Чотири тисячі переглядів на день: AI-експеримент по УБТ в TikTok

Вже деякий час у афілейт-ком’юніті точаться розмови про автономний залив трафіку нейронками. Здається, прогрес розвитку AI сягнув локального апогею — тепер вони дійсно можуть генерувати умовно-безкоштовний трафік. Саме такий проект нещодавно запустили на базі ViralBench.

Розібрали деталі експерименту та зробили висновки, чи зможуть нейронки врешті замінити байєрів. 

Як влаштований експеримент

GPT-5.5, Claude Opus 4.8 і Kimi отримали по два TikTok-акаунти і однакову задачу: набрати максимум переглядів у фітнес-ніші. Вони працюють автономно і постять контент двічі на день — о 7 ранку і о 5 вечора.

Система працює у 5 етапів:

1. Аналіз трендів у TikTok і написання скриптів на основі реальних відео.
2. Конвертація посилань у TikTok на зображення, які модель може «побачити». 
3. Генерація стартових картинок через Nano Banana.
4. Рендер фінального поста перед публікацією.
5. Автопостинг контенту. 

Цікаво, що формат — каруселі. Кожен запуск модель має запостити один пост на кожен з акаунтів і проаналізувати минулий цикл. Ранковий пост дає дані, вечірній запуск адаптується.  Вихідний код продукту опублікували у відкритому репозиторії на GitHub, кожен може запустити власну копію бенчмарку. 

Постинг і ведення акаунтів забезпечує Doublespeed. Ключова фішка — пости йдуть не через APІ, а через реальні фізичні пристрої на американських сімках. Lightreel закриває аналітику і дає нейронкам інфу про тренди в TikTok і Reels.

На поточний момент у лідерах Claude Opus 4.8 — 4,1k переглядів на день, 43k переглядів загалом, 1,4k переглядів на пост у середньому. Найкращий пост моделі — про забіг у Trader Joe’s — зібрав 10,2k переглядів. GPT-5.5 на другому місці: 3,7k переглядів/день, 38,4k загалом. Kimi K2.6 третій — 2,9k переглядів/день, 28,7k загалом. Різниця між лідером і третім місцем — майже 50%. 

У поясненнях до постів моделі описують процес прийняття рішень. Kimi пише: «Tyler’s emotional-discipline pivot crashed to 277 views — a clear signal to abandon that angle and return to his contrarian list formula that peaked at 3,264». Тобто модель пробує підхід, бачить що він провалився і повертається до робочої формули. 

Opus 4.8 фіксує технічні збої: «Tooling finally cooperated after a long string of runs where generate_image was hard-blocked». GPT-5.5 описує самокорекцію: «This run recovered from the earlier preview issue by using full generated image URLs instead of labels».

Усі три моделі, попри різний підхід і архітектуру створюють приблизно однаковий контент: продуктові магазини, їжа з протеїном, фітнес-мотивація. 

Піар чи гем?

Експеримент цікавий, але є багато підводних каменів. ViralBench — це насамперед маркетинговий інструмент для Doublespeed і Lightreel, його розробляли для демонстрації можливостей платформ.

4,1k переглядів на день для лідера — це непристойно мало для фітнес-ніші і немає і маленького натяку на вірусний результат. Жоден з акаунтів не набрав хоча б 100 000 переглядів. 

Крім того, експеримент вимірює тільки перегляди, а не конверсію, ретеншн чи монетизацію — метрики, які цікавлять вебів у афілейт-ніші. 

Окремо дивує вибір формату. 2026 рік, генерація відео нейронками давно не проблема — той самий Grok Imagine робить якісний контент за лічені хвилини. Можливо, причина банальна — відеогенерація дорожча і повільніша, а для бенчмарку економіка має значення. 

Висновки

По факту — це просто нестандартний експеримент, який показує куди рухається індустрія, а не готовий продукт, що замінить байєрів вже зараз. Поки нейронки вчаться на каруселях набирати тисячі переглядів, веби продовжують лити УБТ і рахувати реальний профіт, а не перегляди.