AI-машина для Threads: 338 тыс. просмотров, 742 поста, 1 регистрация
338K просмотров. 742 поста. 1.6K AI-вариантов. 3 LLM-модели. 22 аналитических отчёта. Три месяца работы.
Одна регистрация на сайте.
Нет, это не опечатка. Я построил сложную систему автоматизации контента, которая стабильно генерирует 10 000 просмотров в день в Threads. Система работает идеально. Просто она делает не то, что нужно бизнесу.
Это четвёртая часть серии. В первой я рассказал, как всё провалилось. Во второй – как выкарабкался. В третьей – как вышел на 108 тыс. просмотров и строил планы на масштабирование. Теперь – самая честная часть: что произошло, когда масштабирование удалось, но оказалось, что метрика была неправильной с самого начала.
Воронка, которую больно показывать
Прежде чем рассказывать о том, как красиво работает машина – покажу, ради чего она строилась. И что получилось на самом деле.
1.6K вариантов сгенерировано. 1K отклонено человеком – это 64%. 742 поста опубликовано за три месяца. 338K просмотров в Threads. Примерно 560 пользователей перешли на сайт. 7 посетили страницу рассылки. 4 посмотрели цены. 1 нажал «Регистрация».
Вот эта цепочка – главный результат трёх месяцев работы. Не 338 тыс. просмотров. Не рост в 7,4 раза. Не вирусный пост на 50 тыс. Одна регистрация.
Если считать честно: стоимость одной регистрации через Threads вышла примерно в $150 и 70 часов работы. Таргетированная реклама в Facebook для нашей ниши стоит $5–15 за регистрацию.
Но я забегаю вперёд.
Машина, которая работает идеально
За три месяца система эволюционировала от простого бота до полноценного конвейера. .NET 9, PostgreSQL, OpenRouter API, Threads API. Три LLM-модели: Claude Sonnet (30%), Gemini Flash (60%), Mistral (10%). Пять стилей постов. Человеческая курация – AI генерирует пять вариантов, я выбираю два-три лучших. Публикация в оптимальное время, Telegram как пульт управления. Полная аналитика каждого поста.
В ноябре – 237 постов, 34K просмотров, среднее 142 на пост. В декабре – 210 постов, 75K просмотров, среднее 356. В январе – 254 поста, 187K просмотров, среднее 736. За первые пять дней февраля – 1K на пост.
Рост в 7,4 раза. Пять постов перевалили за 7K просмотров. Рекорд – 50K просмотров за один пост о том, что CEO Anthropic предсказывает уход 10М человек с работы. Подписчики выросли с 110 до 147.
На бумаге – идеальный рост. Каждую неделю я писал подробный аналитический отчёт, оптимизировал распределение моделей, менял пропорции стилей, подбирал лучшее время публикации. 22 отчёта за три месяца. Данные подтверждали: система работает, охват растёт, мы на верном пути.
Проблема в том, что путь вёл не туда.
Три месяца самообмана
Двадцать два аналитических отчёта. Каждую неделю – новые «открытия»: этот стиль работает лучше, эта модель генерирует виральный контент, эта длина поста – золотая зона. Я верил каждому из этих открытий. Менял стратегию. Радовался результатам.
А потом сделал мета-анализ за все три месяца. И обнаружил, что почти каждая «лучшая практика» разворачивалась на 180 градусов минимум дважды.
Хук «Хм,», который я назвал волшебным в предыдущей статье и который дал 9K просмотров – через две недели показывал 100. Разница в 90 раз. Хук «Только узнал» давал пиковые 1.6K и провальные 175 – четыре разворота за три месяца. Story Thread: пик 1.3K, дно 95. Breaking News: 3.8K наверху и 151 внизу. Mistral: 1.6K в одну неделю, 177 в следующую. Claude: 3.5K среднее в одну неделю и 400 в следующую.
Размах колебаний – от 5 до 27 раз. «Лучшая» модель одной недели становилась «худшей» в следующей. Оптимальная длина поста развернулась пять раз.
Это как оптимизировать маршрут по пробкам, которые каждую неделю случайно перемещаются по городу. Можно бесконечно перестраивать маршрут, но толку от этого ноль.
За все три месяца нашлось только четыре фактора, которые ни разу не развернулись. Первое – категории контента: мировые AI-новости стабильно дают 600–1 000 просмотров, рынок труда – 200–3 900, а «Честные провалы» и «Советы и стратегии» стабильно не работают. Второе – источники: Habr AI и Axios стабильно лучше остальных, MIT Tech Review – стабильно хуже. Третье – время публикации: 16:00 и 09:00 по Москве. Четвёртое – суббота в 2–4 раза лучше будней.
Всё остальное – хуки, стили, модели, длина поста, частота публикации – это шум, который я три месяца принимал за сигнал.
Устали от провалов в автоматизации? Изучите AI систематически в открытом модуле
Без платёжных данных • Доступ сразу после регистрации
Предупреждение, которое я проигнорировал
18 декабря я снизил частоту с 8 до 5 постов в день. Охват рухнул на 79%: с 3.7K до 750 просмотров в день. Тогда я решил, что урок прост – больше постов значит больше охват. Вернул частоту на место. Охват восстановился. Проблема решена.
На самом деле урок был другой: я оптимизирую метрику, которую контролирует алгоритм, а не я. Алгоритм Threads может в любой момент решить показывать мои посты большему или меньшему количеству людей – и все мои «оптимизации» ничего не стоят.
Парадокс проявился через месяц. Посты с перерывом 4+ часа дали 4K просмотров в среднем, а посты с перерывом меньше часа – 440. Ровно противоположный вывод: меньше постов – больше охват.
Что из этого правда? Ни то, ни другое. Это просто алгоритм, который меняет правила каждую неделю. А я три месяца делал вид, что эти правила можно разгадать.
Куда на самом деле уходят пользователи
Вот где история перестаёт быть про Threads и начинает быть про бизнес. Я наконец подключил Google Analytics и посмотрел, что реально происходит с людьми, которые видят мои посты.
В ноябре из Threads пришло 50 человек. В декабре – 320. В январе, несмотря на пиковые 187K просмотров – только 200. За первые пять дней февраля – 39.
Любопытный факт: декабрь дал больше переходов на сайт, хотя январь был пиковым по просмотрам. Больше просмотров – не больше трафика. Связь не работает так, как кажется.
Из ~560 человек, пришедших из автоматизированных постов, 89 зашли на главную. 24 прочитали статью об этом эксперименте – мета-контент работает лучше основного продукта. Страницу рассылки посетили 7. Цены – 4. Регистрация – 1.
Ещё 50 человек зашли на AI-квиз – но это не заслуга автоматизации. Это я вручную оставлял ссылки в комментариях под чужими постами. Классический ручной SMM, который работает лучше всей машины.
Воронка просто не работает. Люди приходят, смотрят и уходят.
Самое интересное – в сравнении источников. Прямой трафик (рассылка, закладки, сарафанное радио) генерирует 71 просмотр цен из 1.7K посещений. Threads – 4 из 900. Конверсия прямого – 4,1%. Конверсия Threads – 0,4%. Разница в 10 раз.
А ChatGPT и Perplexity, которые вместе привели всего 25 визитов, возможно, ценнее сотен визитов из Threads. Пользователи AI-поисковиков приходят с конкретным запросом, а не случайно кликнув по ссылке в ленте.
Единственное, что реально сработало
Среди всего хаоса реверсов и ложных оптимизаций есть одна вещь, которая стабильно работала все три месяца – человеческая курация AI-контента.
В ноябре, когда система работала на полной автоматике, среднее было 19,5 просмотров на пост. К январю–февралю, когда я стал выбирать из AI-вариантов – 1 055. Разница в 54 раза. И эта разница устойчива: она не развернулась ни разу за три месяца.
Процент одобрения AI-вариантов при этом рос: с 14,8% в ноябре до 47,4% в январе. Не потому, что модели стали умнее. А потому что за три месяца я трижды переписал промпты, перераспределил модели по задачам и выкинул стили, которые стабильно проваливались. Это не «AI улучшился» – это человек итеративно настроил AI. Каждая итерация основывалась на ручном просмотре сотен вариантов.
Что касается моделей – процент одобрения у всех трёх примерно одинаковый: Gemini Flash – 38,9%, Claude Sonnet – 38,2%, Mistral Large – 39,1%. Но просмотры каждой модели прыгают в 4–15 раз от недели к неделе. Зачем тогда три модели? Диверсификация. Как с инвестициями: ни одна не является стабильно лучшей, но портфель из нескольких даёт более предсказуемый результат.
Пять виральных постов – и почему они бесполезны
Топ-5 за три месяца: CEO Anthropic про 10 млн потерянных рабочих мест – 50 629 просмотров. hh.ru закрыл публичное API – 10 493. Маск закрывает Model S/X ради xAI – 10 066. Китайский литограф за $250 млн – 9 081. Индийский IT-аутсорсинг потерял $150 млрд капитализации – 7 789.
Паттерн очевиден: угроза рабочим местам плюс большие деньги равно вирус. Ни один пост про наш продукт – обучение AI для менеджеров – не попал даже в топ-20.
И это центральная проблема всего эксперимента. Аудитория, которую привлекают виральные посты – люди, которые боятся потерять работу из-за AI. А наш продукт – для менеджеров, которые хотят AI использовать для повышения эффективности. Это разные люди с разной мотивацией. Три месяца я привлекал не ту аудиторию.
Один виральный пост на 50 629 просмотров – это 55% всех просмотров за неделю. Уберите его, и среднее падает с 10 299 до 4 600 в день. Виральность – лотерея, а не стратегия. Нельзя строить бизнес на надежде, что лотерейный билет выиграет ещё раз.
Стоимость иллюзии
Каждый день – около 45 минут на курацию вариантов, ответы на комментарии, просмотр аналитики. За три месяца – примерно 70 часов чистого времени. Плюс $100–150 на AI-модели через OpenRouter и около $30 на сервер. Итого $130–180 за три месяца.
Стоимость одного просмотра – меньше $0,001. В 10–50 раз дешевле платной рекламы. Стоимость одного перехода на сайт – около $0,25, что уже сопоставимо с рекламой. Стоимость одной регистрации – примерно $150. В 10–30 раз дороже рекламы.
Парадокс: система генерирует просмотры фантастически дёшево, но конвертирует их фантастически плохо. Я три месяца оптимизировал ту часть воронки, которая и так работала, и полностью игнорировал ту, которая была сломана.
22 аналитических отчёта – это примерно 15 часов чистого аналитического времени. Мета-анализ показал, что большинство «открытий» из этих отчётов развернулись в следующую неделю. Если бы я делал анализ раз в месяц и смотрел только на стабильные факторы – сэкономил бы 10+ часов и не принимал бы шум за сигнал.
Шесть ошибок, которые я теперь вижу
Первая: я не поставил UTM-метки в первый же день. За три месяца у меня нет точных данных о том, какой конкретно пост привёл какого конкретно пользователя. Google Analytics показывает «пришёл из Threads» – но не «пришёл из поста про hh.ru API». Без этого настоящая оптимизация воронки невозможна.
Вторая: я три месяца измерял просмотры вместо конверсии. 22 отчёта посвящены метрике тщеславия. Если бы с первого дня смотрел на переходы и регистрации – понял бы проблему в ноябре, а не в феврале.
Третья: я вложил 70 часов в контент-машину и ноль – в оптимизацию лендинга для трафика из Threads. Люди приходят из ленты соцсети, видят академическую страницу с ценами на курс – и уходят. Bounce rate из Threads – 69%.
Четвёртая: все три месяца CTA в комментариях вёл на одну и ту же страницу с одним и тем же текстом. 385 CTA-комментариев. Ни одного A/B теста.
Пятая: я увлёкся недельной оптимизацией, тратя по полтора часа на каждый отчёт, которые в итоге оказались бесполезными. Шум, замаскированный под данные.
Шестая: я подключил семь источников контента – YouTube, Reddit, email-рассылки, Telegram-каналы, Twitter. На практике 80% ценного контента приходит из двух: Habr AI и Axios. Остальные пять – потраченное инженерное время.
Неудобная правда
Построить AI-машину для генерации контента – легко. Получить просмотры – решаемая задача оптимизации. Но просмотры – не бизнес-результат. Это метрика тщеславия, и три месяца ушло на то, чтобы это признать.
Контент-машина решает задачу охвата, не конверсии. 338 тыс. просмотров и одна регистрация – система идеально оптимизирована для неправильной метрики.
Недельная оптимизация контента – самообман. Каждый фактор разворачивается 2–4 раза за квартал. Единственное, что стабильно – категории, источники, время публикации и выходные. Всё остальное – шум.
Человеческая курация – единственный устойчивый множитель. 54-кратная разница между полной автоматикой и гибридным подходом. Единственный фактор, который не развернулся ни разу.
Виральность – лотерея. Один пост на 50 тыс. – это 55% недельного охвата. Нельзя строить стратегию на надежде.
Аудитория Threads и целевая аудитория продукта – разные люди. Виральные посты привлекают тех, кто боится AI. Наш продукт – для тех, кто хочет AI использовать. Фундаментальное несовпадение.
И наконец: AI прекрасно автоматизирует именно ту метрику, на которую вы его направите. Сложность не в AI. Сложность – в выборе правильной метрики. Я три месяца оптимизировал просмотры, когда нужно было оптимизировать подписки на рассылку.
Что дальше
Эксперимент продолжается, но с фундаментально другим фокусом. Не «как увеличить просмотры» – а «как из 1 000 просмотров получить 1 подписчика на рассылку». Это совершенно другая задача, и три месяца данных, которые у меня есть, для неё практически бесполезны.
UTM-метки на все ссылки с первого дня. A/B-тест трёх разных CTA: рассылка, квиз, бесплатный материал. Отдельный лендинг для трафика из Threads – не главная страница сайта. Главная метрика: конверсия из просмотра в подписку на рассылку – текущая 0,002%, цель 0,1%.
Если через месяц конверсия не вырастет в 10 раз – имеет смысл перенаправить эти 45 минут в день на что-то другое. На написание статей для блога. Или на платную рекламу с предсказуемым ROI.
Сталкивались с похожей проблемой – много охвата, мало конверсий? Расскажите в комментариях.
Хотите избежать моих ошибок в автоматизации?
Открытый модуль курса по AI: безопасная работа с LLM, проверка галлюцинаций, правильные промпты. Без регистрации, без оплаты.
