![[ENG] Inżynier marketingu: praca za milion dolarów z agentami AI](https://aiport.pl/wp-content/uploads/2026/09/eng-inzynier-marketingu-praca-za-milion-dolarow-z-agentami-ai.webp "[ENG] Inżynier marketingu: praca za milion dolarów z agentami AI")
Greg Isenberg, gospodarz The Startup Ideas Podcast, poświęcił solowy odcinek roli, którą nazywa marketing engineer, i twierdzi, że w ciągu 18 do 24 miesięcy stanie się ona jedną z najlepiej opłacanych funkcji w branży technologicznej. Isenberg szacuje widełki na 250 tys., 500 tys. i ponad milion dolarów rocznie, bo taka osoba nie prowadzi pojedynczych kampanii, tylko buduje z agentów AI system marketingowy, który uczy się co tydzień.
- Greg Isenberg definiuje rolę „marketing engineera" jako osobę, która zamienia sygnał rynkowy w pipeline przy użyciu agentów AI, danych, kodu i wyczucia, i prognozuje, że w ciągu 18–24 miesięcy stanie się ona jedną z najlepiej opłacanych funkcji w branży technologicznej z widełkami 250 tys., 500 tys. i ponad milion dolarów rocznie.
- Isenberg opisuje sześć systemów składających się na pracę marketing engineera, m.in. silnik treści założyciela, outbound oparty na sygnale, silnik testów kreacji oraz widoczność w wyszukiwaniu AI, a fundamentem całości ma być „growth repo" – repozytorium na GitHubie przechowujące pamięć marketingową firmy.
- Przy doradztwie opartym na tej roli Isenberg podaje konkretne stawki od 5 tys. do 30 tys. dolarów miesięcznie za wdrożenie trwające 30, 60 lub 90 dni, zastrzegając jednocześnie, że docelowe widełki zarobkowe to jego prognoza, a nie dane z rynku pracy.
Film: Marketing Engineer: The $1M Job with AI Agents
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Od Dona Drapera do agentów AI, czyli cztery ery marketingu według Isenberga
Isenberg buduje cały odcinek wokół tezy, że przy każdej zmianie technologicznej zmienia się to, jaki marketer jest najbardziej wartościowy. Wyróżnia cztery etapy. Era tradycyjna, którą określa mianem ery Dona Drapera, opierała się na psychologii, historii i opakowaniu produktu tak, żeby rynek zwrócił uwagę. Internet stworzył marketera cyfrowego, który potrafił pozyskiwać klientów w mierzalnych kanałach: strony, e-mail, SEO, Google, reklamy na Facebooku od około 2005 i 2006 roku, landing page’e i piksele. Potem przyszedł growth hacking, który Isenberg umieszcza mniej więcej w latach 2008 do 2011 i wiąże z frameworkiem Dave’a McClure’a opartym na aktywacji i poleceniach. Marketing przesunął się wtedy w stronę produktu, bo sam produkt mógł stać się silnikiem wzrostu.
Czwarta era to według niego marketing engineering. Rola nie odrzuca poprzednich kompetencji, wciąż wymaga rozumienia klienta, pozycjonowania, dystrybucji i wyczucia, przy czym Isenberg podkreśla, że wyczucie zyskuje na znaczeniu, bo AI właśnie sprawia, że przeciętny marketing staje się bardzo tani. Nowe jest to, że marketing engineer buduje także maszynerię pod spodem: łączy dane o klientach, czyta wyniki, wypuszcza małe strony i kalkulatory, a surowy sygnał z rynku zamienia w treści, outbound, pozycjonowanie oferty i pomysły produktowe. Własna definicja Isenberga jest krótka: to osoba, która zamienia sygnał rynkowy w pipeline, używając agentów AI, danych, kodu i wyczucia. Problem, który ta rola rozwiązuje, opisuje jako rozproszenie wiedzy, gdzie sprzedaż, wsparcie, produkt i założyciel przychodzą na spotkanie o wzroście z czterema różnymi wersjami rzeczywistości.
Materiał dla marketerów i założycieli, którzy chcą zbudować system, a nie kolejny prompt
To odcinek koncepcyjny z bardzo konkretną warstwą wykonawczą, nagrany w formule solowego monologu bez gościa. Najwięcej wyniosą z niego marketerzy B2B, ludzie od RevOps i growthu oraz założyciele wczesnych startupów, którzy sami prowadzą marketing. Isenberg nie pokazuje ekranu, nie ma tu demo narzędzi ani konfiguracji krok po kroku, więc kto szuka tutoriala, będzie zawiedziony. Wartością jest natomiast układ całości: podział pracy na sześć systemów, sposób pisania specyfikacji dla agenta i przykład branżowy, który autor prowadzi konsekwentnie przez cały materiał. Sam zaznacza, że w wielu miejscach mógł pójść głębiej i pyta widzów, który wątek rozwinąć.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Sześć systemów, które według Isenberga składają się na pracę marketing engineera
Zanim przejdzie do systemów, autor każe zbudować jedną rzecz: growth repo, czyli repozytorium na GitHubie albo zwykły uporządkowany folder, który nazywa growth OS. Ma w nim mieszkać pamięć marketingowa firmy: notatki z rozmów sprzedażowych, zgłoszenia wsparcia, przewodnik po głosie założyciela, ICP, zakazane sformułowania w outboundzie, wyniki testów kreacji i opisy zadań agentów. Argument jest prosty: bez tego AI co tydzień zaczyna od zera, a prompt „napisz mi 10 postów na LinkedIn” nigdy nie dorówna promptowi, który odsyła agenta do pliku z prawdą o kliencie i do pięciu ostatnich postów, które dały wartościowe odpowiedzi.
Systemy, które opisuje dalej, na przykładzie fikcyjnego dostawcy oprogramowania dla firm serwisujących instalacje HVAC:
- System prawdy o kliencie. Codzienny albo cotygodniowy plik markdown, który pokazuje, co się zmieniło w rozmowach, zgłoszeniach i danych, zawsze z cytatem, linkiem lub liczbą zdarzeń. Isenberg tępi ogólniki w stylu „klienci chcą lepszej współpracy” i pokazuje, jak wygląda dobra notatka: pięć rozmów wspominało awaryjną wysyłkę techników, ale wszystkie rozmowy, które się domknęły, dotyczyły niewysłanych wycen po wizycie serwisanta.
- Silnik treści założyciela. Nagrania rozmów i podcastów zamieniane w posty, wideo, linię na landing page’u, kąt do cold maila i prosty kalkulator, a system obserwuje, które haki faktycznie działają.
- Outbound oparty na sygnale. Punktem wyjścia nie jest lista nazwisk, tylko moment: kto pozyskał finansowanie, kto rekrutuje na stanowisko związane z problemem, kto publicznie opisał ból. W przykładzie agent śledzi wykonawców rekrutujących dyspozytorów, otwierających nowe lokalizacje albo zbierających złe opinie.
- Silnik testów kreacji. Jedna oferta rozbijana na dziesiątki haków i kątów reklamowych, z zapisem wyników. Zdaniem Isenberga większość skarg na to, że reklamy na Facebooku nie działają, to w rzeczywistości zbyt mała liczba przetestowanych kreacji.
- Widoczność w wyszukiwaniu AI. Autor powołuje się na wypowiedź Sama Altmana o miliardzie użytkowników ChatGPT i pyta, czy firma jest w ogóle zrozumiała dla takich systemów oraz czy ktoś pracuje nad tym, żeby była przez nie cytowana.
- Growth cockpit. Cotygodniowy przegląd tego, co się zmieniło i co z tym zrobić. Przykładowy wniosek z materiału: kąt o traconym przychodzie z wymian dał mniej kliknięć niż kąt o chaosie w dyspozycji, ale dwa razy więcej próśb o demo od właścicieli firm zatrudniających ponad 20 techników.
Osobny wątek to specyfikacja pracy dla agenta, pisana tak, jakby zatrudniało się człowieka: źródło danych, moment uruchomienia, filtry, oczekiwany wynik, próg akceptacji, punkt kontroli człowieka i metryka. Przy agencie zaczepiającym komentujących pod postami konkurencji metryką nie jest liczba wysłanych wiadomości, tylko liczba pozytywnych odpowiedzi od dopasowanych firm.
Podoba mi się w tym materiale jedno przesunięcie: Isenberg nie sprzedaje narzędzia, tylko nawyk zapisywania tego, czego firma się nauczyła. Repozytorium z prawdą o kliencie, zakazanym słownictwem i wynikami testów to rzecz, którą warto mieć niezależnie od tego, czy używa się agentów, czy nie, bo bez niej każda zmiana narzędzia kasuje pamięć organizacji.
Mam jednak dwa zastrzeżenia. Pierwsze dotyczy pieniędzy. Widełki 250 tys., 500 tys. i milion dolarów to prognoza autora, a nie dane z rynku pracy, i sam Isenberg mówi o nich w trybie przewidywania. Do czasu, aż pojawią się realne ogłoszenia z takimi stawkami, traktowałbym te liczby jako tezę do sprawdzenia.
Drugie dotyczy skali. System, który codziennie generuje setki spersonalizowanych wiadomości i tysiące kreacji, jest tak dobry, jak jego bezpieczniki. Isenberg wspomina o zakazanym słownictwie i o akceptacji człowieka, ale w odcinku nie ma odpowiedzi na pytanie, kto odpowiada za wpadkę, gdy agent wyśle 500 wiadomości opartych na źle odczytanym sygnale. Pytam o to serio, bo to będzie pierwszy realny test tej roli.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Grokbot blisko internetu, Claude i Codex do budowania, Hermes do harmonogramów
Isenberg dzieli stos narzędziowy według zadań, nie według producentów. Grokbot, agentową aplikację xAI, opisuje jako system operacyjny wzrostu, który siedzi blisko internetu i ekosystemu X, i proponuje dla niego cztery oddzielne pasy: obserwacja konkurencji, język klientów na X i Reddicie, formaty używane przez twórców oraz reklamy i landing page’e. Claude i Codex umieszcza w innej części układu, jako narzędzia do zbudowania repozytorium, wygenerowania stron, napisania skryptów i małych narzędzi wewnętrznych. Hermes Agent od Nous Research przywołuje jako przykład zadań cyklicznych z pamięcią i akceptacją, w rodzaju poniedziałkowego briefu rynkowego albo piątkowego przeglądu eksperymentów. Modele kreatywne, wśród nich fal.ai i Higgsfield, mają przyspieszać pracę nad reklamami, miniaturami i koncepcjami wideo, a lokalne modele zostawia na dane wrażliwe: transkrypcje rozmów z klientami, cenniki, notatki objęte regulacjami. Zapowiada, że lokalnej AI poświęci osobny odcinek w ciągu najbliższych tygodni.
Różnicę między amatorem a marketing engineerem pokazuje na SEO. Wersja początkująca to poproszenie AI o wpis blogowy pod słowo kluczowe. Wersja docelowa to agent, który sprawdza Google Search Console, pobiera dane o frazach z Ahrefs albo Semrush, zagląda do CMS-a, czy tekst już nie istnieje, układa okazje według wolumenu i intencji zakupowej, sprawdza, co obecnie się pozycjonuje, dokłada punkt widzenia założyciela, pisze meta title, proponuje linkowanie wewnętrzne i oddaje całość do akceptacji.
Cztery drogi do pieniędzy i plan na 30 dni
Isenberg wymienia cztery sposoby zarabiania na tej roli: etat wewnątrz firmy, doradztwo, usługi produktyzowane i własne oprogramowanie. Przy doradztwie podaje konkretne liczby: wdrożenie na 30, 60 albo 90 dni i stawki od 5 tys. do 30 tys. dolarów miesięcznie, zależnie od tego, jaki system się buduje. Przy usługach produktyzowanych zaleca jeden wąski klin, na przykład silnik outboundu dla dostawców oprogramowania branżowego albo repozytorium prawdy o kliencie dla startupów na etapie seed. Oprogramowanie stawia na końcu, z argumentem, że najpierw trzeba zbudować ten sam system dla pięciu czy dziesięciu firm, żeby zobaczyć powtarzalny ból.
Plan na miesiąc jest równie prosty. Tydzień pierwszy to audyt jednej realnej firmy i mapa rynku. Tydzień drugi to zbudowanie repozytorium i pierwszego pliku o tym, co mówi rynek. Tydzień trzeci to jeden działający system, bo, jak mówi autor, jeden skończony bije pięć rozgrzebanych. Tydzień czwarty to wyniki. Przykładowe studium przypadku, które podaje na koniec: 75 celowanych wiadomości, dziewięć ciepłych odpowiedzi, trzy umówione rozmowy.
Klamrą całości jest zdanie o przewadze konkurencyjnej.
„Agenci w pewnym momencie staną się towarem” / „The agents are going to be a commodity at some point.”
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Moatem, jak dodaje Isenberg, pozostaje osąd, na co się tych agentów skieruje.
Co koncepcja marketing engineera oznacza na polskim rynku
Poniższa ocena jest interpretacją redakcji AIPORT.pl, a nie treścią odcinka. Isenberg opisuje realia amerykańskie, więc część jego stosu przenosi się nad Wisłę tylko częściowo. Pas nasłuchu oparty na X i Reddicie działa u nas słabiej, bo polska dyskusja B2B toczy się głównie na LinkedInie i w zamkniętych grupach, a nie na otwartych platformach, z których agent może swobodnie czerpać język klientów. Znacznie lepiej przekłada się natomiast część oparta na danych własnych: nagrania rozmów sprzedażowych, zgłoszenia wsparcia i CRM ma każda polska firma, tylko rzadko ktoś zamienia je w jedno miejsce, do którego można skierować agenta.
Mocniejszy jest u nas też argument za lokalnymi modelami, który Isenberg podnosi z powodów kosztowych i biznesowych. W polskich realiach dochodzi do tego RODO i ostrożność działów prawnych wobec wysyłania transkrypcji rozmów z klientami do zewnętrznej chmury. Kto buduje taki system w Polsce, powinien zacząć od tego, co wolno umieścić w repozytorium, a dopiero potem od tego, który model to przetworzy.
O materiale
Kanał: Greg Isenberg
Film: Marketing Engineer: The $1M Job with AI Agents
Język materiału: angielski.
Omówienie powstało na podstawie transkrypcji materiału. Redakcja AIPORT.pl nie jest autorem filmu ani nie jest powiązana z kanałem. Komentarz redakcyjny i wybór omawianych wątków: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
