Ира Моторина: как я собрала ИИ-завод и экономлю около 50 часов в месяц

Всем привет! Я Ира Моторина, карьерный консультант для UX-писателей, контент-стратегов, дизайнеров, исследователей и продактов. Внедряю ИИ в рабочие процессы и развиваю Oh, my prompt — обучающий проект о нейросетях, который я запустила без внешних инвестиций. Сейчас у него 3 000 подписчиков, среди которых сотрудники «Яндекса», «М.Видео» и «Туту».

Oh, my prompt начинался как бесплатный email-дайджест, но за полгода вокруг него появились курс, блог, YouTube и подкаст. Когда форматов стало много, я начала связывать производство в контент-завод — несколько цепочек, которые берут одну тему и превращают ее в материалы для разных каналов.

Не все в этом заводе работает на полном автопилоте: ИИ готовит материалы и передает результаты между этапами, а я сама редактирую и публикую. В среднем через систему выходят до 30 статей, 10 постов и по 2–3 больших письма и видеоподкаста в месяц.

Как появился Oh, my prompt

Еще до запуска Oh, my prompt я использовала ChatGPT в редакторской работе: искала с его помощью информацию и готовила черновики. Постепенно стала пробовать и другие нейросети — например, Midjourney.

Осваивать ИИ мне помог редакторский опыт. Я привыкла раскладывать задачу на шаги, давать контекст, описывать нужный результат и ограничения. Тот же принцип оказался полезен в работе с нейросетями. Программировать я не умела, но могла точно сформулировать задачу и проверить результат.

К этому моменту я уже сделала «Процессор» — email-курс о работе и карьере. Вопросы коллег и клиентов подтолкнули меня к созданию еще одной рассылки: я собрала в ней важные новости, полезные инструменты и интересные промпты. Так появился Oh, my prompt. Мне хотелось, чтобы каждое письмо было прикладным и читатель мог сразу попробовать новый прием в работе.

Постепенно пришли клиенты, которым нужно было помочь запустить похожий проект или собрать ИИ-инструмент под конкретную задачу. Параллельно я добавляла новые площадки и форматы, чтобы продвигать рассылку и оставаться на связи с аудиторией. В итоге вокруг Oh, my prompt появились:

• бесплатный email-дайджест про ИИ;
• курс «Быстрый старт с ИИ»;
• блог под SEO и AI-поиск;
• YouTube-канал;
• подкаст с нейроведущим;
• промо-материалы для соцсетей.

У всех каналов одна аудитория и общая тематическая база, но задачи разные. Ролики на YouTube помогали привлечь внимание и привести людей в блог. Рассылка дайджеста сообщала подписчикам о новых статьях и тоже возвращала их на сайт — площадку, где лежали основные материалы. 

Поэтому одну тему часто имело смысл раскрыть сразу в нескольких форматах: подробно — в статье, по-другому — в письме, короче — в посте, а для видео и подкаста собрать отдельную подачу. Но просто скопировать один исходник из канала в канал не получится. У письма своя композиция, у поста — свой заход, а для видео нужны сценарий, озвучка, визуальный ряд и обложка. 

Сначала между каждой задачей оставалось много ручной работы: забрать результат у одной ИИ, перенести его в другой сервис, сохранить файл и проверить. Именно эту рутину я и начала собирать в автоматические цепочки.

Как одна тема проходила через завод

У завода нет одной универсальной цепочки: у каждого формата своя ветка. Проще всего понять систему, если проследить путь одной темы — от идеи до материалов в разных каналах.

Для одной из веток мы работаем с поисковыми запросами: собираем их в ChatGPT, объединяем близкие по смыслу формулировки в группы и сохраняем в базе знаний и Excel. Так получается общий пул тем. После того как тема выбрана, она уходит в нужную ветку производства.

На разных этапах один и тот же инструмент может выполнять разные задачи. Например, ChatGPT внутри завода:

• Помогает исследовать тему и писать черновики;
• Группирует запросы из поиска;
• Формирует структурированные данные и инструкции для других сервисов;
• Генерирует часть изображений. 

Черновиков должно быть несколько. Как минимум, для статьи. Для письма эти материалы нужно перестроить под композицию рассылки, а для поста — найти более короткий заход.

Не все ветки автоматизированы одинаково: где-то ИИ доводит задачу почти до готового материала, а где-то мне нужно было подключиться и собрать финал вручную. Но чтобы это было именно заводом, а не набором отдельных сервисов, результаты одного шага должны автоматически переходить в следующий. Для этого я использую n8n.

Как я связала ветки в n8n

Для автоматизации я выбрала n8n — эту платформу мне чаще всего рекомендовали коллеги. В ней можно собрать весь процесс из нод: отдельных шагов, промптов и обращений к сервисам. При этом вся цепочка видна на одном экране.

Сначала я описала процесс, который хотела автоматизировать, и зафиксировала, какой результат должен получиться на каждом этапе. Затем разложила процесс на отдельные шаги и настроила передачу данных между ними. Например, один из сервисов мог возвращать результат в формате JSON — структурированном текстовом формате, который удобно передавать дальше по цепочке.

После настройки цепочка работала так: n8n получал результат одного шага, разделял его на нужные части и передавал дальше — в соответствующие ноды и сервисы. Например, при производстве видео одна нода получала описание сцены, другая — текст для озвучки или надписи в кадре. Несколько веток могли запускаться параллельно.

Если какой-то шаг не работал, я показывала ИИ проблемное место, вносила изменения и снова проверла цепочку. Здесь мне как раз помогал редакторский опыт: я уже не раз раскладывала производство на понятные этапы и описывала, что должно получиться после каждого из них.

Как устроена самая сложная ветка — производство видео

С видео одной генерации текста недостаточно — нужно подготовить сценарий и описание сцен, сделать аудио, видеоряд и обложку, а затем проверить, как все части работают вместе.

После выбора темы одна ветка отвечала за озвучку и при необходимости музыку, другая готовила визуальный ряд, третья — обложку. Из той же темы отдельной веткой мог собираться подкаст.

Когда компоненты были готовы, завод раскладывал файлы по папкам. На этом автоматизированная часть маршрута заканчивалась: перед публикацией я проверяла выпуск целиком — как сочетались звук, изображение и текст. 

В визуальной части возникла отдельная проблема — консистентность персонажа. Между кадрами у него не должны были внезапно меняться лицо, волосы, одежда и мелкие детали. Для первых роликов и подкастов использовала Hunyuan: загружала сгенерированное изображение и получала короткий ролик. Позже перешла на модели, которые лучше сохраняли внешность и детали, например Kling и Happy Horse.

Как я генерировала изображения для рассылки

Кадры для видео — только одна визуальная задача. Отдельную ветку я собирала для иллюстраций к рассылке и другим материалам Oh, my prompt. На старте сгенерировала около 5 000 изображений, но до публикации дошли только 50.

Такая разница получилась не только из-за брака. Я искала собственный визуальный стиль: сравнивала варианты, дорабатывала композицию, меняла фон и убирала лишние детали. Сначала выбрала Midjourney, но позже эту задачу передала ChatGPT. С реалистичными сценами у него бывали проблемы, но он в целом справлялся лучше и позволял точнее менять отдельные детали.

Сколько стоит завод и какие метрики он приносит

На старте сложные ветки, например видео, мы собирали вместе с разработчиком и дизайнером. Сейчас производство стало достаточно стабильным, чтобы я могла вести его сама. Есть помощник на неполный день, но он занимается в основном продажами, платежами и подписками.

Расходы сейчас составляют около 56 долларов в месяц:

• 20 долларов за ChatGPT Plus;
• 20 долларов за Claude Pro с доступом к Claude Code;
• 10 долларов за сервер, на котором развернут n8n;
• 6 долларов за MailerLite для рассылок.

ElevenLabs, Kling и Happy Horse я оплачиваю по необходимости. Например, генерация качественного коммерческого видео продолжительностью 3–5 минут может стоить до 100 долларов. 

У экосистемы есть и внешние метрики: в среднем блог получает 3 000–4 000 просмотров в месяц, а из ChatGPT и «Алисы» каждую неделю приходят 20–30 лидов. Но эти цифры зависят не только от автоматизации — на них влияют тема, подача и канал распространения.

Эффект самого завода лучше всего заметен в производстве. ИИ готовит черновики, визуалы и компоненты для видео, а n8n снимает часть ручных переходов между сервисами. В результате я быстрее собираю материалы и могу экспериментировать с новыми форматами. По моей оценке, частичная автоматизация освобождает около 50 часов в месяц.

Как я теперь готовлюсь к полной автоматизации

Автоматизацию я добавляла постепенно. Сначала ИИ помогал только с текстами и изображениями, а остальное мы с командой собирали вручную. Затем я передала ИИ производство статей и часть сборки видео. Но нынешние цепочки все равно работают по заранее заданным сценариям и требуют моего участия на отдельных этапах.

Сейчас на другом проекте я тестирую следующий уровень автоматизации. В новой системе агент должен сам получать задачу, выбирать нужные инструменты и проводить материал через этапы. Если решение сработает, готовые сценарии можно будет перенести обратно в Oh, my prompt и в клиентские проекты.

В новой цепочке я хочу автоматизировать несколько процессов:

• Собирать email-письма сразу в HTML, то есть в виде готовой верстки для рассылки;
• Генерировать изображения и автоматически отбирать лучшие варианты;
• Готовить SEO-материалы и сразу публиковать их в WordPress;
• Связать CRM с базой материалов, лидами и другими данными, чтобы агент мог обращаться к ним во время работы.

Для меня цель автоматизации — не убрать человека из процесса, а оставить ручную работу там, где она действительно влияет на качество. Поэтому в новой системе нужны точки, где агент останавливается и ждет проверки. Ведь чем ближе автоматизация подходит к публикации, тем дороже становится ошибка: слабый текст, неверный факт или неудачное изображение сразу увидит аудитория. Иначе такой завод будет просто быстрее увеличивать объем ИИ-слопа в интернете — ровно то, чего я стараюсь избежать.