Jak jsme pro ACOND automatizovali tvorbu obsahu

ACOND patří mezi přední české výrobce tepelných čerpadel a na trhu působí od roku 1998. Vývoj, testování a výroba jeho tepelných čerpadel probíhá v závodě v Milevsku a firma vedle samotných produktů zajišťuje také servis a další služby spojené s jejich instalací a provozem. I přes silné postavení na trhu řešil ACOND donedávna výzvu, která s kvalitou jeho produktů přímo nesouvisela - měl podstatně více odborných znalostí, než kolik jich dokázal dostat do veřejného prostoru.

ACOND vypracoval technické listy, návody, produktové parametry, interní know-how a další odborné materiály. Chyběl ale systematicky budovaný obsah, který by tyto informace převáděl do podoby článků, odpovědí na otázky zákazníků nebo materiálů pro média. To má v době klasických vyhledávačů i generativní AI stále větší význam. Pokud firma o určitém tématu dlouhodobě publikuje kvalitní a věcný obsah, vytváří tím veřejně dostupný zdroj informací, ze kterého mohou čerpat lidé, vyhledávače i systémy využívající generativní AI.

Pro ACOND jsme proto navrhli celý systém, tzv. Content Brain, který dokáže firemní know-how načíst, použít při tvorbě obsahu a následně výsledek zkontrolovat a validovat. Výsledkem je workflow, které dokáže připravit nový odborný článek za méně než dvě minuty.

Jak dostat informace k zákazníkům?

V TRITON IT ve velké míře spolupracujeme s B2B technologickými firmami. Všímáme se, že u firem, které dlouhodobě vyvíjejí technické produkty, často vzniká zvláštní situace. Uvnitř společnosti existuje významné množství znalostí, ale jen jejich malá část se dostane k potenciálním zákazníkům. ACOND je dobrým příkladem. Firma měla propracované produktové materiály a odbornou dokumentaci. To je dostatečný základ pro technika, projektanta nebo servisního pracovníka, ale ne nutně pro člověka, který do Googlu nebo umělé inteligence zadává otázky typu Jak vybrat tepelné čerpadlo?, Jak hlučné je tepelné čerpadlo?, Jaká je návratnost tepelného čerpadla? nebo Jak funguje tepelné čerpadlo v zimě?

Právě tento typ dotazů představuje prostor, ve kterém může odborný obsah pracovat dlouhodobě. ACOND už přitom odpovědi na řadu těchto otázek měl. Byly pouze rozptýlené v různých dokumentech a nebyly systematicky publikované.

Znalostní báze jako základ celé automatizace

Nejčastější mylná představa při rozmýšlení automatizace tvorby obsahu je ta, že stačí připojit ChatGPT nebo jiný jazykový model a napsat mu „Napiš článek o tepelných čerpadlech ACOND.“ Model sice článek vytvoří, nemusí ale vědět, které informace o ACONDu jsou správné, které jsou aktuální, jaké parametry jednotlivé produkty skutečně mají nebo jakým způsobem chce firma o svých produktech komunikovat.

Proto jsme celý proces začali stavět od znalostní báze. Do ní jsme nejprve dostali dostupné odborné materiály ACONDu - především technické listy, návody, parametry produktů a další dokumentaci. K tomu jsme přidali také digitalizovanou knihu Atlas dekarbonizace, která obsahuje rozsáhlé informace o energetice, dekarbonizaci a souvisejících technologiích včetně tepelných čerpadel.

Část zdrojových materiálů byla ale obtížně použitelná pro strojové zpracování. Náročným místem byly například stránky obsahující grafy, tabulky nebo jinak strukturované informace, které při běžném převodu dokumentu do textu ztrácejí svůj význam. Proto jsme dokumenty pomocí AI nejprve zpracovali a upravili do struktury vhodné pro strojové čtení. Cílem bylo získat takovou reprezentaci informací, se kterou dokáže následně pracovat automatizovaný systém. To je zásadní rozdíl oproti běžnému použití jazykového modelu, který si tak není nucen informace „pamatovat“, ale při tvorbě konkrétního článku si z rozsáhlé znalostní báze vyhledá relevantní podklady.

Co je znalostní báze?

Znalostní báze je centralizovaná databáze informací, ze kterých může AI při tvorbě obsahu čerpat. Nejde pouze o databázi produktů. Obsahuje také technické informace, vysvětlení, dokumentaci, interní know-how a další zdroje, které mají systému umožnit odpovídat na otázky na základě konkrétních a validovaných podkladů.

To je zásadní rozdíl oproti běžnému použití jazykového modelu. Model není nucen si informace „pamatovat“. Při tvorbě konkrétního článku si z rozsáhlé znalostní báze vyhledá relevantní podklady.

AI nejprve hledá informace, potom píše

Technologicky je důležitou součástí řešení právě princip RAG (Retrieval-Augmented Generation). Jeho základní myšlenka je jednoduchá: místo toho, aby jazykový model odpověď vytvořil pouze na základě toho, co se naučil během tréninku, dostane před generováním odpovědi relevantní informace z externí znalostní báze.

Pokud tedy workflow dostane zadání „Napiš článek o hlučnosti tepelných čerpadel ACOND.“, nemusíme do promptu ručně dostat kompletní dokumentaci produktů. Systém si nejprve vyhledá relevantní části znalostní báze. Může například najít informace o konkrétních modelech, jejich akustických parametrech, způsobu měření a další související dokumentaci. Tyto informace následně předá agentovi, který článek vytvoří.

Co je RAG?

RAG (Retrieval-Augmented Generation) je způsob práce s AI, při kterém model před vytvořením odpovědi získá relevantní informace z externí databáze nebo znalostní báze. Model tak nemusí spoléhat pouze na své obecné znalosti.

V praxi to znamená, že čím více odborných materiálů ve znalostní bázi je, tím méně informací musí člověk ručně vkládat do každého nového zadání.

Znalostní báze šetří čas s psaním dlouhých promptů

Bez našeho Content Brain probíhá  tvorba kvalitního odborného článku tak, že člověk musí AI pokaždé dodat:

• informace o ACONDu,
• informace o konkrétním produktu,
• technické parametry,
• podklady k tématu,
• požadovaný styl komunikace,
• cílovou skupinu,
• strukturu článku,
• seznam informací, které nesmí chybět,
• a další instrukce.

Takový prompt může být obrovský a při větším množství obsahu se stává nepraktickým. V našem workflow jsou tyto informace rozdělené do dvou základních vrstev. Znalostní báze obsahuje informace o světě, o kterém má systém psát. Systémové instrukce agentů definují, jak o něm má psát. Když se například změní technický parametr produktu, není potřeba přepisovat prompt každého článku. Aktualizuje se zdrojová informace ve znalostní bázi a další generování už může pracovat s novými podklady.

Workflow tvoří několik agentů

Celé workflow je postavené na platformě n8n, která slouží jako orchestrace jednotlivých kroků. N8n propojuje znalostní bázi, AI modely, databázi a komunikační rozhraní do jednoho procesu. Pro práci se znalostní bází využíváme Ragflow, který zpracovává dokumenty a umožňuje z nich následně vyhledávat relevantní informace podle významové podobnosti, nikoli pouze podle přesné shody slov. To je důležité například ve chvíli, kdy zadání mluví o efektivitě tepelných čerpadel v zimě, zatímco zdrojové dokumenty používají termíny jako COP, energetická náročnost nebo provozní režimy. Workflow tak dokáže propojit významově související informace, i když nejsou formulované stejnými slovy. 

Celý proces lze přitom obsluhovat jednoduše přes WhatsApp nebo e-mail. Uživatel tedy nemusí pracovat přímo s n8n, Ragflow ani jednotlivými AI modely. Stačí například poslat požadavek „Vytvoř článek o hlučnosti tepelných čerpadel ACOND a zaměř se na rozdíly mezi jednotlivými modely“. Workflow požadavek přijme, rozpracuje ho, vyhledá relevantní podklady ve znalostní bázi, předá je příslušným agentům a následně vrátí hotový výstup. Pokud informace potřebné pro zpracování nenajde v interních zdrojích, může podle předem definovaných pravidel využít také veřejné internetové zdroje. Tím vzniká rozdíl oproti běžnému použití generativní AI: uživatel nekomunikuje s jedním chatbotem, ale prostřednictvím jednoduchého rozhraní spouští celý řetězec automatizovaných procesů.

Další důležitou částí řešení je skutečnost, že workflow není postavené na jednom AI agentovi, kterému zadáme téma a čekáme na hotový text. Využili jsme naše prověřené agenty pro tvorbu obsahu, které používáme interně i u dalších klientů, a přizpůsobili jsme je potřebám ACONDu.

Agent pro tvorbu obsahu má například v systémových instrukcích definováno, jakým způsobem má ACOND komunikovat, jaký má používat tone of voice, jak pracovat s odbornými informacemi a jak má výsledný text strukturovat. To znamená, že při zadání nového tématu není potřeba znovu vysvětlovat, co je ACOND, komu komunikuje a jakým způsobem se má prezentovat.

Výsledkem je konzistentnější výstup. Článek o konkrétním modelu tepelného čerpadla, obecný edukativní text o vytápění i tisková zpráva mohou vznikat v jednom automatizovaném prostředí a stále respektovat stejná základní pravidla komunikace.

Automatizace tvorby obsahu ale nemůže stát pouze na tom, že jeden model vytvoří text, který následně putuje k publikaci. U odborného výrobce je riziko chyby podstatně závažnější než u obecného lifestyle obsahu. Špatně uvedený výkon, hlučnost, typ chladiva nebo jiný technický parametr může změnit význam celého článku. Proto je součástí workflow také Quality Control agent.

Ten dostane vytvořený článek a provádí prvotní kontrolu informací, které obsahuje. Porovnává je s dostupnými podklady a hledá například nesrovnalosti, nepřesnosti nebo informace, které nemají oporu ve znalostní bázi. Nejde tím samozřejmě říct, že automatická kontrola nahrazuje odborníka. U citlivých technických informací je stále nutné zachovat lidskou kontrolu, ale automatizace výrazně snižuje množství práce, kterou musí člověk při každém článku udělat.

Dalším přínosem je, že vytvořený systém není omezený pouze na blog. Pro ACOND jsme workflow využili také pro tvorbu plošných tiskových zpráv, které následně distribuujeme médiím prostřednictvím ČTK, a pro tvorbu příspěvků na sociální sítě Facebook, Instagram i LinkedIn.

Místo jednotek hodin práce na méně než dvě minuty

Nejviditelnější změnou je rychlost. Před vytvořením workflow musel člověk při přípravě každého článku řešit rešerši, dohledávání podkladů, práci s produktovou dokumentací a samotnou tvorbu textu.

Nyní workflow po zadání tématu automaticky provede potřebné kroky od získání relevantních informací přes generování textu až po jeho prvotní kontrolu. Samotné vytvoření článku dnes trvá méně než dvě minuty. Díky tomu dnes ACOND není svázaný časovou náročností tvorby každého článku a může publikovat velké množství obsahu napříč různými kanály.

Obsahová strategie má v tomto případě ještě jeden rozměr. Když firma nemá veřejně dostupné informace k určitému tématu, má vyhledávač nebo AI systém méně podkladů, ze kterých může při zpracování dotazu vycházet a vnímat značku jako tzv. autoritu.

Pokud naopak firma dlouhodobě publikuje odborný obsah, vzniká kolem jejího webu rozsáhlejší informační vrstva. Ta může pokrývat otázky, na které uživatelé hledají odpovědi, a zároveň vysvětlovat vztah mezi firmou, jejími produkty a konkrétními tématy. Smyslem je vytvořit dostatečně kvalitní a konzistentní veřejnou informační stopu, díky které je značka lépe zastoupena v tématech, ke kterým má skutečnou odbornost.

Za první tři měsíce ostrého provozu jsme prostřednictvím workflow vytvořili 12 odborných článků a 3 tiskové zprávy, které jsme distribuovali prostřednictvím ČTK a jejichž obsah převzaly desítky médií. Znalostní báze přitom pracuje se stovkami stran produktové a odborné dokumentace a vytvoření nového článku od zadání po hotový výstup dnes trvá méně než dvě minuty. Za první tři měsíce tak automatizace ušetřila bezmála 50 hodin lidské práce. A výsledek už je vidět i v datech: organická návštěvnost webu ACONDu vzrostla téměř o 15 %.