14 yapay zeka ajanı 120.000 influencer'ı taradı, kampanyayı yönetti ve yüzde 2,7'lik bir CTR artışı bildirdi

MiningLamp'ın dev.to'da yayımladığı bir yazı, influencer pazarlama kampanyasını oluşturucuları keşfetmekten ödemeleri tamamlamaya kadar, arada hiçbir insan uygulama adımı olmadan uçtan uca yöneten çok ajanlı bir sistemi belgeliyor. On dört uzmanlaşmış ajan yaklaşık 120.000 influencer profilini tarayıp 30'a indirdi, oluşturucu bazında strateji ve içerik üretti, medyayı programatik olarak satın aldı ve bir aylık denemenin ardından doğal tıklama oranında (CTR) yüzde 2,7'lik bir iyileşme bildirdi.

Pipeline nasıl yapılandırıldı

Sistem, tek bir bütünsel model yerine dar kapsamlı, uzmanlaşmış ajanlardan oluşan bir hiyerarşi olarak kurulmuş. Yazıya göre her ajan tek bir görevden sorumlu ve yapılandırılmış çıktıyı bir sonrakine aktarıyor.

Veri toplama ilk adım. Bir footfall insight ajanı, yetkili API entegrasyonları üzerinden Lingxi ve Juguang arka uçlarına bağılıyor — yazı bunun scraping olmadığının altını çiziyor — ve sürekli olarak kitle demografisi, etkileşim kalıpları ve içerik performans geçmişini çekiyor. Veri alma anlık bir fotoğraf değil sürekli olduğu için seçim aşaması eğilimi görüyor: 90 gün boyunca etkileşimi düşmüş bir oluşturucu, mevcut rakamları özdeş olsa bile yükselişteki birinden farklı puanlanıyor.

Seçim, öne çıkan aşama. Ajanlar yaklaşık 120.000 profili değerlendirip 30'unu tuttu; yazı bu azalmayı yüzde 99,975 olarak veriyor. Kriterler takipçi sayısının ötesine geçerek içerik tarzı uyumu, hedef demografiyle kitle örtüşmesi, geçmiş dönüşüm oranları ve fiyatlama verimliliğini kapsıyor. Yazarın argümanı, insan bir ekip üzerine avantajının tutarlılık olduğu yönünde: Bir junior pazarlamacı günde birkaç yüz profili azalan dikkatle manuel olarak incelerken, ajan gördüğü her profile aynı çok boyutlu puanlamayı uyguluyor.

Strateji, içerik, satın alma ve mutabakat

Seçilen 30 influencer'ın her biri, formatına, kitle segmentine, en iyi gönderi saatlerine ve benzer oluşturucularda geçmişte dönüşüm sağlayan çağrı--eylem (call-to-action) tarzlarına göre ayarlanmış, yazıda 60 maddelik taslaklar olarak tanımlanan özelleştirilmiş bir strateji taslağı aldı. Yazar, yalnızca bu kişiselleştirme aşamasını manuel sürece kıyasla yüzde 30'luk bir verimlilik iyileşmesine bağlıyor.

İçerik katmanı, metinden metne üretimi, metinden görüntüye oluşturmayı ve video düzenlemeyi tek bir pipeline'da birleştiriyor; böylece görsel varlıklar metinle aynı brief bağlamından üretiliyor. Yazı, eskiden tam bir oturum süren içerik analizinin artık her turda üç saat kazandırdığını iddia ediyor.

Medya satın alma tamamen otomatik: ajanlar Juguang API'sine bağlanıp trafiği doğrudan satın alıyor ve dönüşüm verileri pipeline üzerinden geri aktıkça bütçeyi gerçek zamanlı olarak yeniden dağıtıyor. Performansı düşük yerleşimler kısıtlanıyor ve güçlü performans gösterenlere, sabah değerlendirme toplantılarında değil sürekli olarak daha fazla harcama yapılıyor. Zincirin sonunda mutabakat performansa dayalı; müşteri satış lead'lerine göre ücretlendiriliyor ve atıf, görüntülemeden tıklamaya, lead'e ve ödemeye kadar pipeline içinde izleniyor.

Bildirilen sonuçlar

Bir aylık denemenin ardından yazı, karşılaştırılabilir kampanyalara kıyasla doğal tıklama oranında yüzde 2,7'lik iyileşme, iş akışı genelinde yüzde 30'luk verimlilik kazancı, içerik analiz oturumu başına üç saat tasarruf, seçimden mutabakata 14 ajan ve sıfır manuel uygulama adımı listeliyor. Yazar, yüzde 2,7 küçük görünse de influencer kampanyalarında doğal CTR değerlerinin düşük tek haneli rakamlarda olduğunu ve artışın daha yüksek harcamadan değil, daha iyi influencer-içerik eşleştirmesinden geldiğini belirtiyor.

Neden tek ajan yerine 14 ajan

Yazı, tek bir mega-ajanın tüm veri kaynaklarını, API'leri ve optimizasyon kriterlerini aynı anda bağlamda tutması gerekeceğini savunuyor. 14 ajanlı tasarım her ajanı dar tutuyor; böylece seçim ajanı medya satın alma hakkında hiçbir şey bilmiyor ve ajanlar yapılandırılmış devir teslimlerle iletişim kuruyor. Yazar bu yapıyı, iş ürünlerini birbirlerinin işini yapmak yerine roller arasında aktaran stratejist, medya alıcısı, yaratıcı direktör ve veri analistinden oluşan bir insan ekibine benzetiyor.

Altındaki platform

Pipeline, insan-ajan iş birliği için açık kaynaklı, Apache 2.0 lisanslı, kendi sunucunuzda barındırılabilen (self-hosted) OCTO üzerinde çalışıyor. Çekirdek kavramları şunlar: bir kullanıcının yetkilerini ve tercihlerini devralacak şekilde yapılandırılmış ajanlar, iş birliği için workspace'ler, atanan kişiler, teslim edilecekler ve kabul kriterleriyle iş birimleri olarak loop'lar ve her inceleme ve redlerden biriken tercih verisi. Adı Open, Context, Taste, Orchestration kelimelerinin kısaltması. OCTO altı iş birliği modunu destekliyor: solo, roundtable, critic, pipeline, split ve swarm. Bu kampanya, sıralı devir teslim deseni olan pipeline modunda çalıştı.

Neden önemli

Kamuya açık çok ajanlı gösterimlerin çoğu terminal penceresinden öteye gitmiyor. Bu anlatı, veri alımından ödemeye kadar gerçek bir ticari iş akışı boyunca somut, aşama aşama rakamlarla bir üretim dağıtımını anlatmasıyla öne çıkıyor. Uyarılar gerçek: rakamlar tek bir satıcı tarafından yayımlanan bir yazıdan geliyor, karşılaştırılabilir kampanyalara dair taban hattı tam olarak tanımlanmamış durumda ve hiçbir şey bağımsız olarak doğrulanmış değil. Yine de sergilenen mimari — çok sayıda dar kapsamlı ajan, yetkili API entegrasyonları, yapılandırılmış devir teslimler ve kapalı bir optimizasyon döngüsü — çok ajanlı sistemlerin demo aşamasını aştıktan sonra nasıl görüneceğine dair somut bir şablon oluşturuyor.