Generarea de conținut AI devine mai variată
Springboards a anunțat pe 1 iulie 2026 că a creat Flint, un model ajustat pentru a face generarea de conținut AI mai puțin repetitivă în cazul prompturilor deschise. Acest lucru este important deoarece multe fluxuri de lucru ale echipelor în ceea ce privește denumirea, idearea campaniilor și dezvoltarea conceptelor nu eșuează din cauza acurateței, ci din cauza uniformității. Conform raportului MIT Technology Review despre Flint, startup-ul încearcă să împingă LLM-urile dincolo de răspunsurile obișnuite cu probabilitate ridicată.
Springboards afirmă că LLM-urile sunt blocate în aceleași răspunsuri
Cârligul demo-ului este simplu și puțin nedrept, așa cum sunt de obicei demo-urile reușite. Cereți-le ChatGPT, Claude sau Gemini un număr aleatoriu între 1 și 10, și de multe ori veți primi 7. Cereți un slogan pentru New Balance, și atât Claude, cât și ChatGPT au returnat, se pare, aceeași linie: Run your way.
Aceasta este principala nemulțumire a celor de la Springboards. Pentru sarcinile unde consistența este utilă, convergența către un răspuns familiar este în regulă. Pentru brainstorming, este o taxă asupra procesului. Într-un atelier cu clienți pe care l-am condus la începutul acestui an, trei modele principale au produs 18 opțiuni de slogan pentru o lansare de software B2B. Doisprezece au fost versiuni ale cuvintelor „mai rapid”, „mai inteligent”, „mai simplu”. Echipa nu a fost impresionată și, sincer, au avut dreptate.
Cofondatorul Springboards, Pip Bingemann, a declarat pentru MIT Technology Review că „majoritatea modelelor de limbaj luptă împotriva halucinațiilor. Noi le salutăm.” Citatul este provocator, dar punctul practic este mai restrâns de atât. El nu pledează pentru nonsens. El susține că zona sigură din mijlocul curbei de probabilitate este utilizată excesiv în sarcinile creative.
De ce prompturile deschise expun gândirea de grup a modelelor
Contextul mai larg este că aceasta nu mai este doar o plângere a unui fondator. Lucrarea Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond) a atras atenția demonstrând că multe modele converg către rezultate foarte similare pentru întrebări deschise, iar MIT Technology Review notează că lucrarea a câștigat ulterior un premiu pentru cea mai bună lucrare la NeurIPS 2025.
Exemplele sunt ușor de recunoscut odată ce le cauți. Cere o metaforă despre timp și vei primi „râu” sau „țesător”. Cere un nume de trupă și vei începe să vezi „sticlă”, „neon”, „catifea” sau „static”. Cere o mașină și vei tinde să primești „Toyota” sau „Honda”. Cere idei de călătorie în Europa și aceeași listă scurtă continuă să apară.
Din perspectiva operatorului, acest lucru se întâmplă de obicei în două locuri. În primul rând, echipele folosesc un singur model aprobat pentru fiecare sarcină, de la rezumarea notițelor de ședință până la denumirea unei linii de produse. În al doilea rând, ele evaluează rezultatele unul câte unul, în loc să le evalueze ca set. Dacă vezi doar un răspuns, poate suna suficient de proaspăt. Dacă compari 30 de răspunsuri din trei modele, observi cât de repede se prăbușesc în aceeași direcție.
Acest lucru este, de asemenea, în concordanță cu ceea ce OpenAI spune despre comportamentul modelelor, și anume că sistemele antrenate pentru rezultate fiabile și coerente se stabilesc adesea pe răspunsuri familiare, cu probabilitate ridicată. Acesta este un compromis, nu un raport de eroare.
Ce obțin marketerii și creatorii dintr-un set mai larg de idei
Publicul imediat pentru Flint este format din echipe de publicitate și marketing, ceea ce are sens. Acele echipe consumă timp pe generarea primelor schițe: rute de denumire, linii de campanie, unghiuri de poziționare a produsului, cârlige, seturi de titluri și teritorii creative. Dacă fiecare model îți oferă același răspuns de mijloc, AI-ul accelerează producția în timp ce restrânge explorarea.
MIT Technology Review o citează pe strategul Zoe Scaman spunând că Flint a fost util pentru a o arunca în „direcții complet diferite”. Aceasta este o descriere bună a locului unde aparține un model cu varianță ridicată. Nu în textul final. Nu în revizuirea pretențiilor. Nu în mesaje sensibile din punct de vedere legal. Ci în etapa timpurie și dezordonată în care echipa încearcă să lărgească setul de opțiuni înainte de a începe judecata.
Am văzut același tipar cu instrumentele de marketing AI în practică. Cel mai bun flux de lucru nu este, de obicei, să alegi un model și să ai încredere în el. Este să generezi cu un model familiar, să generezi din nou cu un model cu varianță mai mare, apoi să forțezi oamenii să marcheze care opțiuni sunt cu adevărat distincte. Dacă două rezultate par diferite, dar duc la același unghi de campanie, sunt duplicate care poartă jachete diferite.
Pentru echipele care doresc să formalizeze acest proces, cea mai apropiată potrivire internă este Soluții de generare de conținut AI, deoarece problema reală aici nu este doar alegerea modelului, ci modul în care AI-ul pentru marketing este integrat într-un flux de lucru de conținut repetabil.
Cum adaugă Flint varietate fără a transforma totul în zgomot
Detaliul tehnic interesant este că Springboards nu a crescut doar temperatura și a încheiat socotelile. Conform raportului, Flint a fost construit pe Qwen 3 de la Alibaba și antrenat să adauge mai multă aleatoriu doar în punctele în care un răspuns are mai multe ramuri plauzibile.
Această distincție contează. Am testat setări de temperatură ridicată în sandbox-uri de producție, iar modul de eșec este evident: întreaga propoziție devine instabilă. Modelul nu alege doar un substantiv mai puțin comun; începe să se clatine la nivel de structură, ton și fundament factual. Exemplul lui Browne din raport este direct: creșterea prea mare a temperaturii a făcut ca un model OpenAI să treacă de la engleză la cod la jumătatea unei propoziții.
Aleatoriul direcționat este o idee mai utilizabilă. Dacă promptul este „Unde ar trebui să merg în Europa?”, vrei în principal varietate în alegerea destinației, nu în țesătura din jurul ei. Cu alte cuvinte, mai multă entropie la punctul de ramificare, comportament normal peste tot în altă parte.
Aici devin relevante integrările AI personalizate pentru echipe dincolo de agențiile de publicitate. Nu aveți nevoie de un model complet nou pentru a împrumuta lecția. Puteți direcționa prompturile de ideare către un stack, prompturile de cercetare către altul și schițele gata de aprobare către un al treilea. Trucul este proiectarea logicii de predare în loc să pretindeți că un model ar trebui să fie la fel de bun la toate cele trei sarcini.
Ce înseamnă acest lucru pentru echipele care aleg modele pentru brainstorming
Dacă această știre se confirmă, concluzia nu este că LLM-urile principale sunt proaste la generarea de conținut AI. Este că multe echipe le-au folosit cu metrica de succes greșită. Pentru codare, sinteză și redactare stabilă, răspunsurile medii sunt adesea exact ceea ce doriți. Pentru brainstorming, răspunsurile medii sunt locul unde munca originală se aplatizează.
Deci, nu aș citi Flint ca pe o poveste de înlocuire. Aș citi-o ca pe o poveste de rutare:
- folosiți modele principale pentru consistență, încadrarea cercetării și schițe structurate
- folosiți modele cu varietate ridicată pentru denumiri, cârlige, metafore și divergența conceptelor
- comparați rezultatele unul lângă altul înainte ca cineva să înceapă editarea
- păstrați oamenii responsabili pentru gust, potrivirea mărcii și pretențiile factuale
Acest flux de lucru reduce, de asemenea, o eroare comună pe care o văd tot mai des la serviciile de integrare AI: echipele automatizează prea devreme. Ele conectează un model într-un pipeline de conținut, apoi realizează abia mai târziu că fiecare campanie sună acum familiar din punct de vedere statistic. Diversitatea este mai ușor de testat înainte ca stratul de automatizare să se întărească în jurul primei configurații.
Concluzia pentru programele de adoptare AI
Povestea Springboards este utilă deoarece reformulează o constrângere ascunsă. Multe echipe cred că prompturile lor sunt slabe când problema reală este că familia de modele converge către aceleași rezultate sigure. Prompturile mai bune ajută, dar nu rezolvă complet omogenitatea modelelor.
Ce trebuie urmărit în continuare este dacă furnizorii mai mari vor expune controale mai precise pentru noutate controlată în loc de aleatoriu brut. De asemenea, urmăriți dacă echipele de marketing și media încep să puncteze rezultatele modelelor pe baza distinctivității, nu doar a vitezei și coerenței. Acesta ar fi un benchmark mai onest pentru munca AI creativă în 2026.
Scris de echipa Encorp. Discutați cu noi: rezervați un apel de 30 de minute sau urmăriți-ne pe LinkedIn.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation