Decyzja o kliknięciu zapada w jakieś trzysta milisekund. To za mało, żeby przeczytać tytuł, zważyć obietnicę albo rozpoznać kanał; wystarcza, żeby przetworzyć obraz — i to ledwie. Cokolwiek widz zrobi z Twoim filmem, zaczyna się to od błyskawicznego osądu obrazka wielkości znaczka pocztowego, wydanego w przelocie obok jedenastu innych. To złości ludzi, którym zależy na treści, i nie przestaje być prawdą dlatego, że złości. Miniatura nie jest reklamą przykręconą do dzieła; jest pierwszą klatką dzieła, jaką ktokolwiek widzi, a dla większości ostatnią. To niesprawiedliwe wobec pracy włożonej w resztę materiału, ale sprawiedliwość nie rozdaje tu kliknięć. Dobra wiadomość ukryta w tej twardej arytmetyce brzmi: ten osąd nie dotyczy wartości produkcyjnych. Widzowie nie mierzą Twojej kamery. Rejestrują, poniżej poziomu wszelkiej argumentacji, trzy proste rzeczy: czy obraz jest ostry, czy jest dość jasny, żeby dał się odczytać, i czy osoba na nim na nich patrzy. Trzy rzeczy, trzy filtry — i wszystkie trzy da się przygotować zawczasu, zanim algorytm w ogóle wejdzie do gry.
Weź te trzy po kolei. Ostrość zawodzi częściej, niż ktokolwiek się spodziewa, bo mówienie to ruch: ręce gestykulują, głowa się obraca, i większość klatek żywego wystąpienia jest odrobinę rozmazana. Miękka klatka w rozmiarze miniatury wygląda po prostu nijako. Ekspozycja to drugi filtr — twarz dobrze oświetlona pod wideo może i tak trafić do kadru, którego kompozycja w małym rozmiarze czyta się ciemno, a ciemne przegrywa z jasnym w strumieniu tak, jak ciche przegrywa z głośnym w pokoju. Trzeci jest wzrok, i on jest najsilniejszy. Działa na długo przed świadomą uwagą i nie daje się wyłączyć. Ludzie są okablowani tak, by zauważać oczy skierowane na nich; kadr, w którym patrzysz w obiektyw, to kadr, w którym patrzysz na przewijającego, i zatrzymuje on kciuk w sposób, w jaki profile i spuszczone oczy — mierzalnie — nie zatrzymują. Kadry przechodzące wszystkie trzy filtry są rzadsze, niż powinny: w pół mrugnięcia, w pół słowa, w pół gestu — większość kandydatów oblewa jeden z nich. Żadna z tych trzech rzeczy nie dotyczy gustu; wszystkie trzy dotyczą czytelności w rozmiarze znaczka, rozstrzyganej na długo zanim ktokolwiek zdąży wyrobić sobie zdanie.
Dlatego wybieranie kadru przez przeciąganie osi czasu to taka nędzna robota. Dziesięciominutowe ujęcie to około osiemnastu tysięcy klatek; Twój kciuk na osi próbkuje kilka tuzinów, a przy czwartym przejściu wszystkie twarze zaczynają wyglądać tak samo. Talk2Camera skraca poszukiwania, zamiast udawać, że ma gust za Ciebie: ocenia klatki-kandydatki pod kątem ostrości, ekspozycji i tego, czy patrzysz w obiektyw, i kładzie przed Tobą te mocne. W praktyce oznacza to, że oglądasz tuzin dobrych twarzy zamiast tysięcy przypadkowych. Uczciwą granicę trzeba wypowiedzieć. Ocena może Ci powiedzieć, że klatka jest technicznie użyteczna; nie powie, że moment jest ciekawy — że gest jest w środku opowieści, że mina dotrzymuje obietnicy filmu, że to ta twarz ma wisieć na plakacie. Ocenianie usuwa osiemnaście tysięcy przegranych. Wybór spośród tuzina wygranych jest redakcyjny i pozostaje Twoją pracą. Ale to praca na dwunastu obrazkach, a nie na osiemnastu tysiącach, i da się ją wykonać przy jednej kawie.
Tytuły słuchają podobnego prawa, z jednym zakrętem: dobry surowiec już istnieje i jest nim Twój skrypt. Tytuły pisane z pamięci dryfują ku temu, co chciałeś powiedzieć — abstrakcyjne, zacne, ogólne. Skrypt przechowuje to, co naprawdę powiedziałeś, w sformułowaniach, których naprawdę użyłeś, a Twoje najmocniejsze zdanie zwykle już w nim siedzi, ostrzejsze niż cokolwiek, co ułożyłbyś w formularzu publikacji, z ujęciem skończonym i osądem zmęczonym. Pamięć pisze reklamę filmu, którego nie nagrałeś; skrypt pamięta ten, który nagrałeś naprawdę. Talk2Camera podpowiada tytuły zaczerpnięte z Twojego skryptu, co jest mniej magiczne, niż brzmi, i właśnie dlatego lepsze: podpowiedzi zbudowane z Twoich własnych zdań brzmią jak Ty, a nie jak generator nagłówków. Znaczy to też, że tytuł z konstrukcji zgadza się z filmem, bo oba wyszły z tej samej strony. Obowiązuje ta sama granica. Podpowiedź to surowiec; tytuł to obietnica, a film musi jej dotrzymać. Tytuł, który obiecuje za dużo, kupuje jedno kliknięcie i kosztuje zaufanie subskrybenta, a tej wymiany żadne narzędzie za Ciebie nie zmierzy. Ten handel zawierasz na nowo przy każdym filmie i nikt nie zawrze go za Ciebie.
Ostatni element to miejsce, w którym zapada wybór. Publikacja na YouTube odbywa się bez wychodzenia z edytora, a sens tego nie leży w zaoszczędzonej minucie — leży w tym, że miniatura i tytuł są decydowane, póki ujęcie jest jeszcze świeże w głowie, na tym samym posiedzeniu co montaż, a nie w formularzu publikacji godzinę później, gdy każda klatka zdążyła zszarzeć od oswojenia. Decyzje o tym, jak praca spotyka publiczność, lepiej podejmować blisko pracy. Godzina odstępu wystarczy, żeby wybrać bezpieczny kadr i wymienny tytuł. Nic z tego nie zmienia tego, na co zasługuje ciąg dalszy kliknięcia: trzysta milisekund wprowadza widza do środka, a następne trzysta sekund rozstrzyga, czy zostanie, zasubskrybuje, czy po cichu wyjdzie. Tego drugiego progu żadna miniatura nie przeskoczy za film. Ostry, jasny kadr z oczami skierowanymi do przodu i tytuł wierny skryptowi nie zastąpią filmu wartego obejrzenia. Są uprzejmością — czynią dobry film znajdowalnym; to rama, na którą praca zasłużyła, wybrana celowo, a nie ze zmęczenia.