1. Любая генеративная модель работает не с символами, а с токенами. Она может написать строку “примерно в 30/80/100 символов”, но не может гарантировать точное попадание в лимит без внешнего валидатора. Но и внешний счетчик не решает задачу, так как может просто обрезать слово под лимит. Чат не решает задачу комбинаторной оптимизации. Он просто пишет вероятностное продолжение текста.
2. Обычно ИИ не знает что такое ASO, поэтому делает ресерч: ищет статьи, гайды, чек-листы, затем пропускает через системный промпт, политики безопасности и т.д. Но проблема в том, что он ищет не то, что нужно, а частные кейсы и пересказы, где авторы даже не понимают, как работают поисковые системы, но дают советы.
3. Для сбора семантического ядра, кластеризации и приоритизации нужна отдельная программа с NLP/ML-модулями, а не чат. Агент или обычный чат каждый раз будет делать это по-разному. У него нет стабильного пайплайна, нет фиксированных весов, нет полной базы, нет воспроизводимости. Его задача — сгенерировать правдоподобный ответ с минимальным расходом контекста и токенов, а не провести полный расчет.
4. Обучить агента на статьях, книгах и материалах в нормальном смысле нельзя. Можно загрузить документы в контекст, можно сделать RAG, можно дать инструкции, можно заставить его ссылаться на вашу базу знаний. Но это не обучение модели. Агент либо следует правилам, которые вы явно задали, либо сам выдергивает правила из материалов. Без исторического контекста, он не понимает что полезно для этого приложения, а что — нет. В итоге оптимизация превращается в безопасную шаблонную итерацию.
5. Выбрать релевантные ключи для оптимизации агент или чат не могут без пункта 3. Обычно они берут самые трафиковые ключи, длинный хвост, слова из статей про нишу, то есть — самые очевидные. Но, релевантность — это не про это. В рекламных системах уже много кейсов, когда автоматические рекомендации ухудшали показы, CPA, ROAS или приводили к лишнему расходу бюджета.
6. Мэтчинг ключей требует ресурсов: от токенизации и нормализации до перебора перестановок и сопоставления с семантическим ядром. Для этого пишется отдельная программа. Полный проход по одной локали может занимать 15–30 минут. Что отдает чат за пару секунд? Один из вероятных вариантов текста.
7. Анализ итерации чат или агент тоже не проведут правильно. Обычно они берут токены из новой меты, сопоставляют их с выгрузкой за период и делают вывод: “выросли, потому что ключ в мете”. Нужны контрольные группы запросов, раздельный анализ брендовости, чтобы избежать выбросов, проверка R², лагов, доверительных интервалов, причинных связей и стабильности эффекта. ИИ просто сопоставляет одно с другим малой кровью.
8. ИИ может посчитать лексическую плотность текста, но не сможет посчитать семантическую плотность без корпуса данных. Для этого нужны как минимум TF-IDF/BM25-словари, и эмбеддинги по запросам стора. ChatGPT обучен на открытых корпусах: веб, книги, статьи, Википедия и другие публичные данные. Он не обучен на данных App Store и Google Play по каждой нише и в каждой стране. У него нет актуальных TF-IDF-словарей. А значит, то что он пишет, что “приблизительно столько” — это не больше, чем галлюцинация.
9. И самое важное — ИИ не умеет строить причинно-следственную связь! ИИ может найти только корреляцию. Он не понимает, почему выросли показы. Он считает связи между признаками.
10. И под конец немного обнадежу: автоматизировать текстовую ASO-оптимизацию можно. Более того, без автоматизации ее нормально делать невозможно. Но для этого нужны не чат и не агент, а инструменты на основе машинного обучения, глубокого обучения, статистики и алгоритмов оптимизации, обученные или настроенные на данных стора, ниши, локали, конкурентов и истории конкретного приложения.
ChatGPT — это универсальная вероятностная текстовая модель. Она хороша для корректировки текста, перевода, вариативности, но не для сложной системы. Точнее сказать — она может стать одним из модулей этой системы, но не волшебной палочкой, которая сама напишет правильную мету.