OpenAI + Make w agencji marketingowej: jak naprawdę wygląda to w praktyce

Kiedy kilka miesięcy temu siedziałam z zespołem jednej z warszawskich agencji na Zoomie o 21:30, wszyscy mieli ten sam problem: „My już nie wyrabiamy na komentarze, raporty, leady, a każdy kolejny klient to logistyczny koszmar”. Zamiast dorzucać kolejne ręce do pracy, zaczęłyśmy składać im ekosystem na OpenAI i Make. Po trzech tygodniach pierwsza osoba z social mediów mogła wreszcie wyłączyć Slacka przed 19:00.

I o tym jest ten tekst: jak wykorzystuję połączenie OpenAI z Make w realnych agencjach – bez kodowania, bez magii, za to z konkretnymi efektami.

Dlaczego akurat duet OpenAI + Make?

Make jest dla mnie orkiestratorem – spina w całość CRM, arkusze, Notion, Slacka, skrzynki mailowe. OpenAI jest mózgiem, który potrafi z tych danych wyciągnąć sens, przetworzyć kontekst i podać gotowy wynik: draft odpowiedzi, propozycję kampanii, podsumowanie raportu.

W jednej z agencji performance’owych na Pradze zaczęłyśmy od bardzo prostego zestawu: CRM + Google Sheets + OpenAI w Make. Zero kodu. Najpierw tylko obsługa leadów, później social media, na końcu raporty. Dopiero kiedy rozpięłyśmy to na 4 osobne automatyzacje, całość zaczęła działać jak kompletny system, a nie „jeden fajny scenariusz w Make”.

Co ważne – największa oszczędność czasu zwykle nie wynika z samego generowania tekstów. Prawdziwy skok produktywności pojawia się tam, gdzie AI w Make automatycznie przygotowuje kontekst: zaciąga dane z CRM, Notion, Google Drive, historii kampanii i dopiero na tej podstawie tworzy treść czy rekomendację. To właśnie te „szare”, niewidoczne kroki robią największą różnicę.

Jak wygląda integracja OpenAI w Make od kuchni

W Make mamy natywny moduł OpenAI, w tym obsługę Assistants API. Dzięki temu mogę w jednym scenariuszu:

  • pobrać dane z CRM lub formularza,
  • przekształcić je w ustrukturyzowany kontekst,
  • nakarmić tym kontekstem asystenta OpenAI,
  • odesłać wynik do maila, Slacka, Airtable czy Notion.

W jednej z agencji B2B na Mokotowie cała logika promptów nie siedzi w Make, tylko w Airtable. Head of content może zmienić ton wypowiedzi albo strukturę odpowiedzi w dwóch komórkach Airtable, bez dotykania automatyzacji. Make po prostu pobiera na bieżąco aktualny prompt z Airtable i przekazuje go do OpenAI. To rozwiązanie bardzo polecam – szczególnie gdy macie kilku strategów, którzy lubią „dopieszczać” komunikację.

Przy większej skali pojawia się inny, mało omawiany problem: koszty tokenów i limity znaków. W jednej agencji e‑commerce, która odpytywała OpenAI przy prawie każdym ruchu w CRM, rachunek za modele nagle wyskoczył kilkukrotnie. Rozwiązaniem było agresywne skracanie inputów, kompresja historii rozmów i wprowadzenie zasady: AI dostaje tylko to, czego naprawdę potrzebuje, a resztę doczytuje z powiązanych rekordów.

Social media: automatyczna analiza opinii i odpowiedzi

W pewien poniedziałek w biurze przy ul. Dobrej social media managerka pokazywała mi Excela z ponad tysiącem komentarzy z Facebooka i Google My Business. Wszystko ręcznie, wszystko „na wczoraj”. To był idealny kandydat pod OpenAI + Make.

Dziś ten proces wygląda tak:

  1. Make zbiera nowe opinie i komentarze z Facebooka, Google My Business i innych źródeł.
  2. OpenAI klasyfikuje je pod kątem sentymentu (pozytywny, neutralny, negatywny) i tematu.
  3. Na tej podstawie generowany jest szkic odpowiedzi dopasowany do tonu marki.
  4. W przypadku wpisów krytycznych trafia powiadomienie na konkretny kanał Slacka z oznaczeniem odpowiedniej osoby.

W wielu kampaniach udaje się w ten sposób obsłużyć około 70–80% komentarzy w trybie „AI draft” – człowiek tylko rzuca okiem, poprawia detale i akceptuje. I co ważne: nie chodzi tu wyłącznie o oszczędność czasu. Jakość odpowiedzi też rośnie, bo model ma stały dostęp do bazy wiedzy klienta: FAQ, polityki, archiwalnych kampanii zapisanych w Notion lub Google Drive.

Ciekawy dodatek, który wdrożyłyśmy u jednego z klientów: OpenAI działa też jako recenzent odpowiedzi pisanych przez ludzi. Scenariusz w Make wysyła przygotowaną przez social media managerkę odpowiedź do OpenAI z prośbą o ocenę zgodności z wytycznymi marki i tonem głosu. Model nie przepisuje tekstu od zera – tylko zaznacza potencjalne ryzyka i sugeruje korekty. Efekt: mniej „wpadek” komunikacyjnych, mniej stresu.

Generowanie opisów z wideo: od uploadu do gotowego posta

W studiu klienta na Żoliborzu nagrywałyśmy serię krótkich filmów edukacyjnych. Po trzecim nagraniu padło klasyczne: „Super, tylko kto teraz do tego wszystko opisze na LinkedIn, YouTube, Insta…?”. Odpowiedź: system.

Schemat, który tam wdrożyłam:

  • Upload pliku wideo na YouTube lub Google Drive uruchamia scenariusz w Make.
  • Model Whisper transkrybuje nagranie.
  • OpenAI na podstawie transkrypcji tworzy kilka wersji opisów: dłuższy na LinkedIn, krótszy na Instagram, opis pod YouTube, czasem nawet lead pod artykuł.
  • Całość ląduje w Notion, a część postów od razu wpada do kolejki w Metricool.

Różnica w czasie pracy była brutalnie czytelna. Zespół, który normalnie potrzebował 3–4 godzin na przygotowanie szkicu artykułu czy pakietu postów z jednego materiału, schodził do 20–40 minut. Przy tej samej liczbie osób produkowali dwa–cztery razy więcej sensownych tekstów.

Jedna z marek, z którymi pracuję, po kilku miesiącach takiego półautomatycznego recyklingu wideo zanotowała wzrost ruchu organicznego na blogu i socialach rzędu 20–60% (dane z Google Analytics i Search Console). To był cud contentu. regularność i skalowalność: nagranie wideo przestaje być „jednorazowym strzałem”, a staje się źródłem całych serii postów.

Warto też pamiętać o drugiej stronie medalu: przy dużej ilości materiałów video prompt engineering zaczyna być osobnym projektem. W kilku agencjach trzymam prompty nietwardo w Make, tylko w osobnych bazach w Airtable lub Notion – osobny moduł „prompt hub”. Strateg może łatwo decydować, jak zmienia się perspektywa, CTA, długość, a Make tylko wstrzykuje odpowiedni prompt w odpowiednim miejscu scenariusza.

Lead nurturing i oferty: AI jako pierwszy handlowiec

Przy jednym z klientów SaaS-owych, gdzie większość leadów wpada z Typeforma, usiadłyśmy z działem sprzedaży w sali konferencyjnej przy ul. Pięknej. Na tablicy: „średni czas odpowiedzi – kilka godzin, konwersja lead → rozmowa: do poprawy”. To klasyczny przypadek, gdzie OpenAI + Make potrafi zrobić dużą różnicę w krótkim czasie.

Scenariusz wygląda mniej więcej tak:

  • Nowy formularz (Elementor, Typeform, Webflow) uruchamia trigger w Make.
  • Dane z formularza trafiają do OpenAI, gdzie model:
    • podsumowuje treść zapytania,
    • ocenia potencjał (lead scoring) na podstawie ustalonych kryteriów,
    • przygotowuje szkic odpowiedzi dopasowanej do kategorii klienta.
  • Draft maila zapisywany jest w Gmailu lub Outlooku, a kluczowe dane i scoring trafiają do CRM (HubSpot, Pipedrive, czasem SalesWizard).

W kilku agencjach, gdzie ten schemat wdrożyłam, średni czas pierwszej odpowiedzi spadł z „kilku godzin” do „kilku minut”, a konwersja lead → rozmowa handlowa podskoczyła o kilkanaście procent (na podstawie danych z CRM i pipeline’ów).

Ciekawym zastosowaniem jest też użycie OpenAI jako asystenta sprzedaży. Make po odebraniu zapytania ofertowego potrafi:

  • przeanalizować, o co tak naprawdę prosi klient,
  • wyciągnąć z maila kluczowe informacje i uzupełnić odpowiednie pola w CRM,
  • zaproponować szkic odpowiedzi oraz listę pytań doprecyzowujących.

W jednym z software house’ów w Krakowie, z którym pracuję, handlowiec rano wchodzi do CRM i ma już pouzupełniane rekordy: budżet, rodzaj projektu, priorytet, branża – wszystko wyciągnięte z długich maili przez OpenAI.

Klasteryzacja fraz SEO i planowanie contentu

Jest taki moment w większości agencji SEO: ktoś wkleja do Google Sheets kilkaset fraz z narzędzia typu Senuto czy Ahrefs i mówi „to teraz by się przydało to ogarnąć tematycznie”. Ręczne grupowanie to mordęga, szczególnie przy dużej liczbie słów kluczowych.

W jednej z agencji z Wrocławia postawiłyśmy to procesem:

  1. Wrzucasz do arkusza surową listę fraz.
  2. Trigger w Make odczytuje nowe wpisy.
  3. OpenAI:
    • przypisuje frazy do grup tematycznych,
    • określa Search Intent,
    • proponuje robocze tytuły artykułów,
    • czasem sugeruje hierarchię: które frazy są „pillar”, a które wspierające.

Zaktualizowane dane trafiają z powrotem do tego samego arkusza, ale już do osobnych zakładek i kolumn. Zespół contentowy dostaje gotowy „content map”: temat, intencja, tytuł, propozycja struktury. Zamiast godzin sortowania w Excelu, praca zaczyna się od momentu kreatywnego.

Przy większej liczbie klientów SEO przydaje się jeszcze jedno: automatyczne generowanie „research prompts” na podstawie danych klienta i historii kampanii. W jednej agencji contentowej OpenAI dostaje zestaw informacji o kliencie z CRM + poprzednie artykuły, a w zamian zwraca listę pomysłów na A/B testy, nowe wątki do poruszenia, potencjalne sekcje FAQ. To taki półautomatyczny strateg kampanii, który pomaga zespołowi wymyślać, a nie tylko wykonywać.

Raporty marketingowe: od danych do sensownych wniosków

W pewnej agencji e‑commerce z Poznania miałam sytuację, gdzie account na koniec miesiąca siedział do 23:00 nad Excelem i prezentacją do klienta modowej marki. Dane z Google Ads, Meta Ads, GA4, CRM – wszystko ręcznie sklejane. Idealne pole dla Make i OpenAI.

Model wdrożenia:

  • Make zbiera dane z Google Sheets, Looker Studio, czasem bezpośrednio z API reklamowych.
  • Dane są agregowane i normalizowane (ten krok jest kluczowy, bo AI potrzebuje porządku).
  • OpenAI dostaje już ustrukturyzowany zestaw metryk: wydatki, przychody, ROAS, zmiany tydzień do tygodnia, sezonowość.
  • W zamian generuje:
    • podsumowanie miesięczne „po ludzku”,
    • rekomendacje działań na kolejny okres,
    • podkreślenie nietypowych odchyleń.

Przy portfelu 20–30 klientów takie podejście potrafi zaoszczędzić od kilkudziesięciu do ponad sześćdziesięciu godzin miesięcznie – to są realne liczby z dwóch agencji, z którymi pracuję (na podstawie time trackingu). Jednocześnie rośnie poziom „konsultingowości” raportów, bo AI można poprosić: „zachowuj się jak senior performance marketer” i kazać mu zwracać uwagę na konkretne wskaźniki.

Spójny tone of voice – jak to poukładać, żeby nie bolało

Jedna z bardziej bolesnych rzeczy dla klientów: każdy copywriter pisze trochę inaczej. Przy trzech osobach w zespole różnice są jeszcze do ogarnięcia, przy siedmiu–ośmiu zaczyna się chaos. Z OpenAI i Make można to bardzo sensownie ujednolicić.

Robię to zwykle w kilku krokach:

  1. Tworzę „bibliotekę” tone of voice klienta – fragmenty tekstów, których klient jest najbardziej dumny, wytyczne, co jest absolutnie niedopuszczalne. Wszystko ląduje w Notion lub Airtable.
  2. OpenAI uczy się na tym stylu – w sensie trenowania własnego modelu. przez konsekwentne podawanie tego jako kontekstu w promptach lub w ramach Assistants API.
  3. Każdy scenariusz Make, który generuje treści (od postów po maile), pobiera z bazy właściwy pakiet wytycznych i przekazuje go do modelu.

Dodatkowo, w kilku agencjach wdrożyłyśmy moduł „ujednolicanie stylu”. Scenariusz w Make:

  • zbiera teksty od różnych copywriterów,
  • wysyła je do OpenAI z instrukcją: dostosuj język do standardu marki X,
  • odsyła poprawione wersje do Notion lub CRM-u.

Account managerzy bardzo to doceniają, bo łatwiej im utrzymać spójność komunikacji, a klienci przestają wyczuwać różnice między „tekstem Ani” i „tekstem Marcina”.

Technika, o której mało kto mówi: błędy, retry i logowanie

Przy intensywnym korzystaniu z OpenAI w Make zaczynają wychodzić na wierzch problemy techniczne. W jednej agencji z Trójmiasta nagle przestały działać scenariusze obsługujące komentarze. Powód? Cicha zmiana w odpowiedziach API OpenAI i brak zabezpieczeń po stronie Make.

Dlatego przy większej skali zawsze dodaję:

  • mechanizm retry z backoffem (czyli powtarzanie zapytań do API z rosnącym odstępem czasu),
  • logowanie błędów do Slacka albo Google Sheet z czytelną informacją: kiedy, gdzie, jaki błąd, jaki był input.

To może brzmieć „technicznie”, ale bez tego każdy drobny problem w API to potencjalny przestój w obsłudze klientów. Z perspektywy agencji to po prostu polisa bezpieczeństwa.

Kontrola jakości i proces akceptacji treści

W jednej agencji kreatywnej na Powiślu największym wyzwaniem przy wdrożeniu AI nie była technologia, tylko… workflow akceptacji. Kto zatwierdza treści? Kiedy? Jak odróżnić, co jest draftem AI, a co już przeszło przez człowieka?

Finalnie ustaliłyśmy trzystopniowy przepływ, który dziś często powtarzam:

  • AI draft – treść wygenerowana automatycznie, czeka w Airtable/CRM na weryfikację.
  • Copywriter – człowiek poprawia, nadaje finalny szlif.
  • Approved – oznaczenie, że materiał jest gotowy do publikacji lub wysyłki.

Statusy są oznaczane w CRM lub Airtable, a Make pilnuje przejść między nimi i wysyła przypomnienia. Dodatkowo OpenAI pełni rolę recenzenta: sprawdza, czy finalny tekst jest zgodny z brand bookiem i wytycznymi. To naprawdę zmniejsza napięcie między „AI nam odbierze pracę” a „AI jest narzędziem, które daje nam więcej czasu na rzeczy, które lubimy”.

Bezpieczeństwo, dane i zdrowy rozsądek

Przy jednym projekcie w branży medycznej klient bardzo mocno podnosił temat bezpieczeństwa danych. I słusznie. Automatyzacje z OpenAI i Make często dotykają wrażliwych informacji, więc:

  • ograniczam zakres danych wysyłanych do modeli do absolutnego minimum,
  • pseudonimizuję dane tam, gdzie się da (np. „Klient A”, bez imienia i nazwiska),
  • pilnuję uprawnień w Make i narzędziach źródłowych,
  • jasno komunikuję zespołom, czego nie wrzucamy do AI.

Drugim filarem bezpieczeństwa jest stały monitoring. AI nie jest rozwiązaniem „ustaw raz i zapomnij”. W każdym projekcie ustawiam stałą pętlę: regularny przegląd outputów, korekty promptów, dopinanie wyjątków. Zaskakująco często to drobna zmiana w promptach albo w filtrach wejściowych robi największą różnicę w jakości.

Od czego zacząć w swojej agencji

Jeżeli myślisz teraz: „Brzmi dobrze, ale od czego w ogóle ruszyć?”, to podpowiem ci ścieżkę, którą najczęściej prowadzę zespoły:

  1. Social media i obsługa komentarzy
    Duża ilość powtarzalnych zadań, szybki efekt, wyraźne odczucie ulgi w zespole. Idealny „pierwszy projekt”.

  2. Lead nurturing i odpowiedzi na zapytania
    Każda minuta szybszej reakcji przekłada się na pieniądze. Tu bardzo wyraźnie widać zwrot z inwestycji.

  3. Raporty i podsumowania kampanii
    Oszczędność godzin seniorów, którzy zamiast przeklejać dane mogą je wreszcie interpretować i doradzać klientom.

  4. Content z recyklingu (wideo → tekst, audio → tekst)
    Szczególnie jeśli masz klientów, którzy dużo nagrywają, ale rzadko wykorzystują to dalej.

Przy planowaniu pamiętaj o jednym: zaprojektuj od razu sposób kontroli kosztów tokenów. W kilku projektach budowałyśmy w Airtable prosty moduł, który liczył średnie zużycie tokenów na scenariusz i pozwalał mi na bieżąco optymalizować inputy i prompty.

Podsumowanie: AI i Make jako realny partner, nie gadżet

Po tych kilkunastu wdrożeniach w różnych agencjach widzę jedną wspólną rzecz: najlepsze efekty przychodzą z „jednego mega scenariusza”. z zestawu 3–4 dobrze przemyślanych automatyzacji, które razem tworzą ekosystem.

OpenAI + Make potrafią:

  • odciążyć zespoły z ręcznych, powtarzalnych zadań,
  • przyspieszyć obsługę klientów, leadów i raportów,
  • ujednolicić styl komunikacji wielu osób,
  • podnieść jakość treści – zarówno generowanych przez AI, jak i pisanych przez ludzi.

Ale ten duet wymaga też odpowiedzialności: kontroli jakości, zadbania o dane, rozsądnego planowania kosztów i traktowania AI jako współpracownika, którego czasem trzeba skorygować, a nie jako nieomylnej wyroczni.

Jeśli chcesz, możesz zacząć naprawdę małym krokiem: jednym scenariuszem w Make, który np. zbiera komentarze z Facebooka, wysyła je do OpenAI po analizę i odkłada wyniki do arkusza. Kiedy zobaczysz różnicę w codziennej pracy zespołu, reszta pomysłów pojawi się bardzo szybko – bo to zwykle ludzie z agencji pierwsi zaczynają mówić: „Marta, a da się jeszcze zautomatyzować… ?”.