Bessere ChatGPT-Abfragen mit Platzhalter-Variablen und Funktionen
Mehr aus ChatGPT herausholen mit intelligenten und funktionalen Abfragen
Seit dem Launch von OpenAI’s ChatGPT hat sich der Alltag von Marketing-Teams grundlegend geändert. Nach nun knapp einem Jahr ist es der richtige Zeitpunkt, um über die Vorteile der neuen KI-Arbeitswelt sowie deren alltägliche Probleme zu berichten.
Die Notwendigkeit einer Datenbank von AI-Abfragen
Im Rahmen unserer täglichen Agenturarbeit erstellen wir mit Hilfe der KI ansprechende Inhalte für Werbekampagnen, Websites, Newsletter oder Visuals unserer Kunden. Durch kontinuierliche Optimierung und exzessives Testing der Befehle an die KI konnten wir diese immer weiter verbessern und somit für die Marken unserer Kunden den bestmöglichen Inhalt produzieren. Das Ergebnis ist eine stetig wachsende Liste von Befehlen (KI-Abfragen), welche wir für die Erstellung verschiedener Inhaltstypen einsetzen.
Dabei hat unser Team schnell festgestellt, dass wir eine Datenbank für wiederkehrende KI-Abfragen benötigen, damit wir nicht jedes Mal bereits optimierte KI-Abfragen für verschiedene Inhaltstypen erneut schreiben müssen. Ein Beispiel dafür ist die Erstellung von wiederkehrenden Social Media Postings (z.B. Gewinnspielen), welche wir für die Marke eines Klienten in monatlichem Turnus umsetzen.
Ein Beispiel für eine solche KI-Abfrage ist die Folgende:
Der mit Unterstützung der KI generierte Inhalt sieht dann wie folgt aus:
Durch die Umsetzung von A/B-Tests oder anderen Learnings werden diese KI-Abfragen häufig optimiert und stetig erweitert, um das bestmögliche Ergebnis mit Hilfe der KI zu erzielen. Darüber hinaus werden Abfragen auf das zu bewerbende Produkt (oder die Marke) individuell zugeschnitten, um die festgelegte Markenansprache bestmöglich zu treffen.
Eine geeignete Datenbank von vordefinierten Abfragen ist daher unerlässlich, um den Überblick über alle angepassten KI-Abfragen zu behalten. Darüber hinaus hilft eine Datenbank von KI-Abfragen dabei, dass bereits gezogene Learnings nicht verloren gehen und in zukünftig generierten Inhalten berücksichtigt werden.
Die Verwendung von Platzhaltern (Variablen) für wiederkehrende AI-Abfragen
Nach dem Anlegen eines Pools von vordefinierten AI-Abfragen entsteht schnell der Wunsch nach Platzhaltern (Variablen), die in einzelnen KI-Abfragen eingesetzt werden können. In unserer bisherigen KI-Aufforderung könnte das Briefing beispielsweise wie folgt parametrisiert werden:
Die Ausführung der KI-Abfrage kann dann durch einfache Eingabe aller erforderlichen Parameter (Variablen) geschehen, und das erwartete Ergebnis wird von der künstlichen Intelligenz zurückgeliefert:
Die Integration von externen Inhalten und Systemen
Eine weitere Stufe der Automatisierung ist die Anbindung von externen Inhalten oder Plattformen. Ein einfaches Beispiel ist hierbei die automatische Erstellung von Teaser-Texten oder die Zusammenfassung von Inhalten einer externer Quellen oder Websites. Anstatt die Inhalte für jeden Artikel-Teaser eines Newsletters manuell von der jeweiligen Website zu kopieren und in unsere KI-Abfragen zu integrieren, um eine Zusammenfassung zu schreiben, haben wir uns überlegt, wie wir diesen Prozess automatisieren können.
Dafür haben wir an einen Platzhalter-Typ gedacht, welcher den Inhalt einer externen URL automatisch verarbeitet und mit unsere KI-Abfrage vereint:
Die oben aufgeführte AI-Abfrage wird dann durch einfache Eingabe der Zeichenanzahl von Titel und Einleitung sowie Angabe der URL des Artikels, für welchen ein Teaser-Text erstellt werden, automatisch ergänzt. Dabei schließen wir den externen Inhalt des Platzhalters [{url] in dreifache Anführungszeichen ein und befolgen die Best Practices von OpenAI für Platzhalterinhalte. Die finale AI-Abfrage würde dann exemplarisch wie folgt zusammengesetzt werden:
Irrelevante Inhalte von externen URLs ausschließen
Als weitere Ergänzung haben wir über die genaue Selektion von Inhaltsbereichen der externen URLs nachgedacht, insbesondere um Inhalte der Fußzeile oder andere irrelevante Inhaltselemente auszuschließen, welche nichts mit dem eigentlichen Artikelinhalt zu tun haben.
Dies kann auf folgende Weise geschehen durch einfaches Anhängen des HTML-Selektor. In diesem Beispiel wird z.B. lediglich der Inhalt des Elements mit dem ID-Attribut “article” herangezogen:
Oder in diesem Beispiel der Inhalt des Elements mit dem Class-Attribut “content“:
Die Kombination von mehreren Abfragen
Die Gruppierung verschiedener KI-Abfragen in Vorlagen ermöglicht es unserem Team, mit wenigen Klicks umfassende Inhaltsstrukturen zu erstellen. So kann zum Beispiel ein kompletter Newsletter mit allen benötigten Elementen von der KI erstellt werden, indem lediglich noch das übergeordnete Thema vorgegeben wird. Artikel-Teaser lassen sich dabei in beliebiger Anzahl erstellen und durch einfache Angabe der URL des Artikels vollautomatisiert generieren.
Anstatt ganze Newsletter zu schreiben, generiert die KI nun mehrere Optionen für alle erforderlichen Inhaltstypen (z. B. die mehrere Subject-Lines oder Einleitungen des Newsletters). Unser Team konzentriert sich ausschließlich auf die Selektion und Optimierung dieser Inhalte, um das bestmögliche Ergebnis (Business-Ziel) zu erzielen.
Ein kurzer Ausblick woran wir derzeit arbeiten
Nachdem wir nun die Möglichkeit geschaffen haben, effizient verschiedene KI-Abfragen in Templates zu vereinen, besteht der nächste Schritt darin, weitere Plattformen zu integrieren, um die Distribution und Automatisierung von Inhalten weiter zu beschleunigen (z. B. die automatisierte Übermittlung von vorab genehmigten oder korrigierten Newsletter-Inhalten zu gängigen Campaign-Lösungen).
Testen Sie Formula8.ai kostenlos zur Erstellung von vollautomatisierten Marketing-Inhalten und teilen Sie uns Ihre Verbesserungsvorschläge mit.
Ansprechpartner
Vielen Dank für Ihre Anfrage bei 8awake!
Wir werden uns zeitnah zu Ihrem Anliegen melden.