WIEDZA O NAMINGU / Metody i narzędzia
Name slop: jak mierzyć wtórność nazw generowanych przez AI, zamiast ufać intuicji
Dwieście nazw AI nie musi oznaczać dwustu pomysłów. Poznaj audyt powtarzalnych rdzeni, sufiksów, brzmień i kierunków strategicznych.
Setki propozycji wygenerowanych w dziesięć minut robią wrażenie. Dopiero gdy ułożymy je obok siebie, widać wzór: te same przedrostki, końcówki, pseudotechnologiczne rdzenie i gładkie trzysylabowe kombinacje. Problem nie polega na tym, że AI nie umie tworzyć ciągów liter. Polega na tym, że ilość kandydatów przestaje być równoznaczna z różnorodnością kierunków strategicznych.
NameStormers określa ten problem jako name slop. Zinzin wcześniej pokazywał analogiczną homogeniczność nazw serwisów społecznościowych, które różnią się zapisem, ale brzmią jak członkowie jednej rodziny. Nie oznacza to, że wszystkie neologizmy są złe. Oznacza, że bez audytu podobieństwa łatwo pomylić 200 wariantów jednego pomysłu z 200 różnymi pomysłami [1, 2].
Zasada pierwsza: porównuj rodziny, nie tylko słowa
Tradycyjna selekcja skupia się na kandydatach: nazwa A, nazwa B, nazwa C. Audyt strukturalny powinien równolegle analizować rodziny konstrukcyjne. Oto demonstracja zmyślonych przykładów, które nie przeszły żadnego badania prawnego:
| Przykład | Wspólny schemat | Co może niepokoić |
|---|---|---|
| Synvora, Novora, Actora | trzysylabowy neologizm z zakończeniem -ora | podobny rytm i estetyka |
| Nexify, Clarify, Flowify | słowo/rdzeń + -ify | sugerowanie działania według popularnej formuły |
| SmartLayer, SmartFlow, SmartCore | branżowy przymiotnik + rzeczownik | mało indywidualny kod B2B |
Wiersze nie dowodzą, że którakolwiek z form jest wolna lub zarejestrowana. Pokazują, dlaczego nazwy trzeba porównywać zarówno do konkurencji, jak i między sobą.
Audyt sześciu sygnałów wtórności
Poniżej jest proponowany protokół redakcyjny Naming.pl. To narzędzie heurystyczne, nie certyfikowany test psychometryczny.
- Wspólne zakończenia: policz najczęstsze dwu-, trzy- i czteroliterowe sufiksy. Duża koncentracja sugeruje jeden styl generowania.
- Wspólne przedrostki: zobacz, ile nazw zaczyna się od fragmentów typu
neo,nex,syn,meta,pro,smart. W zależności od rynku mogą być neutralnym kodem kategorii lub oznaką wtórności. - Odległość znakowa: zastosuj odległość edycyjną do wyłapywania par różniących się jednym lub dwoma znakami. Nie myl tego z oceną podobieństwa prawnego.
- Podobieństwo fonetyczne: osobno porównaj brzmienie nazw odczytanych po polsku i po angielsku. Dwa odmienne zapisy mogą w mowie zlewać się w jedno.
- Powtarzalność semantyczna: zaklasyfikuj nazwy do pól, np. szybkość, inteligencja, przepływ, precyzja, zaufanie. Sprawdź, czy zespołowi rzeczywiście udało się stworzyć nowe terytoria, czy tylko przepisać jeden insight.
- Kod kategorii: przeprowadź analizę rzeczywistych nazw konkurentów. Jeśli cała lista przypomina sektor, w którym marka ma się wyróżnić, to nie jest sukces projektu.
Przykład prostego audytu n-gramów
Nie trzeba budować zaawansowanego systemu machine learning, żeby zobaczyć problem. W arkuszu lub prostym skrypcie można policzyć, jaka część shortlisty ma ten sam trzyliterowy sufiks. Załóżmy, że w zestawie 60 kandydatów aż 18 kończy się na -ora. W takim przypadku 30% nazw w tym konkretnym zestawie korzysta z tego samego zakończenia. To jeszcze nie dowód słabości całej grupy — ale dobry sygnał do sprawdzenia, dlaczego generator powtarza tę formułę.
Ważna uwaga metodologiczna: nie istnieje uniwersalny, naukowo potwierdzony próg typu „powyżej 15% podobnych końcówek nazwa jest zła”. Wynik trzeba porównać z realnym krajobrazem konkurencji oraz z briefem.
Problem „estetycznej pewności” AI
Modele językowe potrafią z dużą pewnością dopowiadać rzekome etymologie kandydatów. Czasem objaśnienia są dobre jako interpretacje kreatywne. Czasem są konfabulacją: model mówi, że dana sylaba „w wielu językach oznacza światło”, choć nie potrafi wskazać źródła ani formy wyjściowej. W procesie profesjonalnym oddzielaj generowanie hipotez od ich weryfikacji.
Przy każdej nazwie przechowuj:
- pochodzenie i sposób konstrukcji, jeśli rzeczywiście są znane;
- krótką strategiczną ideę;
- pola skojarzeń, które wymagają testu z respondentami;
- wyniki wstępnego screeningu kolizji;
- komentarz o podobnych nazwach w konkurencji.
Nie umieszczaj „pochodzenia z łaciny” w prezentacji, jeśli nie sprawdziłeś go w wiarygodnym słowniku.
Jak sprawdzić odróżnialność po audycie technicznym?
Po odrzuceniu duplikatów strukturalnych ułóż shortlistę w trzech kontekstach: obok konkurentów, w realnej komunikacji produktu i w scenariuszu „usłyszałem i następnego dnia mam przypomnieć sobie nazwę”. Badania pamięci można prowadzić osobno, bez sugerowania, że prosty warsztat jest eksperymentem laboratoryjnym.
Najważniejszy test brzmi: czy każda z pięciu finalnych nazw reprezentuje inną decyzję strategiczną? Jeśli nie, problem pojawił się wcześniej niż w researchu. Zespół za wcześnie zawęził pole poszukiwań.
Jak używać AI, żeby dostać lepsze nazwy?
Zamiast „wygeneruj 100 nazw dla aplikacji”, podziel pracę na konkurujące hipotezy: osobno nazwy oparte na rzeczownikach realnych, osobno paradoksach, zjawiskach przyrodniczych, personifikacji, materiale kulturowym, konstrukcjach semantycznie otwartych. W każdej grupie określ zakazane klisze i poproś model o samokrytykę form.
AI jest przydatne przy rozszerzaniu pola poszukiwań i technicznym grupowaniu. Nadal nie zastępuje strategicznej decyzji, badań z ludźmi ani analizy prawnej. W tym sensie generacja nazw to etap najłatwiej zautomatyzować — ale niekoniecznie najważniejszy.
Wniosek
Profesjonalny naming w epoce AI powinien oceniać nie tylko kandydatów, lecz również jakość całej przestrzeni eksploracji. Lista, w której połowa słów jest wariacją jednego szablonu, może wyglądać imponująco, ale nie daje klientowi realnego wyboru.
Minimalna specyfikacja audytu automatycznego
Jeżeli agencja posiada kilkaset propozycji w arkuszu, może przeprowadzić kontrolę jakości bez trenowania własnego modelu. Najpierw normalizuje zapis pomocniczy do porównań, ale zachowuje oryginalną pisownię nazwy. Następnie grupuje nazwy według wspólnych początku i końca, podobnego układu sylab oraz zapisu fonetycznego. Odległość Levenshteina pomaga odnaleźć kandydatów różniących się niewielką liczbą operacji na znakach. Nie wykrywa jednak podobieństwa znaczeń ani nie przewiduje orzeczeń o znakach towarowych.
Dla każdej grupy trzeba odnotować co najmniej trzy obserwacje: liczbę form w rodzinie, obecność podobnych konstrukcji w konkurencji oraz liczbę naprawdę odmiennych kierunków pozycjonowania. Można również policzyć udział największej rodziny w całym zbiorze. Ten wskaźnik ma sens jako sygnał do rozmowy o różnorodności projektu, nie jako branżowy standard jakości.
Przykładowe pytania audytora: Czy nazwa powstała dlatego, że coś komunikuje, czy dlatego, że generator lubi dany sufiks? Czy zmiana jednej samogłoski rzeczywiście tworzy nowy kod? Czy potrafimy opisać jej przewagę bez użycia słów „nowoczesna”, „innowacyjna” i „premium”?
Po automatycznym klastrowaniu potrzebna jest selekcja ludzka. Słowa z podobnego schematu mogą mieć zupełnie inne wartości — i odwrotnie, dwie nazwy formalnie odległe mogą być strategicznie identyczne.
Źródła i dalsza lektura
- NameStormers, How to Avoid “Name Slop” — diagnoza powtarzalności nazw AI.
- Zinzin, Social Media Naming: Soundalike Scrapheap — analiza schematów nazewniczych w social mediach.
- River + Wolf, Why Generative AI Struggles with Brand Naming — ograniczenia semantyczne modeli.
Przykłady i progi ilustracyjne są hipotetyczne. Odległość edycyjna i grupowanie słów nie są analizą kolizyjności znaku towarowego.
Potrzebujesz nazwy dla firmy lub marki?
Poznaj usługi namingowe ↗