SeekUp.ai
Indicagli un creator TikTok che funziona, ti restituisce dieci che funzionano come lui.
- ~5 min
- per una shortlist di ~10 creator
- up to 1,000
- profili passati al setaccio per ricerca
- 4
- stadi della pipeline, ordinati per costo
Contesto
Una pipeline di agenti AI per la ricerca di influencer. Le dai un profilo TikTok di riferimento che già funziona per il tuo brand; una pipeline in quattro stadi analizza quel creator, passa al setaccio fino a mille candidati, valuta i sopravvissuti su quattro assi e restituisce una shortlist esportabile — circa dieci corrispondenze in cinque minuti. Attualmente in beta pubblica.
Il prodotto
- Cosa vende
- Ricerca di creator simili a un riferimento: shortlist pronte per la campagna, con punteggio di affinità e una spiegazione scritta per ogni candidato.
- Chi lo compra
- Brand e team marketing che fanno campagne con creator su TikTok e devono andare oltre la manciata di influencer che già conoscono.
- Prezzo
- Accesso beta a 49,99 €/mese invece di 99,99 € — sconto lancio del 50%, disdicibile in qualsiasi momento.
- Il cuneo
- I concorrenti confrontano numero di follower, lingua e argomento generico. SeekUp confronta stile di comunicazione, tipo di pubblico e sentiment dei commenti — chi sono contro come comunicano davvero.
Il problema
Trovare creator che si adattino davvero a un brand è un lavoro di ricerca manuale: guardare centinaia di video, leggere migliaia di commenti, giudicare il tono. Richiede giorni per campagna, quindi i team ripiegano sui pochi influencer che già conoscono, e quelli che trovano li scelgono sul numero di follower — una metrica che non dice nulla su come reagirà quel pubblico a quel brand.
Architettura
La pipeline è un imbuto con costo crescente per candidato: i filtri statistici economici passano su fino a mille profili, l'analisi multimodale costosa solo sui pochi che sopravvivono. È quell'ordine a mantenere una ricerca nell'ordine dei centesimi invece che degli euro, ed è per questo che un prezzo mensile fisso sta in piedi.
Specifica tecnica
- Pipeline
- Quattro stadi — analisi del riferimento → discovery → filtraggio → confronto approfondito — ciascuno osservabile e ripetibile in modo indipendente.
- Tecniche
- Un mix scelto per segnale: embedding per la somiglianza, regole deterministiche per i filtri netti, chiamate LLM dove serve giudizio.
- Segnali di affinità
- Pertinenza tematica, analisi dei commenti, stile dei contenuti e metriche di performance, combinati in un unico tasso di affinità mostrato per candidato.
- Rendimento
- Circa dieci creator compatibili in cinque minuti; una singola ricerca passa al setaccio fino a mille profili lungo il percorso.
- Fonte dei dati
- API di terze parti per i dati social — nessuna infrastruttura di scraping interna da mantenere.
- Controllo dei costi
- Prima i filtri economici, per ultima l'analisi multimodale costosa: il costo di inferenza di una ricerca resta nell'ordine dei centesimi sotto un abbonamento fisso.
- Output
- Export CSV più dashboard in-app, con punteggio di affinità e motivazione scritta per ogni creator.
- Copertura
- TikTok al lancio, con agenti per Instagram e YouTube in sviluppo.
- Limiti noti
- L'affinità di stile produce ancora falsi positivi, la qualità è disomogenea fra le lingue e una ricerca richiede un profilo di riferimento invece di adattarsi a un brief scritto. Tutti e tre sono in roadmap.
- Stato
- Beta pubblica — pienamente funzionante, con aggiornamenti frequenti all'interfaccia.
Come l'ho costruito
Ho modellato il prodotto come quattro stadi concatenati — analisi del riferimento, discovery, filtraggio, confronto approfondito — perché ognuno ha un profilo di costo e una modalità di fallimento diversi.
Il primo stadio analizza il profilo di riferimento sul serio: non solo statistiche, ma contenuto dei video, stile e thread dei commenti, così la ricerca a valle sa davvero cosa sta cercando.
I dati social grezzi arrivano da API di terze parti invece che da uno stack di scraping da costruire e accudire: il differenziale è l'analisi, non la raccolta.
Ho ordinato la pipeline per costo: statistiche e regole passano su tutti i candidati, l'analisi costosa di video e stile gira solo su chi sopravvive.
Ho scelto la tecnica segnale per segnale invece di forzare tutto in una sola: embedding dove la domanda è la somiglianza, regole dove la risposta è deterministica, un LLM dove serve davvero giudizio.
Valuto ogni sopravvissuto su quattro assi espliciti — pertinenza tematica, analisi dei commenti, stile dei contenuti e metriche di performance — e poi lo confronto con il profilo di riferimento, così l'affinità è ispezionabile invece di essere un unico numero opaco.
Ho reso l'output un export CSV più una dashboard, con una motivazione scritta per ogni creator, perché un team marketing deve poter giustificare la spesa a qualcun altro.
Risultato
- Un lavoro di ricerca manuale da più giorni trasformato in una ricerca che restituisce una shortlist valutata in circa cinque minuti.
- Affinità resa spiegabile: ogni candidato porta con sé quattro sotto-punteggi e una motivazione scritta, ed è questo che permette a un team marketing di agire.
- Il disegno a imbuto tiene il costo di inferenza di una ricerca nell'ordine dei centesimi, ed è ciò che rende sostenibile un prezzo fisso di 49,99 €/mese.
- Lancio in beta pubblica con un piano a pagamento dal primo giorno, invece di un pilota gratuito senza alcun segnale di prezzo.