← Все статьи

Михаил Поляков

Автоматизация создания контента с ИИ: шесть шагов конвейера и цифры десяти статей

Уровень: ПростойВремя чтения: 15 мин

Темы: Автоматизация, ИИ, Малый бизнес

Небольшой транспортёр на деревянном рабочем столе вечером: чистые листы бумаги проходят под бирюзовым сканирующим лучом, большинство идёт к ровной стопке, один отведён в боковой лоток; рядом настольная лампа, стопка папок и комнатные растения

Короткий ответ: модели можно отдать черновик, сбор материала, картинку и перевод, а решение «публиковать» лучше оставить за проверкой и человеком. На моём конвейере статей для этого сайта каждая из десяти статей, выпущенных с 1 по 5 октября 2026 года, при первой проверке, давшей ответ, получила отказ: от 2 до 8 замечаний на статью. Google пишет, что оценивает качество текста независимо от способа создания, а нарушением называет в том числе массовое создание страниц без пользы для читателя ради позиций в поиске. Яндекс в справке называет среди поводов для ограничений автоматически сгенерированный и бесполезный для пользователя контент. Закон РФ об ИИ с 1 марта 2027 года обеспечивает тем, кто создаёт с помощью больших моделей ИИ аудио- и визуальные материалы, возможность пометить их; обязанности ставить пометку в тексте статьи нет. Законопроект, который предлагает обязать разработчиков таких моделей маркировать материалы, на 5 октября 2026 года на рассмотрении. Ниже: что такое автоматизация контента, что про неё говорят поисковики и закон, как устроены два моих конвейера и что видно по их журналам, шесть шагов для своего конвейера и расчёт, когда он окупается.

Эта статья сделана тем же конвейером, о котором в ней речь: черновик писала модель Claude от Anthropic, проверяла модель GPT от OpenAI, тему и правила задаю я.

Что такое автоматизация создания контента

Автоматизация создания контента это цепочка шагов, где часть работы над текстом, картинкой или видео делает программа: собирает материал, пишет черновик, проверяет, рисует обложку, переводит, выкладывает на сайт или в канал. Языковая модель (нейросеть, которая пишет текст по заданию) в такой цепочке может писать черновик, но не обязана отвечать за всё.

Примеры для небольшой компании: еженедельная рассылка клиентам по новостям отрасли, статьи в блог по вопросам, которые задают в поддержку, описания товаров для маркетплейса, пересказ записи вебинара для соцсетей. Везде одна и та же схема: на входе материал, на выходе текст, который увидят клиенты, и между ними место, где можно ошибиться.

Что говорят Google, Яндекс и закон

Google. В феврале 2023 года команда поиска Google написала, что её системы стремятся вознаграждать качественный контент, «как бы он ни был создан» (здесь и дальше перевод мой). Там же: использовать автоматизацию, включая ИИ, для создания текстов с главной целью манипулировать позициями в поиске значит нарушать правила о спаме. В правилах о спаме, обновлённых 28 августа 2026 года, это называется злоупотреблением масштабированным контентом: много страниц, созданных ради позиций в поиске, а не ради пользы людям. Первый пример в списке: генерировать ИИ много страниц, не добавляя пользы для читателя.

В справке Google о полезном контенте (обновлена 1 октября 2026 года) предлагается задать о своём тексте три вопроса: кто его создал, как и зачем. Если текст в основном сделан автоматически, Google предлагает спросить себя: понятно ли читателю, что применялась автоматизация, и объяснено ли, как и зачем. Пометку об ИИ, по той же справке, полезно ставить там, где читатель разумно её ожидает. Выдумывать автора, например ставить сгенерированное фото и вымышленное имя эксперта, по той же справке является обманом.

Яндекс. В справке Вебмастера среди сайтов, к которым алгоритмы могут применить ограничения, названы сайты, которые копируют или переписывают информацию с других ресурсов, и сайты «с автоматически сгенерированным и бесполезным для пользователя контентом». На мой взгляд, главное слово здесь «бесполезным».

Закон РФ. Федеральный закон от 26 июля 2026 года № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации» вступил в силу 1 сентября 2026 года, кроме отдельных статей. Статья 9 в нём посвящена маркировке материалов, созданных с применением больших фундаментальных моделей ИИ, и вступает в силу 1 марта 2027 года. По определению закона большая фундаментальная модель содержит не меньше 1 миллиарда параметров, то есть настраиваемых чисел внутри модели, служит основой для другого программного обеспечения и решает большое количество разных задач. По тексту статьи тому, кто применяет такую модель, чтобы создать материал в аудио- и (или) визуальной форме, «обеспечивается возможность» разместить предупреждение о применении ИИ. Формат и порядок пометки определяет соглашение с тем, кто предоставляет модель. Крупные площадки, где пользователи ведут свои страницы (закон перечисляет признаки, среди них больше 500 тысяч пользователей из России в сутки), обязаны дать пользователям возможность пометить информацию, созданную с помощью таких моделей. Обязанности ставить пометку для того, кто создаёт материал, в тексте статьи 9 нет. 17 августа 2026 года в Госдуме зарегистрирован законопроект № 1317978-8 об изменении этой статьи в части маркировки. По данным ComNews, законопроект предлагает обязать компании, которые разрабатывают большие фундаментальные модели, маркировать материалы, созданные с помощью этих моделей, а форму маркировки поручить установить правительству. Пока законопроект не принят, такой обязанности нет. На 5 октября 2026 года, по карточке на сайте Госдумы, он не принят и значится на рассмотрении: профильный комитет в этот день предложил принять его к рассмотрению. Если вы публикуете картинки, аудио или видео, сделанные ИИ, проверьте статус этих норм ближе к марту 2027 года, а при сомнениях спросите юриста.

Вывод для бизнеса из этих правил, на мой взгляд, такой: общий признак у Google и Яндекса в бесполезности текста для читателя. Google отдельно называет нарушением множество страниц, созданных ради позиций в поиске без пользы для людей, а Яндекс отдельно упоминает копирование и переписывание чужих материалов. Сам по себе ИИ как способ написания в приведённых правилах нарушением не назван, а Google прямо пишет, что уместное применение ИИ или автоматизации его правилам не противоречит.

Как устроен мой конвейер статей

Статьи этого раздела с 1 октября 2026 года проходят такой путь.

  1. Я выбираю тему или прошу статью в чате.
  2. Claude сам ищет первоисточники в интернете, открывает их и записывает в отдельный файл каждое утверждение статьи рядом с дословной цитатой и ссылкой. Я называю этот файл реестром утверждений.
  3. Claude пишет черновик, программа прогоняет механические проверки: запрещённые слова, длинные предложения, повторы с уже опубликованными статьями, длинные тире.
  4. Черновик, задание и реестр утверждений уходят модели GPT от OpenAI с инструкцией независимого проверяющего: сверять каждый факт с реестром, искать нарушения закона, опасные советы, непонятные читателю термины. Ответ строго по форме: принять или отклонить и список блокеров, то есть замечаний, без исправления которых публиковать нельзя. Сами страницы источников проверяющий не открывает, он сверяет текст с выписанными цитатами. Если цитата выписана неверно, он этого не увидит: это слабое место моего конвейера, о нём во втором из шести шагов ниже.
  5. При отказе Claude исправляет каждый блокер и отправляет новую версию. Лимит три проверки, дальше только по моему решению.
  6. Обложку рисует GPT по описанию с запретом на надписи и логотипы. По правилам конвейера Claude открывает готовую картинку и, если видит буквы, логотип или лицо, правит описание и рисует заново. Обложку этой статьи он просмотрел 5 октября 2026 года, перерисовывать не понадобилось. Принятый текст переводится на английский и проходит такую же проверку.
  7. Программа публикации берёт ровно ту версию, которую принял проверяющий, сверяет отпечаток файла и после выкладки сверяет живую страницу с принятым текстом.

Что видно по журналам первых десяти статей (1-5 октября 2026 года, у каждой русская и английская версия):

  • Первый полученный вердикт по русской версии у всех десяти был «отклонить». Блокеров в первом вердикте от 2 до 8, всего 51.
  • До приёмки русской версии понадобилось от 2 до 6 вердиктов, в середине ряда (медиана) 4. В семи статьях из десяти вердиктов понадобилось больше трёх, и я разрешал проверки сверх лимита.
  • Всего прошло 67 запусков проверки на двух языках, в трёх из них ответа по форме не пришло, такой запуск не засчитывается. Проверка с записанным временем занимала от 0,4 до 12,3 минуты, медиана около минуты. 12,3 минуты пришлись на запуск, который так и не дал ответа.
  • В квитанциях, где записан расход, на одну проверку уходило от 26 до 41 тысячи токенов на входе (токен это кусочек слова, в них считают объём работы модели).

Какие ошибки ловила проверка. Примеры из реальных вердиктов:

  • В статье про финтех неверно пересказаны условия обязательного приёма цифрового рубля и смешаны разные части статьи Кодекса об административных правонарушениях (КоАП) о штрафах за нарушения с персональными данными.
  • В статье про медицину медиана из исследования названа «средним значением», а вывод обо всём медицинском ИИ сделан по неполному списку американского регулятора.
  • В статье про безопасность сайта совет бухгалтеру проверить подозрительную просьбу мог при буквальном выполнении закончиться реальным платежом.
  • В статье про транспорт испытание по февральской новости подано как идущее сейчас.
  • В нескольких статьях совет внедрить что-то шёл без расчёта, окупится ли это, а технические слова оставались без объяснения.

Такие ошибки видны при сверке с источником. Владелец бизнеса, который положится на неверную сумму штрафа или устаревшее условие закона, может принять неверное решение.

Второй пример: дайджест новостей

ИИ-помощник Hermes готовит для меня подборку новостей про ИИ, роботов и историю и присылает её в Telegram. До 23 сентября 2026 года новости для подборки искала сама модель. В моей рабочей заметке причина перемен записана так: прежний агент постоянно ломался и сочинял новости. С 23 сентября новости собирает обычный скрипт из 12 RSS-лент (это лента обновлений сайта в машинном виде) изданий вроде Ars Technica, The Verge и MIT Technology Review, а модель только отбирает и пересказывает собранное. Ручной запуск 23 сентября дал 9 новостей, все ссылки из лент. По журналу задачи, с 24 сентября по 5 октября подборка готовилась каждый день.

Вывод, который я сделал по обоим конвейерам: там, где материал можно собрать программой, пусть его приносит программа, а модели остаются отбор и пересказ. Тогда каждую ссылку в готовом тексте можно сверить со списком собранного. Там, где источники заранее неизвестны, как в статьях, модель ищет их сама, и тогда нужна выписка цитат и выборочная сверка человеком.

Шесть шагов, чтобы собрать свой конвейер

  1. Где можно, материал собирает программа. Ленты новостей, выгрузка вопросов из поддержки, карточки товаров из учётной системы, расшифровка вебинара. Модель получает готовый материал и пишет по нему. Если источники заранее неизвестны и модель ищет их сама, как в моих статьях, переходите сразу ко второму шагу и не пропускайте выборочную сверку.
    • Кто делает: подрядчик или сотрудник, который настраивает выгрузку.
    • Чем проверить: каждая ссылка и каждое название товара в готовом тексте есть в собранном материале. Это можно проверить программой. Для источников, найденных моделью, такой список не работает, их проверяет второй шаг.
  2. Каждое утверждение записано рядом с источником. Числа, даты, цены, условия, цитаты: в отдельной таблице, у каждого строка из первоисточника.
    • Кто делает: модель-автор при написании, человек выборочно.
    • Чем проверить: возьмите три случайных утверждения, откройте источник по ссылке и найдите там цитату. Не нашли хотя бы одну: возвращайте текст. Утверждения, ошибка в которых может дорого обойтись бизнесу (цены, сроки, суммы штрафов, требования закона), сверяйте все, даже если выборочная проверка прошла. Проверяющая модель сверяет текст с выписками и неверно выписанную цитату не заметит, поэтому этот шаг должен делать человек или программа, которая сама открывает страницу.
  3. Механические проверки до живого проверяющего. Список запрещённых слов (обещания результата, названия конкурентов), длина предложений, повторы с уже опубликованным, правила оформления.
    • Кто делает: программа, настраивает подрядчик один раз.
    • Чем проверить: на тексте с заранее вставленным запрещённым словом проверка его находит.
  4. Проверяет другая модель с правом отказа. Инструкция проверяющему: сверять факты с таблицей источников, искать обещания результата, опасные советы и непонятные слова; ответ по форме «принять или отклонить, список замечаний». Лимит раундов, чтобы спор автора с проверяющим не шёл по кругу бесконечно.
    • Кто делает: подрядчик настраивает, владелец утверждает инструкцию.
    • Чем проверить: подложите проверяющему текст с одной выдуманной цифрой. Если он принимает такой текст, инструкцию нужно дорабатывать. Почему не стоит полагаться на отчёт самой модели о своей работе, я разбирал в статье Когда ИИ-агент обходит правила.
  5. Публикуется ровно принятая версия. Программа публикации считает отпечаток файла (контрольную сумму, которая меняется от любой правки) и выкладывает только тот файл, отпечаток которого совпадает с принятым. Любая правка после приёмки отправляет текст на проверку заново.
    • Кто делает: программа публикации.
    • Чем проверить: на отдельной тестовой копии сайта, которая недоступна из интернета, исправьте одну букву в принятом тексте и попробуйте опубликовать: публикация должна отказаться. На рабочем сайте, в том числе в скрытых разделах, так не проверяйте: если защита сломана, непроверенный текст окажется в открытом доступе.
  6. Человек выбирает тему и отвечает за выпуск. Модель не решает, о чём писать и что обещать клиентам. Ведите журнал, в котором по каждому тексту видно, кто его принял и сколько было проверок.
    • Кто делает: владелец или ответственный за контент.
    • Чем проверить: по любой опубликованной статье можно найти, кто её одобрил, и квитанции всех проверок.

Про картинки: если обложки рисует модель, попросите в описании прямо запретить надписи, логотипы и лица и просматривайте результат в полном размере перед публикацией: нет ли на нём букв, цифр и знаков, похожих на логотипы. На маленьком превью их легко пропустить.

Окупится ли это: расчёт на условных числах

Пример на условных числах, подставьте свои. Компания выпускает 4 статьи в месяц. Вручную сотрудник тратит на статью 6 часов. С конвейером человек тратит на статью 2 часа: выбрать тему, прочитать готовый текст, выборочно сверить источники. Час сотрудника стоит 1500 рублей. Подписки на две модели условно 4000 рублей в месяц. Сборка конвейера подрядчиком условно 40 часов по той же ставке, то есть 60 000 рублей.

Экономия 16 часов в месяц, это 24 000 рублей, за вычетом подписок 20 000 рублей. Сборка окупается примерно за 3 месяца. Здесь не учтено время на поддержку конвейера: правки инструкций и разбор сбоев, вроде трёх запусков проверки без ответа в моём журнале.

Расчёт сильно зависит от времени человека на статью с конвейером. При 3 часах окупаемость около 4,3 месяца, при 4 часах около 7,5 месяца, при 5 часах около 30 месяцев. Поэтому до сборки конвейера засеките, сколько сейчас уходит на один текст, а после запуска засекайте время проверки. Как мерить пользу от ИИ в сэкономленных часах, я разбирал в статье Разработчики и аналитики с ИИ.

Когда автоматизация не подходит

  • Текст держится на личном опыте, мнении или отношениях с клиентом: колонка руководителя, ответ на жалобу. Модель может помочь с черновиком, но содержание должно идти от человека.
  • Ошибка дорого стоит, а проверить её нечем: юридические, медицинские, финансовые советы без источников и без специалиста, который прочитает текст.
  • Цель в том, чтобы набрать много страниц под поиск. Google в правилах о спаме прямо называет генерацию многих страниц без пользы для читателя, а Яндекс относит сайты с автоматически сгенерированным бесполезным контентом к тем, к которым могут применить ограничения.
  • Материала для конвейера нет. Если программе нечего собрать, модель пишет из того, что выучила, и сверять с источниками придётся каждое утверждение.

Итог

Автоматизация создания контента работает как цепочка: программа собирает материал, модель пишет, механические проверки и другая модель ищут ошибки, человек решает, что выходит. На моём конвейере каждая из десяти статей при первой проверке, давшей ответ, получила отказ, а до приёмки понадобилось от 2 до 6 вердиктов. В правилах Google и Яндекса общий признак нарушения в бесполезности текста для читателя, а не в том, что его писал ИИ. Закон РФ об ИИ с 1 марта 2027 года обеспечивает возможность пометить аудио- и визуальные материалы, сделанные большими моделями ИИ, без обязанности ставить пометку, а законопроект, который предлагает обязать разработчиков таких моделей маркировать материалы, на 5 октября 2026 года на рассмотрении. Начните с одного вида текста, засеките время до и после и считайте, сколько ошибок поймала проверка.

Я занимаюсь ИИ-агентами и автоматизацией. Если хотите посмотреть мои проекты или обсудить свою задачу, загляните в портфолио.

Источники