ASO-тексты через LLM: как собрать метаданные под пять локалей и не словить реджект

ASO-тексты — редкий случай задачи, которая языковой модели подходит почти идеально. Не потому, что модель «креативная», а потому, что задача по сути переборная: один и тот же смысл нужно уложить в 30 символов, потом в 80, потом в 4000, потом повторить это на пяти языках, и каждый вариант должен звучать по-человечески. Человек на десятом варианте начинает повторяться. Модель — нет.

Ниже пайплайн, который у команд реально работает, и отдельно — места, где он ломается.

Почему именно метаданные

Вспомним, с чем приходится иметь дело. App Store: имя 30 символов, подзаголовок 30, поле ключей 100, промотекст 170, описание 4000 — и описание не индексируется вовсе. Google Play: заголовок 30, краткое описание 80, полное 4000 — и здесь как раз индексируется всё. У RuStore свои правила, их стоит сверять с актуальной документацией, они менялись.

То есть под каждый стор нужна своя логика упаковки одного и того же продукта, а под каждую локаль — своя ещё раз. Пятнадцать текстов на релиз при трёх сторах и пяти языках — это не творчество, это конвейер.

Пайплайн

Шаг 1. Семантика остаётся человеческой. Это принципиально. Частотность, конкуренция, релевантность берутся из ASO-инструментов, а не у модели: спрашивать LLM «какие ключи популярны в категории Finance» бессмысленно, она назовёт правдоподобный список из головы. На вход модели идёт уже готовое ядро.

Шаг 2. Бриф, а не просьба. Разница между «напиши описание приложения» и нормальным брифом — кратная. Минимальный набор: что делает продукт одним предложением, кто пользователь, три ключевых сценария, ядро ключей с приоритетом, лимит символов, тон, стоп-слова (гарантии, превосходные степени, упоминания конкурентов, всё, что ловит ревью). Без этого на выходе будет «удобное решение для вашего бизнеса» — текст, который одинаково подходит банку и кофейне.

Шаг 3. Двадцать вариантов заголовка вместо трёх. Просим ровно столько, сколько нужно для теста, с жёстким лимитом по символам и обязательным вхождением ключа. Дальше человек отбирает три-четыре и отправляет в эксперимент Google Play или в Product Page Optimization. Здесь и проявляется главная польза: нейросеть пишет текст в двадцати формулировках за минуту, а ASO-специалист тратит эту минуту не на сочинение, а на отбор — то есть на то, что он умеет лучше модели.

Шаг 4. Краткое описание под 80 символов. Самая недооценённая строка в Google Play: её видят все, а пишут её обычно последней и наспех. Просим у модели пятнадцать вариантов, каждый — законченное предложение с выгодой, а не обрезанный кусок полного описания.

Шаг 5. Полное описание. Здесь модель хороша не текстом, а структурой: разбить на блоки, вынести сценарии списком, не утопить ключи в воде. Если полное описание уже есть и нужно просто ужать его под другой стор или переписать под другую аудиторию, рерайт текста нейросетью обходится в минуту против брифа копирайтеру на три дня.

Шаг 6. Локализация — это не перевод. Ключевой момент, на котором ломается половина команд. Машинный перевод переносит интонацию оригинала, и русское описание по-немецки звучит как русское описание, набранное немецкими словами. Правильная формулировка задачи: «перепиши под ожидания немецкого стора» — другая длина предложений, другая степень прямоты, другие триггеры. Плюс отдельная проверка: уложился ли перевод в 30 символов, потому что немецкий стабильно длиннее русского процентов на двадцать.

Обратная связь: отзывы как источник семантики

Отдельный сценарий, который окупает всё остальное. Тысяча отзывов в месяц — это не аналитика, а чтение. Выгружаем, отдаём модели, просим разложить на кластеры с частотами: «падает после обновления», «не нашёл экспорт», «дорого», «не хватает виджета».

Дальше две вещи. Первая — приоритеты для продуктовой команды, основанные на цифрах, а не на ощущении. Вторая, и для ASO более интересная: формулировки, которыми пользователи описывают ваш продукт. Это готовые кандидаты в ключи и в текст описания — язык аудитории, а не язык маркетолога.

Точность кластеризации не идеальная, процентов восемьдесят. Для расстановки приоритетов достаточно.

Где ломается

Правила сторов. Модель не знает актуальные Review Guidelines и уверенно предложит формулировку, которая ловит реджект: упоминание другой платформы, слово «бесплатно» в имени приложения там, где оно запрещено, обещание результата. Метаданные перед загрузкой читает человек, знакомый с правилами. Это не обсуждается.

Счёт символов. Модель считает символы плохо. Просили 30 — получите 34 и уверенное «ровно 30». Проверяйте скриптом или в интерфейсе, каждый раз.

Любые цифры. Доля платформы в регионе, средний CR категории, дата выхода SDK, размер рынка — примерно треть таких утверждений будет выдумана без единого признака сомнения. В ASO-тексте это ещё и риск для ревью, если превращается в заявление о продукте.

Поле ключей в App Store. Соблазн попросить модель «собрать 100 символов ключей» велик, результат плохой: она не учитывает ни частотность, ни то, что слова из имени и подзаголовка уже индексируются и дублировать их не нужно. Это ручная работа.

Голос бренда. Если у продукта есть выраженная интонация, модель её сглаживает до нейтральной. Для большинства утилит это не страшно, для продукта с характером — потеря.

Про доступ

Отдельная боль российских команд — не качество моделей, а то, как до них добраться: зарубежная карта, VPN, отваливающиеся сессии, корпоративная политика, которая всё это запрещает. Для процесса это критично: инструмент, который у половины команды не открывается, в пайплайн не встраивается.

Практических путей три. Свой прокси к API — правильно, предсказуемо, требует поддержки и бюджета. Отечественные модели — удобно по договору и оплате, слабее на длинном контексте и англоязычных локалях. Браузерные сервисы-посредники дают chat gpt нейросеть на русском без карты и туннеля — годится для метаданных и черновиков, но не для задач, где в промпт попадают внутренние данные или невыпущенная функциональность.

Что попробовать на ближайшем релизе

Не «внедрять ИИ», а взять один блок метаданных — например, краткие описания под все локали — и провести его через пайплайн целиком, с фиксированным брифом в общем документе. Замерить время до и после. По опыту команд, которые это прошли, из шести ASO-задач на модель уверенно уходят две-три: вариации заголовков, локализация тона и разбор отзывов. Остальное остаётся человеку — и правильно остаётся.