Технічний контекст
Я заглибився в репозиторій tribeV2_ViralAnalyser і скажу відразу: це не магічний детектор віральності, а скоріше інтерфейс для інференс-пайплайну TRIBE v2. На вході — відео, на виході — криві прогнозованої реакції мозку, теплова карта та текстові підказки, де ролик втрачає залученість.
Для впровадження ШІ в контент-командах ідея зрозуміла: не чекати, доки TikTok чи Shorts покарають за поганий хук, а заздалегідь проганяти креатив через модель і виявляти слабкі секунди. Я ціную такі інструменти саме як інженерний фільтр перед публікацією, а не як оракул.
Автори продемонстрували два кейси. TikTok-ролик на 2.4 млн переглядів отримав високу прогнозовану реакцію мозку в перші секунди з активацією зорових і мовних зон. Shorts із собакою на батуті показав схожий патерн, а реальна статистика з YouTube Studio виглядала потужно: утримання 81.5% та середній відсоток перегляду 130%.
І ось тут я зупинився. Збіг на двох прикладах — це ще не валідація. У репозиторії я не побачив нормальної кількісної перевірки: ні кореляцій на вибірці, ні A/B-тестів, ні чіткого опису, на яких даних навчалася модель і як саме ці «мозкові» сигнали пов'язані з реальною поведінкою аудиторії.
Тобто технічно проєкт цікавий, але зараз це MVP, що стоїть на дуже тонкому льоду гучних висновків. Особливо, коли в коментарях уже логічно запитують: чий мозок сканували, де тут нейронаука, і чи не занадто сміливо вживається слово «мозок».
Що це змінює для бізнесу та автоматизації
Якщо дивитися тверезо, я бачу тут три практичні сценарії. Перший: попередній скринінг коротких відео перед завантаженням. Другий: підсвічування таймкодів, які варто скоротити або перезібрати. Третій: ранжування кількох версій креативу без дорогого ручного перегляду всієї партії.
Виграють агентства, медіа-команди та e-commerce, де короткий контент виходить потоком. Програють ті, хто сприйме цей графік за науковий вирок і почне різати ролики за псевдоточними сигналами.
Я б не продавав це як заміну аналітики платформ. Я б вбудовував це як слабкий, але швидкий шар в AI-пайплайн автоматизації: завантаження ролика, автоматичний звіт, рекомендації редактору, а потім звірка з реальним утриманням після публікації.
Саме на таких стиках зазвичай усе ламається: дані з креативного пайплайну, метрики платформ, версії роликів, зворотний зв'язок у продакшн. Ми в Nahornyi AI Lab якраз збираємо такі AI-рішення для бізнесу в робочу систему, а не в красивий демо-скрін. Якщо хочете перевірити, де ваш контент втрачає увагу і як це пов'язати з публікацією, аналітикою та редакцією, давайте розглянемо ваш процес і побудуємо AI-автоматизацію без нейроміфів.