SeekUp.ai
Wskaż jednego twórcę na TikToku, który działa, a dostaniesz dziesięciu, którzy działają podobnie.
- ~5 min
- na listę ok. 10 twórców
- up to 1,000
- profili przesianych na wyszukiwanie
- 4
- etapy pipeline'u, ułożone wg kosztu
Kontekst
Pipeline agentów AI do wyszukiwania influencerów. Podajesz profil referencyjny, który już sprawdza się dla marki; czteroetapowy pipeline analizuje tego twórcę, przesiewa nawet tysiąc kandydatów, ocenia tych, którzy przeszli dalej, według czterech kryteriów i zwraca gotową do eksportu listę — około dziesięciu dopasowań w mniej więcej pięć minut. Obecnie w publicznej becie.
Produkt
- Co sprzedaje
- Wyszukiwanie twórców podobnych do wskazanego profilu: gotowe do kampanii listy z oceną dopasowania i pisemnym uzasadnieniem dla każdego kandydata.
- Kto kupuje
- Marki i zespoły marketingowe prowadzące kampanie z twórcami na TikToku, które muszą wyjść poza garstkę influencerów, których już znają.
- Cennik
- Dostęp w becie za 49,99 €/mies. zamiast 99,99 € — 50% rabatu na start, z możliwością rezygnacji w każdej chwili.
- Przewaga
- Konkurencja dopasowuje po liczbie obserwujących, języku i szerokim temacie. SeekUp dopasowuje po stylu komunikacji, typie odbiorców i sentymencie komentarzy — nie kim są, tylko jak faktycznie mówią.
Problem
Znalezienie twórców, którzy naprawdę pasują do marki, to ręczna praca badawcza: oglądanie setek filmów, czytanie tysięcy komentarzy, ocenianie tonu. Zajmuje dni na kampanię, więc zespoły wracają do kilku influencerów, których już znają, a ci, których znajdą, wybierani są po liczbie obserwujących — metryce, która nic nie mówi o tym, czy odbiorcy zareagują na tę markę.
Architektura
Przewiń w bok, aby zobaczyć cały schemat
Pipeline to lejek z rosnącym kosztem na kandydata: tanie filtry statystyczne przechodzą przez nawet tysiąc profili, droga analiza multimodalna tylko przez tych nielicznych, którzy przetrwali. Ta kolejność sprawia, że pojedyncze wyszukiwanie kosztuje centy, a nie euro — i dlatego stała cena miesięczna ma sens.
Specyfikacja techniczna
- Pipeline
- Cztery etapy — analiza referencji → discovery → filtrowanie → głębokie porównanie — każdy osobno obserwowalny i możliwy do ponowienia.
- Techniki
- Mieszanka dobrana do sygnału: embeddingi do podobieństwa, deterministyczne reguły do twardych filtrów, wywołania LLM tam, gdzie potrzeba oceny.
- Sygnały dopasowania
- Trafność tematyczna, analiza komentarzy, styl treści i metryki wyników, złożone w jeden wskaźnik dopasowania pokazywany przy kandydacie.
- Przepustowość
- Około dziesięciu pasujących twórców w mniej więcej pięć minut; pojedyncze wyszukiwanie przesiewa po drodze nawet tysiąc profili.
- Źródło danych
- Zewnętrzne API danych społecznościowych — brak własnej infrastruktury scrapującej do utrzymania.
- Kontrola kosztów
- Najpierw tanie filtry, na końcu droga analiza multimodalna, dzięki czemu koszt inferencji jednego wyszukiwania liczy się w centach przy stałej subskrypcji.
- Wynik
- Eksport CSV plus dashboard w aplikacji, z oceną dopasowania i pisemnym uzasadnieniem dla każdego twórcy.
- Zasięg
- TikTok na start, agenci dla Instagrama i YouTube'a w budowie.
- Znane ograniczenia
- Dopasowanie po stylu wciąż daje fałszywie pozytywne wyniki, jakość jest nierówna między językami, a wyszukiwanie wymaga profilu referencyjnego zamiast dostosowywać się do opisu marki. Wszystkie trzy są na roadmapie.
- Status
- Publiczna beta — w pełni funkcjonalna, z częstymi aktualizacjami interfejsu.
Jak to zbudowałem
Zamodelowałem produkt jako cztery połączone etapy — analiza profilu referencyjnego, discovery, filtrowanie, głębokie porównanie — bo każdy ma inny profil kosztowy i inny tryb awarii.
Pierwszy etap analizuje profil referencyjny porządnie: nie tylko statystyki, ale treść filmów, styl i wątki komentarzy, żeby dalsze wyszukiwanie wiedziało, czego właściwie szuka.
Surowe dane społecznościowe biorę z zewnętrznych API zamiast budować i niańczyć własny scraping — różnicę robi analiza, a nie zbieranie danych.
Ułożyłem pipeline według kosztu: statystyki i reguły przechodzą przez wszystkich kandydatów, a droga analiza wideo i stylu uruchamia się tylko na tych, którzy przetrwali.
Do każdego sygnału dobrałem technikę osobno, zamiast przepychać wszystko jedną: embeddingi tam, gdzie pytaniem jest podobieństwo, reguły tam, gdzie odpowiedź jest deterministyczna, LLM tam, gdzie naprawdę potrzeba oceny.
Każdego kandydata oceniam w czterech jawnych osiach — trafność tematyczna, analiza komentarzy, styl treści i metryki wyników — a potem porównuję z profilem referencyjnym, żeby dopasowanie dało się prześledzić, a nie było jedną nieprzejrzystą liczbą.
Wynikiem jest eksport CSV i dashboard z pisemnym uzasadnieniem dla każdego twórcy, bo zespół marketingowy musi uzasadnić wydatek przed kimś jeszcze.
Rezultat
- Wielodniowe ręczne badanie zamienione w wyszukiwanie, które zwraca ocenioną listę w około pięć minut.
- Dopasowanie stało się wytłumaczalne: każdy kandydat ma cztery oceny cząstkowe i pisemne uzasadnienie — i dopiero to pozwala zespołowi marketingowemu działać.
- Konstrukcja lejka utrzymuje koszt inferencji jednego wyszukiwania w centach, i to sprawia, że stała cena 49,99 €/mies. się spina.
- Start w publicznej becie z płatnym planem od pierwszego dnia, zamiast darmowego pilotażu bez sygnału cenowego.