AI pisze szybciej, niż myślisz. Problem w tym, że często brzmisz jak konkurencja

Zanim zaczniesz od narzędzia, skończ z własną głową

Agnieszka prowadzi w Gdańsku butikową agencję PR specjalizującą się w branży spożywczej. W październiku 2023 roku kupiła dostęp do ChatGPT Plus dla całego trzech-osobowego zespołu. Przez pierwszy tydzień wszyscy byli zachwyceni: posty na LinkedIn gotowe w kwadrans, propozycje tematów na trzy miesiące do przodu, szkice informacji prasowych bez gapienia się w pustą stronę. A potem zaczęły wracać maile od klientów z pytaniem, czy coś się zmieniło w agencji, bo ostatnie teksty brzmią jakoś inaczej. Jeden klient zapytał wprost, czy piszą to teraz jakieś praktykantki.

To zdanie trafiło w punkt, bo problem nie polegał na tym, że teksty były złe. Były poprawne, płynne, nawet przekonujące. Tylko że mogły wyjść spod ręki dosłownie każdej agencji w Polsce. Agnieszka przez dwa miesiące naprawiała to, czego nie powinna była psuć, i przyznaje, że wdrożenie kosztowało ją więcej godzin niż zaoszczędziło — przynajmniej do wiosny 2024 roku.

Opowiadam o tym, bo to nie jest wyjątek. To jest scenariusz, który powtarza się z dużą regularnością, kiedy firmy przechodzą od eksperymentu z AI do próby wbudowania go w codzienny proces. Najpierw narzędzie, potem panika, potem przepisywanie zasad od nowa. Sensowniejsza kolejność jest odwrotna: najpierw odpowiedź na pytanie, czym w ogóle jest głos tej marki, a dopiero potem rozmowa z modelem językowym.

Brief dla AI jest jak brief dla pracownika, który nie był na żadnym spotkaniu

Najczęstszy błąd to traktowanie modelu jak wyszukiwarki z funkcją pisania. Wpisujesz temat, dostajesz tekst, narzekasz, że jest generyczny. Żeby AI pisało w głosie marki, musisz jej najpierw ten głos opisać w sposób, który ma ręce i nogi — nie w stylu 'jesteśmy profesjonalni i bliscy klientom', bo to nic nie znaczy dla modelu i właściwie nie znaczy też nic dla ludzi.

Dobrze działający prompt do treści marketingowych zawiera kilka konkretnych elementów: przykłady zdań, których marka używa (i których nie używa), informację o tym, do kogo się mówi i co ta osoba już wie, ton emocjonalny, czyli czy marka mówi z humorem czy na serio, i wreszcie czego tekst ma się nie kończyć — bo AI ma tendencję do kończenia wszystkiego wezwaniem do działania, nawet jeśli tego nie chcesz.

Można to zrobić raz, porządnie, zapisać w dokumencie i używać jako baza do każdego projektu. Brzmi banalnie. Niemniej większość firm, z którymi rozmawiałem, tego nie robi, bo zakłada, że to zajmie tydzień, a faktycznie zajmuje jeden intensywny poranek i dwie rundy korekt. Agnieszka z Gdańska zrobiła to w lutym ubiegłego roku i mówi, że to jedyna decyzja, która naprawdę zmieniła jakość outputu. Proces eksportowania starych tekstów z systemu klienta zajął przy tym trzy tygodnie, bo nikt nie wiedział, w jakim formacie są pliki — ale to osobna historia.

Jest jeden argument przeciwko całemu temu podejściu, który słyszę regularnie i który jest częściowo słuszny: że skoro i tak trzeba napisać dobry brief, to może równie dobrze samemu napisać ten tekst. To prawdziwy zarzut przy krótkich formach. Przy dłuższych, przy skalowaniu do piętnastu postów miesięcznie albo przy generowaniu wariantów A/B, oszczędność czasu jest realna. Przy jednym tekście blogowym tygodniowo — szczerze mówiąc, nie zawsze.

Warto też wiedzieć, że modele językowe mają tendencję do uśredniania. Nie z głupoty, tylko dlatego, że są trenowane na miliardach słów z internetu i statystycznie najczęstszym zdaniem o każdej firmie jest zdanie, które brzmi jak zdanie o każdej innej firmie. Żeby tego uniknąć, trzeba aktywnie wprowadzać do promptu elementy specyficzne: konkretne produkty, konkretnych klientów, konkretne słowa, których marka używa. Im bardziej ogólny brief, tym bardziej ogólny tekst.

Workflow, który nie rozpadnie się po miesiącu

Pracujący proces wygląda mniej więcej tak: masz stały brief marki zapisany gdzieś dostępnym miejscu (Notion, Google Doc, cokolwiek), do każdego projektu doklejasz kontekst specyficzny dla tego tekstu, dostajesz draft, który jest punktem wyjścia, a nie gotowym produktem, i potem ktoś z zespołu robi przejście, które nazywam po ludzku 'przejściem własnego zdania' — czyli wprowadza jedną lub dwie obserwacje albo sformułowania, których AI nie wymyśliło, bo nie mogło. Coś z rozmowy z klientem, coś z doświadczenia z konkretnym rynkiem, jakiś niuans, który jest prawdziwy tylko dla tej firmy.

To przejście zajmuje zazwyczaj dwadzieścia minut przy tekście, który bez AI zajmowałby dwie godziny. Różnicę można przeznaczyć na coś, czego AI nie zastąpi: na myślenie o tym, co w ogóle warto napisać i po co.

Tu właśnie jest miejsce na dygresję, bo muszę powiedzieć coś o strategii treści AI, która jest według mnie jedną z bardziej przereklamowanych rzeczy ostatnich dwóch lat. Modele dobrze generują tekst, ale słabo generują decyzje o tym, jaki tekst ma sens dla konkretnego biznesu. Mogą zaproponować sto tematów na artykuły i pewnie osiemdziesiąt z nich będzie poprawnych merytorycznie. Ale które z nich przekonają klienta, który waha się przy czwartym etapie zakupu i boi się przepłacić — to jest wiedza, którą ma właściciel firmy, nie model. Wracam do tego, bo widzę firmy, które kupują drogie narzędzia do automatyzacji contentu, a pomijają krok zastanowienia się, po co w ogóle ten content tworzą.

Są firmy, dla których całość procesu od briefu do publikacji można zautomatyzować przy niskim ryzyku jakościowym. To zazwyczaj firmy, gdzie treści mają charakter informacyjny i powtarzalny: opisy produktów, FAQ, proste artykuły edukacyjne. Tam AI daje bardzo wyraźny zwrot. Przy treściach, które mają budować relację, pozycjonować eksperta albo sprzedawać przez subtelny storytelling — automatyzacja bez solidnego przejścia redakcyjnego wychodzi w praniu.

Znam firmę z Wrocławia (branża B2B, oprogramowanie dla logistyki) która przez kwartał testowała pełną automatyzację bloga i skończyła z dwunastoma artykułami, które Google oceniło jako helpful content, ale które nie przyniosły ani jednego sensownego kontaktu sprzedażowego. Artykuły były poprawne. Były po prostu dla nikogo konkretnego.

Dobry test: daj swój ostatni tekst wyprodukowany z pomocą AI komuś, kto zna Twoją firmę od pięciu lat. Zapytaj, czy to brzmi jak Ty. Jeśli powie 'tak, mniej więcej' — jesteś w połowie drogi.

Kiedy AI naprawdę pomaga, a kiedy tylko wygląda na pomoc

Jedno zastrzeżenie, które rzadko pada w dyskusjach o AI i marketingu: modele językowe są bardzo dobre w sprawianiu wrażenia, że rozumieją kontekst. Potrafią wygenerować tekst o konkretnej branży, który brzmi znajomo, używa właściwego słownictwa i ma odpowiednią strukturę. Ale to nie to samo, co zrozumienie, czego naprawdę potrzebuje człowiek, który to przeczyta. To subtelna różnica i jest źródłem większości rozczarowań.

Najbardziej praktyczne zastosowania AI w marketingu małej i średniej firmy, o ile mam być szczery w oparciu o to, co widzę (nie o badania, bo różnią się w zależności od źródła): generowanie wariantów nagłówków i call to action do testowania, pierwsze szkice tekstów do kampanii e-mailowych przy ściśle określonym briefie, podsumowania długich dokumentów przed pisaniem artykułu, adaptacje jednego tekstu do różnych kanałów. Tyle. Reszta wymaga więcej pracy niż zazwyczaj się przyznaje.

Agnieszka z Gdańska ma teraz w zespole jeden dokument, który nazywa 'konstytucją marki dla AI'. Są tam przykłady zdań, lista słów, których agencja nie używa, i trzy akapity o tym, jak firma podchodzi do trudnych tematów. Każdy nowy projekt zaczyna się od wklejenia tego dokumentu do rozmowy z modelem. Mówi, że to jedyna rzecz, której nie powinna była odkładać na później. Wdrożenie nadal zajęło trzy miesiące dłużej niż planowała, bo jeden z klientów zażądał pełnej dokumentacji procesu i nikt wcześniej nie myślał, że będzie potrzebna. Ale przynajmniej teksty brzmią teraz jak jej agencja.