Как ИИ помогает в работе digital-студии и какие задачи я оставил людям

Я управляю проектами в digital-студии, поэтому рабочий день редко состоит из однотипных задач. Утром можно обсуждать с разработчиком структуру нового раздела сайта, через час разбираться с расходами в Яндекс.Директе, потом проверять SEO, согласовывать дизайн, смотреть новую редакцию договора и готовить клиенту отчёт за месяц. В небольших командах значительная часть этой информации в итоге проходит через руководителя или менеджера проекта.

Со временем я заметил, что больше всего времени съедают даже не сложные решения. Гораздо больше его уходит на подготовительную работу: собрать данные из нескольких систем, сравнить документы, восстановить контекст переписки, проверить цифры, превратить сообщение клиента в понятную задачу для исполнителя. Каждая такая операция кажется небольшой, но за день их набираются десятки.

Примерно с этого и началось моё нормальное знакомство с ИИ в работе. Сначала я использовал его для отдельных задач: разобраться в большом документе, привести в порядок таблицу, собрать структуру материала. Постепенно стало понятно, что гораздо интереснее давать модели полноценный рабочий контекст и использовать её как дополнительный уровень обработки информации.

За последний год этот подход заметно изменил то, как я веду проекты.

SEO хорошо подходит для такой работы, потому что почти любой проект состоит из большого количества разрозненных данных. Есть Яндекс.Вебмастер, Search Console, Метрика, позиции, семантика, технический аудит, страницы сайта, данные по конкурентам. По отдельности каждый источник понятен, а основное время уходит на их сопоставление.

Сейчас я обычно сначала собираю исходные данные, после чего использую ИИ для первичного анализа. Например, можно быстро найти страницы с заметным изменением трафика, просевшие группы запросов, возможные дубли, проблемы с индексацией или ситуации, когда несколько страниц конкурируют за одну и ту же семантику.

После этого результаты всё равно приходится проверять вручную. В SEO сами цифры редко дают полный ответ. Страница с небольшим трафиком может приносить компании самых дорогих клиентов, а раздел с десятками тысяч посещений может почти не участвовать в продажах. Приоритет зависит от экономики проекта, истории сайта и задач бизнеса.

Поэтому ИИ здесь хорошо работает как дополнительный аналитический инструмент. Он позволяет быстрее сузить область поиска и перейти к тем участкам проекта, где действительно требуется внимание специалиста.

Саму механику современного SEO и набор данных, с которыми сейчас приходится работать, мы подробнее разбирали в материалах блога SEO GRAVITY на «Клерке».

Недавно я решил проверить похожий подход уже на реальном рекламном кабинете. Выгрузил данные из Яндекс.Директа и Метрики: кампании, расходы, цели, конверсии, ключевые фразы, поисковые запросы и часть настроек. Затем свёл их вместе и прогнал через анализ.

Первый результат оказался полезным уже на этом этапе. За несколько минут удалось получить общую картину по кампаниям, увидеть участки с непропорциональным расходом, определить запросы, которые стоит проверить отдельно, и понять, куда смотреть в первую очередь. При ручном разборе приходится последовательно открывать несколько отчётов и сопоставлять их между собой.

После этого появилась более интересная мысль. Такой анализ можно запускать регулярно и практически без участия человека.

Система может, например, каждый день проверять рекламный кабинет и сообщать, что за последние три дня в конкретной кампании вырос расход при снижении числа целевых действий. Или находить группу поисковых запросов, на которую уже потрачена заметная сумма без зафиксированных конверсий. Ещё один сценарий: предупреждать, если CPA по отдельной цели резко вышел за привычный диапазон.

Получается своего рода постоянный контроль состояния рекламного кабинета. Я для себя называю эту идею «антивирусом для Яндекс.Директа»: кабинет подключается один раз, после чего система регулярно ищет подозрительные изменения и показывает их человеку.

Автоматически отключать кампании на основании одного такого анализа я бы пока не стал. Рекламные данные сильно зависят от периода, типа бизнеса, сезонности, корректности целей и других факторов. Безопаснее сначала показать рекомендацию специалисту, а уже затем вносить изменения через API.

Но сама схема оказалась вполне рабочей, и сейчас мне интересно развивать её дальше.

Ещё одна постоянная часть моей работы связана с постановкой задач разработчикам. Клиенты редко формулируют запрос в технических терминах, да им это и не требуется.

Обычное сообщение может выглядеть примерно так: «Хотим здесь сделать что-то похожее на сайт конкурента, только проще, добавить фильтр и нормально адаптировать под телефон».

Клиент описал задачу вполне понятно со своей стороны. Разработчику для работы всё равно понадобятся структура, состояния интерфейса, источник данных, поведение на мобильных устройствах, правила формирования URL, требования к индексации и критерии готовности.

Раньше значительную часть этой работы менеджер выполнял вручную. Сейчас я могу дать ИИ исходное сообщение, структуру проекта, ограничения и несколько дополнительных пояснений. В ответ получается первый вариант технической постановки, который уже можно проверить, сократить и передать исполнителю.

Экономия времени здесь складывается не только из скорости подготовки ТЗ. Снижается вероятность потерять важную деталь по дороге от клиента к разработчику, особенно когда обсуждение задачи растянулось на несколько дней и шло одновременно в почте, мессенджере и комментариях к макетам.

С текстами всё оказалось сложнее. Сгенерировать статью на заданную тему сейчас можно за несколько минут, но техническая возможность сама по себе мало что говорит о качестве результата.

Для клиентских проектов у нас постепенно сложился другой порядок. Сначала собираются поисковые запросы и вопросы аудитории, затем изучается выдача, проверяются источники, фактура и материалы конкурентов. После этого появляется структура статьи, затем черновик и только потом несколько этапов проверки.

Отдельно приходится смотреть фактические утверждения, повторы, избыточные списки, одинаковые конструкции, искусственные вступления и SEO-переоптимизацию. Финальную редактуру я по-прежнему предпочитаю делать вручную, потому что именно на этом этапе решается, будет текст звучать нормально или останется похожим на аккуратно собранный шаблон.

На «Клерке» эту проблему тоже регулярно обсуждают. Есть, например, материалы о работе с ИИ и экспертным контентом, и общая проблема везде примерно одна: модель может серьёзно ускорить подготовительную часть, но фактическая ответственность за опубликованный материал остаётся у автора и редакции.

В коммерческом контенте это особенно важно. Ошибка в описании услуги, налогового правила, требования закона или финансового показателя уже нельзя списать на особенности генерации текста.

Если у компании одновременно идёт SEO, реклама, разработка и контент, то каждый специалист обычно смотрит на проект со своей стороны. SEO-специалист показывает позиции и трафик, директолог расходы и конверсии, разработчик закрытые задачи, редактор опубликованные материалы.

Для клиента четыре отдельных отчёта редко дают цельную картину.

В большинстве случаев ему нужно понять несколько вещей: что команда сделала за месяц, что изменилось в показателях, какой результат это принесло и какие действия предлагаются дальше.

Здесь ИИ оказался действительно удобным. Исходные данные можно собрать из нескольких направлений и на их основе подготовить первый вариант управленческого отчёта. Например, связать рост поисковой видимости с изменением трафика, результаты рекламы с количеством целевых обращений, а доработку посадочной страницы с изменением конверсии.

Цифры при этом обязательно должны оставаться проверяемыми. ИИ помогает собрать их в связный рассказ, но не должен становиться источником самих показателей.

Для меня это важное различие. Клиентский отчёт должен опираться на Метрику, рекламные кабинеты, CRM и фактически выполненные работы. Модель здесь отвечает за обработку и представление информации.

Отдельно ИИ пригодился при подготовке коммерческих предложений. Это особенно заметно на проектах, где есть разовые работы, ежемесячные услуги, рекламный бюджет, скидки и несколько вариантов сотрудничества.

После нескольких правок легко получить ситуацию, когда стоимость одной услуги уже изменилась, другая перенесена на следующий месяц, рекламный бюджет вынесен отдельно, а итоговая годовая сумма осталась от предыдущей версии документа.

Сейчас я часто использую модель как дополнительную проверку расчётов. Можно быстро пересчитать несколько сценариев, проверить месячные платежи, отделить стоимость наших работ от рекламного бюджета и найти арифметические расхождения.

Саму цену проекта таким способом определять бессмысленно. Она зависит от загрузки команды, объёма работ, рисков, условий договора и экономики конкретного клиента. Но для проверки уже принятой модели такой инструмент удобен.

Довольно типичная ситуация: контрагент присылает новую редакцию договора, в которой изменено несколько пунктов из нескольких десятков страниц.

Раньше приходилось открывать две версии рядом и постепенно искать отличия. Сейчас можно быстро получить список изменений: где появились новые обязательства, изменились сроки, расширилась ответственность сторон или одна формулировка была заменена другой.

Это хорошая подготовка к нормальной юридической проверке.

На договорах особенно важно понимать границы такого инструмента. Модель может обратить внимание на потенциально значимый пункт, но оценка правовых последствий требует контекста и профессиональной ответственности. Поэтому документ после такого анализа всё равно должен читать человек, который понимает предмет договора и последствия его условий.

Пожалуй, самое заметное изменение произошло не в какой-то отдельной задаче.

Раньше рабочая информация существовала отдельными блоками: Метрика, Директ, таблицы, документы, переписка, SEO-сервисы, таск-трекер. Менеджер вручную связывал их между собой.

Сейчас между этими источниками постепенно появляется дополнительный технический слой. Он может получить данные из нескольких систем, сопоставить их и подготовить информацию уже в том виде, который нужен для конкретного действия.

Сообщение клиента превращается в черновик задачи. Несколько аналитических выгрузок собираются в один список проблем. Две версии договора превращаются в перечень изменений. Данные разных специалистов складываются в клиентский отчёт.

И именно эта часть работы дала мне самую заметную экономию времени.

Есть несколько областей, где я использую ИИ только для подготовки информации.

Первая из них - сложные переговоры с клиентом. Можно собрать историю проекта, проверить цифры и подготовить аргументы, но сам разговор зависит от отношений между людьми и общего контекста.

То же самое касается окончательной стоимости проекта. Модель может помочь с расчётами, однако она не видит полностью загрузку команды, риски, перспективу сотрудничества и множество договорённостей, которые существуют за пределами таблицы.

С осторожностью я отношусь и к обещаниям по срокам. Особенно в разработке, где итог зависит сразу от нескольких специалистов, сторонних сервисов, API и материалов клиента.

Найм сотрудников тоже остаётся человеческим решением. ИИ помогает разобрать резюме и подготовиться к интервью, но оценивать человека только по результату такого анализа было бы слишком рискованно.

И наконец, стратегия проекта. С моделью удобно обсуждать варианты, проверять аргументы и искать слабые места в собственных предположениях. В какой-то момент всё равно приходится выбрать один вариант и отвечать за его результат.

Когда я только начал активно использовать ИИ, основная идея была простой: выполнять привычные задачи быстрее.

За год стало заметно, что эффект немного глубже. Сократилось количество времени, которое уходит на поиск информации, её перенос между системами, сравнение, первичную обработку и подготовку черновиков.

Освободившееся время постепенно заняли другие задачи: проверка выводов, расстановка приоритетов, экономика проекта, разговоры с клиентами и принятие решений.

Для управляющего digital-проектами это, на мой взгляд, и есть самое полезное применение современных моделей. Чем меньше времени требуется на механическую обработку информации, тем больше его остаётся на работу, где действительно нужен опыт.

Сам по себе ИИ не знает бизнеса клиента, не несёт ответственность за рекламный бюджет и не будет объяснять заказчику, почему команда выбрала именно такое решение. Но он уже вполне способен снять значительную часть подготовительной работы, которая раньше незаметно занимала часы.

За последний год именно это больше всего изменило мой рабочий процесс.

Интересно сравнить опыт: какие задачи в своей работе вы уже спокойно передаёте ИИ, а какие предпочитаете полностью оставлять за человеком?