У компании постоянно появляется материал для публикаций: вопросы клиентов, опыт внедрений, данные о продажах, обсуждения с командой. Из этого можно готовить статьи, письма и разборы. Но между записью встречи и текстом, который будет полезен читателю, остаётся много работы. Нужно выбрать тему, собрать факты, разобраться в выводах и понятно их изложить.
Когда мы говорим об AI-фабрике контента, я имею в виду помощь редакции в этой работе. Нам нужно научиться лучше использовать накопленный опыт и быстрее готовить из него материалы. Сама возможность сгенерировать много текста здесь мало что решает: каждый такой текст кому-то предстоит прочитать, проверить и довести до публикации.
У нас фабрикой уже пользуются редакция и маркетолог, который работает с клиентской базой и рассылками. Вопросы к качеству остаются. Сейчас для меня главное — понять, где AI помогает команде, а где после него приходится делать слишком много заново. Для этого нужно посмотреть, что происходит с материалом от задания до выхода и сколько времени на него тратят люди.
- Материалы Вопросы клиентов, разборы, данные и их контекст.
- Задание Для кого пишем и на какой вопрос отвечаем.
- Черновик с AI Первая версия, которую ещё предстоит проверить.
- Редактор и эксперт Проверяют выводы, условия и язык.
После публикации: кому пригодился материал и что спросили читатели.
Статья о повторных продажах
В июне я предлагал использовать внутреннюю аналитику и наблюдения для контента, интересного руководителям компаний. У нас есть собственный опыт, с которым можно прийти к такой аудитории. Важно сохранить в публикации обстоятельства, благодаря которым наблюдение имеет смысл.
Допустим, редакция готовит статью о повторных продажах для руководителя интернет-магазина. Есть запись клиентского разбора, несколько вопросов менеджеров и аналитика. Передать агенту название темы легко. Гораздо полезнее сначала определить, что именно мы хотим объяснить: какие данные посмотреть перед повторной рассылкой, кому её отправить или почему предыдущие обращения остались без ответа. Это разные статьи, хотя все они подходят под один заголовок.
Для нашего примера выберем первый вопрос. Тогда редактору понадобятся сведения о покупках и прежних коммуникациях, объяснения специалиста и ограничения, которые обнаружились в работе. Если какой-то вывод относится только к определённой группе магазинов, это должно остаться в тексте. Читателю нужно понимать, подходит ли наблюдение к его ситуации.
В источниках придётся отделить факты от предположений. На встрече человек мог предложить объяснение снижения продаж, а коллеги ещё собирались его проверить. В статье такая реплика легко превращается в уверенное «причина в этом». Связный текст способен скрыть эту подмену, поэтому редактору нужен доступ к исходному разговору и данным.
Часть сведений также потребует обобщения: клиент рассказал нам о своей работе, но это ещё не значит, что все подробности можно публиковать. Решить, какие цифры, названия и обстоятельства останутся в статье, должны редактор и эксперт, знакомый с материалом.
В сентябре мы обсуждали общую библиотеку материалов: понятные названия, категории, каналы и контекст использования. Для редакции такая подготовка имеет прямой смысл. Гораздо легче взять подходящий разбор, если рядом с ним есть дата, тема и указание на сведения, которые уже устарели. Агенту эти пояснения нужны по той же причине.
Правки после генерации
Вернёмся к статье. AI подготовил черновик, редактор его открыл. Дальше возможна короткая работа с языком и структурой, а может начаться повторный сбор материала. Если главный вывод оказался неверным, придётся возвращаться к источникам, уточнять позицию эксперта и переписывать значительную часть текста.
В отчёте оба случая могут выглядеть одинаково: «статья подготовлена с AI». Для меня разница между ними существенна. В первом случае инструмент, возможно, сэкономил время. Во втором он мог добавить редактору ещё одну работу — разобрать чужую ошибку перед тем, как написать текст.
Поэтому я хочу видеть правки вместе с их причинами. Агент мог пропустить важное условие или перепутать предположение с фактом. Мог написать для начинающего маркетолога, хотя материал предназначался руководителю. Бывает и так, что содержание в порядке, но текст тяжело читать. От причины зависит, что менять: исходники, задание или способ подготовки черновика.
Это полезнее общей оценки «качество пока слабое». Если ошибки повторяются, у команды появляется конкретная задача. Например, вместе с записью передавать агенту перечень подтверждённых выводов или точнее описывать опыт читателя. Затем можно проверить, стало ли меньше именно этих ошибок.
| Что обнаружил редактор | Что придётся сделать | Что улучшить в следующей попытке |
|---|---|---|
| Тяжело читать | Упростить фразы и перестроить текст. | Пояснить требования к языку и структуре. |
| Предположение стало фактом | Вернуться к исходникам и проверить вывод с экспертом. | Передавать подтверждённые выводы вместе с условиями. |
| Текст написан не для того читателя | Изменить объяснения, примеры и глубину разбора. | Уточнить, кому адресована статья и что читатель уже знает. |
Сравнение на задачах редакции
Мы тестируем Skillum и сравниваем результаты. Для такого сравнения я предлагаю брать обычные задания редакции с одинаковыми исходниками. Наша статья о повторных продажах подходит: есть читатель, вопрос, материалы и специалист, который способен проверить содержание. Можно посмотреть, какой черновик получился и сколько работы осталось до публикации.
Мне интересна вся подборка выполненных заданий, включая те, с которыми инструмент справился плохо. Один удачный текст показывает возможность. Для повседневной работы нужно понять, насколько часто результат повторяется и где без помощи эксперта всё останавливается.
Время подготовки черновика — только часть затрат. Редактор выбирает материалы и исправляет текст, эксперт проверяет выводы, кто-то настраивает инструмент и объясняет команде, как с ним работать. Если учитывать только генерацию, основная нагрузка может остаться за пределами отчёта.
При этом разовую подготовку библиотеки полезно считать отдельно от работы над каждой статьёй. Ею можно будет пользоваться снова. А если эксперт вынужден всякий раз заново объяснять одно и то же, эти затраты продолжат возникать на каждом материале. Такое различие помогает понять, что имеет смысл доработать сейчас ради следующих публикаций.
Обучение команды мы обсуждали ещё в июне вместе с внедрением фабрики. Здесь я вижу смысл разбирать собственные задания редакторов. На нашем примере сотрудник сможет пройти весь путь: выбрать фрагменты разбора, поставить вопрос, заметить ошибку в выводе и подготовить статью к выпуску. После этого можно выяснить, способен ли он повторить работу самостоятельно и на каком этапе ему всё ещё нужна помощь.
Польза после публикации
Когда статья вышла, у бизнеса возникает следующий вопрос: кому она пригодилась? Руководитель магазина мог отправить её своей команде, менеджер — использовать в разговоре с клиентом. Для письма важен отклик аудитории, которой оно адресовано. Такой результат приходится оценивать с учётом темы, канала и читателей: смена аудитории сама по себе может повлиять на отклик.
Более подробный отчёт помогает увидеть происходящее. Но, как я отмечал на одной из встреч, улучшение отчёта ещё не доказывает улучшения работы. Мне важно, чтобы редакция выпускала полезные материалы в нужный срок и понимала, сколько усилий на них уходит.
Поэтому сейчас я хочу собрать несколько сопоставимых работ: исходное задание, черновик, редакторские исправления и опубликованный текст. Рядом — затраченное время и объяснение существенных правок. По такой подборке уже можно решить, какую работу регулярно поручать AI, что нужно поправить в подготовке источников и где эксперту удобнее сразу работать с текстом самому.
Материал может пригодиться коллегам? Отправьте им ссылку на статью.