Tovarna vsebin z UI: kako v enem dnevu pripravimo vsebine za cel mesec

TL;DR. Tovarna vsebin z UI ni „GPT piše objave“. Gre za cevovod „izhodišča → osnutek → urejanje → načrtovanje → objava“, v katerem LLM dela znotraj determinističnega delovnega toka v n8n in se opira na smernice blagovne znamke ter pretekle najuspešnejše objave stranke, zadnji gumb „Objavi“ pa pritisne človek. V članku opišemo zgradbo takšne tovarne, metrike, tipične napake in predlogo za začetek.

1. Problem: „UI bo napisala vse, zakaj bi potrebovali še vas?“

Tipičen prizor iz let 2025–2026: vodja marketinga odpre ChatGPT, napiše „izmisli mi 10 objav o našem SaaS-u“ in dobi deset enako prijaznih, brezosebnih in malce umetnih besedil. Dva tedna pozneje ima profil podjetja več objav, doseg pa pada.

Razlog je preprost: privzeti LLM piše „kot vsi drugi“. Glas blagovne znamke ni seznam pridevnikov, kot so „izkušen, prijazen, strokoven“. Glas blagovne znamke je korpus resničnih besedil, ki jih je podjetje že objavilo in iz katerih je razvidno, kako postavlja vejice, katerim besedam se izogiba in kakšen humor uporablja. Tega ni mogoče opisati v pozivu, lahko pa ga naložimo kot korpus.

2. Za koga je to pomembno

• Vsebinski tržniki, ki vodijo 3–5 kanalov in so siti rutinskega mehaničnega dela.
• Samostojni strokovnjaki in svetovalci, ki imajo za sabo več kot pet let člankov, predavanj in e-novic ter morajo redno objavljati nove vsebine.
• Ekipe v MSP, kjer marketing pokriva ena oseba s polovičnim delovnim časom.
• Spletne šole in ponudniki tečajev, pri katerih je vsebina sama izdelek.

3. Pogosta napaka

1. Odpremo ChatGPT.
2. Napišemo sistemski poziv: „Si tekstopisec velike blagovne znamke, piši v našem slogu.“
3. Dobimo „naš slog“ brez enega samega resničnega referenčnega besedila.
4. Objavimo, občinstvo pa se ne odzove.
5. Sklepamo, da je UI odpovedala, čeprav je naredila točno to, kar smo od nje zahtevali.

Dodatne napake pri takem pristopu:

• Za pozive se ne vodijo različice, zato primerjava „prej/potem“ ni mogoča.
• Ni povezave z dejansko analitiko, ki bi pokazala, kaj je delovalo in kaj ne.
• V zanki ni človeškega urednika, zato se objavi, kar se enemu človeku ob enajstih zvečer zdi „v redu“.
• Ni načrtovanja: objava je napisana, a je nihče ni uvrstil na pravi termin.

4. Tehnični pristop

Tovarna vsebin kot cevovod:

flowchart LR
  BRIEF[1. Izhodišča<br/>obrazec v Telegramu] --> N8N[2. Delovni tok n8n]
  N8N --> KB[3. RAG nad smernicami blagovne znamke<br/>+ najboljše objave]
  KB --> DRAFT[4. Generator<br/>osnutka]
  DRAFT --> EDIT[5. UI-urednik<br/>„svež pogled“]
  EDIT --> HUMAN[6. Človek:<br/>potrdi / zavrni]
  HUMAN -- potrjeno --> SCHED[7. Načrtovalnik]
  SCHED --> PUB[8. Objava<br/>TG/LI/WP]
  PUB --> METRICS[9. Metrike]
  METRICS --> KB

Ključna načela:

• Izhodišča so kratka, en ukaz v Telegramu. Če so daljša od treh vrstic, tovarna izgubi smisel, saj je besedilo hitreje napisati ročno.
• RAG nad smernicami blagovne znamke je obvezen. Privzeti „kreativni“ poziv da splošno besedilo brez obraza, ki bi lahko pripadalo komur koli.
• Generiranje v dveh korakih: v prvem nastane osnutek, v drugem ga pregleda „svež pogled“ (drug poziv, včasih tudi drug model), ki preveri ton in dejstva.
• Človek v zanki ni anahronizem. Ujame vse objave, ki ne ustrezajo blagovni znamki, in vse primere, ko je UI navedla zastarelo trditev.
• Zaprta zanka metrik: objave, ki po angažiranosti presežejo 70. percentil, vsak teden dodamo v indeks kot „primere, ki delujejo“.

5. Tabela: tipična konfiguracija kanala

Vsak kanal je konfiguracijska datoteka, ne koda. Primer (poenostavljen):

channels:
  telegram_main:
    audience: "B2B, tehnični direktorji"
    length_min_chars: 600
    length_max_chars: 1200
    tone: "strokovno, brez nakladanja, konkretno"
    hashtags: "2-3, na koncu"
    banned_phrases: ["revolucionarno", "edinstven izdelek", "vrhunski"]
    cta_policy: "največ en CTA na objavo"
    schedule: "MON,WED,FRI 10:30 Europe/Berlin"
  linkedin:
    audience: "višje vodstvo v EU"
    length_min_chars: 800
    length_max_chars: 1500
    tone: "zadržano, dejstva + 1 osebna opazka"
    hashtags: "3-5, v besedilu"
    banned_phrases: ["10x", "game-changer", "sinergija"]
    schedule: "TUE,THU 09:00 Europe/Berlin"
  blog:
    audience: "organsko iskanje, poizvedbe z dolgim repom"
    length_min_chars: 4000
    length_max_chars: 8000
    tone: "poglobljeno, z viri"
    schedule: "tedensko"

Tipični kazalniki (KPI):

6. Primer iz prakse SINTARIS

Izdelek Content Strategist je naša izvedba tovarne vsebin za strokovnjake in blagovne znamke B2B. Tipičen scenarij: strokovni kanal z bogatim arhivom (članki, e-novice, podkasti) in ciljem 4–5 objav na teden, ne da bi se izgubil avtorjev glas.

Tehnična izvedba (Content Strategist KB):

• Arhiv stranke smo naložili v pgvector: članke, e-novice in prepise epizod podkasta (prek yt-dlp in Whisperja).
• Vklopili smo ponovno indeksiranje z utežjo angažiranosti: objave z ogledi nad 70. percentilom pri iskanju dobijo večjo težo.
• Nastavili smo generiranje v dveh korakih: Claude 3.5 Sonnet → GPT-4o-mini kot „urednik“.
• Vključili smo filter prepovedanih fraz z regularnimi izrazi: avtor določi seznam fraz, ki niso v njegovem slogu (običajno 20–30 vnosov).
• Potrditev poteka z enim gumbom v botu za Telegram.

Metrike v prvih 90 dneh:

• Objave na teden: stabilno 4,2 (prej 1,6).
• Čas strokovnjaka za eno objavo: prej 1,5–2 uri, zdaj 8–12 minut (samo pregled).
• Angažiranost: +47 % glede na izhodišče.
• Stroški LLM: 34 € na mesec (kombinacija modelov Claude in GPT-4o-mini).
• Zavrnjeni osnutki, ki ne ustrezajo blagovni znamki: 19 %, kar je zdrav in normalen delež.

Podrobnosti: Content Strategist § 4 Architecture in § 11 Lessons learned.

7. Kontrolni seznam (12 točk) pred zagonom tovarne vsebin

1. Zbranih je vsaj 30 preteklih besedil stranke (članki, objave, e-novice, prepisi nastopov).
2. Pripravljene so smernice blagovne znamke na eni strani: ton, prepovedane fraze, pravila za CTA in hashtage, ciljno občinstvo.
3. Za vsak kanal obstaja konfiguracija z omejitvami dolžine, pogostosti in tona.
4. Vektorski indeks je zgrajen ločeno za vsako stranko (brez iskanja po podatkih drugih strank).
5. Zajem podkastov in videov je urejen (yt-dlp + Whisper ali enakovredno orodje).
6. Delovni tok n8n je shranjen v Gitu, ne le v uporabniškem vmesniku.
7. Generiranje v dveh korakih: osnutek in urednik.
8. Človek v zanki: gumba „Potrdi“ in „Zavrni“ v Telegramu.
9. Filter prepovedanih fraz z regularnimi izrazi se izvede, preden osnutek dobi človek.
10. Ponovno indeksiranje po angažiranosti: tedensko.
11. Beleženje stroškov LLM po posameznih objavah, da vidite maržo.
12. A/B-testiranje predlog: vsaj ena hipoteza na mesec.

8. Tveganja

• Enoličnost vsebin. Če je indeks nagnjen k enemu žanru, začne tovarna pisati samo še „kot v tisti e-novici“. Rešitev: raznolik korpus in občasen človeški vnos („napiši to z drugega zornega kota“).
• Urednikova slepota. Po stotih potrjenih osnutkih začne človek potrjevati samodejno. Pomaga pravilo „enkrat na teden zavestna vaja zavračanja“: namerno podtaknemo slab osnutek in preverimo, ali ga urednik zavrne.
• Pravna tveganja. Če korpus vsebuje tuje gradivo, obstaja nevarnost plagiata. Uporabljajte samo lasten arhiv.
• Odvisnost od ponudnika. Vezanost na eno samo orodje SaaS za načrtovanje objav otežuje menjavo. Bolje je uporabiti n8n in neposredne klice REST do Telegrama oziroma LinkedIna.

9. Kaj storiti naprej

Najkrajša pot: 1) zberite arhiv, 2) zaženite n8n, 3) priključite pgvector, 4) napišite en delovni tok za en kanal, 5) dva tedna delajte s človekom v zanki, 6) merite angažiranost. To zadošča, da ugotovite, ali je tovarna za vas smiselna kot dolgoročen projekt.

Če želite hitreje, ima SINTARIS pripravljen pilot Content Strategist: 4–8 tednov z vnaprej določenim obsegom. Obseg in ceno določimo po uvodnem pogovoru. Sistem lahko teče na naši infrastrukturi ali lokalno pri vas (OpenClaw).

10. Viri

• Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv:2005.11401.
• Liu, N. F. et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv:2307.03172.
• Cormack, G., Clarke, C., Buettcher, S. (2009). Reciprocal Rank Fusion outperforms Condorcet and individual rank learning methods. SIGIR '09.
• Dokumentacija n8n: https://docs.n8n.io
• BAAI (2024). BGE-M3: One-stop multi-lingual, multi-functionality, multi-granularity text embeddings.
• Stack Overflow Developer Survey 2025, razdelek o orodjih UI in njihovi uporabi.

SINTARIS gradi tovarne vsebin, asistente RAG in avtomatizacije za podjetja v EU. Uvodni pogovor je brezplačen in traja 30 minut.