WPP rozwija się na Google Cloud, ale marketing AI zależy teraz od jego fundamentów danych

WPP zwróciło się do Google Cloud, aby zastąpić rozproszone systemy danych agencji wspólną podstawą dla marketingu AI. Konflikt jest jasny. WPP chce podejmować predykcyjne decyzje w skali globalnej organizacji, mimo lat fragmentacji danych i technologii.

Odpowiedzią jest WPP Open, agentowy system marketingowy łączący dane, modele, przepływy pracy i wiedzę agencji. Agentowy oznacza, że agenci programowi mogą koordynować wieloetapową pracę w ramach określonych zasad, zamiast jedynie odpowiadać na pojedyncze polecenia.

Modele nie są jednak najtrudniejszą częścią. WPP musi najpierw ujednolicić sposób, w jaki zespoły uzyskują dostęp do danych, wdrażają usługi, egzekwują mechanizmy kontroli i ponownie wykorzystują komponenty inżynieryjne. To stawia inżynierię platform i danych w centrum strategii AI firmy.

To podejście wywiera również presję na konkurencyjne grupy agencyjne, w tym Publicis Groupe, Omnicom i Dentsu. Każda z nich musi udowodnić, że jej platforma AI to coś więcej niż zbiór narzędzi kreatywnych i integracji dostawców.

WPP zakłada, że zarządzana platforma wewnętrzna może przekształcić rozproszoną wiedzę w powtarzalne oprogramowanie. Ryzyko polega na tym, że centralizacja wprowadza nowe zależności, podczas gdy wyniki marketingowe nadal trudno niezależnie zweryfikować.

Google Cloud zapewnia WPP Open wspólną warstwę inżynieryjną

WPP traktuje wspólną infrastrukturę jako warunek wstępny wspólnej inteligencji.

Bezpośredni problem firmy wynikał z jej własnej skali. Dane marketingowe, aplikacje i praktyki operacyjne były rozproszone między setkami agencji i organizacji regionalnych.

Ta struktura wspierała wyspecjalizowane zespoły, ale komplikowała wdrażanie AI. Model zbudowany dla jednej agencji mógł gdzie indziej zależeć od innych uprawnień, formatów danych, infrastruktury lub procesów zatwierdzania.

Nowy opis inżynieryjny przedstawia odpowiedź WPP jako problem inżynierii platform i danych. Celem jest zapewnienie zespołom produktowym możliwych do ponownego wykorzystania podstaw do bezpiecznego i spójnego budowania usług AI.

Inżynieria platform tworzy wewnętrzną warstwę zatwierdzonych narzędzi, usług i ścieżek wdrożeniowych. Deweloperzy korzystają z tej warstwy zamiast niezależnie składać środowisko każdej aplikacji.

Ma to znaczenie, ponieważ usługa marketingowa AI obejmuje więcej niż model językowy. Może wykorzystywać informacje o klientach, historię kampanii, sygnały dotyczące odbiorców, zasady marki, zasoby kreatywne, dane pomiarowe i zewnętrzne platformy reklamowe.

Każdy komponent wiąże się z innymi warunkami dostępu. Globalny system musi zachować te granice, jednocześnie pomagając zespołom łączyć istotne informacje.

WPP Open zapewnia powierzchnię operacyjną dla tej pracy. Łączy strategię, rozwój kreacji, produkcję, media i analitykę we wspólnym środowisku.

Platforma nie ujednolica każdego zbioru danych agencji. Zamiast tego zapewnia zespołom wspólne sposoby udostępniania, zarządzania i wykorzystywania danych, przy zachowaniu niezbędnych granic organizacyjnych.

To rozróżnienie jest ważne. Scentralizowany magazyn zawierający nieograniczenie dostępne dane klientów tworzyłby niedopuszczalne ryzyko handlowe i związane z prywatnością.

WPP potrzebuje natomiast kontrolowanej interoperacyjności. Dane powinny pozostać użyteczne w zatwierdzonych przepływach pracy, nie stając się powszechnie widoczne ani swobodnie przenoszalne.

Google Cloud dostarcza infrastrukturę, dane, zabezpieczenia i usługi AI leżące u podstaw tego modelu operacyjnego. WPP wnosi dane marketingowe, wiedzę agencji, relacje z klientami i projektowanie przepływów pracy.

Porozumienie rozwija początkową integrację Gemini ogłoszoną w kwietniu 2024 roku. Wówczas WPP podało, że z WPP Open korzystało już ponad 35 000 pracowników.

Współpraca koncentrowała się na czterech wczesnych zastosowaniach. Obejmowały one produkcję kreacji, przewidywanie wyników treści, narrację wideo i prezentację produktów.

Gemini 1.5 Pro oferował wówczas także kontekstowe okno o pojemności miliona tokenów. WPP podało, że ta zdolność pomagała Creative Studio przetwarzać jednocześnie więcej wytycznych marki, historii kampanii, zasad wizualnych i informacji o produktach.

Te przypadki użycia pokazały, co mogą zrobić modele. Najnowszy nacisk inżynieryjny dotyczy tego, jak WPP może wielokrotnie udostępniać podobne możliwości w całej organizacji.

Platforma wielokrotnego użytku może pakować kontrolę tożsamości, rejestrowanie zdarzeń, polityki wdrażania, połączenia z danymi i monitorowanie w standardowe ścieżki. Zespoły produktowe poświęcają wtedy mniej czasu na odtwarzanie podstawowych komponentów.

Taka architektura wspiera również szybsze eksperymentowanie. Zespół może przetestować nowy model odbiorców lub agenta bez ustanawiania całkowicie odrębnego wzorca infrastruktury.

Szybkość nie jest jednak jedynym celem. Standaryzacja pozwala WPP stosować spójne mechanizmy kontroli, zanim usługa trafi do przepływu pracy klienta.

Obejmuje to decyzje o tym, które zbiory danych aplikacja może pobierać, jak rejestrowane są wyniki i gdzie nadal konieczna jest akceptacja człowieka. Pomaga też zespołom ustalić, kto odpowiada za zawodzącą usługę.

Rezultatem nie jest jeden uniwersalny model marketingowy. To zarządzany system, w którym wyspecjalizowane aplikacje mogą współdzielić zatwierdzone fundamenty inżynieryjne.

Ta zmiana tworzy główne napięcie artykułu. Przewaga WPP w AI zależy mniej od dostępu do modeli niż od tego, czy jego wewnętrzna platforma zdoła przezwyciężyć fragmentację wynikającą ze struktury agencji.

Rozproszone dane są dziś obciążeniem konkurencyjnym

AI zmienia fragmentację organizacyjną z niedogodności w bezpośrednie ograniczenie jakości produktu.

Tradycyjna praca agencji może łatwiej tolerować niepołączone systemy niż zautomatyzowane oprogramowanie decyzyjne. Ludzkie zespoły rutynowo uzgadniają niespójne raporty, pytają współpracowników o kontekst i interpretują lokalne konwencje nazewnictwa.

Modele nie potrafią niezawodnie rozwiązywać tych luk bez wsparcia inżynieryjnego. Słabo zdefiniowane dane mogą prowadzić do mylących porównań, niepełnych rekomendacji lub pewnych siebie odpowiedzi opartych na niewłaściwym kontekście klienta.

Problem narasta, gdy agent podejmuje działanie. Błąd raportowania jest niewygodny, ale automatyczna zmiana alokacji mediów może wpływać na rzeczywiste wydatki.

WPP potrzebuje więc wspólnych definicji odbiorców, kampanii, zasobów, miar skuteczności i uprawnień. Definicje te muszą przetrwać przemieszczanie się między agencjami, regionami i kanałami reklamowymi.

Rozszerzone partnerstwo firmy z października 2025 roku uczyniło to zobowiązanie infrastrukturalne bardziej konkretnym. WPP ogłosiło pięcioletnią umowę i zobowiązanie do wydania 400 mln USD na technologie Google.

WPP podało również, że produkty AI Google Cloud będą wspierać Open Intelligence, jego warstwę danych i inteligencji do modelowania odbiorców. Open Intelligence działa w ramach szerszego systemu WPP Open.

Partnerstwo uczyniło Google Cloud istotną częścią modelu operacyjnego WPP, a nie jedynie kolejnym dostawcą modeli. Usługi Google wspierają teraz aplikacje skierowane do klientów i wewnętrzne przepływy pracy.

Ta relacja zapewnia WPP dostęp do modeli i zarządzanej infrastruktury pod parasolem jednego dostawcy. Może to ograniczyć pracę integracyjną i uprościć odpowiedzialność w części platformy.

Tworzy również ryzyko koncentracji. Większa część działalności WPP związanej z danymi i AI zostaje powiązana z techniczną mapą drogową Google, dostępnością usług, warunkami handlowymi i możliwościami zarządzania.

WPP opisuje WPP Open jako system otwarty z założenia. Twierdzi, że może on integrować się z platformami klientów i innymi partnerami technologicznymi, w tym Adobe, Amazon Web Services, Microsoft, Meta i TikTok.

Interoperacyjność zostanie sprawdzona podczas wdrażania. Obsługa kilku dostawców na stronie produktowej różni się od przenoszenia między nimi danych i przepływów pracy bez kosztownej przebudowy.

Presja ta wykracza poza zespoły inżynieryjne WPP. Liderzy agencji muszą zaakceptować wspólne standardy, które mogą ograniczać lokalne wybory technologiczne.

Zespoły klientów muszą również zdecydować, które informacje mogą trafiać do współdzielonych usług. Specjaliści ds. prawa, prywatności i bezpieczeństwa potrzebują polityk działających w różnych jurysdykcjach.

Wymuszona odpowiedź ma charakter długoterminowy. WPP nie może ukończyć tej transformacji, migrując jedną aplikację lub podłączając jedno źródło danych.

Każdy nowy agent AI zwiększa potrzebę spójnego zarządzania tożsamością, metadanymi, oceną i incydentami. Słaby fundament staje się droższy wraz z rozrostem katalogu agentów.

Ta sama logika dotyczy konkurentów WPP. Publicis zbudował swoją strategię tożsamości i danych wokół Epsilon i CoreAI, podczas gdy Omnicom promuje Omni jako swój system operacyjny dla marketingu.

Grupy te stoją przed podobną presją, by przekształcać przejęte agencje i własne zbiory danych w spójne oprogramowanie. Sama dostępność modeli daje niewielką ochronę, ponieważ każda duża sieć może licencjonować wiodące modele.

Rzadką zdolnością jest operacyjność. Grupy agencyjne muszą uczynić swoje dane użytecznymi bez naruszania separacji klientów, obowiązków dotyczących prywatności czy lokalnych przepływów pracy.

To przesuwa konkurencję od efektownych demonstracji. Kupujący będą coraz częściej pytać, jak platforma zarządza pochodzeniem danych, zatwierdzeniami, przenośnością, pomiarami i awariami.

WPP może skorzystać, jeśli wspólna inżynieria ułatwi łączenie jego wyspecjalizowanych agencji. Globalny klient mógłby korzystać z jednego zarządzanego przepływu pracy obejmującego zespoły badawcze, kreatywne, produkcyjne i medialne.

Wspólna infrastruktura nie tworzy jednak automatycznie wspólnego zachowania. Zespoły nadal potrzebują zachęt do dokumentowania danych, przyjmowania standardów platformy i wycofywania zduplikowanych systemów.

Starsze systemy dodają kolejną komplikację. Niektóre aplikacje zawierają cenną historię, ale nie mają nowoczesnych interfejsów ani spójnych metadanych.

Ich zastąpienie może zakłócić pracę z klientem. Ich utrzymanie może zachować właśnie tę fragmentację, którą WPP Open ma ograniczyć.

Zespół platformowy WPP musi zatem równoważyć standaryzację ze stopniowym wdrażaniem. Nadmierna elastyczność utrzymuje silosy, podczas gdy sztywne wymogi migracji mogą spowolnić dostarczanie.

Dlatego warstwa inżynieryjna ma znaczenie konkurencyjne. Decyduje o tym, czy WPP Open stanie się działającym systemem operacyjnym, czy pozostanie markowym wejściem do niepołączonych narzędzi.

Rzeczywistym mechanizmem jest zarządzane ponowne wykorzystanie, nie dostęp do modeli

Przewaga techniczna WPP będzie wynikać z ponownie wykorzystywanych mechanizmów kontroli i produktów danych, a nie z wyłącznego dostępu do generatywnej AI.

Model może podsumować brief lub wygenerować obraz bez głębokiej integracji organizacyjnej. Marketing predykcyjny wymaga bardziej wymagającego łańcucha komponentów.

System musi znaleźć istotne sygnały, potwierdzić prawa do ich wykorzystania, przekształcić dane wejściowe, uruchomić model, ocenić wynik i dostarczyć go do zatwierdzonego przepływu pracy.

Produkt danych łączy zaufany zbiór danych z odpowiedzialnością właścicielską, dokumentacją, zasadami dostępu i oczekiwaniami jakościowymi. Zapewnia zespołom niższego szczebla stabilny interfejs zamiast niewyjaśnionego zbioru rekordów.

Taka struktura może pomóc WPP rozdzielić odpowiedzialności platformowe. Zespoły centralne utrzymują wspólną infrastrukturę, podczas gdy zespoły dziedzinowe pozostają odpowiedzialne za znaczenie i jakość swoich danych.

Zespół medialny rozumie dane dotyczące realizacji kampanii. Grupa strategii marki rozumie ramy badawcze, a grupa produkcyjna rozumie wersje zasobów i prawa do ich wykorzystania.

Centralni inżynierowie nie powinni samodzielnie redefiniować tych dziedzin. Ich zadaniem jest zapewnienie standardowych sposobów, dzięki którym specjaliści mogą je publikować, monitorować i nimi zarządzać.

Ten podział ogranicza częstą porażkę przedsiębiorstw we wdrażaniu AI. Organizacje często centralizują technologię, pozostawiając nierozstrzygnięte znaczenie danych.

Powstała platforma działa technicznie, ale generuje niespójne odpowiedzi. Użytkownicy wracają wtedy do arkuszy kalkulacyjnych, prywatnych baz danych i ręcznych procesów zatwierdzania.

WPP musi uniknąć takiego scenariusza, traktując adopcję jako problem produktowy. Wewnętrzne zespoły potrzebują jasnych ścieżek łączenia danych, uruchamiania usług i badania błędów.

Wielokrotnie wykorzystywane wzorce wdrożeń mogą zmniejszyć obciążenie poznawcze. Zespół produktowy nie powinien przed testowaniem zatwierdzonego przypadku użycia stawać się ekspertem od każdego szczegółu bezpieczeństwa czy infrastruktury.

Równie ważna jest ustandaryzowana obserwowalność. Obserwowalność oznacza gromadzenie logów, metryk i śladów potrzebnych do zrozumienia zachowania systemu.

W przypadku przepływu pracy AI zespoły muszą monitorować więcej niż dostępność. Muszą wiedzieć, jakie dane trafiły do żądania, który model je obsłużył i jakie dane wyjściowe dotarły do użytkownika.

Potrzebują również kryteriów oceny. Płynna odpowiedź nadal może naruszać zasady marki, pomijać istotne dowody lub rekomendować niewłaściwy segment odbiorców.

Podejście inżynieryjne WPP może umieścić bramki ewaluacyjne we wspólnej platformie. Zespoły mogą wtedy stosować testy specyficzne dla danego zadania bez tworzenia od podstaw całkowicie nowego systemu kontroli.

Nadzór człowieka pozostaje częścią tego mechanizmu. WPP twierdzi, że jego agenci wspierają pracowników, a nie zastępują ich osąd.

To praktyczne stanowisko, ponieważ decyzje marketingowe zawierają elementy subiektywne i zależne od kontekstu. Model nie może samodzielnie decydować, czy ryzyko związane z kampanią jest akceptowalne dla każdej marki.

Platforma może zamiast tego prezentować dowody, prognozy i alternatywy. Strateg lub specjalista ds. mediów następnie akceptuje, zmienia albo odrzuca rekomendację.

Z czasem takie decyzje mogą stać się sygnałami zwrotnymi. Mogą ujawnić, gdzie agent działa dobrze, a gdzie lokalna wiedza ekspercka pozostaje niezbędna.

System musi ostrożnie obsługiwać informacje zwrotne. Zatwierdzenie przez użytkownika nie zawsze dowodzi, że wynik był trafny lub skuteczny.

Wyniki kampanii zawierają również zmienne zakłócające. Na efektywność mogą wpływać ceny, dystrybucja, aktywność konkurencji, sezonowość i warunki gospodarcze.

Model WPP zależy więc od zdyscyplinowanego pomiaru. Zespoły muszą oddzielać wygenerowane rekomendacje od późniejszych wyników biznesowych i dokumentować decyzje podjęte pośrednio.

Mechanizm ten obejmuje także pracę kreatywną. Wytyczne marki, zatwierdzone materiały i wcześniejsze kampanie mogą kształtować wyniki modelu, zanim człowiek je sprawdzi.

WPP podało, że jego wczesna integracja z Gemini wykorzystywała większą pojemność kontekstu do jednoczesnego przetwarzania większej ilości tych informacji. Większy kontekst może poprawić trafność, ale nie gwarantuje zgodności.

Starsze materiały kampanijne mogą zawierać nieaktualne twierdzenia lub przestarzałe zasady wizualne. Większa pula danych do wyszukiwania może wzmacniać błędy, gdy metadane i uprawnienia są słabe.

Jakość danych i zarządzanie nimi muszą poprzedzać skalę wyszukiwania. Platforma musi wiedzieć, które źródło jest aktualne, autorytatywne i dozwolone dla każdego zadania.

To obszar, w którym przeszukiwalna baza wiedzy stanowi użyteczną analogię. Wyszukiwanie staje się wartościowe, gdy dokumenty mają przypisanych właścicieli, kontekst i mechanizmy kontroli dostępu.

Wyzwanie WPP działa na znacznie większą skalę organizacyjną. Mimo to zasada pozostaje taka sama: AI potrzebuje wiarygodnego kontekstu bardziej niż nieograniczonego stosu plików.

Architektura prywatności musi działać ponad granicami klientów

WPP nie może łączyć inteligencji marketingowej na dużą skalę, jeśli klienci nie zachowają znaczącej kontroli nad swoimi danymi.

Dane reklamowe mogą ujawniać zachowania klientów, plany handlowe, wyniki kampanii i priorytety rynkowe. Łączenie tych sygnałów tworzy wartość analityczną, ale także istotne ryzyko.

Baza klientów WPP obejmuje również firmy konkurujące ze sobą. Platforma musi zapobiegać wpływaniu informacji z jednego konta na drugie bez autoryzowanej podstawy.

Tradycyjne uprawnienia rozwiązują tylko część tego problemu. Użytkownik może mieć dostęp do zbioru danych, ale nie mieć zgody na wykorzystanie go do trenowania modelu lub analiz między klientami.

Cel ma znaczenie. Dane zebrane do pomiaru kampanii nie stają się automatycznie dopuszczalnym wejściem dla każdego zastosowania AI.

WPP połączyło to wyzwanie z InfoSum, firmą zajmującą się współpracą wokół danych, którą przejęło w kwietniu 2025 roku. Jego przejęcie InfoSum miało wzmocnić dbającą o prywatność inteligencję o odbiorcach i rozwój modeli AI.

InfoSum korzysta z odizolowanych środowisk nazywanych Bunkers. Uczestnicy mogą porównywać lub analizować zatwierdzone dane bez bezpośredniej wymiany bazowych rekordów.

WPP podało w 2025 roku, że InfoSum Bunkers były dostępne przez Google Marketplace i zintegrowane z WPP Open. Firma przedstawiła to jako współpracę bez przenoszenia surowych danych.

Taka architektura może ograniczyć niepotrzebne kopiowanie. Może też ułatwić egzekwowanie uprawnień w punkcie, w którym wykonywana jest analiza.

Infrastruktura chroniąca prywatność nie rozstrzyga jednak każdej kwestii związanej z zarządzaniem. Organizacje nadal decydują, które analizy są uzasadnione i jakie wyniki mogą opuścić chronione środowisko.

Nawet zagregowane wyniki mogą ujawnić wrażliwe informacje, gdy grupy są zbyt małe. Powtarzane zapytania mogą również ujawniać wzorce, których pojedyncze zapytanie by nie odsłoniło.

Platforma potrzebuje więc polityk dotyczących projektowania zapytań, minimalnych wielkości grup odbiorców, kontroli wyników, retencji i rejestrów audytowych. Te mechanizmy muszą być stosowane konsekwentnie we wszystkich regionach.

Globalna działalność komplikuje to zadanie. Wymogi dotyczące prywatności i ograniczenia umowne różnią się między jurysdykcjami, klientami i kategoriami danych.

Wspólna platforma może pomóc, kodując zatwierdzone ustawienia domyślne. Może blokować niedozwolone transfery i wymagać dodatkowej kontroli dla wrażliwych przepływów pracy.

Centralne mechanizmy kontroli ułatwiają również audyty. WPP może rejestrować, która usługa uzyskała dostęp do źródła, pod jaką tożsamością i dla której aplikacji klienta.

Centralizacja zwiększa jednak konsekwencje błędu projektowego. Wadliwy szablon dostępu może rozprzestrzenić się na wiele usług, zanim ktokolwiek go wykryje.

Zespół platformowy potrzebuje etapowych wdrożeń i wąskich uprawnień. Nowe komponenty powinny otrzymywać wyłącznie dostęp do danych wymagany dla ich określonego celu.

Klienci będą również oczekiwać procesów usuwania i korygowania danych. Jeśli dane zmienią się u źródła, powiązane indeksy, buforowane cechy i dane wejściowe modelu mogą wymagać aktualizacji.

Staje się to trudniejsze, gdy agent tworzy artefakty pochodne. Rekomendacja lub wygenerowany brief może zawierać informacje zaczerpnięte z kilku chronionych źródeł.

WPP musi zachować wystarczającą identyfikowalność pochodzenia, aby wskazać te zależności. Pochodzenie danych rejestruje, skąd informacje się wywodzą i jak zmieniały się w przepływie pracy.

Bez takiej identyfikowalności zespoły nie mogą odpowiedzieć na podstawowe pytania o odpowiedzialność. Nie potrafią wiarygodnie wyjaśnić, dlaczego agent wygenerował rekomendację ani które źródło należy skorygować.

Ten sam problem wpływa na ocenę modeli. Zbiór testowy zawierający informacje klienta potrzebuje własnych uprawnień, zasad retencji i mechanizmów separacji.

Syntetyczne dane testowe mogą ograniczyć ekspozycję, ale mogą nie obejmować nietypowych przypadków ze świata rzeczywistego. Ocena produkcyjna nadal wymaga starannie kontrolowanych próbek.

Twierdzenia WPP dotyczące prywatności należy więc odczytywać jako założenia architektoniczne, a nie niezależny dowód każdego wdrożenia. Firma nie ujawniła publicznie szczegółowych wyników audytów całej platformy.

Jej raportowane wyniki klientów pochodzą również głównie z własnych komunikatów WPP. Dane te mogą ilustrować przypadki użycia, lecz nie dowodzą skuteczności w każdym wdrożeniu.

Niepewność nie unieważnia tej strategii. Pokazuje, dlaczego zarządzanie musi pozostawać widoczne, gdy WPP przechodzi od pilotaży do rutynowej obsługi klientów.

Rywale WPP z branży agencji budują własne systemy operacyjne AI

Rywalizacja nie toczy się między WPP a jednym dostawcą modeli; dotyczy wspólnej infrastruktury operacyjnej kontra trwałe silosy agencji.

Każda duża grupa agencyjna może korzystać z modeli generatywnych. Google, Microsoft, Adobe, Amazon i wyspecjalizowani dostawcy AI aktywnie zabiegają o zespoły marketingowe w przedsiębiorstwach.

Samo WPP współpracuje z kilkoma z tych firm. Relacja z Google ma kluczowe znaczenie, ale WPP Open musi również uwzględniać wybory technologiczne klientów.

Firmowe rozszerzenie współpracy z Adobe z lutego 2026 roku ilustruje ten wymóg. WPP podało, że agenci Adobe będą wspierać tworzenie treści, podczas gdy jego agenci będą optymalizować media i aktywację.

Taki wielopartnerski projekt może uchronić WPP przed rolą jedynie cienkiego odsprzedawcy jednego dostawcy. Pozwala firmie pozycjonować własny przepływ pracy i własną inteligencję ponad poszczególnymi modelami.

Zwiększa jednak także zakres prac integracyjnych. Każda platforma wnosi inne systemy tożsamości, obiekty danych, zasady bezpieczeństwa, metody monitorowania i harmonogramy wydań.

Wewnętrzna warstwa inżynieryjna WPP musi wchłonąć znaczną część tej różnorodności. W przeciwnym razie zespoły produktowe i konta klientów będą doświadczać niespójnego działania za każdym razem, gdy dostawca wprowadzi zmianę.

Publicis stanowi mocne porównanie, ponieważ posiada zasoby tożsamościowe i dane Epsilon. Taka struktura daje Publicis inną drogę do spersonalizowanego marketingu i pomiaru w zamkniętej pętli.

Omnicom rozwinął Omni wokół inteligencji o odbiorcach, planowania, aktywacji i pomiaru. Jego proponowana integracja z Interpublic również zwiększa znaczenie konsolidacji danych i platform.

Dentsu podobnie połączyło usługi AI ze swoją platformą tożsamości Merkury i działaniami w zakresie doświadczeń klientów. Firmy konsultingowe wywierają dodatkową presję, łącząc wdrożenia chmurowe z transformacją marketingową.

Konkurenci nie ścigają się wyłącznie w generowaniu większej ilości treści. Starają się kontrolować system, w którym dane klienta stają się rekomendacją, a następnie działaniem.

Taka kontrola ma wartość komercyjną. Platforma agencyjna osadzona w codziennym planowaniu i pomiarze może tworzyć dłuższe relacje oraz wyższe koszty zmiany dostawcy.

Klienci nadal będą sprzeciwiać się uzależnieniu od jednego dostawcy. Wiele globalnych marek utrzymuje już rozbudowane platformy danych, systemy treści i bezpośrednie relacje z sieciami reklamowymi.

WPP Open musi pasować do tych środowisk, a nie zastępować je wszystkie. Jego wartość zależy od orkiestracji między systemami, których WPP nie posiada.

Tworzy to głównego przeciwnika: model zintegrowanej platformy kontra fragmentaryczna rzeczywistość operacyjna pracy globalnych agencji.

Zintegrowany model obiecuje szybsze ponowne wykorzystanie, wspólne zarządzanie i skonsolidowany pomiar. Fragmentacja zachowuje lokalną elastyczność, utrwalone procesy i wyspecjalizowany wybór dostawców.

Żadna ze stron nie zniknie całkowicie. WPP potrzebuje wystarczającej centralizacji, by bezpiecznie obsługiwać AI, podczas gdy agencje potrzebują wystarczającej autonomii, by obsługiwać różne rynki i klientów.

Najlepszym dowodem będzie rutynowa adopcja. Platforma używana wyłącznie do prezentacji dla kadry kierowniczej nie zmienia modelu operacyjnego agencji.

Uruchomienie przez WPP Agent Hub w styczniu 2026 roku daje firmie kanał dystrybucji dla wewnętrznych narzędzi. WPP podało, że hub wystartował ze zweryfikowanymi agentami dla globalnej kadry i klientów.

Jeden agent zapewnia dostęp do około 30 lat danych Brand Asset Valuator. Inne pakują wiedzę z zakresu nauk behawioralnych i metod kreatywnych pochodzących z agencji WPP.

Takie podejście przekształca wiedzę instytucjonalną w komponenty oprogramowania. Może udostępniać wyspecjalizowane metody poza zespołami, które je stworzyły.

Kodyfikowanie wiedzy eksperckiej wprowadza jednak obowiązki związane z utrzymaniem. Badania się zmieniają, warunki dotyczące marek ulegają zmianie, a niegdyś użyteczne ramy mogą stać się nieodpowiednie.

Każdy agent potrzebuje właściciela, procesu aktualizacji, standardu oceny i polityki wycofania. Duży katalog bez tych mechanizmów kontroli staje się kolejną formą fragmentacji.

Wdrożenie zmienia również wewnętrzny układ sił. Wspólni agenci mogą zmniejszyć zależność od indywidualnych procesów agencji, jednocześnie zwiększając zależność od centralnych zespołów platformowych.

To napięcie będzie kształtować WPP Open w takim samym stopniu jak jakość modeli. Standardy technologiczne odnoszą sukces tylko wtedy, gdy wspierają je zachęty operacyjne.

Trzy sygnały pokażą, czy platforma działa

WPP musi teraz udowodnić, że jego fundament inżynieryjny poprawia decyzje, a nie jedynie przyspiesza tworzenie materiałów marketingowych.

Pierwszym sygnałem będzie powtarzalne wdrażanie przez klientów w różnych agencjach i regionach. WPP powinno wykazać, że jeden zarządzany komponent może obsługiwać kilka kont bez potrzeby każdorazowego tworzenia odrębnej infrastruktury.

Wzmocniłoby to tezę o wartości platformy. Jeśli każde wdrożenie nadal wymaga rozległej niestandardowej integracji, fragmentacja pozostaje ukryta pod interfejsem WPP Open.

Przydatne informacje obejmowałyby aktywne przepływy pracy klientów, wskaźniki ponownego wykorzystania, czas wdrożenia oraz udział usług korzystających ze wspólnych mechanizmów kontroli platformy. Same zagregowane liczby użytkowników niewiele mówią o głębokości operacyjnej.

Drugim sygnałem będą dowody łączące rekomendacje AI ze zweryfikowanymi wynikami biznesowymi. WPP informowało o pilotażach obejmujących szybszą produkcję, większą precyzję dotarcia do odbiorców i efektywność operacyjną.

Wyniki te wymagają jasno określonych punktów odniesienia i metod oceny. Kupujący powinni wiedzieć, czy porównania obejmują podobne kampanie, okresy, grupy odbiorców i procesy zatwierdzania.

Niezależna walidacja wzmocniłaby twierdzenia WPP. Spójne wyniki u niepowiązanych klientów miałyby większe znaczenie niż jedna wyjątkowa kampania.

Słabe lub wybiórcze dowody nie dowodziłyby, że system zawiódł. Pokazałyby, że prognozowanie nadal jest trudniejsze niż automatyzacja produkcji treści.

Trzecim sygnałem będzie sposób, w jaki WPP radzi sobie z przenośnością, prywatnością i incydentami wraz z rozbudową sieci partnerów. Zaangażowanie firmy wobec Google Cloud jest duże, a Adobe i inni dostawcy nadal pozostają ważni.

Klienci powinni obserwować, czy przepływy pracy mogą zmieniać modele bez utraty pochodzenia danych, ocen lub mechanizmów kontroli dostępu. Powinni również analizować, jak WPP informuje o naruszeniach bezpieczeństwa i zasad zarządzania danymi.

Poważny incydent sprawdziłby, czy centralne zarządzanie ogranicza szkody, czy je rozszerza. Przejrzyste działania naprawcze byłyby bardziej miarodajne niż ogólne zapewnienia składane przed wystąpieniem awarii.

Najbliższe jeden do trzech miesięcy powinny również pokazać, jak szybko nowe możliwości Google trafiają do WPP Open. Szybka integracja ma znaczenie tylko wtedy, gdy wraz z funkcją pojawiają się mechanizmy kontroli i pomiaru.

Szersza stawka WPP jest już widoczna. Firma przekształca grupę agencji w organizację marketingową pośredniczoną przez oprogramowanie, próbując jednocześnie zachować specjalistyczny osąd.

Ta zmiana nadaje Google Cloud strategiczną rolę w operacjach reklamowych. Sprawia też, że WPP odpowiada za decyzje inżynieryjne podejmowane między modelem a budżetem mediowym klienta.

Dla nabywców korporacyjnych praktyczne pytanie nie brzmi, czy WPP Open potrafi wygenerować koncepcję kampanii. Wiele narzędzi już to potrafi.

Należy raczej zapytać, czy platforma potrafi wskazać swoje źródła, respektować granice klientów, przetrwać zmiany dostawców i wyjaśnić, jak rekomendacja stała się działaniem. Te testy określą, czy Google Cloud pomoże WPP ograniczyć zgadywanie, czy jedynie szybciej je zautomatyzuje.