Ravineo: Z AI prototypu k platformě, která denně analyzuje miliony příspěvků

Značky investují do influencer marketingu miliony, ale mají jen omezený přehled o tom, kdo jejich produkty skutečně propaguje. Influenceři spolupracují s konkurencí, aniž by o tom kdokoli věděl, a spousta placených spoluprací není označená - což je nejen neetické, ale v mnoha zemích přímo ilegální. Klasické nástroje umí sledovat hlavně text, jenže většina dnešního obsahu vzniká jako video, reel, story nebo obrázek. A právě tam se odehrává to nejdůležitější.

Ravineo chtělo vidět víc: rozpoznat značku na produktu, slyšet zmínku uprostřed makeup tutorialu, zachytit známou znělku v reelu na TikToku a pochopit kontext i sentiment spolupráce. Během několika týdnů jsme dali dohromady MVP a ověřili, že AI dokáže dávat smysluplné analýzy. Fungovalo to. Marketéři najednou měli časovou osu zmínek napříč platformami, analýzu jednotlivých influencerů, detekci neoznačených spoluprací i sentiment - data použitelná pro rozhodování o kampaních, partnerech i rizicích.

Ravineo během prvních 7 měsíců narostlo na ARR přes 2 miliony dolarů a 100 firemních zákazníků, mezi kterými jsou značky jako IKEA, McDonald's nebo Samsung.

Nejrizikovější rozhodnutí nebylo technické. Lákalo postavit rovnou velkou platformu; nejdřív jsme ale museli ověřit, že AI analýza reálného obsahu je dost přesná na to, aby jí marketéři věřili. A ani ověřený vzorek nic nezaručuje - systém, který funguje na stovkách příspěvků, může být při milionech denně ekonomicky neudržitelný. Proto jsme nejdřív validovali, pak škálovali a cenu za analyzovaný příspěvek jsme od začátku brali jako vlastnost produktu.

S Honzou se známe ještě ze Socialbakers. Týmy pracují bok po boku a pravidelně se potkáváme na našich vzdělávacích sessionech a hackathonech. Dva roky od spuštění je Ravineo na cestě stát se jedním z největších českých startupů v rekordním čase - a my produkt dál společně rozvíjíme podle zpětné vazby uživatelů.

Ravineo je AI-first SaaS produkt postavený nad multimodální analýzou obsahu ze sociálních sítí. Nejtěžší nikdy nebylo napojit AI model. Těžké bylo navrhnout workflow, které zvládne vysoký objem videí a obrázků, udrží náklady pod kontrolou a umožní průběžně testovat kvalitu výstupů, zatímco se modely pod rukama mění.

Od začátku jsme viděli tři rizika. Produktové: postavit příliš složitý systém dřív, než se ověří, že AI vůbec dává smysluplné výsledky. Provozní: i když AI funguje na vzorku, nemusí být ekonomicky ani technicky udržitelná při milionech příspěvků denně. A kvalitativní: u marketingové analytiky nestačí nějaká odpověď - výsledky musí být přesné, konzistentní a vysvětlitelné, jinak jim uživatelé přestanou věřit.

Pipeline pracuje s videem, obrázky, audiem, OCR, transkripcí, překladem a metadaty. Výstupem nikdy není volný text: každou odpověď omezuje strukturované JSON schéma, aby se dala ukládat, filtrovat, porovnávat a zobrazovat v produktu. Média a metadata se připravují v Google Cloud Storage a BigQuery, posílají se do batch inference na Vertex AI s modely Gemini a výsledky se vrací do BigQuery k agregaci. Celý tok orchestrují Google Cloud Workflows a Scheduler.

Výchozím režimem je batch inference - dávky kolem 15 000 promptů distribuované napříč datacentry, plus on-demand cesta pro čerstvé analýzy vyžádané z UI. Pevná testovací sada příspěvků nám umožňuje porovnávat modely a verze promptů a před každou změnou modelu pustit regresní kontrolu. Náklady na tokeny optimalizujeme na všech úrovních: volbou modelu, strukturou promptu připravenou na caching, low resolution režimem u videa, sampling frekvencí snímků a optional poli, která zkracují výstupní schéma. Trade-off, který jsme přijali, je částečný vendor lock-in na Google Cloudu; testovatelnost a verzování promptů nám drží otevřená vrátka. V produkci workflow běží zhruba 6 milionů promptů za 4 týdny.

AI umí být velmi citlivá - zachytí i krátký výskyt loga v pozadí videa, což je síla produktu a zdroj falešně pozitivních výsledků zároveň. Na roadmapě tak zůstává zpřesňování klasifikace typu expozice a důvodu detekce, testování nových generací Gemini, ladění context cachingu, zkracování promptů a úprava sampling strategie u videa. U takového produktu je model živá závislost s vlastním životním cyklem, ne jednorázová integrace.