Почему ИИ плохо работает в инфлюенс‑маркетинге — и как это исправить

В недавнем эксперименте Anthropic посадили две команды из 4 опытных кодеров, не имеющих знаний в робототехнике и заставили их целый день учить робособаку приносить мячик — сначала четко зафиксированный, постепенно переходя к полностью автономному поиску мяча где‑то поблизости. Одна из команд работала с использованием нейросети, а вторая по старинке. Результат — команда с нейросетью справлялась с задачами вдвое быстрее, они написали в 9 раз больше кода, просто потому что успевали пробовать разные варианты, многие из которых не сработали. А еще по результатам опроса, команде с ИИ было просто веселее работать и они испытывали меньше негативных эмоций в процессе.

Подобные истории уже стали привычными, особенно когда дело доходит до таких формализованных вещей, как кодинг и аналитика. Даже креатив ускоряется с помощью быстрого сбора материалов. Но та же система заметно сдает, когда дело доходит до тонкого искусства инфлюенс‑маркетинга на локальном рынке с отдельно взятым брендом. Например закрепившийся стандарт рынка — сбор подборки блогеров за 3 дня.

Почему так сложно внедрить ИИ в имиджевом инфлюенс‑маркетинге?

Мы взялись за оптимизацию процессов и решили выяснить какие задачи у нас занимают больше всего времени. Среди множества задач, которые производятся индивидуально, например креативных проектов мы делаем меньше сотни в год, сильнее всех выделялись 20 000 размещений в Telegram, сделанные за прошлый год по отлаженной системе, которая держится на руках обученных менеджеров.

Мы разбили процесс на этапы и начали работать над автоматизацией каждого из них. У нас получился такой список процессов:

• изучение брифа;
• определение категорий и подкатегорий каналов;
• определение лонглиста каналов, подходящих по качественным и количественным показателям;
• проверка статуса в РКН;
• детальная проверка каждого из канала на соответствие аудитории, продукту;
• проверка на конкурентов;
• согласование предварительно подборки;
• связь с каналами;
• подтверждение условий;
• финализация подборки;
• подписание документов и проведение оплат;
• получение токена маркировки;
• подтверждение публикации;
• сбор результатов и отчетность.

Многое решалось обычными парсерами и небольшими ботами. Это позволяло нам сократить немного времени.

Но среди всех этапов особняком стоит составление подборки, которая занимает больше всего времени и не хочет поддаваться автоматизации, просто потому что ее сложно даже описать.

Такую оценку сложно формализовать и записать в список правил. Но это именно то, что отличает хорошую подборку от набора каналов по ключевым словам в названии.

А ещё есть нестандартные продукты: например, «Курсы школы проектировщиков» — продукт на стыке образования, IT и недвижимости. Понятные категории, но фактически единцы каналов их этих категорий подойдут под продукт.

Как превратить нейросеть из джуна в синьора вашего направления?

Отличие кодинга, с которым нейросеть справляется отлично, от таких задач, как подбор блогеров, состоит в том, что для кодинга легко найти необходимые миллионы примеров, чтобы накормить ими нейросеть (и бюджеты под это обучение выбить). Для сфер, где у вас есть сотни или тысячи примеров такой способ уже не подходит. Поэтому мы пошли по‑другому пути.

Шаг 1 — декомпозиция процесса. Прежде всего, обязательно надо расписать процесс и выделить этапы. Даже если все эти этапы делаются в уме и интуитивно. У нас из понятной любому инфлюенс‑менеджеру задачи «Собрать подборку» появились такие неочевидные подзадачи как:

• определить категории и подкатегории;
• собрать лонглист подходящих по показателям и подкатегориям каналов;
• проверить содержание всех каналов на: брендсейфити, tone of voice, содержание контента, посты конкурентов, упоминание тематики связанной с продуктом из брифа;
• отобрать наиболее подходящие из лонглиста каналы под бюджет и KPI’s клиента.

Первая задача во многих случаях делается в уме и интуитивно, но мы забываем, что это делается благодаря годам работы в сфере и выработанному чутью. У нейросети этого нет и именно то, что ей надо объяснить.

Шаг 2 — формирование общей логики. Загрузите в нейросеть ваш бриф/ТЗ и необходимые материалы и скажите сделать первый этап. Если вы работаете в рекламе и маркетинге (да и во многих других сферах), скорее всего первая итерация вам не понравится.

Далее мы буквально закидывали систему десятками и сотнями задач, каждый раз добавляя к своей инструкции условия и уточнения, и записывая места, с которыми она плохо справляется. На этом этапе результат может все еще не устраивать, но у вас должны начинать формироваться некоторые общие случаи, а с ней и общая логика.

Шаг 3 — формирование скоринга. В нашем случае мы обнаружили, что в инструкции для нейросети нужно отдельно объяснять, что реклама режиссерских курсов не подходит для канала, в котором публикуются анонсы новых отечественных комедий.

А еще через десяток брифов мы поняли, что это более широкая проблема, и тогда у нас сформировался новый термин — «Глубина экспертизы». Мы поняли, что для каждого продукта и канала характерна своя глубина экспертизы. Например реклама замороженных наггетсов будет плохо работать в медиа для поваров. Для человека это очевидно, а для нейросети это все про кулинарию.

Вместе с термином «Глубина экспертизы» появилась шкала оценки, в которой анонсы российских комедий это 2‑4, а каналы с кинокритикой и употреблением киношных терминов это 7‑9, и точно такие же баллы у продуктов, которые должны «мэтчиться» между собой — продукт с баллом экспертизы 8, не может попасть в канал с глубиной экспертизы 4.

Таким образом, мы подобрали шкалу для задач, то есть собрали первый AI‑скоринг. В целом, для хорошего выполнения вам нужно таким же образом подобрать еще 5‑7 шкал для каждого из этапов вашей задачи. Дальше вы сможете прогонять через них новые примеры и просто настраивать веса, добиваясь правильного результата.

У нас для первого этапа например получились такие:

• глубина экспертизы;
• соответствие архетипов;
• совпадение подкатегорий;
• бренд‑сейфити;
• упоминание тематик, связанных с продуктом;
• тональность упоминания конкурентов.

Шаг 4 — отработка следующих этапов по схеме. Когда вы начали получать на первом этапе удобоваримые ответы от вашей нейросети, вам предстоит проделать ту же самую процедуру на всех следующих этапах, которые вы себе выделили в самом начале. В процессе вы можете понять, что нужно добавить новые этапы, или наоборот, убрать лишние. Главный показатель успеха — стабильная передача данных по всей цепочке.

Мы например, на этапе конкурентов увидели, как система отсеяла канал, который плохо отзывался о конкурентах, потому что мы просто поставили задачу убрать все каналы, где упоминались конкуренты. Теперь мы внесли исправления, и канал, где критикуют ваших конкурентов, наоборот получит приоритет и будем вам рекомендован.

Шаг 5 — сбор опыта в библиотеках. Итак, вы разбили задачу на этапы, по каждому этапу прогнали сотник брифов и сформировали к каждом длиннющие промты, в каждом из которых 5‑7 шкал для AI‑скоринга данных на каждом этапе, соединили их в рабочую систему и получаете адекватные результаты в большинстве случаев.

Но сколько бы мы ни кормили нейросеть примерами, всегда найдутся редкие исключения и варианты, о которых мы не подумали. Хранить информацию о частных случаях и способе их обработки вам помогут векторные хранилища. В нашем случае это отдельные справочники библиотеки, которую можно подключить к каждому из ваших промтов. Все текстовые данные лучше переводить в формат JSON, а таблицы так вообще обязательно.

В каждую из этих библиотек вы можете подгружать дополнительную информацию, которая важна для правильной обработки задачи, и нейросеть каждый раз будет ее учитывать при ответе. В библиотеки помимо прочего можно каждый раз закидывать документы с частными случаями и комментариями по работе с ними. А нейросеть каждый раз будет перед ответом заглядывать в библиотеку и проверять архив примеров.

Нейросети отлично работают по API и весь этот функционал легко упаковать в TG‑бота, приложение, да хоть в форму обратной связи. Тогда весь ваш отдел сможет удобно и регулярно обновлять базу частных случаев, и ваш инструмент будет постоянно оттачиваться.

Сейчас инструмент автоматически собирает подборку блогеров под бриф. И мы начали работу над новым функционалом — календарем букинга слотов у блогеров из разных продюсерских центров, что еще больше ускорит работу специалистов.