M2 a confié 40% de ses textes marketing à un réseau neuronal et a préservé la qualité du contenu

Компания М2 показала практический сценарий, в котором AI не заменяет редакцию, а берет на себя значимую часть рутинного контента. Внутри компании нейросети уже доверили около 40% продуктовых и маркетинговых текстов, но итоговая схема не сводится к нажатию одной кнопки: качество держится за счет жестких правил, точных промптов и обязательного участия людей в сложных и креативных задачах. Поводом для запуска AI-редакции стал рост объема контента.

Редакционной команде нужно было закрывать больше задач для маркетинга, продаж и поддержки, не раздувая штат и не отдавая все на аутсорс. Сначала в М2 рассматривали стандартные варианты — нанять нового копирайтера, вынести часть работы наружу или построить внутренний AI-инструмент. Выбрали третий путь как самый быстрый и экономичный, но сразу заложили ограничение: нейросеть должна писать в тональности бренда и соблюдать внутреннюю редполитику не хуже начинающего автора.

Ключевая проблема оказалась не в выборе модели, а в том, как именно объяснить ей стандарты компании. В М2 не стали обучать отдельную модель на собственном корпусе текстов, а пошли через систему промптов. На первом этапе команда собрала основные правила Tone of Voice, синтаксические ограничения, стоп-слова и требования к названиям продуктов в один большой системный промпт.

Такой zero-shot-подход не сработал: модель теряла фокус, писала слишком пресно и иногда смешивала стили. После этого редакция перешла к few-shot-сценарию, где вместе с инструкциями в промпт добавлялись хорошие и плохие примеры реальных текстов. Именно это дало предсказуемый результат и позволило сделать отдельные шаблоны под новости, соцсети и другие форматы.

Технически AI-редакция построена на корпоративной платформе Videocat с компонентами llama.cpp и Open WebUI, а в качестве рабочей модели в описанном кейсе используется Google Gemma 3. Но в этой истории важнее не конкретный стек, а архитектурный принцип: инструмент остается гибким, чтобы под разные задачи можно было подключать и тестировать другие модели.

Такой подход снимает зависимость от одного провайдера и позволяет подбирать баланс между качеством, скоростью и стоимостью генерации. В итоге нейросеть в М2 не только пишет черновики и адаптирует тексты под каналы, но и помогает генерировать идеи, расшифровывать информацию с изображений и объяснять собственную логику. Последнее особенно важно для сотрудников не из редакции: когда модель аргументирует выбор слов и структуры, она одновременно работает как помощник и как обучающий инструмент.

При этом в компании сознательно не пытаются превратить AI в полноценную замену редактора. М2 четко разделяет зоны ответственности. Рутинные, шаблонные и массовые задачи можно отдавать машине почти целиком, но глубокие тексты, креативные концепции, слоганы и материалы, где нужна эмоциональная точность, по-прежнему остаются за людьми.

Такой баланс помогает снять страх чистого листа, ускорить подготовку черновиков и разгрузить редакцию, не теряя человечности текста. Отдельный блок — безопасность: AI-инструмент работает во внутреннем контуре, а сотрудники проходят обучение по тому, какие данные можно загружать в систему, а какие нет. Это важная деталь для любой компании, которая хочет использовать генеративные модели не в песочнице, а в реальных процессах.

Вывод из кейса М2 довольно приземленный и потому полезный: нейросети уже могут забрать существенный кусок контентной рутины, но не умеют сами по себе создавать сильную редакцию. Сначала компании нужны собственные стандарты, понятный Tone of Voice и живые редакторы, которые отличают хороший текст от формально правильного. Только после этого AI становится не угрозой рабочим местам, а усилителем команды.

Для рынка это еще один сигнал: спрос будет смещаться не от авторов к машинам, а от обычных исполнителей к специалистам, которые умеют проектировать процессы, настраивать промпты и доводить машинный черновик до уровня бренда.