
Как я за пять месяцев собрал Znich — ИИ-аналитику для авторов видео, в которой каждая фича родилась из боли
Alextos 2 минуты назад Как я за пять месяцев собрал Znich — ИИ-аналитику для авторов видео, в которой каждая фича родилась из боли Уровень сложности Средний Время на прочтение 11 мин Охват и читатели 12 Искусственный...
Anthropic — What company has the best second artificial intelligence model at the end of June?
В сфере искусственного интеллекта произошло заметное событие. Alextos 2 минуты назад Как я за пять месяцев собрал Znich — ИИ-аналитику для авторов видео, в которой каждая фича родилась из боли Уровень сложности Средний Время на прочтение 11 мин Охват и читатели 12 Искусственный интеллект Развитие стартапа Работа с видео * Кейс Как понять, почему один видос залетел, а другой нет? Я задавал себе этот вопрос примерно полгода назад. Я маркетолог, и одна из задач, которую я регулярно решал, — понять, что именно делает у конкурента ролик с миллионом просмотров.
YouTube Studio честно показывает цифры — удержание, источники трафика, CTR. Но цельного ответа в этих цифрах нет: его нужно собирать руками — что в ролике с этим CTR такого, чего нет у других, как это связано с обложкой, заголовком, первыми пятнадцатью секундами, ВИСП-структурой и тем, на какой ступеньке Лестницы Ханта стоит зритель. Сначала я искал ответы у блогеров-продюсеров.
Технические детали
Получались крупицы — отдельные правила, иногда противоречащие друг другу. Потом начал мучить нейронку. И вот тут оказалось интересно: на одной транскрипции LLM уже выдавала вменяемый разбор.
А когда я добавил к ней компьютерное зрение — чтобы модель видела ещё и кадры обложки, и отдельные сцены, — разбор стал качественно другим. Она начала объяснять не только «о чём это видео», но и «как оно сделано». В декабре 2025 года я собрал из этого Telegram-бота для себя.
К концу января он вырос в публичный сервис znich. К апрелю в нём четырнадцать модулей, и для каждой фичи у меня была конкретная причина её сделать — обычно очень бытовая, в духе «блин, неудобно». Я маркетолог, не разработчик.
Отраслевые последствия
То, что я называю кодом, опытный человек назовёт вайбкодингом, и это будет справедливо. Поэтому в статье я не показываю, «как правильно» с архитектурной точки зрения. Здесь история другого жанра: что не получалось, во что я упирался, что переделывал.
Оглавление Анализ видео — точка, с которой всё началось Транскрибация и очередь к Whisper SEO-описание: фича, которую пришлось вынести Анализ ниши: переход от «одного видео» к стратегии Анализ канала: YouTube + Instagram, и где я сел Кошелёк: тарифы, которые пришлось убрать ИИ-чат с контекстом сущности Трекинг постов: первые 24 часа решают RouterAI и Groq: страховка от одного провайдера Скриннер ниш — самая большая фича Что дальше 1. Анализ видео — точка, с которой всё началось Когда я понял, что нейронка с компьютерным зрением выдаёт по одному видео разбор лучше, чем я сам собираю руками за полтора часа, первая мысль была: давайте обернём это в кнопку. Архитектурно это работает так.
Через yt-dlp (без скачивания) забираем метаданные — просмотры, лайки, ER, возраст ролика. Скачиваем самый лёгкий вариант видео ( worst хватает: нам нужны кадры, а не качество). Через OpenCV вытаскиваем четыре кадра в позициях 5%, 35%, 65% и 90% — старт, развитие, кульминация, концовка.
Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.





