9 485 охватов, 0 подписок: что я понял после эксперимента с AI-контентом

Я решил провести эксперимент и на время практически убрать себя из производства контента. Логика была простая: если нейросеть уже может брать на себя рутину, пусть попробует вести карусели end-to-end.

Я дал ей всё, что обычно считается “правильной настройкой”: подробный промпт, описание тона, профиль автора, антидетект, требования к структуре, правила подачи и призывы к действию. В теории схема выглядела красиво: я задаю тему, на выходе получаю готовую карусель и дальше только публикую.

За период эксперимента вышло 11 каруселей. По внешним метрикам всё выглядело не провально: охваты держались в диапазоне от 638 до 1357 на пост, суммарно получилось 9 485 просмотревших аккаунтов. Были лайки, были сохранения, алгоритм показывал контент.

Но была одна цифра, из-за которой я сел разбираться всерьёз: за все 11 публикаций — 0 новых подписчиков. Не “мало”, не “хуже среднего”, а именно ноль. Ни один пост не привёл в базу нового человека.

В этот момент стало понятно: можно и дальше кормить нейросеть промптами, радоваться аккуратным текстам и нормальным охватам. А можно наконец посмотреть, что именно не работает.

Первое важное наблюдение: доля неподписчиков в охвате держалась примерно в диапазоне 2–4,8%. То есть посты почти не выходили за пределы уже существующей аудитории. Контент вроде бы “жил”, но в основном среди тех, кто и так уже подписан.

Разбор по слайдам

Сначала я пошёл самым очевидным путём: начал смотреть, какие карусели сработали лучше, какие хуже и что между ними общего. Но сортировал их не по лайкам и не по охватам, а по адресату: для кого на самом деле написан первый слайд.

И вот здесь всё стало заметно проще. Посты, которые били в собственника бизнеса, собирали больше обсуждения, чем остальные. Самый показательный пример — карусель “Предыдущий таргетолог”: 6 комментариев и 44 лайка. Она не была магически лучше по дизайну. Она просто попала в человека, который платит за маркетинг и уже сталкивался с плохим подрядчиком.

Первая ошибка: я писал не тем людям

Профиль на тот момент я уже перестраивал под владельцев бизнеса. Но нейросеть по инерции продолжала писать заголовки, которые больше подходили маркетологам-сотрудникам или начинающим специалистам: “старый стек”, “KPI”, “HH врёт про опыт”.

Формально эти темы нормальные. Они могут цеплять людей из digital-среды. Но это не тот человек, ради которого перестраивался профиль. Мне нужен владелец бизнеса, который покупает маркетинг, оценивает подрядчиков, теряет деньги на хаосе и хочет понять, где ломается система.

Получилось странно: контент звал одних, а в профиле сидели другие. Алгоритм не был виноват. Он показывал посты тем, кому они могли быть интересны. Просто эти люди не были моей целевой базой, и подписываться им было незачем.

Вторая ошибка: хуки были правильные, но неживые

Дальше стало ещё неприятнее. Даже там, где структура первого слайда выглядела правильно — была провокация, был конфликт, было обращение к человеку — хук не давал нужного эффекта.

Потому что хук — это не красивая первая строка и не литературный приём. Хук — это узнавание. Человек читает и внутри у него щёлкает: “Да, это про меня. Прямо сейчас”. Если этого щелчка нет, дальше уже не спасают ни структура, ни дизайн, ни правильный CTA.

Нейросеть умеет писать правдоподобно. Она делает аккуратную обёртку: правильный синтаксис, понятную структуру, нормальный тон. Но она не слышала, как мой клиент реально формулирует свою боль. Не была с ним на звонке. Не читала его сообщения. Не видела, где он злится, сомневается или оправдывает прошлые решения.

В этом и была моя ошибка: я отдал машине не рутину, а производство узнавания. А это как раз та часть, которую нельзя просто “сгенерировать”. Её нужно поймать в живой речи клиента.

И вот тут я понял главное: AI хорошо собирает, структурирует, ускоряет и помогает увидеть варианты. Но если текст должен заставить человека узнать себя, он должен вырасти из реальных слов этого человека, а не из усреднённого представления модели о его боли.

После этого стало понятно, что менять нужно не только промпт. Нужно менять роль нейросети в процессе.

Что я перестроил

Когда находишь ошибку, очень хочется снести всю систему и месяц строить новую. Но это чаще всего не стратегия, а перфекционизм. Я пошёл по другому пути: не стал ломать всё, а поменял роль AI.

Раньше нейросеть была автором. Теперь она ассистент-исследователь. Она помогает собрать массив, разложить информацию, найти повторяющиеся боли, предложить варианты. Но финальные решения — какую боль брать, какой угол выбрать, какой хук ставить на первый слайд — я оставил за собой.

Инструмент 1. Я перестал делить боли на “сильные” и “слабые” на глаз

Вместо ощущения “это вроде болит” я начал оценивать каждую боль по четырём критериям:

• Острота — насколько человеку это жжёт прямо сейчас. “Бесит”, “достало”, “сливаем деньги” — высокая острота. “Хотелось бы улучшить” — низкая.
• Частота — сколько раз эта мысль встречается в реальных источниках: звонках, директе, комментариях, файле возражений.
• Платежеспособность — готов ли сегмент платить за решение этой проблемы, а не просто обсуждать её.
• Артикулируемость — может ли клиент сам назвать эту боль своими словами. Если не может, он не узнает себя в хуке.

Главное: источником стали не мои маркетинговые формулировки, а дословные цитаты клиентов и аудитории. Боли с высоким суммарным баллом идут в первые слайды, средние — в тело контента, слабые я просто не трогаю.

Инструмент 2. Сканер первого слайда

Отдельно появился фильтр для заголовков. Перед публикацией каждый первый слайд проходит проверку:

• в какую аудиторию реально попал хук: собственник, маркетолог, джун или кто-то ещё;
• в какую боль он попадает и есть ли она в списке приоритетных;
• есть ли узнавание или это просто аккуратная маркетинговая фраза;
• это живая цитата или синтетическая обёртка;
• совпадает ли дальше тема карусели с тем человеком, которого зацепили на первом слайде.

Если заголовок не проходит этот фильтр, он не публикуется. Его нужно переписать ближе к реальной формулировке клиента, без желания “сделать красивее”.

Инструмент 3. Я сменил метрику этапа

Раньше я слишком быстро смотрел на заявки. Но для агентского чека это не самая честная метрика короткого периода. В B2B человек может читать контент несколько месяцев, прежде чем написать.

На этой фазе задача другая: собрать правильную аудиторию, которая через 3–8 месяцев может превратиться в заявки. Поэтому я начал смотреть не только на лайки и охваты, а на две метрики:

• процент неподписчиков в охвате — сколько новых людей вообще увидели пост;
• подписки на пост — сколько из этих людей перешли в базу.

Заявки никуда не исчезли из общей картины. Просто перестали быть главным KPI именно для этой ступени воронки.

Как рождается живой хук

Чтобы было понятно, о чём я говорю, покажу на реальном примере. Был звонок с клиентом, который продаёт оборудование от 200 000 евро за позицию. Он показывает мне рилсы лайфстайл-блогера и говорит: “Хочу так же, у него миллион просмотров”.

Я задаю простой вопрос: “А вы знаете, на чём он зарабатывает?”

И повисает пауза. Потому что в этот момент до человека доходит: ему не нужен миллион просмотров. Ему нужно 30 директоров заводов. У него другой чек, другая воронка, другой цикл сделки и совсем другой клиент.

Эту реплику я забрал в файл с цитатами. Потом из неё родился хук, который нельзя нормально придумать из воздуха: “Охваты выросли в 5 раз. А заявки?”

Вот это и есть новая роль AI. Нейросеть не придумывает боль. Она помогает обработать и отранжировать живую фразу. А финальное решение всё равно остаётся за человеком.

Параллельно я искал форму.

Текст — только половина дела. Визуальная подача тоже должна соответствовать позиции. Если я говорю как практик, а визуал выглядит как у лайфстайл-блогера, возникает рассинхрон. Человек может не сформулировать это словами, но чувствует несоответствие.

Я перебрал пять направлений:

1. Рукописная тетрадь — скетчи, заметки, ощущение живого черновика.
2. Коллаж-заметки — как страница из ежедневника с приклеенными карточками.
3. Cyberpunk-гранж — ярко, резко, дерзко, почти как визуальный протест против AI-автопилота.
4. Чёрно-белый журнал — строго, сухо, без лишнего цвета.
5. Премиальная журнальная серия — кремовая бумага, фото эксперта, серьёзная типографика, ощущение Forbes/GQ.

В итоге победил пятый вариант. Не потому что он просто “красивее”. А потому что он поддерживает нужную позицию: здесь не блогер, который гонится за пустыми просмотрами, а практик, который показывает, как реально устроена работа.

Проверка гипотезы: 14 новых каруселей

Вместо того чтобы месяц строить новую систему, я выбрал дешёвый и честный тест: серия новых каруселей по обновлённой логике. В них хуки брались из живых формулировок, аудитория была выверена под владельца бизнеса, а главной метрикой стал рост базы, а не просто лайки.

Я сделал и опубликовал 14 новых каруселей. Часть из них была “близнецами” старых: одна тема, но два разных заголовка. Это позволило отдельно проверить качество первого слайда при похожем содержании.

Один пост выбился сильнее остальных: “Кто-то делает за 1 час… дело не в ИИ”. Он собрал охват 1578, рекордные сохранения — 32, больше репостов и первую зафиксированную подписку за всю серию. Один пост сделал то, чего не сделали предыдущие одиннадцать.

Можно было остановиться здесь и красиво написать: “новая система сработала”. Но цифры не дают так просто закрыть кейс.

Что эксперимент показал на самом деле

Если смотреть только на вовлечение, новая логика действительно дала прирост:

• средние лайки выросли с 24,5 до 30,5 — примерно +24%;
• средние сохранения выросли с 4,5 до 5,6 — примерно +27%;
• медианный охват поднялся с 746 до 832 — примерно +12%;
• доля неподписчиков в охвате стала немного выше: было 2–4,8%, стало 3,5–8,1%;
• подписки: было 0 на 11 постов, стало 1 на 14 постов.

  

То есть часть диагноза была верной. Более живой язык и точное попадание в собственника действительно подняли вовлечение. Люди лучше реагировали, чаще сохраняли, чаще лайкали.

Но главная метрика — рост базы — почти не изменилась. Подписки сдвинулись с 0 до 1. А большая часть охвата всё равно оставалась среди уже подписанных людей.

Настоящая стена оказалась глубже

Я чинил хук и попадание в аудиторию. И это действительно стало лучше. Но проблема с подписками держалась не только на тексте.

Оказалось, что у контента нет нормального механизма выхода за пределы текущей аудитории. Репосты единичные, в рекомендации почти не попадает, холодные люди видят пост редко. А если пост видят в основном свои, новой базе просто неоткуда взяться.

Стена — не текст. Стена — дистрибуция.

Это неприятный вывод, потому что я сам постоянно говорю клиентам: не путайте охваты с заявками, вовлечение с продажами, активность с ростом. И тут сам попался на похожую ловушку. Лайки выросли, сохранения выросли, но целевая метрика почти не двинулась.

Я починил то, что было видно. Но настоящая проблема находилась уровнем ниже.

Что я забираю из этого эксперимента

6. AI-автор плохо работает на узнавание. Он может собрать форму хука, но не его суть. Суть появляется из живой речи клиентов.
7. AI полезнее как исследователь, чем как автор. Сбор, сортировка, ранжирование, поиск повторяющихся формулировок — это его сильная зона. Выбор боли и финальный хук — зона человека.
8. Охват не равен росту. Можно стабильно собирать 1000+ охвата и не получить подписчиков, если контент не выходит к новым людям или не даёт причины остаться.
9. Чинить нужно то, что действительно сломано. В моём случае хук был проблемой, но не единственной. Главная стена оказалась в дистрибуции и причине подписаться.

Следующая гипотеза

Теперь задача точнее: работать не только над первым слайдом, а над выходом за пределы своих. Конкретно я буду проверять:

• вирусные механики, которые хочется переслать, а не просто сохранить;
• обложки, которые понятны холодной аудитории без контекста профиля;
• явную причину подписаться внутри карусели, а не просто “если было полезно”;
• премиальную журнальную серию, которая уже готова, но пока не опубликована.

Главный вопрос теперь не “как написать сильнее”. Главный вопрос — как вывести сильный контент к новым людям и дать им понятную причину остаться.