Jak v TRITON IT automatizujeme tvorbu obsahu

Obsahový marketing prochází jednou z největších změn za posledních dvacet let. Ještě nedávno se většina firem soustředila především na klasické vyhledávače, optimalizaci pro Google a tvorbu článků podle klíčových slov. Způsob jakým lidé vyhledávají informace se dnes zásadně mění. Do popředí vstupují velké jazykové modely (LLM) jako ChatGPT, Claude, Gemini nebo Perplexity a uživatelé stále častěji nehledají odkazy na dopadové stránky, ale rovnou odpovědi na své otázky.

Výzkumy ukazují, že lidé začínají využívat LLM jako nový způsob práce s informacemi, zejména při komplexnějších dotazech, rešerších nebo porovnávání produktů. Studie The Impact of LLM Adoption on Online User Behavior publikovaná na SSRN například ukazuje, že po adopci LLM nástrojů dochází u části uživatelů k poklesu klasického vyhledávání na tradičních platformách jako Google o více než 20 %. Výzkum zároveň potvrzuje, že uživatelé kombinují klasické vyhledávání s konverzačními AI systémy a mění způsob, jakým konzumují obsah.

To má zásadní dopad na tvorbu obsahu. Nestačí už psát texty pouze pro algoritmy vyhledávačů. Obsah musí být strukturovaný, informačně přesný, kontextově bohatý a strojově pochopitelný i pro jazykové modely, které z něj následně vytvářejí odpovědi pro své uživatele. Obsah už nesoutěží jen o pozici ve výsledcích vyhledávání, ale také o to, zda bude citován nebo využit samotnými AI systémy.

Jak jsme automatizaci tvorby obsahu uchopili v TRITON IT

V TRITON IT  jsme vytvořili vlastní automatizační workflow pro tvorbu obsahu. Cílem nebylo nahradit copywritery umělou inteligencí, ale vytvořit systém, který dokáže výrazně zrychlit produkci kvalitního obsahu, zachovat konzistenci výstupů, minimalizovat chybovost a zároveň udržet vysokou úroveň bezpečnosti dat.

Naše workflow stavíme primárně na platformě n8n, kterou provozujeme na vlastních serverech. To je pro nás zásadní. Řada firem dnes řeší, zda jejich interní data končí v anonymních úložištích nebo zda jsou využívána pro další trénování modelů. My jsme od začátku šli cestou maximální kontroly nad daty i infrastrukturou. Workflow tedy běží kompletně v našem prostředí a umožňuje nám bezpečně propojovat velké jazykové modely, vektorové databáze, multimediální úložiště, internetové zdroje, komunikační nástroje i další interní systémy klienta.

Samotné ovládání workflow jsme záměrně navrhli co nejjednodušeji. Uživatel může celý systém obsluhovat buď přes WhatsApp (a to jak klasickými textovými zprávami, tak hlasovými zprávami) nebo přes e-mail, pokud to vyžadují bezpečnostní pravidla uvnitř firmy. Z pohledu uživatele je celý proces extrémně jednoduchý. Zadá například instrukci typu: „Vytvoř článek na téma X, zaměř se především na Y a Z, na závěr připrav srovnání produktů 1 a 2 a vytvoř pět FAQ pro nerozhodnuté zákazníky.“ Ve chvíli, kdy požadavek dorazí do workflow, rozbíhá se velmi komplexní sada procesů.

Znalostní báze

Srdcem celého systému je znalostní báze. Tu vytváříme pro každého klienta samostatně, protože právě kvalitní kontext rozhoduje o kvalitě výstupů. Znalostní báze obsahuje vše důležité, co firma o svém byznysu má - produktové listy, katalogové dokumentace, návody, interní know-how, firemní wiki, smluvní dokumentaci, brožury, časopisy, technické specifikace nebo například servisní dokumentaci.

Tato data následně převádíme do podoby vektorové databáze. Právě vektorové databáze jsou dnes jedním z klíčových stavebních kamenů moderních AI systémů. Na rozdíl od klasických databází totiž nehledají pouze přesnou shodu slov, ale pracují se sémantickou podobností. Informace jsou převedeny do matematických reprezentací (embeddingů) díky kterým systém dokáže hledat významově podobný obsah i v případě, že uživatel použije úplně jinou formulaci dotazu. Pokud například uživatel požádá o článek o efektivitě tepelných čerpadel v zimě, workflow nemusí hledat jen přesnou frázi „efektivita tepelných čerpadel“. Dokáže najít i relevantní dokumenty o COP, energetické náročnosti, provozních režimech nebo optimalizaci vytápění, protože chápe významovou souvislost mezi těmito tématy.

Ve chvíli, kdy workflow dostane zadání na nový článek, začne nejprve analyzovat znalostní bázi klienta. Hledá relevantní souvislosti, interní know-how, technické informace a všechny podklady, které mohou zvýšit informační hodnotu výsledného textu. Teprve pokud v interní databázi některé informace nenajde, přechází na internet. Workflow má přesně definovaná pravidla, podle kterých vybírá relevantní zdroje, hodnotí jejich důvěryhodnost a rozhoduje, z čeho bude čerpat. To nám umožňuje držet vysokou kvalitu informací a zároveň minimalizovat riziko halucinací nebo nekvalitních zdrojů, což je dnes jeden z největších problémů generativní AI.

Jak probíhá automatizovaná tvorba článku

Jakmile má workflow dostatek informací, přechází do fáze samotné tvorby obsahu. V této části už vstupují do hry velké jazykové modely. V našem případě se nám dlouhodobě nejvíce osvědčila kombinace ChatGPT a Claude. Každý z modelů má trochu jiné silné stránky a právě jejich kombinace nám umožňuje dosahovat lepších výsledků než při použití jednoho univerzálního modelu.

Celý proces ale není založený na jednoduchém promptu typu „napiš článek“. Ve workflow máme definované desítky pravidel a hodnotících parametrů. Máme přesně popsané ideální výstupy, stejně jako výstupy, které jsou pro nás nepřijatelné. Definujeme tone of voice, strukturu článků, délku textů, pravidla pro citace, odkazování, styl práce s nadpisy, práci s FAQ sekcemi i přístup k různým cílovým skupinám. Díky tomu workflow nevytváří každý text úplně jinak. Naopak. Dokáže dlouhodobě držet konzistentní styl komunikace konkrétní značky, což je problém, se kterým dnes mnoho firem při používání AI bojuje.

Systém kontroly kvality

Ve chvíli, kdy vznikne první verze článku, přichází jedna z nejdůležitějších částí celého procesu - quality control. Tu jsme navrhli jako vícefázový systém agentů, kde každý agent řeší konkrétní oblast kontroly.

První fáze se zaměřuje na faktickou správnost. Agent prochází celý článek větu po větě, ověřuje jednotlivá tvrzení proti znalostní bázi i veřejným zdrojům a kontroluje, zda nedošlo k dezinterpretaci dat nebo vzniku nepřesností. Pokud najde problém, navrhne konkrétní úpravy.

Teprve když je článek fakticky validní, přechází do další vrstvy kontroly. Druhý agent analyzuje strukturu textu, tone of voice, čitelnost, práci s argumentací a splnění všech definovaných pravidel. Součástí workflow jsou i naše vlastní hodnotící škály, pomocí kterých dokážeme měřit kvalitu výstupů. Tyto škály fungují na principu jasně definovaných ideálních a nevyhovujících stavů, díky čemuž umíme poměrně přesně vyhodnocovat, zda text splňuje požadovaný standard.

Pokud článek neprojde, workflow automaticky navrhne úpravy a celý proces iteruje znovu. Těchto iterací může proběhnout několik, dokud výstup nesplní všechny požadavky. Teprve poté může pokračovat dál.

Články, tiskové zprávy i příspěvky na sociální sítě

V předposlední fázi workflow zapojujeme další proces - tvorbu výstupů pro sociální sítě. Ke každému článku automaticky vzniká sada návrhů příspěvků na míru pro různé platformy. Opět podle předem definovaných pravidel, tone of voice a cílových skupin klienta. To je důležité nejen kvůli úspoře času, ale také kvůli maximálnímu využití již vytvořeného obsahu. Jeden kvalitní článek tak nekončí pouze na blogu, ale automaticky se transformuje do dalších komunikačních kanálů.

Finální distribuce výstupů se následně liší podle preferencí klienta. V některých případech workflow ukládá hotové materiály na disk a zasílá zpětné odkazy na články uložené ve formátu Markdown přes WhatsApp nebo e-mail. U jiných klientů workflow komunikuje přímo s CMS systémem a ukládá články rovnou jako koncepty připravené ke schválení.

Proč je automatizace tvorby obsahu efektivní?

Celý tento systém interně používáme už více než rok a postupně jej rozšiřujeme i mezi naše klienty. V poslední době například pro společnosti jako ACOND, Alutech Bohemia nebo Lázně Travel. Největší přínos vidíme ve třech oblastech. 

1. Dramatická úspora času. Workflow eliminuje velké množství repetitivní práce, která dnes při tvorbě obsahu vzniká, od rešerší přes dohledávání podkladů až po tvorbu variant výstupů pro sociální sítě.
2. Kvalita a konzistence. Díky znalostní bázi a vícefázovému quality control dokážeme udržet výrazně vyšší informační přesnost i konzistentní styl komunikace.
3. Bezpečnost. Pro mnoho firem je dnes nepřijatelné, aby interní dokumentace nebo know-how končily v externích cloudových službách bez kontroly nad daty. Tím, že workflow provozujeme na vlastní infrastruktuře, dokážeme klientům nabídnout výrazně vyšší úroveň kontroly nad daty i celým procesem.

Obsahový marketing se stává technologickou disciplínou, ve které se propojují jazykové modely, datové struktury, automatizace, interní know-how a kvalitně navržené workflow. Firmy, které tento posun pochopí včas, získávají výhodu, nejen ve vyšší rychlosti tvorby obsahu a nižší ceně za jednotku výstupu, ale především v jeho kvalitě, konzistenci a schopnosti fungovat v prostředí, kde stále větší část informací zprostředkovávají právě velké jazykové modely.