Массовая генерация контента с ИИ. Как не тиражировать ошибки
Для нас уже нет вопроса, может ли ИИ написать текст, который соответствует требованиям SEO- или GEO-статьи? Может. Через наш собственный генератор прошло больше 50 тысяч материалов. На таком фоне возникает другой вопрос: как сделать так, чтобы условная статья № 847 соответствовала тем же критериям, что и статья № 20? И какой результат, в конце концов, получит наш клиент?
С 2005 года я занимаюсь поисковым продвижением и развитием сайтов — от стратегии и архитектуры до разработки и digital-маркетинга. Работаем с проектами в недвижимости, образовании, финансах, телекоме, e-commerce и других нишах. Под часть задач создаем собственный софт.
Работа с таким количеством проектов и форматов постепенно вывела ИИ за пределы простой генерации текстов. Мы начали тестировать нейросети еще на раннем этапе их массового распространения и постепенно встраивали в рабочие процессы. Сейчас ИИ задействован в контенте, аналитике, исследованиях, автоматизации, разработке и работе с изображениями. Ведем для сотрудников «кружок» по вайб-кодингу.
Когда генерация с ИИ становится производством
На пилоте все просто. Пишем промпт, получаем несколько текстов, вносим правки — схема действует. Но когда генерация становится регулярной и идет уже на потоке, требования меняются. Одного удачного результата здесь недостаточно.
Для клиента смысл такого подхода в трех вещах: скорости выполнения задачи, стабильном качестве и экономической целесообразности. Просто генерировать быстрее — недостаточно. Правильно выстроенная работа с ИИ позволяет выпускать большой объем материалов в срок и при этом удерживать заданный уровень качества — без необходимости пропорционально увеличивать команду вместе с объемом производства.
Особенно это важно при взаимодействии с крупными компаниями. Агентство работает с проектами в телекоме, финансах, страховании, недвижимости, образовании, ретейле, e-commerce и медиа. Среди клиентов, о сотрудничестве с которыми мы можем говорить публично, — Университет «Синергия», МТС, «Домклик», Okko, М.Видео-Эльдорадо, «Билайн» и «Газпром-Медиа Холдинг».
На таком уровне цена тиражируемой ошибки высокая. Если в одном материале появилась неточная формулировка, нарушение требований бренда или фактическая ошибка, при массовой генерации она может автоматически попасть уже в десятки или сотни текстов. Поэтому здесь важна не только скорость выпуска, но и воспроизводимость результата: каждый следующий материал должен соответствовать тем же требованиям, что и предыдущий.
Например, на одном из проектов на сетке PBN выпускаем около 500 статей в месяц. Вручную такой объем не закрыть без серьезного увеличения числа авторов и сроков. И это не единственный проект, где контент выпускается в подобном темпе.
На таком масштабе ИИ не отдельный, а базовый инструмент производственного процесса. Здесь нужно видеть не только результат, но и то, по какому сценарию он получен, какие ошибки повторяются и на каком этапе их нужно исправлять.
Почему мы сделали собственный генератор
Для массовой работы обычного интерфейса нейросети уже недостаточно. Под такие задачи мы сделали собственный генератор. Внутри команды его называют просто «Гена». Он нужен не только для самой генерации. Внутри собраны рабочие промпты и алгоритмы запуска под разные типы контента. Мы управляем уже не отдельным запросом к модели, а всем процессом вокруг генерации.
На выходе нужен материал, который соответствует ТЗ клиента и поисковому запросу, корректно работает с анкором, держит структуру и не уходит в типичные ИИ-формулировки. Отдельно проверяем факты и то, решает ли текст задачу пользователя.
«Гена» — общая платформа, но сценарии внутри разные. Для PBN, SEO, аутрича, GEO и экспертных материалов отличаются требования к структуре, источникам, фактуре и глубине проработки. На одном проекте таких промптов может быть несколько десятков.
Для проекта на французском языке, к примеру, мы отдельно перестраивали промпт и алгоритм генерации под язык и формат контента. Простого перевода инструкции здесь недостаточно.
Сам процесс выглядит так:
ТЗ и исходные данные → разработка промпта → запуск тестовой генерации мелкой партии текстов → правки промпта → массовая генерация материалов → фиксация результата в отчете → передача на проверку
В отчете видим количество сгенерированных материалов, дату и время запуска, статус и ошибки. Затем материал уходит на проверку — к AI-агентам и редакторам.
Одна ошибка — случайность. Повтор — уже сигнал
Если в одной статье пропущен блок, например «Вопросы и ответы», материал уходит на доработку копирайтеру. Но когда тот же сбой появляется снова, уже смотрим не на конкретный текст, а на настройки генерации.
Причины возвратов фиксируем обязательно. Это нарушение ТЗ, переспам ключевыми словами, стоп-слова, рекламное упоминание компании, неестественно вписанный анкор, битая ссылка, ИИ-клише, повторы, слабая структура, уход от темы, устаревшие или недостоверные факты и цифры, несоблюдение объема статьи.
Бывает и так, что формально все на месте, но текст отвечает не на тот интент. Например, человек ищет «как выбрать интернет-эквайринг для интернет-магазина», а половина статьи объясняет, что такое эквайринг и как проходит оплата картой. Тема вроде соблюдена, но нужного ответа пользователь так и не получил.
Поэтому для нас возвраты текстов на перегенерацию — это не просто редакторские замечания. По ним видно, что конкретно начинает ломаться на потоке и где нужно вмешаться. Технически генерация может завершиться успешно, но материал все равно не пройдет редакторскую проверку.
Промпт не пишется один раз
Промпт-инжиниринг у нас отдельное направление, в которое мы вкладываем не меньше времени, чем в сам генератор. Этим занимается отдельный специалист. За время работы собрали большую базу промптов, многие из них прошли сотни генераций.
Но рабочего промпта «навсегда» не бывает. Меняются модели, требования проекта, формат контента — и тот же промпт со временем начинает давать другой результат.
Рабочий цикл выглядит так:
задача → базовая версия → сборка промпта → прогон → сравнение → корректировка → фиксация рабочей версии
То есть, как уже говорилось, новую версию сразу на весь поток не отправляем. Сначала проверяем ее на части материалов и сравниваем с той, которая уже работает. Одна правка может решить одну проблему и тут же создать другую. Например, усилили требования к объему — структура стала логичнее, но в текстах появились повторы и лишние абзацы ради нужного количества знаков. Значит, эту версию дорабатываем дальше.
Если после изменения промпта растет число возвратов на перегенерацию, это тоже сигнал: новая версия результата не улучшила.
Как один ИИ проверяет другого
Одного универсального AI-агента на весь цикл подготовки материала мы не используем. Если один и тот же агент исследует тему, строит стратегию, пишет текст, а потом сам себя проверяет, контроль получается слабее — вероятность пропустить ошибку выше. Поэтому работу разделяем между агентами с разными ролями.
Работу с агентами выстраиваем системно внутри команды. Проводим обучение по вайб-кодингу, разбираем новые инструменты, тестируем разные подходы и собираем агентов под конкретные задачи. Правило простое: сначала задача, потом модель и роль агента.
В контенте одна из таких цепочек построена вокруг GIST-логики. Первый агент получает тему, анкор или исходный материал и определяет интенты. Следующий разбирает запрос и топ-3 конкурентов: что уже есть в выдаче и какой информации пользователю не хватает.
Дальше формируется стратегия страницы. Материал собирается под найденную потребность, а не как рерайт конкурентов. В конце подключается отдельный аудитор: ищет избыточность, рерайт, слабые блоки и возвращает материал на доработку, если находит проблемы:
интенты → анализ → дефицит пользы → стратегия → сборка → аудит
По такому же принципу работает цепочка для семантических коконов для PBN:
исходные данные → главная тема → архитектура → Money Page → перелинковка → редакционные ТЗ
Отдельный агент занимается фактчекингом. Он отмечает спорные факты, цифры и даты, которые нужно проверить. Но сам по себе агент не подтверждает их достоверность — для этого есть отдельный процесс, о котором ниже.
Чем точнее разделены роли между агентами, тем проще контролировать каждый этап и понимать, где появилась ошибка.
Где заканчивается автоматическая проверка
Автоматическая проверка снимает часть рутины. Агент может найти спорную цифру, дату, имя, ссылку, отметить нарушение ТЗ, повтор или сомнительный факт. Но дальше все равно нужен человек.
Фактчекинг через ИИ у нас работает как дополнительный фильтр, а не последняя инстанция.
Если агент что-то отметил, дальше смотрим первоисточник, официальные данные, исследование или другой источник, на который можно опереться.
Финальную проверку всегда делает редактор. Он смотрит материал целиком: факты, логику, выполнение ТЗ, анкоры, ссылки, метаданные. Для этого у контент-отдела есть чек-листы, регламенты и внутренняя база знаний. В ней собраны требования к разным форматам, типовые ошибки, правила проверки и решения, которые уже отработали на практике. Порядок проверки тоже не случайный. Сначала факты и требования ТЗ, потом логика и структура, и только после этого стиль. Нет смысла долго править формулировки, если в тексте неверная цифра или сам материал не отвечает задаче.
Есть и внутренний порог по времени. Если редактор понимает, что на доводку статьи уйдет больше отмеренного для данной задачи времени, материал проще отправить на перегенерацию, чем продолжать исправлять вручную. На больших объемах это сильно влияет на экономику процесса.
ИИ помогает быстрее найти проблему, но решение о публикации все равно остается за человеком.
С изображениями ИИ ошибается по-другому
С визуалом ошибки другие, чем в тексте. Текст можно проверить по фактам, структуре и ТЗ. С картинкой сложнее: на первый взгляд все нормально, а потом замечаешь лишние части тела, искаженную геометрию предметов и другие визуальные артефакты.
Мы генерируем обложки и иллюстрации для статей, делаем инфографику. Часть ошибок снимаем еще на уровне промпта: отдельно задаем сюжет, композицию, ограничения, обязательные и запрещенные элементы.
Если визуал нужно сделать по брендбуку, отдельно проверяем соответствие его требованиям. Смотрим на композицию, палитру, типографику, допустимые элементы, использование логотипа и другие визуальные детали.
С инфографикой контроль еще строже. Она может выглядеть хорошо, но при этом содержать неверную цифру, неправильную подпись или ошибку в логике схемы. Поэтому ее проверяем сразу в двух плоскостях: как изображение и как контент.
Даже при отработанном промпте финальный визуал все равно проверяем глазами. Часть ошибок человек замечает быстрее, чем их удается формализовать для модели.
Какие метрики важны бизнесу, а не генератору
Количество генераций само по себе мало что говорит о результате. Можно выпустить десять тысяч материалов, а потом потратить слишком много времени на проверку, исправления и перегенерацию.
Сначала смотрим на сам процесс: сколько материалов принято с первого раза, сколько вернулось на доработку, сколько пришлось генерировать заново и сколько времени тратит редактор. Рост возвратов и времени на редактуру — главный сигнал, даже если технически генератор работает без сбоев.
Дальше метрики зависят от задачи. Для SEO смотрим позиции, видимость, поисковый трафик и целевые действия. Поисковая динамика зависит не только от использования ИИ, но и от других изменений на проекте и внешних факторов. Для PBN проверяем индексацию и дальнейшую динамику страниц.
Для GEO смотрим AI-выдачу: появился ли бренд в ответах, по каким запросам, на каких позициях и как меняется видимость со временем.
Получается три уровня контроля: приемка материала → объем ручной доработки → результат после публикации.
ИИ внедрили. Дальше — контроль и улучшение
Когда ИИ входит в рабочий процесс, скорость генерации перестает быть главным показателем. На первый план выходит предсказуемость: надо понимать, какой результат получаем и где проходит граница допустимого.
На этом работа не заканчивается. Нужно постоянно смотреть, какой результат дает система и не меняется ли он со временем. При этом ошибка в публичном материале может стоить гораздо дороже самой перегенерации: недостоверные данные влияют не только на позиции или трафик, но и на доверие к бренду.
Автоматизация имеет смысл только тогда, когда сокращает общие затраты на задачу. Если время, сэкономленное на генерации, затем уходит на проверку и исправления, процесс нужно пересматривать.
ИИ не снимает ответственности с команды. Чем больше автоматизации, тем выше требования к контролю.
Опубликовано 08.10.2026
