Контент-фабрика из 15 AI-агентов. Как падение тональности в нейросетях превращают в план публикаций

Когда нейросети начинают хуже говорить о бренде, аналитика это показывает, но не отвечает на вопрос «что теперь делать». В brandfound этот разрыв закрывает контент-фабрика. Разбираем, как она устроена, на случае, где тональность бренда в ответах нейросетей упала с 74 до 59 пунктов.

Многие сервисы мониторинга заканчивают работу на дашборде. Вы видите, что упоминаний стало меньше или тон ответов испортился, но дальше всё зависит от команды. Нужно понять причину, придумать темы, написать тексты, опубликовать их и потом как-то проверить, помогло ли это. На этом этапе многие контент-стратегии и буксуют.

В brandfound приводят такой пример. Мониторинг показал, что тональность упоминаний бренда в ответах нейросетей за короткий период снизилась с 74 до 59 пунктов.

Тональность в сервисе оценивается по 17 шкалам. Проблемные ответы система разделила по срочности. 504 ответа попали в высший приоритет, их нужно разбирать в первую очередь. Ещё 134 ответа получили средний приоритет.

Почему такие цифры нельзя откладывать? BrightEdge в марте 2026 года посчитали, как часто ChatGPT и ИИ-обзоры Google критикуют бренды. В целом это случается нечасто, у ChatGPT примерно в 1,6% упоминаний. Но 19,4% этого негатива приходится на этап, когда человек уже выбирает, что купить. То есть критика звучит там, где решение принимается.

Частая причина такого падения не в том, что нейросеть «не любит» бренд. Модель собирает ответ из того, что о бренде есть в сети и в её данных. Если свежих и точных материалов о компании мало, она опирается на то, что есть: старые обзоры, чужие сравнения, случайные отзывы.

Это модуль внутри brandfound, а не отдельный продукт. Он связан с аналитикой сервиса напрямую, поэтому темы для статей берутся из данных о бренде, а не из головы.

Внутри канбан-доска. Карточки на ней проходят путь от «Идеи» до «Готово». В каждой карточке собран весь контекст: почему она появилась, какие данные её обосновывают, какие источники рекомендованы, готовый план, текст статьи и ссылка на публикацию.

Карточки на доску заводят 15 AI-агентов. Каждый регулярно проходит по данным бренда и ищет свой тип проблемы, то есть свой паттерн:

Каждого агента можно включить или выключить отдельно. Смысл в том, что команде не нужно каждый день листать графики в поисках проблем. Достаточно открыть доску и посмотреть, какие карточки появились.

Для случая с 504 проблемными ответами это важно. Вместо длинного списка ответов команда получает карточки, и в каждой уже есть объяснение, откуда взялась задача и какие данные за ней стоят.

Когда карточка взята в работу, фабрика помогает составить план и написать текст. В контекст статьи подгружаются данные сервиса: метрики, тональность, история ответов нейросетей по теме, тексты конкурентов из базы знаний бренда и источники с оценкой доверия.

Одну тему фабрика может разложить на несколько форматов. Например, вышла новая линейка продукта. Вместо одной новости получается:

Разные форматы нейросети цитируют по-разному, поэтому одна тема даёт несколько шансов попасть в ответы.

Отдельная функция это фактчек. Фабрика подсвечивает жёлтым места, в которых не уверена, обычно цифры, проценты и даты. Команда проверяет не весь текст, а только эти фрагменты. Для крупных брендов это важно: без проверки фактов ставить AI-контент на поток рискованно.

Ссылка на опубликованный материал добавляется в карточку. Дальше сервис отслеживает, начали ли нейросети ссылаться на статью и как меняется упоминаемость бренда.

Получается, что результат статьи измеряется не дочитываниями, а тем, что изменилось в ответах нейросетей. Если материал начали цитировать и тональность по теме улучшилась, задача закрыта. Если нет, это повод вернуться к карточке и понять, чего не хватило.

При падении тональности, как в этом кейсе, одной статьи обычно мало. Эффект стоит оценивать по серии публикаций, каждая из которых закрывает конкретную найденную проблему. При этом каждую можно проверить отдельно.

Простой генератор текстов работает по промпту. Вы даёте несколько предложений на входе и получаете статью на выходе. Тексты получаются вариациями одного шаблона и не опираются на данные о бренде.

Контент-фабрика стартует с другого конца. Сначала данные показывают проблему, потом появляется задача, потом статья, потом замер.

Падение тональности в ответах нейросетей чаще связано не с «алгоритмом», а с тем, на какие источники опирается модель. Исправлять это нужно контентом, но не любым, а тем, который закрывает найденные пробелы.

Контент-фабрика связывает три шага, которые обычно живут отдельно: поиск проблемы, публикацию и проверку результата. Поэтому видно, какая статья сработала, а какая нет.

Если свести всё к одному: мониторинг называет проблему, но закрывает её только контент, привязанный к конкретной причине. Данные находят пробел, карточка превращает его в задачу, статья закрывает пробел, замер показывает, попала ли она в ответы нейросетей. В этом кейсе путь от 59 пунктов назад к 74 выглядит так: разобрать 504 срочных ответа по приоритету, на каждый найденный паттерн выпустить свой материал и считать результатом не дочитывания, а изменившийся ответ нейросети.

А как у вас сейчас устроено: после отчёта о видимости в нейросетях кто-то превращает его в задачи или он остаётся просто отчётом?