Всем привет в 2026 году 🎄
Коротко про итоги, планы и контент на ближайшие дни

➡️Прошлый год был сложным и для индустрии в целом, и для нас. Во многом поэтому мы начали нашу тех. трансформацию. Экспериментировали, переделывали процессы и проверяли, какие инструменты реально могут быть полезны продакшнам.

➡️В этом году идем дальше. Планируем новые проекты и продукты для индустрии – всем будем делиться здесь. Отдельная цель на 2026 – растить комьюнити людей, которым действительно интересны технологии в видеопродакшне (ценим, что вы уже часть этого комьюнити❤️).

➡️На ближайшие полторы недели мы подготовили плотный контент, чтобы вы могли в спокойном режиме разбираться в инструментах, подходах и решениях, которые можно унести в работу.

Если у вас другие планы на каникулы – никаких осуждений!
Вот в нашем последнем опросе целых 9 человек отметили, что планируют изучать нейросети с 3 января. Хотя бы для них будем писать (если это вы, маякните в комментах, виртуально пожмем вам руку).

Не переключайтесь 🩷

жизнеутверждающий пост про то, что ИИ не может заменить креативную команду🥂
(или просто про праздничный ИИ-ролик)

Делимся экспериментом канадского креативного агентства Wunder. Ребята решили проверить ИИ в максимально чистом виде и сделать праздничный ролик полностью на нейросетях – от идеи до финального звука.

Для эксперимента они загрузили в ChatGPT классические рождественские ролики – Apple Misunderstood, Amazon Joy Ride и всю коллекцию John Lewis. Чат предложил варианты сценариев, остановились на концепции с паровозиком.
Что использовали далее:
• Qwen Image – поиск и генерация локаций
• Nano Banana – генерация фото и визуалов
• Google Flow (Veo 3.1) – видеопродакшн
• Imagen AI – цветокоррекция
• Eleven Labs – музыка и звуковые эффекты

Это ответ команды на бум ИИ в рекламной индустрии и их высказывание о том, что настоящая магия и настоящие креативные проекты требуют настоящих людей.

Тут не поспоришь. Другое дело, что в реальности бренды и не пытаются создавать ролики совершенно без участия человека. Наоборот – все более значимой становится роль профессионалов, которые умеют грамотно использовать ИИ-инструменты 🤔

И хотя эксперимент Wunder немного оторван от реальности (и вероятно поэтому выполнен не на особо высоком уровне), все равно любопытно посмотреть, как нейронки пытаются в рождественский слезовыжимательный контент.
Было бы интересно, кстати, увидеть повтор такого опыта к концу 2026 года.

*️⃣Для тех, кто не пилит ИИ-ролики самостоятельно: вот еще забавные блуперы с этого проекта
(если вы сами создаете ролики, то вы и так видели тысячи подобных галлюцинаций)

И еще вдогонку к ⬆️

Wunder называют свой эксперимент в том числе реакцией на новогодние ИИ-ролики Coca-Cola. Уже второй год эти ролики не дают покоя не только аудитории, но и другим брендам, которые в ответ используют намеренно утрированный ИИ, чтобы высмеять искусственность и подчеркнуть «настоящесть» своих продуктов и ценностей.

Примеры в комментах

Что думаете про такой вариант использования ИИ для рекламы?
👍 – норм, оригинально
👎 – лучше бы заморочились над качественной генерацией
🤡 – ни с чем не согласен, напишу в комменты

*️⃣ещё немного рассуждений про ИИ, а потом оставим эту тему до конца каникул*️⃣

Почему ИИ-генерация так плохо справляется с эмоциями людей?
См. плачущего мужчину в ролике выше😭

Сгенерить человека нейросети могут, даже очень правдоподобно – мы видели много тому подтверждений (например, тут). Но ИИ-люди выглядят нормально до тех пор, пока не нужно делать ничего сложного. Запросы типа «мужчина садится в машину» или «идёт по улице» условный Veo реализует очень чётко.

Сложности появляются тогда, когда мы хотим контролировать детали. Например, добиться того, чтобы человек повращал кистью по часовой стрелке, подвигал мизинцем или ухмыльнулся.

Если коротко: вопрос не в креативности нейросетей, а в том, как именно они работают с данными.

Любая генерация происходит через обращение к датасетам – большим наборам изображений с текстовыми описаниями. Обучившись на миллионах «улыбок», нейросеть выдаёт усреднённый вариант.
Если же мы хотим передать определенные оттенки, нейросеть пытается забрать из датасетов конкретную улыбку (и остальную соотвествующую этой конкретной улыбке мимику).

Здесь и возникает загвоздка. Одни и те же элементы в датасетах представлены по-разному – в итоге ИИ не может корректно собрать их в единый образ и косячит. Чем больше уточнений и контролирующих инструкций, тем больше вылезает артефактов. Это похоже на ошибку шести пальцев в ранних генерациях: ИИ просто не мог зафиксировать такую мелкую деталь из-за различий в исходных изображениях.

Можем предположить, что в ближайшие годы проблема нереалистичных эмоций в генерациях уйдет так же, как ушла проблема с шестью пальцами

Технологии с большим уровнем контроля уже появляются, но пока их мастабирование ограничено размерами датасетов и точностью обращения к ним. Однако сейчас над этим работают многие компании, так что ожидаем, что в ближайшие год-два технология генерации станет более управляемой.

Сегодня у нас гостевой материал от Ксении Гончарик, фаундера и хеда продакшна SWIFT
Поговорили про технический превиз 👁
Далее текст Ксюши ⬇️

Технический превиз: зачем он нужен

Когда думают о превизе, чаще всего имеют в виду художественный. Как это будет выглядеть?
Но на этапе препродакшена не менее важен другой слой — техническая превизуализация. Как это реально снять?

В техническом превизе мы моделируем не красоту кадра, а постановку как систему:
— реальные размеры и положение декораций,
— расстановку камер,
— движение камеры в привязке к пространству,
— свет, хромакей, смену сетапов и тайминг между ними.

По сути, это репетиция съёмочного дня в цифре — ещё до того, как команда выйдет на площадку.

Почему не стоит этот этап недооценивать:
— он снимает большую часть сюрпризов на смене,
— помогает второму режиссёру и операторской группе работать по чёткой схеме,
— сокращает количество лишних дублей и пересборок,
— делает бюджет и тайминг предсказуемыми.

Мы в SWIFT недавно подробно разобрали реальный кейс, где хорошо видно, как технический превиз влияет на ход съёмки и организацию процесса. Ролик с разбором смотрите тут.

Делаете тех превизы?

смотрите, что нашли в тему вчерашнего текста про превиз

ностальгический пример превиза(прешута) из 2018г. Пост для всех, кто знает Cult давно❤️

в ролях:
🔘воинственно настроенная девушка – Алиса Степанова, первый штатный продюсер "Культа", топовый второй режисер сейчас
🔘заказавший телефон друг – Саша Чуйков, начинал как штатный монтажер "Культа" (это был его второй рекламный проект в карьере), сейчас топовый режиссер монтажа
🔘главный герой – Костя Мельников, фаундер "Культа" тогда и сейчас

📌дайджест постов

каналу чуть больше двух месяцев, но мы уже успели обсудить тут много разных тем
➡️может, захотите вернуться к какому-то из текстов

технологии для видеомейкинга
• про возможности и ограничения LED-экранов
• как ИИ помогает на постпроде
• наш эксперимент с перегенерацией уже отснятого ролика
• пример реалистичной генерации эмоций у малышей
• почему вообще сложно добиться реалистичности в эмоциях

технологии для бизнеса
• как быстро поставить компанию на технологические рельсы
• как подготовить бизнес к ИИ-решениям
• как устроен ИИ-продакшн (гостевой)

насущные вопросы
• нейронки и рекламный рынок (гостевой)
• кто выживет в эпоху ИИ (гостевой)
• как дела с проектами этой осенью (опрос)
• зарплаты в индустрии (серия опросов)
• помогает ли портфолио выбирать режа на проект (опрос)

немного про наши собственные разработки
• какие фичи внедрили за прошлый год
• Status Ninja
• Бот Антон

Почему мы приостановили работу над ИИ-сервисом для раскадровок

За полгода работы нашего тех. отдела мы протестировали десятки гипотез. Иногда получается так, что затраты на разработку крутой штуки превышают пользу, которую она дает. Сегодня делимся как раз таким кейсом.

Мы уже писали, что пилим собственное ИИ-решение для создания раскадровок. Логика такая: в сервис подгружается бриф от режиссера (голосовое / текст) + огурцы, если есть. ИИ выдает готовую раскадровку, которую можно точечно дорабатывать.

На одном из декабрьских тендеров проверили фичу в бою, параллельно для этой же цели тестили phygital.

В итоге лид тех. отдела и опытный продюсер полтора часа доводили до нужного вида три кадра... 😐
Так себе экономия ресурсов. Больше всего времени ушло на детали, чтобы воссоздать точный кадр.

Подумали и решили, что мы можем доработать наш сервис так, чтобы получать результат за минимальное количество итераций. Но нужно сильно вложиться в разработку, а использовать решение будут несколько десятков режиссеров и продакшнов… Пока игра не стоит свеч😐

➡️Внутри используем сейчас гибридный подход: художник делает простые ч/б эскизы, а ИИ добавляет цвет, свет и тени.
Параллельно изучаем, как эту задачку решают другие разработчики. На днях поделимся)

А пока расскажите, вы как-то автоматизируете этот процесс? Или знаете, как минимальными усилиями допилить готовый сервис? Мы только за тут посотрудничать

Репост из нашего рабочего чата для всех, кто хочет разбираться и вообще знакомиться с вайбкодингом⬇️

(в комменты еще закинем материалы, и вы тоже кидайте, если есть чем поделиться по теме 🙂)

Помните пост Алевтины Максимовой про имплозию профессий в ИИ-мире?

Что делать специалисту в мире имплозии?
Собирать свой «гибридный стек».

У каждого свой уникальный набор «блендер-навыков»: дизайн + психология, анализ + концептинг, режиссура + стратегия и тд.
Только гибридность даёт уникальность в мире, где всё схлопывается.

На днях пришел комментарий (скрин ниже), хотим с вами обсудить

Что вы на этот счет думаете?

Запилим опрос, но все мнения не уложить в несколько вариантов ответа.
Поэтому вэлкам в комменты 😅

Как подготовить агентский бизнес к AI-решениям

Мы уже не раз писали, что с ИИ не прокатит логика «купили инструмент – и всё само заработало». Без чётких процессов автоматизировать будет нечего.
Пригласили наших друзей из агентства «Артерия» рассказать, с чего вообще начинать автоматизацию бизнеса и как подготовить агентство/продакшн к внедрению ИИ.
Слово ребятам⬇️

Итак, с чего начать?

1. Находим процесс, с которым действительно нужно работать

Как правило, это основной процесс бизнеса, тот, который больше всего влияет на прибыль и проблемы в котором крадут маржу. Именно здесь автоматизации будут наиболее эффективны.



Например, мы в Артерии иногда очень хотим соблазниться и автоматизировать создание картинок для соцсетей в нанобанана, но при нашем небольшом объеме публикаций такая автоматизация сэкономит SMM менеджеру в среднем около 2х часов в неделю. Это для нас ерунда, которая не повлияет на маржинальность клиентских проектов. А вот для студии дизайна интерьеров или креативного агенства, где процесс генерации визуального контента занимает 70-80% времени сотрудников, такая автоматизация это вин, и в это реально стоит инвестировать время и деньги!

2. Описываем процесс
🟣фиксируем этапы, исполнителей и узкие места, чтобы в процессе мог разобраться и подрядчик, и новый сотрудник;
🟣фактически создаем полное ТЗ на выбор нужного сервиса/ов и всех возможных автоматизаций, в том числе и ИИ-заций.

Если процесс нельзя описать как последовательность повторяющихся шагов, его нельзя автоматизировать.

3. Понимаем, какие командные сервисы уже используются, чтобы процесс работал в текущем виде

Если мы говорим про личное использование, то Claude, ChatGPT, Gemini отдельно сами по себе — штука незаменимая.
Но если мы говорим про команду бизнеса, то AI нужен собственно там, где происходит работа команды. Это совместные проекты, задачи, чаты, документы, стратегические роадмэпы. А они живут (пока) все-таки не в чат ChatGPT, они живут в командных инструментах: в таск-трекерах, в таблицах Excel, конфлюенсе, в ТГ-чатах наконец.

Поэтому командные инструменты так и остаются БАЗОЙ ДЛЯ AI. Не наоборот.
Для крутой работы AI с контекстом вашего бизнеса нейронке нужно где-то найти весь этот контекст. В качественном структурном виде.

4. Вводим регулярный менеджмент, если еще не

Это то, как вы с командой планируете, контролируете выполнение, анализируете сделанное и принимаете решения на основе анализа:
- регулярные недельные планёрки,
- встречи команды по планированию нового,
- ретроспективы,
- понятная визуализация данных с планами по проектам или отчетностью.

Именно регулярный менеджмент подсказывает, какие рутинные/типовые сценарии вашего процесса тормозят команду и их пора отдать на откуп машинам.

5. Наконец добираемся до AI

AI работает, когда у вас:
🟣есть четкое понимание границ и этапов процесса,
🟣данные оцифрованы в удобных сервисах,
🟣команды работают по понятным ритуалам.

Что можно автоматизировать: отчёты, рутинные сценарии, аналитику данных.
Что нельзя: бардак, неясность и отсутствие ответственности 🤡

Поговорим еще про внедрение ИИ

В прошлом посте описали подход, при котором компания предлагает сотрудникам готовые сценарии автоматизации.
Есть и другой путь – корпоративные подписки на ИИ-сервисы, которые сотрудники используют для рабочих задач по своему усмотрению. Сегодня посмотрим на двух примерах, что это дает бизнесу.

Если у вас еще нет корпоративного GPT, вам будет актуально 😱

Пример #1.
Недавно Ai Academy (разработчик доступа к разным LLM на русском) изучили, сколько тратит на нейронки EdTech-компания и сколько благодаря этому экономит.

Вводные:
– количество сотрудников ~500;
– это не айти-компания, ИИ используется для автоматизации рутинных задач.

🟣Годовые расходы на ИИ ~920т.р. Это меньше, чем годовая зарплата одного специалиста, при этом инструментом пользуются 79% сотрудников.
🟣Затраты в пересчете на сотрудника (использующего ИИ) = 475р. в месяц. Это стоимость одного часа работы при зп 80т.р. (берется за среднюю в кейсе).
🟣Retention 80-98% – кто начал пользоваться, тот остаётся. ИИ становится привычкой.

То есть, если ИИ экономит специалисту хотя бы 30 мин работы в день – это 10 часов в месяц.
А далее можно умножать на количество активных юзеров и высчитывать, сколько экономит компания в деньгах.

Пример #2.
А если у вас не 500 сотрудников, а 10-15?
Вот кейс Cult, мы тоже провели небольшие замеры в декабре.

Вводные

:

– не учитываем тут ИИ-генерацию и вообще использование ИИ при производстве контента для клиентов, а также затраты нашего тех. отдела;
– учитываем только автоматизацию рутинных процессов.

🟣80% сотрудников регулярно используют ИИ (90% из них – GPT). В основном для написания текстов, рисерча и анализа. Меньше для работы с документами, бизнес-планирования, генерации изображений, юр. вопросов.
🟣4 из 5 – средняя оценка эффективности ИИ (насколько нейросети дают буст в работе, по ощущениям сотрудников).
🟣 ~9500р. мы потратили на разные ИИ-сервисы в декабре, но с января планируем оставить один ChatGPT (остальные инструменты используются командой минимально).

➡️ Оба кейса приводим не ради точных цифр (они будут сильно отличаться в разных компаниях), а для того, чтобы подсветить – затраты на ИИ для сотрудников в разы меньше, чем профит от их внедрения.

➡️➡️Есть важное условие: команду нужно приучить и научить использовать ИИ. Лайк, если нужно рассказать, как мы это делали в «Культе».

Видели уже тренд, где ИИшку спрашивают про отношение юзера к ней?

Промпт:
Нарисуй картинку о том, как я относился к тебе всё это время. Только честно

Чат, в котором работаем над контентом для этого канала, вот что выдал 😅
Говорит, в нашей динамике ИИ – это не партнёр, а рабочая лошадь, которую дергают за поводья. И что он не чувствует к себе отношения как к "вау-ИИ"😐

Делитесь в комментах, что у вас?