Как мы пытались (и провалились) захватить Threads с помощью AI

Привет! Мы — команда mysummit.school, и мы, как и многие в сфере EdTech, одержимы идеей использования AI во всем. Недавно мы оживили аккаунт в Threads и поставили себе амбициозную цель: построить сильный бренд в нише AI/GenAI, не потратив на это ни минуты человеческого времени.

Спойлер: ничего не вышло. Но мы получили бесценный опыт, которым хотим поделиться. Эта история — о наших ошибках, неверных гипотезах и о том, как за красивыми метриками может скрываться полный провал.

Наша цель: бренд через охват, а не подписчиков

С самого начала мы поставили себе четкую цель: построить узнаваемый бренд в нише AI/GenAI через максимальный охват. Нас интересовали не подписчики (это оказалось ошибочным предположением, о чем позже), а просмотры — количество людей, которые видят наш контент.

Логика была простой:

• Цель: Охватить тысячи людей, интересующихся AI
• Метрика успеха: Средние просмотры на пост (целевое значение: 150-200+)
• Философия: Качественный контент найдет свою аудиторию, подписчики придут сами
• Ошибка: Мы недооценили важность вовлеченности и построения сообщества

Мы хотели использовать преимущественно AI-генерированный контент, но не бездумный спам. Наш подход был таким:

1. Источники: Мы собирали факты вручную из качественных источников — подкастов ведущих экспертов (Lex Fridman, Andrew Ng, AI-подкасты на русском), YouTube-видео, технических конференций
2. Предобработка: Каждый факт проходил через специализированный промпт для извлечения и оценки
3. Оценка качества: Факты получали оценку от 1 до 10 по нескольким критериям
4. Генерация постов: AI превращал факты в посты, адаптированные под русскоязычную аудиторию

Технические детали: как работала наша система

Архитектура решения

Backend: .NET 9 / C# — надежная, быстрая платформа для автоматизации База данных: PostgreSQL — хранение фактов, постов, метрик, истории вариантов AI-модели:

• Извлечение фактов: Claude 4.5 Sonnet (Anthropic) — лучшая модель для понимания контекста и извлечения структурированных данных из длинных текстов
• Генерация постов: Gamma 3 от Google — создание эмоционально окрашенных постов с учетом российской психологии (конкретика, прямота, эмоциональность)
• Оценка качества: Claude 4.5 Haiku (быстрая модель) — для быстрой оценки вариантов

Выбор Gamma был осознанным: эта модель показывает лучшие результаты в работе с русским языком и понимании культурного контекста. Особенно важна способность Gamma следовать сложным промптам с множеством критериев.

Процесс извлечения фактов

Мы разработали двухэтапный процесс обработки контента:

Этап 1: Ручной сбор источников

• Слушаем подкасты про AI (Lex Fridman, All-In Podcast, российские AI-подкасты)
• Смотрим выступления на конференциях (NeurIPS, OpenAI DevDay, Яндекс Scale)
• Читаем технические отчеты и исследования

Этап 2: Извлечение фактов через AI

Мы используем специализированный промпт (Не, мы его не шарим - он занимает больше, чем эта статья), который анализирует контент по 8 категориям эмоциональных триггеров:

1. Fear + Specificity (Страх с конкретикой): «1.1М американцев потеряли работу за 10 месяцев, +65%»
2. Status Threat (Угроза статусу): «OpenAI $588 млрд контрактов vs российский AI-бюджет $1 млрд. Разница в 588 раз»
3. Shock + Contradiction (Шок и противоречие): «Все говорят ‘AI создаст места’, а реальность: 1.1М потеряли работу»
4. Absurdity + Scale (Абсурдный масштаб): «Обучение модели: 2020 = $4.6М → 2024 = $100М+. Рост в 20x»
5. Insider Reveal (Инсайдерская информация): «CoreWeave получит $0.15-0.20 чистой на каждый $1. Они скрывают масштабы»
6. Loss Aversion + Countdown (Дефицит времени): «2-3 года осталось переучиться. После 2027 рынок не узнаете»
7. Russian Companies (Российские компании): «Яндекс потратил $150М на GPU за 6 месяцев»
8. Personal Story (Личные истории): «3 знакомых программиста потеряли работу за месяц. Все — AI»

Каждый факт получает:

• Оценку 1-10 (engagement_score)
• Категорию эмоционального триггера
• Анализ психологического воздействия
• Соответствие российской культуре (конкретика, прямота, эмоциональность, статус, противоречия)

Статистика эксперимента: Цифры

За время эксперимента наша система превратилась в настоящего монстра контента. Мы собрали 351 уникальный факт и опубликовали 216 постов. Из них 72% были созданы полностью автоматически — наш цифровой автор трудился без устали. Вручную было написано всего 60 постов. Средняя оценка качества извлеченных фактов держалась на уровне 7.9/10 — мы были уверены в качестве нашего сырья. Но, как вы увидите, этого оказалось недостаточно.

Вы можете запустить его и получить те же данные, которые мы здесь приводим.

Эволюция подхода:

• Фаза 1 (начало ноября): 10-13 постов/день, 100% автоматика
• Фаза 2 (середина ноября): Оптимизация промптов, смена алгоритмов выбора
• Фаза 3 (сейчас): 2-3 поста/день, ручная выборка вариантов

Акт 1: Медовый месяц. «Смотрите, оно работает!»

Идея была простой и гениальной (как нам казалось):

1. Берем базу из сотен фактов про AI.
2. Пишем AI-промпт, который превращает их в «глубокие, основанные на данных» посты.
3. Запускаем бота, который постит это 8-13 раз в день.
4. Profit!

Первые результаты обнадёживали. В начале ноября мы получали в среднем 134 просмотра на пост. Не виральный успех, но для полностью автоматического аккаунта — вполне достойно. Мы быстро выяснили, что лучше всего работают посты с эмоциональными крючками («Ребята, вы это слышали?!») и шокирующими цифрами.

Например, пост о сравнении пузыря доткомов с бумом AI собрал почти 600 просмотров. Успех!

Один из наших первых хитов. Выглядит неплохо для робота, правда?

Мы чувствовали себя гениями. Нужно было лишь немного докрутить промпты.

Акт 2: Первые трещины и shadowban. «Почему Threads нас не показывает?»

Мы создали новый «супер-промпт» для высокой вовлеченности. И он действительно работал! Посты, созданные с его помощью, получали в среднем на 68% больше просмотров.

Проблема? Мы использовали его всего в 15% случаев. Наша система работала вразнобой, и 8 ноября случился показательный провал: средние просмотры рухнули до 22.

Сначала мы думали, что это техническая ошибка — мол, «забыли включить хороший промпт». Но реальность оказалась куда хуже: Threads дал нам shadowban на 2 дня.

Наши американские горки. Видите эту яму? Это не ‘забытый промпт’ — это shadowban. Threads решил, что мы спамим. Урок №1: алгоритмы умнее, чем мы думали

Что произошло: Мы неправильно интерпретировали алгоритмы Threads. Постили 10-13 раз в день в одно и то же время, с похожей структурой постов, без какой-либо реакции на комментарии. Платформа распознала паттерн автоматизации и тихо понизила наш охват до минимума.

Это был первый звонок, что наш подход фундаментально сломан. Но мы еще не готовы были это признать.

В тот же период мы сделали ещё одно открытие: посты про российские тех-компании (Яндекс, Сбер) выстреливали в 3-5 раз лучше, чем про глобальные. Пост про покупку GPU Яндексом принес нам рекордные 1,412 просмотров.

Вывод казался очевидным: нужно использовать только лучший промпт и сосредоточиться на фактах о российском AI. Мы отключили все старые промпты и приготовились к взлёту.

Акт 3: Синдром уставшего зрителя. «Я это уже где-то видел»

Взлёта не случилось. Наоборот, началось стремительное падение. Средние просмотры упали до 39, а в один из дней — до катастрофических 5.7.

В чём дело? Мы стали жертвой «баннерной слепоты» собственного производства. 90% наших постов имели одну и ту же структуру:

1. Крючок: «Ребята, вы это слышали?» / «Подождите, что?!»
2. Данные: [шокирующие цифры]
3. Вывод: «Это значит, что…»
4. Вопрос: «А вы как думаете?»

Аудитория моментально распознавала этот паттерн и просто пролистывала. Наши посты-близнецы стали невидимыми.

Вот так выглядели наши посты-клоны. Неудивительно, что их перестали читать. Сравните сами: Пост 1 и пост 2

Мы погрузились в анализ алгоритмов Threads и поняли: платформа наказывает за однотипный контент. Решение? Создать ещё более гениальный промпт с 8-ю разными структурами, списком «запрещенных фраз» и другими оптимизациями. Теперь-то точно полетим!

Акт 4: Настоящий виновник. «Двигатель сломан, а мы полируем сиденья»

Новый «алгоритм-оптимизированный» промпт был внедрен. Результат: средние просмотры обвалились до 19.5. Это был полный провал, на 93% ниже цели.

Наступил момент истины. Мы полезли в код и обнаружили нечто абсурдное. Наш сервис постинга выбирал факты для публикации по принципу: OrderByDescending(f => f.Id). Он просто брал самый новый факт из базы, полностью игнорируя его качество, категорию или рейтинг.

Мы потратили недели на создание системы оценки фактов, а наш бот всё это время её не использовал.

Это был шок. Мы тут же переписали алгоритм на умную, взвешенную выборку, оптимизировали время постинга под пиковые часы и перезапустили систему. Мы были уверены, что вот он, корень зла.

Акт 5: Крушение всех надежд и новое начало

И… ничего не изменилось. Даже с умной выборкой лучших фактов, в лучшее время, с лучшим промптом — просмотры остались на уровне 19-20.

Тут до нас дошло.

Проблема не в том, КАК мы генерируем контент. Проблема в том, что мы вообще пытаемся его генерировать полностью автоматически.

Наши 5 итераций оптимизации были похожи на попытку улучшить комфорт кресел в самолете с отказавшими двигателями. Система была сломана на фундаментальном уровне. Алгоритмы Threads умнее, чем мы думали. Они видят:

• Поведение бота: 10+ постов в день в одно и то же время? Спам.
• Отсутствие человека: Ноль ответов на комментарии? Нет вовлеченности, пессимизация.
• Стиль AI: Даже лучшие промпты выдают себя, если их много.

Те 3-4 виральных поста, что у нас были? Чистая удача. Случайность, которую невозможно воспроизвести с помощью автоматики.

Наша новая стратегия: человек + AI

Мы признали поражение в попытке полной автоматизации. Наш новый подход — гибридный:

1. Снижаем частоту. Вместо 10-13 постов в день — 2-3 самых качественных.
2. AI — ассистент, а не автор. Бот генерирует несколько вариантов поста на основе одного факта.
3. Человек — куратор. Живой редактор выбирает лучший вариант, дорабатывает его и постит вручную.
4. Вовлеченность — приоритет. Мы отвечаем на каждый комментарий, вступаем в диалоги.

Главные уроки

1. Метрика «просмотры» была неправильной целью

Мы гнались за просмотрами, игнорируя подписчиков и вовлеченность. Результат: тысячи просмотров, но никакого сообщества. Алгоритмы социальных сетей оптимизированы на вовлеченность, а не на пассивное потребление.

Правильно: Фокусироваться на подписчиках, комментариях, сохранениях. Качество аудитории > количество глаз.

2. «Социальные» сети не просто так называются социальными

Нельзя автоматизировать искреннее общение и экспертизу. Threads, Instagram, X — это платформы для людей, которые хотят взаимодействовать с людьми. AI может помочь, но не может заменить.

3. Алгоритмы платформ умнее промптов

Threads видит:

• Паттерны публикации (время, частота, интервалы)
• Поведенческие сигналы (ответы на комментарии, время создания поста)
• Стилистические маркеры AI-контента
• Вовлеченность аудитории (не просто просмотры, а действия)

Никакой промпт не обманет эти системы надолго.

4. AI как второй пилот, не автопилот

AI отлично подходит для:

• Извлечения фактов из длинных источников
• Генерации вариантов постов
• А/Б тестирования формулировок
• Оценки качества контента

AI плохо справляется с:

• Пониманием тонкостей аудитории в реальном времени
• Построением долгосрочной стратегии бренда
• Живым общением и реакциями на комментарии
• Чувством момента («сейчас этот пост зайдет»)

5. Техническое совершенство ≠ успех продукта

Мы построили красивую систему: .NET 9, PostgreSQL, Claude 4.5 Sonnet, многоуровневая оценка фактов, 8 эмоциональных триггеров, адаптация под российскую психологию.

И всё это не имело значения, потому что фундаментальная гипотеза была неверной.

Урок: Сначала проверяйте гипотезу на минимальном MVP, потом стройте инфраструктуру.

Что дальше?

Этот эксперимент дорого нам обошелся с точки зрения времени, но он преподал главный урок: в 2025 году полная автоматизация контента в социальных сетях — это утопия. Платформы эволюционировали, алгоритмы стали умнее, аудитория устала от AI-генерированного контента.

Мы не отказываемся от AI, но теперь он — наш второй пилот, а не автопилот. Посмотрим, куда нас приведет этот новый путь.

Следите за продолжением нашего эксперимента в нашем аккаунте в Threads!

P.S. Если вы тоже экспериментируете с AI в маркетинге/контенте — поделитесь опытом в комментариях. Особенно интересно услышать от тех, кто нашел рабочую формулу автоматизации.