Abigail bira kreatore — u Traackrovu beta-testu prihvaćeno ih je 90%

Traackr je 23. rujna 2026. u objavi iz San Francisca predstavio Abigail, AI sustav za izbor kreatora i analizu kampanja: u primjeni kod jednoga ranog klijenta njegov je tim odobrio 90 % kreatora koje je alat predložio, prema približno 60 % u dotadašnjem postupku, a beta-korisnici prijavili su oko 75 % manje vremena za ručno traženje. Riječ je o rezultatima koje je objavio sam dobavljač, bez javno opisane neovisne provjere.

U vijesti Net Influencera od 24. rujna Chris Lutz iz Odele Beauty opisao je nalaz iz jedne kampanje riječima „just three creators drove the majority of our impact”. Abigail je u tom slučaju povezala učinak kreatora s načinom na koji su prikazivali proizvod u svakodnevnoj rutini. Alat iz opisa kampanje sastavlja i obrazložen uži izbor kandidata, no o suradnji s njima odlučuje korisnički tim.

Od opisa kampanje do obrazloženog popisa

Prva zadaća Abigail jest skratiti potragu za kandidatima. Tim unosi opis kampanje, a sustav pretražuje Traackrove podatke o kreatorima i vraća rangirani popis s razlogom za svaku preporuku. Obrazloženje je bitno jer se relevantnost ne može svesti na broj pratitelja: za kampanju je važna i veza između publike, načina izrade sadržaja i proizvoda koji kreator treba predstaviti.

Analiza objava obuhvaća tekst, zvuk, sliku, metapodatke i kontekst. Sustav te signale povezuje s poviješću učinka i sastavom publike, pa bi mogao uočiti razliku između profila sa sličnim dosegom, ali različitim odnosom prema proizvodu. Njegov izlaz nije samo ime kandidata nego i razlog zašto se taj kandidat uklapa u zadani opis. Koliko su ti razlozi točni u pojedinoj kampanji, može se ocijeniti tek na stvarnim objavama i podacima o publici.

Drugi dio alata pretvara podatke o kampanji u sažetak i prijedloge za sljedeće odluke. API je predviđen za povezivanje Abigail s postojećim poslovnim sustavima velikih timova. Pametno pripisivanje objava kampanji tek je najavljena funkcija: trebalo bi prepoznavati relevantan sadržaj prema slici, zvuku i tekstu objave, čak i kada izostane očekivana oznaka. Tu mogućnost zato valja razlikovati od funkcija predstavljenih pri lansiranju.

Što mjeri odobravanje u beta-programu

Postotak odobrenih kandidata mjeri odluku korisničkog tima o predloženom popisu, a ne uspjeh dovršene suradnje. U javnom opisu nije navedeno koliko je kandidata pregledano, koliko je kampanja obuhvaćeno ni kako je izračunata ranija usporedna vrijednost. Bez veličine uzorka i jednakih kriterija ocjenjivanja nije moguće procijeniti bi li se razlika ponovila kod drugog brenda ili na drugom tržištu.

Prijavljena ušteda vremena odnosi se na ručno traženje, ne na cijeli put od opisa kampanje do objave kreatora. Provjera publike, aktualnih sadržaja, dostupnosti i uvjeta suradnje i dalje traži rad. Manje vremena za sastavljanje početnog popisa zato se ne može izravno pretvoriti u uštedu na cijeloj kampanji. Nije objavljena ni usporedba ishoda kampanja u kojima je odabir počeo uz Abigail i onih vođenih dotadašnjim postupkom.

Primjer Odele Beauty odnosi se na drugu zadaću alata: tumačenje sadržaja i učinka tijekom kampanje. Razlika između proizvoda prikazanog u stvarnoj rutini i statičnog kadra može pomoći pri odluci koji sadržaj dodatno promicati i kako pripremiti iduće upute kreatorima. Takav nalaz ne mjeri isto što i odobravanje kandidata prije suradnje. Prihvaćen prijedlog sam po sebi ne znači da će kampanja ostvariti bolji rezultat.

Gdje odluka ostaje na ljudima

Obrazložen poredak može ubrzati prvi pregled, ali prikladnost kreatora ovisi o okolnostima koje se mijenjaju. Nedavne objave mogu pokazati promjenu tema, suradnju s konkurentom ili ton koji nije spojiv s kampanjom. Ako podaci o publici i sadržaju kasne za tim promjenama, preporuka može djelovati uvjerljivo premda polazi od zastarjele slike profila. To je osobito važno kada je odluka vezana uz reputaciju brenda ili dugoročniju suradnju.

Za kampanju usmjerenu na Hrvatsku korisnički tim mora procijeniti prepoznaje li poredak lokalni jezik, publiku i kulturni kontekst. Podaci prikupljeni na većim tržištima mogu biti slabiji oslonac za manjeg, specijaliziranog kreatora. Moguća je i pristranost prema profilima koji nalikuju ranije uspješnim izborima, jer je sustav oblikovan na povijesnim podacima i odlukama. To je rizik takvog pristupa, a ne utvrđena pogreška Abigail na hrvatskom tržištu.

Razlog uz svaku preporuku tu postaje koristan trag za provjeru: tvrdnja o podudaranju s publikom može se usporediti s aktualnim sastavom pratitelja, a tvrdnja o sadržaju s novijim objavama. Čovjek pritom odlučuje i koliko je prihvatljiv kompromis između dosega, teme, kreativnog pristupa i cijene suradnje. Alat može pripremiti uži izbor i objasniti signale, ali ne zna automatski sve uvjete pod kojima je konkretna osoba spremna raditi s brendom.

Šira primjena tek treba pokazati vrijednost

Prema istraživanju Digiday+ Researcha, u prvom tromjesečju 2026. samo je 25 % od više od 100 ispitanih marketinških stručnjaka navelo da koristi AI za rad u influencerskom marketingu. Istraživanje opisuje stanje prije predstavljanja Abigail i ne mjeri interes za taj proizvod. Pokazuje, međutim, da se Traackrovo obećanje o bržem i obrazloženijem izboru pojavljuje u području u kojem mnogi timovi još nisu prihvatili takve alate.

Za procjenu učinka Abigail bit će potrebni usporedivi podaci iz više stvarnih kampanja: koliko predloženih kandidata timovi zadržavaju, koliko suradnji doista ugovore i kakav učinak postižu objave. Posebno će biti važno jesu li rezultati slični izvan ranih velikih klijenata i na manjim jezičnim tržištima. Dok takvih podataka nema, odluka o konkretnom kreatoru ostaje na timu koji poznaje kampanju i može provjeriti aktualan sadržaj.