testowaliśmy trzy narzędzia DeepSearch: Perplexity Sonar, Tavily i Claude Research. Każde odpytaliśmy o 2 scenariusze rynkowe dopasowane do person AMF (manager IT i właściciel firmy produkcyjnej 100+ pracowników). Sprawdziliśmy format danych, latency, dokładność cytowań i koszt per zapytanie.

SPIKE 7.2 - walidacja WebScrapera w n8n dla 12 platform: LinkedIn, Facebook, Reddit, portale branżowe (górnictwo, produkcja, logistyka). Weryfikowaliśmy: czy scraper przechodzi zabezpieczenia antybotowe, jak wygląda czystość sparsowanego tekstu po usunięciu HTML i JS, czy dane są wystarczająco świeże do zastosowań marketingowych.

Co odrzuciliśmy

Przetestowaliśmy kilka narzędzi klasy DeepSearch. Wybraliśmy Perplexity Sonar jako najlepszy stosunek kosztu do jakości dla grounded queries z cytatami - pozostałe opcje albo generowały wyższe koszty przy podobnych wynikach dla polskojęzycznych treści, albo były zbyt drogie przy rutynowych zapytaniach rynkowych.

Rozważaliśmy też budowę własnego crawlera. Odrzuciliśmy - kilka tygodni integracji vs gotowe API. W systemie opartym na szybkiej iteracji to nie miało sensu.

Co dokładnie dowieźliśmy?

Stack technologiczny

• n8n (orkiestrator, self-hosted)
• Perplexity API (grounded search z cytowaniami)
• Scraper portali branżowych (własna konfiguracja)
• Moduł analizy trendów B2B (LinkedIn, branżowe)
• PostgreSQL + pgVector (zapis wyników do pamięci długoterminowej)
• Jira API (trigger wejściowy i wyjście raportu)

Kluczowe moduły

Trigger Jira → Agent Researcher. Workflow n8n uruchamia się automatycznie po utworzeniu nowego Epic lub Story w projekcie AMF-CAMPAIGNS. Pobiera DNA kampanii z Jira Custom Fields (persona, branża, OKR, Wektor Autentyczności) i przekazuje je agentowi jako kontekst zapytania.

Warstwy zbierania danych. Agent odpytuje Perplexity o aktualne trendy powiązane z personą. Równolegle WebScraper przeszukuje wyselekcjonowane portale branżowe. LinkedIn Scraper analizuje dyskusje i posty z ostatnich 7 dni w segmencie B2B klienta. Każda informacja wraca z URL źródła i datą.

Contextual Retrieval. Wyniki wyszukiwania są semantycznie dopasowywane do bazy wektorowej DNA marki w pgVector. Agent wybiera tylko te trendy, które rezonują z profilem marki i historią kampanii - eliminuje szum informacyjny.

Output B1 - raport Emotional Landscape. Na wyjściu: raport z 3 propozycjami tematów kampanii, każdy z kątem kreatywnym, uzasadnieniem emocjonalnym i metadanymi źródeł. Raport trafia automatycznie do Jiry jako komentarz do ticketu, gotowy do akceptacji CEO przez Bramkę B1.

Największe wyzwanie techniczne

Scraping LinkedIn. Platforma aktywnie blokuje automatyczne odczyty - znaczna część testowych requestów wracała z błędem lub pustą odpowiedzią. Rozwiązanie wymagało kilku iteracji: dopracowania mechanizmów omijania zabezpieczeń antybotowych i dedykowanego parsera czyszczącego surowe dane z HTMLa. Jakość sparsowanych treści wzrosła do poziomu, który agent mógł bezpośrednio przetworzyć bez dodatkowej walidacji.

Co to dało „w cyferkach"?

• Czas od ticketu do raportu B1: 3-5 dni → 15 minut
• Liczba źródeł per raport: 3-5 (nieweryfikowane) → 8-12 (z cytowaniami i datami)
• Czas manualnego researchu tygodniowo: 2-3 godziny → 0 godzin (tylko akceptacja bramki)
• Oszczędność czasu senior team member: ~120 godzin rocznie × 120 PLN/h = 14 400 PLN rocznie
• Aktualność danych: ze statycznej wiedzy modelu do danych z tego samego dnia
• Integracja z pamięcią: każdy wynik DeepSearch trafia do pgVector - baza wiedzy kampanii rośnie automatycznie

Agent Researcher potrafi połączyć trend z dzisiejszego poranka z brandookiem stworzonym miesiąc temu. To jest ten poziom kontekstu, którego wcześniej nie byliśmy w stanie skalować.

Tego, czego sami codziennie używamy w Process Hub, uczymy Wasze zespoły. Jeśli Twój marketing też startuje od manualnego researchu - napisz do nas, pokażemy jak to wygląda u nas od środka.