Оценка виральности до публикации

Любая команда, которая ведёт соцсети, хотела бы ещё до публикации знать, разойдётся ли ролик. Higgsfield, ИИ-платформа для видео, теперь предлагает ответ среди своих приложений. Загрузите ролик длиной до 15 секунд, и Virality Predictor выдаст оценку виральности, секунду, на которой хук достигает пика, показатель удержания и тепловую карту областей мозга, которые ролик якобы активирует.

Идея притягательна, а экран выглядит научно. Разбираем, что заявляет Higgsfield, что компания опубликовала о работе инструмента, что говорят исследования о прогнозировании виральности и как оценка соотносится с тестированием на реальных людях.

Что заявлено

Страница продукта обещает «смоделированное прочтение того, заслуживает ли ваш ролик, чтобы на нём остановились, или его пролистают». Метод описан одним предложением: «Смоделированная аудитория смотрит, а мы картируем реакцию мозга в зрении, звуке, памяти, внимании и языке». Тепловая карта, по словам страницы, показывает, «какие именно области мозга задействует ваш ролик».

Оценку подают уверенно: «Не догадка и не проверка на ощущения» и «Ближе всего к тестовому показу перед тем, как нажать „Опубликовать“».

Что опубликовано, а что нет

Higgsfield не сообщает, какая модель стоит за оценкой, на каких данных она обучена и как её оценки соотносятся с реальными просмотрами, временем просмотра или репостами опубликованных роликов. Мы не нашли ни показателей точности, ни валидационного исследования. Пока их нет, утверждение, что оценка предсказывает виральность, остаётся недоказанным.

Терминология указывает на известную область исследований. Модели кодирования мозговой активности учатся предсказывать, как мозг реагирует на видео, по сканам людей, которые смотрят видео. TRIBE, опубликованная в июле 2025 года, предсказывает фМРТ-реакции всего мозга на видео и выиграла соревнование Algonauts 2025. Такие модели оценивают, как реагирует средняя область мозга. Это другой вопрос, чем то, остановятся ли незнакомые люди, досмотрят ли и поделятся ли.

Есть данные о том, что настоящий мозг несёт полезные сигналы. В исследовании, опубликованном в PNAS в 2020 году, учёные сканировали 40 человек, пока те смотрели видео. Активность двух областей в начале каждого видео предсказывала, как часто и как долго те же видео смотрели на YouTube, сверх того, что давали традиционные показатели. Этот результат получен на настоящих сканерах и настоящих людях, на нескольких десятках видео. Смоделированная аудитория отстоит от этого ещё на шаг.

Почему виральность сопротивляется прогнозам

Глубинная проблема в том, что успех распространяется через социальные связи. В известном эксперименте, опубликованном в Science в 2006 году, 14'341 участник скачивал неизвестные песни, и часть из них видела, что выбирали другие. Социальное влияние сделало успех одновременно более неравным и менее предсказуемым. Авторы написали: «Лучшие песни редко проваливались, а худшие редко добивались успеха, но любой другой результат был возможен».

Исследование каскадов в Twitter, представленное в 2016 году, показало, что даже лучшие модели с обширными данными о пользователях, контенте и прошлых результатах объясняли «меньше половины дисперсии размеров каскадов», и авторы утверждали, что даже неограниченные данные не сняли бы этот предел. Работает другое: наблюдение за ранним распространением. Более раннее исследование показало, что продолжит ли каскад расти, становится предсказуемее, «по мере того как мы наблюдаем больше его репостов». Лучший предиктор охвата ролика: его первая настоящая аудитория.

Что оценка может и чего не может

При аккуратном использовании такая оценка всё же может помочь. Она может указать на медленное начало, показать секунду, на которой внимание может упасть, и послужить быстрым первым фильтром между двумя монтажными версиями одного ролика. Как повод присмотреться внимательнее она стоит немного.

Она не может знать вашу аудиторию, ваше время публикации, что ещё в ленте в тот день и подходит ли хук вашему бренду. Оценка виральности не является ни вероятностью, ни прогнозом просмотров. А если каждая команда будет оптимизировать под одну и ту же оценку, каждая лента заполнится одинаковыми хуками, а это, на наш взгляд, противоположно тому, что выделяет ролик. Даже Higgsfield пишет, что больший объём «сам по себе не решает исход».

Тестирование на реальных людях

Настоящие тесты теперь встроены в платформы. A/B-тесты Meta показывают каждую версию объявления отдельной части аудитории, следят за тем, чтобы «никто не увидел обе», а затем сравнивают результаты по стоимости за результат. YouTube позволяет авторам тестировать до трёх заголовков и обложек на одном видео, оценивает их по доле времени просмотра и называет победителя, только когда разница статистически значима. Оба способа измеряют то, что произошло на самом деле.

Так устроен Tempo. Каждая идея создаётся, тестируется и проверяется на шансы, прежде чем её одобрит человек, и мы относимся к этой проверке как к фильтру, а не как к прогнозу. Следующий месяц определяет то, как показали себя настоящие публикации, и это возвращается в план. Оценка виральности является хорошим вопросом к ролику. Ответ даёт аудитория.