Автоматизированное создание контента — это использование программного обеспечения или ИИ для выполнения повторяющейся последовательности задач по производству контента.

Когда люди слышат «автоматизированное создание контент», я представляю, что они видят что-то вроде этого: введите ключевое слово, нажмите кнопку — и вуаля! Статья готова. Исходя из этого, они генерируют 500 статей до конца дня и публикуют их все.

Я не хочу сказать, что таких систем не существует. Они есть. На самом деле, мы даже создали одну. Но наш темп выпуска контента остался прежним.

Потому что наша цель в Ahrefs — не добавлять в интернет еще больше спама и низкокачественного контента.

Да, мы хотим создавать больше контента. Но мы хотим создавать более полезный контент. Более качественный контент. А не просто больше контента.

Автоматизация может помочь: не заменяя интересные части контент-маркетинга, а избавляя нас от скучных.

Потому что я люблю создавать контент, который помогает людям и продвигает наш бренд. Но давайте будем честны: не каждая часть контент-маркетинга одинаково увлекательна. Некоторые задачи действительно, очень-очень скучны. К сожалению, они также важны.

Взять, к примеру, обновление контента.

Google любит свежий контент. Когда его алгоритм Query Deserves Freshness (QDF) определяет, что тема требует актуальной информации, он поднимает в выдаче недавно обновленные страницы. То же самое касается и ИИ-ассистентов. Наше исследование показало, что по сравнению с традиционными результатами поиска ИИ-ассистенты предпочитают ссылаться на более свежий контент.

Обновлять одну статью довольно просто. Совсем другое дело, когда их десятки. Или сотни.

Именно с такой проблемой я и столкнулся. За годы работы я собрал коллекцию статей на основе данных, таких как наши главные поисковые запросы Google и самые популярные вопросы. Необходимость обновлять их все превратилась в гигантскую рутину.

Поэтому я создал то, что называю Центром обновления данных (Data Refresh Hub).

Каждый месяц он выполняет следующие действия:

Загружает свежие данные для 12 наборов данных.
Удаляет результаты для взрослых (NSFW) и проверяет их соответствие категории (например, вопросы для «лучших вопросов Google»).
Перестраивает соответствующие таблицы и графики.
Обновляет наши черновики в WordPress.
Отправляет мне электронное письмо по завершении.
Ждет моего одобрения всего перед публикацией.

Иными словами, теперь большую часть скучной работы выполняет машина.

Это руководство покажет вам, как я его создал, и, что более важно, как вы можете применить тот же процесс к надоевшим контент-задачам, которые вы хотели бы навсегда вычеркнуть из собственного списка дел.

Содержание

Что вам понадобится для работы по руководству
1. Выберите одну повторяющуюся задачу по созданию контента
2. Подробно запишите, как вы ее выполняете
3. Предоставьте системе необходимую информацию
4. Покажите ей примеры хорошего и плохого результата
5. Создайте один материал от начала и до конца
6. Запустите систему в реальных условиях и настройте расписание
7. Масштабируйте процесс
Что все еще идет не так в моем рабочем процессе
Заключение

Что вам понадобится для работы по руководству

Если вы хотите создать собственную автоматизацию во время чтения этого руководства, вам понадобится следующее:

Одна задача по контенту, которую вы уже регулярно выполняете, например, мои ежемесячные обновления «лучших поисковых запросов Google»
Пример готового результата, который вы считаете качественным, например, таблицы данных в материале «лучшие поисковые запросы Google»
Доступ к информации, необходимой для ее выполнения, например, Keywords Explorer
Место для отправки готового черновика, например, WordPress
ИИ-агент или инструмент автоматизации, способный связать все воедино, например, Letaido

Не переживайте, если у вас пока есть не все из этого списка. Часть этого руководства как раз поможет во всем разобраться.

Тем не менее, вам нужно будет решить, какого ИИ-агента или какую платформу автоматизации вы хотите использовать.

Я выбрал , потому что там было все необходимое в одном месте:

Полный доступ к данным Ahrefs
Возможность переключаться между моделями (например, Opus 5.5, GPT-Sol 5.6, GPT-Sol 6)
Рабочие процессы, которыми можно поделиться с остальной частью команды (в случае успеха автоматизации ее потенциально смогут использовать и другие сотрудники)
Решение сложных задач разработчиков, таких как хостинг и управление конфиденциальными данными, взятое на себя платформой
Коннекторы к таким платформам, как WordPress

Последний пункт был важен для меня, поскольку я не хотел создавать автоматизацию, которая выполняет 90% работы, чтобы затем каждый месяц тратить финальные 10% на копирование таблиц из одного инструмента и вставку их в WordPress. Это сводит всю задумку на нет.

Вы, конечно, можете использовать своего любимого агента. Claude Code, Codex или любой другой инструмент по вашему выбору.

Возможно, вам просто придется выполнить дополнительную работу по подключению MCP, WordPress, баз данных или любых других систем, от которых зависит ваш рабочий процесс.

1. Выберите одну повторяющуюся задачу по созданию контента

Не начинайте с вопроса: как мы можем использовать ИИ?

Думаю, именно здесь многие компании совершают ошибку. Вопрос настолько открытый, что в итоге вы упираетесь в бесконечную вселенную возможностей. А когда возможностей бесконечно много, люди не обязательно начинают мечтать о большем.

У них просто начинает болеть голова.

После этого они возвращаются к тому, чем занимались раньше. Вместо этого начните с вашего главного текущего раздражителя.

Что вам приходится делать регулярно, и от чего вы бы с радость избавились?

Если ничего не приходит на ум сразу, выпишите задачи, которые выполняются каждую неделю, месяц, квартал или каждый раз при создании единицы контента.

Затем найдите задачи, которые обладают следующими признаками:

Повторяемость: например, их нужно выполнять ежедневно, еженедельно или ежемесячно.
Затратность по времени: например, они отнимают больше времени, чем вы рассчитываете.
Управление с помощью относительно стабильных правил: например, сбор ключевых слов, где процесс в основном одинаков независимо от индустрии.
Польза при правильном выполнении: например, они имеют потенциал для бизнеса.
Часто откладываются, делаются в спешке или пропускаются: например, они отнимают больше времени, чем обычно, поэтому вы их прокрастинируете.

Для меня одним из очевидных кандидатов было обновление наших статей, основанных на данных.

Эти статьи приносят наибольшую пользу, когда цифры актуальны. Кроме того, они обычно получали больше поискового трафика после обновления.

Но каждое обновление требовало от меня следующих действий:

Сбор новых данных из нескольких источников.
Удаление нерелевантных результатов.
Проверка цифр на наличие ошибок.
Создание новых таблиц и графиков.
Переписывание частей статьи в случае изменения чего-то важного.
Изменение заголовков или подзаголовков там, где это необходимо.
Обновление даты публикации.

Если бы у меня была всего одна статья, это было бы нормально. Но коллекция продолжала расти.

В конце концов, ежемесячное обновление всего объема работы стало непосильным. Поэтому мы пошли на компромисс и перешли на ежеквартальные обновления, хотя для читателей ежемесячные были бы лучше.

2. Подробно запишите, как вы ее выполняете

Агент не сможет надежно автоматизировать процесс, который никто не может объяснить.

Это звучит очевидно. Но это не так. Большинство из нас выполняют повторяющиеся задачи на автопилоте, а автопилот ужасно объясняет свои действия.

Поэтому, прежде чем что-то строить, восстановите в памяти, как именно вы делаете эту работу. Я не имею в виду то, как вы думаете, что делаете это, или как это описано в регламенте (SOP), который никто не открывал годами. Я имею в виду то, как вы делаете это на самом деле, включая все обходные пути.

Записывайте каждое значимое действие. Сюда входят мелочи и исправления, о которых легко забыть.

Вот примерно как выглядел мой процесс обновления «Топ поисковых запросов Google», когда я все это записал:

Перейдите в Keywords Explorer и выполните пустой поиск с фильтром по странам, установленным на США.
Скачайте CSV-файл для топ-200 ключевых слов.
Откройте CSV-файл, проверьте список и удалите все, что кажется подозрительным (например, запросы 18+).
Выборочно проверьте топовые результаты по сравнению с прошлым месяцем, чтобы выявить любые странности.
Округлите все числа до ближайших 10 000.
Скопируйте и вставьте данные в TablePress — плагин, в котором хранятся все наши таблицы
Убедитесь, что все прошло гладко
Перейдите во внутренний инструмент и выгрузите запросы по топ-глобальным поисковым запросам в Google
Повторите описанный выше процесс для этого набора ключевых слов
Проверьте, достаточно ли масштабны изменения, чтобы оправдать переписывание введения или подразделов
Убедитесь, что все изображения в посте блога актуальны
Обновите дату «последнего обновления»

Как видите, здесь принимается множество мелких решений, которые вы, скорее всего, не вспомните с ходу, поскольку делаете это на автомате. Записывая их, вы их и обнаруживаете.

Полезный совет: попросите агента провести с вами интервью.

Попробуйте что-то вроде:

Вы, вероятно, обнаружите, что у вас гораздо больше негласных правил, чем вы думали.

Получив этот чек-лист, не оставляйте его просто пылиться в документе. Превратите его в файл навыков (skill file): набор сохраненных инструкций, которым ваш агент следует при каждом запуске задачи. Так вы один раз описываете процесс и больше никогда не перессказываете его заново. Я рассказывал о том, как создать такой файл, в нашем руководстве по навыкам Claude.

3. Предоставьте системе необходимую информацию

Я бы не стал полагаться на память LLM или общий поиск в интернете в отношении информации, которая важна для вашего рабочего процесса.

Известно, что LLM выдумывают цифры, а веб-поиск обычно выдает все подряд. Это может быть подборка пятилетней давности или даже бессмысленный AI-контент. Ей едва ли стоит доверять.

Вам нужно указать LLM, какие источники ей следует использовать. Затем подключите эти источники — через MCP, API или загруженные файлы.

В зависимости от того, что вы создаете, это может включать:

Данные первой стороны (First-party data), например, данные, сгенерированные вашей компанией или вашими продуктами
API, например, подключения к другим используемым вами инструментам или источникам данных
Документацию продукта, например, внутреннюю документацию продукта или справочный центр
Интервью с клиентами
Одобренные исследования, например, когда ваша компания ссылается или цитирует только авторитетные источники или академические журналы
Существующие статьи, например, ваш блог или канал на YouTube
Данные поиска, например, данные из Ahrefs
Редакционные рекомендации

Подключите своего агента к Ahrefs с помощью Ahrefs MCP

Если ваш рабочий процесс завязан на поисковых данных, сервер Ahrefs MCP позволяет Claude, ChatGPT, Copilot и другим ИИ-инструментам получать актуальные данные прямо из вашей учетной записи Ahrefs. Он размещается на стороне Ahrefs, поэтому устанавливать ничего не нужно.

Подключите свою учетную запись, и ваш агент сможет запрашивать данные из «Обзора ключевых слов» (Keywords Explorer), «Обзора сайта» (Site Explorer) и других инструментов прямо из чата.

В моем центре обновления данных (Data Refresh Hub) для разных статей требуются разные источники. Вот откуда все бралось:

Набор данных

Источник

Топ поисковых запросов Google, Топ вопросов Google, Трендовые темы, Самые дорогие ключевые слова

Обзор ключевых слов (Keywords Explorer)

Самые цитируемые домены

Brand Radar

Самые разыскиваемые люди

Обзор ключевых слов (Keywords Explorer) + магия LLM (подробнее об этом ниже)

Глобальные таблицы в разделах «Топ поисковых запросов Google» и «Топ вопросов Google»

Внутренняя база данных Ahrefs

Золотое правило: задача LLM — обрабатывать данные, а не быть источником данных.

4. Покажите, как выглядит хороший и плохой результат

Инструкции полезны. Примеры — лучше.

Если ваша работа связана с принятием субъективных решений, приведите системе примеры:

Вещи, которые вы бы приняли
Вещи, которые вы бы отвергли
Причины каждого принятого решения
Двоякие случаи, которые следует передать человеку

Ваша цель — превратить повторяющиеся редакционные решения в четкие правила.

Например, «Топ вопросов Google» должен быть списком, ну, вопросов. Самое простое правило звучит так: «оставляйте все, что начинается с кто, что, где, когда, почему или как» (who, what, where, when, why, how).

Звучит просто. За исключением того, что множество запросов начинаются с вопросительного слова, но вопросами вовсе не являются:

«Как приручить дракона»: фильм
«Как я встретил вашу маму»: телесериал
Вопросы из серии «Что бы вы выбрали?» (Would you rather): категория вопросов, а не конкретный вопрос

Иногда LLM замечает это не сразу. Она видит «как» в начале и вполне осмысленную фразу после него. Человек (я) должен прямо объяснить ей, почему это нельзя принимать.

К счастью для меня, Letaido оказалась достаточно сообразительной, чтобы заметить это:

Именно здесь причины имеют значение. Если я скажу только «отклони „Как приручить дракона“», модель усвоит лишь одно исключение. Если я скажу «отклоняй названия фильмов, сериалов, книг и песен, даже если они сформулированы как вопросы», она усвоит правило. Теперь она сможет распознать и что-то вроде «Как отделаться от парня за 10 дней», даже если я об этом не упомяну.

С разделом «Самые разыскиваемые люди» возникла другая проблема.

Этот случай был сложнее, потому что в Ahrefs нет таких данных. У нас нет готового списка «людей», из которого можно было бы сделать выборку. Поэтому мне нужно было, чтобы LLM проанализировала имеющиеся у нас данные и выделила сущности, принадлежащие конкретному человеку.

Это сложнее, чем звучит. Является ли «Jordan» баскетболистом, страной или парой кроссовок? Должны ли «билеты на Тейлор Свифт» учитываться в пользу Тейлор Свифт?

Используйте фильтры сущностей Ahrefs для неоднозначных имен

Отличить человека от продукта или места — это как раз то, для чего созданы наши фильтры сущностей. В Brand Radar вы можете сопоставить бренд как сущность, а не как простой текст, чтобы компания «Apple» не смешивалась с яблоками как фруктом.

Для каждого термина можно установить значение «Сущность равна» (Entity is), «Сущность содержит» (Entity contains) или «Текст» (Text) с дополнительными фильтрами по компании или продукту.

В конце концов я решил, что учитываться должны только поиски по имени.

Наконец, что бы вы ни делали, заставьте систему сохранять не только то, что она приняла, но и то, что она отклонила, вместе с указанием причины.

Здесь вы можете видеть, что система уже ошибочно отклонила некоторые запросы, которые являются реальными вопросами. Это рабочий процесс в действии. Теперь я могу зайти и сделать так, чтобы LLM больше этого не повторяла.

Этот список отклоненных элементов — ваша система раннего предупреждения. Если в него попадет настоящий вопрос, вы заметите это за считанные секунды и исправите правило. Если вы видите только финальный результат, вы никогда не узнаете, что именно пропало.

5. Сделайте одну статью от начала и до конца

На этом этапе возникает соблазн автоматизировать абсолютно все. Не поддавайтесь.

Всегда начинайте с чего-то одного.

Например, я убедился, что автоматизация отлично работает для «Топ поисковых запросов Google», прежде чем вообще задумываться о ее распространении на все остальное.

Возникает соблазн замахнуться на многое. Вы проделали всю эту подготовительную работу, агент кажется умным, почему бы не запустить его сразу по всем 12 наборам данных?

Для этого есть вполне практическая причина: вы хотите выловить все ошибки агента до того, как что-либо будет опубликовано. А искать ошибки в одном результате гораздо проще, чем в 12. Если неверно все 12, вы даже не будете знать, с чего начать поиски.

Начало с малого также позволяет постепенно определить, что системе разрешено менять, а что нет.

Например, изначально я хотел изменить только таблицы.

Ничего больше. Потому что я боялся, что если попрошу агента улучшить статью, он устроит беспорядок. Тире (em dashes), искусственный стиль ИИ и тому подобное.

Как только я остался доволен тем, что она делает (не сразу, в течение 2–3 месяцев), я начал разрешать ей вносить более масштабные изменения.

Например, первая строка во введении теперь является «программной» в том смысле, что она меняется в зависимости от того, какие запросы находятся в топе таблицы.

Другой пример: это изображение также генерируется каждый раз при обновлении таблицы (во всех разных постах для разных платформ):

Я начал экспериментировать с тем, как улучшить таблицы, чтобы в них были более интересные данные, а также чтобы помочь читателю:

Я также рекомендую создавать результаты выполнения на каждом ключевом этапе рабочего процесса.

Этап

Что он делает

Результат

Получение

Выгружает сырые данные из каждого источника

Файл с сырыми данными

Очистка

Удаляет нерелевантные результаты

Очищенный список + список отклоненных

Классификация

Сортирует и помечает оставшееся (например, это человек?)

Классифицированный список

Сборка

Создает новые таблицы и графики

Таблицы и графики

Обновление

Записывает изменения в черновик WordPress

Черновик WordPress

Уведомление

Сообщает мне, что все готово

Электронное письмо

Эта настройка выручала меня бесчисленное количество раз. Если возникает ошибка, мне не нужно перезапускать весь процесс с самого начала. Я проверяю каждый результат, нахожу этап, где произошел сбой, исправление и перезапуск с этой точки.

В идеале система также должна сохранять все данные, которые она изменяла или обновляла с течением времени. Моя система именно так и делает. Это означает, что каждый месяц я создаю исторический набор данных. В будущем я смогу использовать его для создания графиков и мини-графиков, показывающих, как поисковые запросы меняются со временем. Это контент, который больше никто не сможет создать, потому что ни у кого больше нет таких данных.

Наконец, мое главное правило: я никогда не позволяю ИИ публиковать материалы автоматически за меня.

Каким бы совершенным ни становился процесс автоматизации, нам нужен человек в контуре для контроля на случай, если что-то пойдет не так. А в конечном счете что-то всегда идет не так.

Более того, кто-то должен нести ответственность за то, что публикуется.

Я представляю это себе как работу шеф-повара в ресторане мирового класса.

Шеф-повар больше может не готовить каждое блюдо лично. У него есть су-шефы, линейные повара, кондитер и целая команда, выполняющая работу.

Но все, что покидает кухню, выходит под его именем. Если гостю подают неудачное блюдо, под ударом оказывается репутация шеф-повара. Поэтому он проверяет каждое блюдо перед подачей.

Ваша автоматизация — это ваша кухня. Теперь вы шеф-повар. Ничто не должно покидать кухню без вашего одобрения.

6. Запустите в реальных условиях, а затем настройте расписание

Когда ваш отдельный элемент заработает в тестовом режиме, запустите весь процесс в реальных условиях, от начала до конца, ровно так, как он будет работать самостоятельно.

Затем сравните результат с версией, созданной человеком, разместив их рядом. Вот что я бы проверил:

Цифры: выборочно проверьте несколько значений по источнику. Они верны?
Отклоненные элементы: просмотрите список отклоненных. Не отбросилось ли что-то хорошее?
Форматирование: соответствует ли оно остальной части статьи и вашему фирменному стилю?
Переписанный текст: если изменения затронули введение или заголовки, по-прежнему ли это звучит как ваш голос?
Ссылки, даты и мелочи: то, что читатели замечают сразу, когда оно сделано неверно.

Держите в уме следующий вопрос: «Опубликовал бы я это, если бы сделал сам?»

Когда все выглядит отлично, настройте расписание (например, ежемесячно).

Здесь нужно учесть пару моментов:

Время. Запланируйте запуск после обновления источников данных. В противном случае вы получите прекрасно отформатированное обновление данных за прошлый месяц.
Оповещения об ошибках. Убедитесь, что система сообщает вам, когда что-то идет не так, а не только тогда, когда все готово. Худший вид сбоя — это тихий сбой, когда автоматизация незаметно прекращает работу, и никто этого не замечает в течение трех месяцев.

7. Масштабирование

Когда вы будете довольны рабочим процессом, пришло время его расширить.

Именно так я и поступил. Как только меня устроили результаты по «Топ поисковых запросов Google», я внедрил этот подход для всех остальных постов, которые хотел обновить, по одному за раз.

Да, это занимает время. У каждой новой статьи есть свои нюансы. Для раздела «Самые разыскиваемые люди» потребовались совершенно другие правила, чем для «Самых дорогих ключевых слов». Но помните: проще исправить что-то одно, чем всё сразу. И с каждой добавляемой статьей становится проще, потому что большая часть конвейера уже построена.

Но в моем случае я не просто масштабировал собственный рабочий процесс. Я поделился процессом с командой, и это вдохновило их тоже заняться разработкой.

Поэтому «масштабирование» означает не просто тиражирование ваших личных процессов. Это может означать их внедрение во всем отделе или даже во всей компании.

Именно так происходит истинное внедрение ИИ. Не путем рассылки общекорпоративного меморандума с призывом «используйте ИИ больше». Это вызывает лишь тревогу и множество открытых вкладок с ChatGPT. Это происходит тогда, когда кто-то создает работающий инструмент, показывает его коллегам, и они говорят: «Подожди, а я могу сделать так же для своей задачи?»

Что все еще идет не так в моем рабочем процессе

Так заканчивается ли всё после настройки автоматизации? Можете ли вы наконец оказаться на Бали и попивать коктейли, пока ИИ выполняет всю вашу работу?

К сожалению, нет. Насколько мне известно, я все еще нахожусь в Лондоне.

Человеческая проверка по-прежнему необходима. И поскольку ИИ продолжает меняться и совершенствоваться, ваши автоматизации будут давать сбои.

Если популярный, хорошо поддерживаемый плагин может сломаться в одночасье, то ваша самодельная автоматизация — тем более.

Вот мой личный пример: я создал свою автоматизацию в том же рабочем пространстве, что и контент-команда. Райан добавил новый секрет или мост для своих рабочих процессов, но непреднамеренно сломал мою автоматизацию.

Вот что чаще всего может пойти не так:

Обновления моделей. Новая версия модели может по-разному интерпретировать одни и тем же инструкции. Правила, которые работали в прошлом месяце, могут внезапно игнорироваться или выполняться слишком буквально.
Изменения в источниках. API меняются, форматы данных сдвигаются, и в экспорте, на который вы полагались, появляется новая колонка.
Странные данные. Новостное событие может за сутки вывести случайное ключевое слово на вершину чартов. Ваша автоматизация с радостью сообщит о нем, если только вы не настроили ее отмечать необычные всплески.
Уход от правил. Мир меняется. Выходит новый фильм с вопросом в названии, и ваши правила пока его не охватывают.
Сбои форматирования. Обновление CMS, смена темы или новый тип блоков — и вот ваши таблицы выглядят так, будто их создали в 1998 году.

Так что вам придется продолжать поддерживать свои автоматизации и следить за тем, чтобы все продолжало работать исправно.

Опять же, возвращаясь к той же аналогии с рестораном: по мере продвижения по карьерной лестнице шеф-повар не перестает проверять су-шефов и младших поваров. Рецепты корректируются, поставщики меняются, приходит новый персонал. Поэтому он продолжает дегустировать, проверять и исправлять, чтобы каждое блюдо в меню получалось идеальным.

То же самое и с вашими автоматизациями.

Заключительные мысли

Я считаю, что наименее полезный подход к автоматизированному созданию контента — это вопрос о том, как заставить ИИ создавать как можно больше контента.

У нас и так достаточно контента.

Куда лучше задать другой вопрос:

Какие аспекты создания действительно полезного контента мешают нам делать его еще больше?

Поручите ИИ рутинную работу, чтобы вы могли потратить свое время на то, что действительно требует вашего участия: идеи, мнения, опыт, вкус. На то, что не способна подделать ни одна модель.

Таким должно быть будущее совместной работы с ИИ над контентом.