AIREITERПри выборе креаторов на стороне закупки обычно начинают одинаково: открывают маркетплейс, задают диапазон подписчиков, добавляют категорию и регион — а затем выбирают знакомые лица из нескольких сотен результатов.
Проблема не в недостаточной точности фильтров. Ошибка в самой точке старта. Подписчики, категория и регион — это статичные теги, которые описывают самого креатора. Вам же нужно понять другое: похожа ли структура его контента на креативы, уже доказавшие свою эффективность. Между этими вопросами часто нет никакой связи.
Сначала обозначу границы: каталог креаторов, подсказки поиска и рейтинги креативов здесь берутся из публичной creator marketing platform и creative center платформы. Доступ — через ваш собственный авторизованный аккаунт, без подписей и без обхода ограничений. Речь пойдёт о том, как превращать публичные данные в решения.
Почему число подписчиков — запаздывающий и зашумлённый сигнал
Делать число подписчиков главным критерием выбора систематически неверно по трём независимым причинам — и каждой из них уже достаточно. Во-первых, это запаздывающий показатель: накопленный итог прошлых публикаций. Он говорит лишь о том, что человек когда-то становился вирусным, но ничего не гарантирует на этот месяц. Аккаунт, который два года назад набрал миллион на одном хите и с тех пор не рос, может быть на порядок крупнее автора, у которого каждый пост даёт небольшой всплеск. А нужен вам, скорее всего, именно второй.
Во-вторых, метрика загрязнена: в одном числе смешаны купленные подписчики, вирусные ролики не по вашей категории и аудитории, которые с вашей почти не пересекаются. Вы не можете отделить от общего числа ответ на вопрос: «сколько здесь людей, релевантных именно мне».
В-третьих, сортировка по подписчикам всегда поднимает наверх самых крупных и самых дорогих. По-настоящему выгодные креаторы обычно находятся в среднем сегменте: подходящая структура контента, хорошая вовлечённость на публикацию и цена в разы ниже топовой. Главная ось в виде подписчиков системно прячет их там, куда вы просто не доскроллите.
Какие фильтры в каталоге мало что решают
В панели поиска креаторов много параметров, но по сути они делятся примерно на три группы.
Первая — идентификационные теги: диапазон подписчиков, регион, язык, категория. Они годятся для грубой отсечки, например чтобы исключить явно неподходящие языки и регионы. Но использовать их как основу выбора — та самая ошибка, о которой речь выше. Особенно коварна категория: два автора с тегом «beauty» могут делать совершенно разный контент — один снимает обзоры, другой скетчи, — а полезен вам будет только один из этих форматов.
Вторая — рассчитанные платформой показатели. Медианное число просмотров и engagement rate лучше числа подписчиков, потому что отражают недавний результат, а не накопленный запас прошлого. Есть и составные метрики вроде creator value и acceptance rate, но это чёрные ящики платформы. Первые показывают результат, а не структуру: контент работает, но почему — неизвестно. Вторые оптимизированы под сделки внутри платформы, а не под ваш ROI, и вы не можете настроить их под собственное определение эффективности. Используйте их как справочные данные, но не как главный критерий.
Третьего типа данных — того, который вам действительно нужен, — в каталоге вообще нет. Это структура контента: на какой секунде срабатывает хук, начинается ли ролик с боли или с результата, используется ли закадровый голос или скетч, как встроен продающий аргумент. В фильтрах нет ни одного такого параметра, хотя именно они определяют, получится ли успешно воспроизвести креатив.
Работайте от успешных креативов к креаторам, а не наоборот
Каталог не умеет выдавать структуру контента, поэтому прямой поиск через фильтры упирается в тупик. Правильное направление — обратное: начинать не с библиотеки креаторов, а с собственной библиотеки успешных материалов. Слово «успешных» должно подтверждаться данными: где ломается удержание по секундам, на какой секунде пик кликов, в каком перцентиле категории находится CTR. Как оценивать это, разобрано в материале о кривых удержания; здесь предположим, что у вас уже есть набор креативов, прошедших этот отбор.
По очереди извлеките из них структурные признаки: тип хука, кадр первых трёх секунд, момент появления продающего аргумента, устройство повествования. Сведите их в карточки структурных признаков, а затем выведите «профиль работающей структуры» — несколько общих черт у ваших победителей. Например: «заход через проблему + результат на 5-й секунде + закадровый голос реального человека». Это должны быть конкретно описываемые элементы, а не формулировка вроде «высокое качество контента».
Только на третьем шаге возвращайтесь к библиотеке креаторов. Не фильтруйте по подписчикам: используйте профиль, чтобы искать в обратном направлении авторов, чей недавний контент совпадает по структуре. Смотрите на то, как реально устроены их ролики, а не на цифру аудитории. Результат должен формулироваться внятно: рекомендуем этого креатора, потому что в его последних трёх постах используется та же структура хука, что и в вашем креативе из верхнего перцентиля, а не потому, что у него 500k подписчиков.
Подсказки поиска — готовая кластеризация контента от платформы
Чтобы сузить круг кандидатов до рабочего масштаба, полезнее всего и при этом незаслуженно недооценены suggested terms. Цепочка подсказок, которую поисковая строка возвращает для исходного слова, — это проекция контентной кластеризации, построенной платформой на поведении всей аудитории. Такие расширения действительно близки к исходному запросу и обычно точнее категорий, которые вы придумали сами. Нередко среди них находятся одно-два направления, которых в вашей таксономии вообще нет. Используйте их для расширения исходного набора, а не как финальный ответ: добавляйте соседние неохваченные направления, а затем в каждом из них находите людей по структурному профилю.
Какие модели использовать для извлечения признаков и оценки сходства
Модель здесь решает две задачи: извлекает структурные признаки и оценивает сходство двух наборов структуры. Ни одна из них не сводится к «поставить оценку и отсортировать». Вам не нужен similarity score от 0 до 100 — нужен структурированный вывод, который объясняет, в чём именно совпадение и расхождение.
На четырёх этапах от модели требуются разные способности:
Этап | Требуемая способность | Выбор | model id |
|---|---|---|---|
Извлечь карточку структурных признаков для каждого креатива | Недорогая массовая обработка с высокой параллельностью | Claude Sonnet 5 |
|
Прочитать все недавние видео креатора и собрать профиль | Длинный контекст: возможность обработать сразу более десятка транскриптов | Kimi K3 |
|
Оценить сходство: профиль структуры против контента креатора | Сильное рассуждение с явным объяснением несовпадений | Claude Opus 5 |
|
Проверить совпадение: почему рекомендация может вызывать сомнения | Средний уровень reasoning с объяснением по конкретному видео | GPT-5.6 Sol |
|
Только на третьем этапе смена модели заметно меняет результат. Извлечь поля способен почти любой вариант; сложность — в том, чтобы проговорить несовпадение при оценке сходства. Слабая модель выдаст высокий similarity и абзац, повторяющий общие черты обеих сторон. Сильная скажет: «профиль требует захода с результата, но в последних трёх роликах автора используется пошаговый разбор процесса; хук совпадает, а структура повествования — нет, стоит быть осторожнее». Нужен именно второй вариант.
Не верьте на слово — проверьте. Протокол такой же, как при выборе модели для определения семейства алгоритмов в материале о reverse engineering: возьмите в качестве контроля креатора, с которым вы уже работали и чьи результаты знаете, подайте профиль работающей структуры и его недавний контент в claude-opus-5 и gpt-5.6-sol. Смотрите только на одно: привязана ли оценка сходства к конкретному видео. Используйте тот уровень, который может указать «какой ролик и какой структурный элемент». Это тот же критерий, что и качество контрдоказательств в материале об идентификации алгоритмов: продолжает ли модель искать несоответствия даже при высокой оценке.
Главная проблема — цена переключения между моделями
Четыре уровня от трёх поставщиков — это три SDK, три схемы авторизации и три формата ошибок. Подключать трёх клиентов и переключаться между ними на разных этапах невыгодно. Поэтому большинство остаётся на одной модели для всего процесса — обычно используют дешёвый уровень для оценки сходства, где нужен reasoning-уровень, — и получают стопку оценок без проверяемой привязки.
AIReiter убирает этот слой сложности: один ключ, один OpenAI-совместимый интерфейс, все четыре уровня за ним. Для переключения достаточно поменять поле model в теле запроса.
# Оценка сходства: reasoning-уровень
curl https://aireiter.com/api/v1/chat/completions \
-H "Authorization: Bearer $AIREITER_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-opus-5",
"messages": [{"role": "user", "content": "<профиль работающей структуры + список недавнего контента креатора>"}]
}'
# Массовое извлечение карточек структурных признаков: меняется только поле model
# "model": "claude-sonnet-5"
Если вы уже используете OpenAI SDK, укажите для base_url адрес https://aireiter.com/api/v1 — больше ничего менять не нужно. В Anthropic SDK используйте POST /api/v1/messages с тем же ключом.
По цене модели Claude идут со скидкой 30% от прайса, а GPT — за половину цены. Скидка приходится именно на главную статью расходов: поштучное извлечение карточек структурных признаков требует от сотен до тысяч массовых вызовов Claude Sonnet 5. Это на порядок или два больше, чем запросов для оценки сходства, поэтому основная часть бюджета уходит сюда — и скидка 30% применяется к самому дорогому этапу.
Попробовать без регистрации: сначала вручную оцените сходство с одним знакомым креатором и проверьте, ссылается ли вывод на конкретное видео. После этого решайте, стоит ли подключать процесс.
Когда сопоставление настроено, следующий шаг — перенести работающую структуру в бриф для генерации и передать его во встроенную генерацию изображений и видео, чтобы массово выпускать креативы. Полный пайплайн разобран в материале от ключевого слова до готовой рекламы, где подбор креаторов — лишь один из этапов.
Проверка: совпадение должно вести к конкретному креативу
Этот процесс отличается от чёрного ящика в стиле «скормить модели пачку креаторов и попросить порекомендовать нескольких» одной вещью: прослеживаемостью. Корректное совпадение должно раскладываться так: рекомендуем креатора X, потому что структура его недавнего N-го видео соответствует вашему успешному креативу Y. X, N и Y должны быть конкретными. Если не хватает хотя бы одного элемента, результат невозможно проверить и затем разобрать после получения данных запуска. Поэтому закрепите требование в промпте: для каждого совпадения модель обязана назвать конкретный связанный креатив и структурный признак. Всё, что нельзя проследить, отбрасывайте как шум — какой бы высокой ни выглядела оценка сходства.
Итог
Стандартный подход — потянуть фильтр по подписчикам и добавить категорию с регионом — систематически ведёт не туда. Он отбирает людей по идентификационным тегам, хотя вам нужно совпадение по структуре контента. Двигайтесь в обратную сторону: извлеките структуру из успешных креативов, соберите профиль и по нему найдите креаторов с подходящей структурой. Каждое совпадение должно быть привязано к конкретному креативу.
Каталог фильтров даёт статичные теги. Успешные креативы дают структуру, которую можно воспроизвести. Не останавливайтесь на колонке с числом подписчиков.