Я использую нейросети для разведки, а не как источник окончательного ответа. На этот раз внутренний контур исследовал 131 YouTube-канал, нашел сильные сигналы и одновременно показал, почему даже сложную ИИ-методологию нужно проверять человеком.

Что я понял о рынке ИИ-видеомонтажа после 131 реального канала

Когда у меня появляется новая продуктовая гипотеза, я сначала запускаю разведку.

Для этого у нас есть внутренний контур исследований. В нем около десятка разных нейросетей смотрят на один вопрос с разных сторон: одни ищут данные, другие разбирают рынок и пользователей, другие проверяют логику, противоречия и слабые места. Потом результаты сводятся и проходят несколько этапов проверки.

Для меня смысл такого контура не в том, чтобы получить “ответ от нейросети”.

Его задача проще: быстро найти сильные сигналы, на которые уже стоит тратить человеческое время.

С рынком ИИ-видеомонтажа я сделал ровно так же.

В предыдущей статье я дошел до вопроса: сколько вообще существует реальных авторов, которым может регулярно быть нужна такая работа?

В исследовательский контур я передал 131 реальный русскоязычный YouTube-канал, похожий на потенциальных пользователей сервиса.

Дальше я смотрел уже не на то, насколько красиво нейросети сформулировали итог, а на две вещи:

• какие сигналы повторяются;
• насколько под ними есть проверяемые данные.

И вот здесь получилось интересно.

В этот контур я передал 131 реальный канал

Сами 131 канала - это не оценка модели.

Это конкретные YouTube-каналы, которые можно открыть и проверить.

Они были собраны в нескольких диапазонах по числу подписчиков:

Внутри есть бизнес, маркетинг, финансы, медицина, право, психология, ИТ, дизайн, недвижимость и другие экспертные темы.

Важно только правильно понимать, что это за список.

Я специально собирал похожих на потенциальных клиентов авторов. Поэтому это не репрезентативная выборка всего российского YouTube и не готовая база для расчета доли рынка.

Но как материал для разведки список хороший: вместо рассуждений про абстрактных “экспертов в YouTube” у меня появились реальные каналы и реальные видео.

Какие сигналы я считаю сильными

После прогона через внутренний контур у меня осталось несколько сигналов, которые я считаю достаточно интересными, чтобы продолжать проверку.

Первый: сам сегмент существует.

Я вижу не один случайный канал, а десятки реальных авторов в разных профессиональных темах и диапазонах аудитории.

Второй: часть этих каналов действительно похожа на тот тип работы, который я исследую.

Контур выделил 55 кандидатов на основную гипотезу: автор уже снял длинное видео и ему потенциально нужна постобработка до готового выпуска.

Еще 12 каналов попали в соседнюю гипотезу, где помощь может быть нужна раньше - со сценарием и подготовкой до съемки.

Я не считаю цифры 55 и 12 доказанными долями рынка. Но как сигнал “здесь есть что проверять руками” они для меня полезны.

Третий: категория уже существует и с продуктовой стороны.

Gling, Jupitrr, OpusClip и другие сервисы уже автоматизируют заметную часть первого монтажа. Поэтому вопрос для меня давно не в том, существует ли ИИ-видеомонтаж вообще.

Вопрос уже уже: насколько хорошо такой подход работает на реальных русскоязычных длинных экспертных видео и насколько часто эта работа вообще возникает у авторов.

То есть на уровне разведки гипотеза выглядит достаточно живой, чтобы не закрывать ее.

Но дальше начинаются проблемы.

А дальше нейросети начали считать слишком уверенно

Итоговый исследовательский пакет выглядел очень убедительно.

В нем появились:

• 55 из 131 кандидатов на основную работу;
• 12 из 131 кандидатов на работу до съемки;
• оценка рынка 20-45 тысяч каналов;
• базовый сценарий около 30 тысяч.

Более того, в финальном резюме было написано, что 131 канал якобы были вручную классифицированы и что предыдущая оценка рынка подтверждена.

Если смотреть только на итоговый документ, можно решить, что разведка закончена и рынок уже посчитан.

Но я полез в данные глубже.

И там обнаружился знакомый эффект.

В классификационном файле:

• все 131 из 131 каналов отмечены как активные каналы с длинными видео;
• для всех 131 из 131 назначена оценка зрелости производства;
• при этом поле с прямым доказательством этой зрелости пустое у 131 из 131;
• официальный YouTube есть в ссылках-доказательствах только у 3 из 131 строк;
• уровень уверенности у всех 131 строк одинаковый - средний.

То есть контур выдал очень точный-looking результат там, где исходные данные не давали права на такую точность.

Это не означает, что 55 каналов обязательно определены неправильно.

И не означает, что диапазон 20-45 тысяч обязательно далек от реальности.

Проблема в другом: эти цифры нельзя считать проверенным результатом только потому, что их выдал сложный исследовательский процесс.

Даже десять нейросетей нужно проверять

Для меня это хороший пример того, почему я постоянно возвращаюсь к одному и тому же правилу в работе с ИИ.

Нейросети нужно проверять.

Причем проблема не исчезает, если вместо одной модели использовать около десятка.

Наш внутренний контур как раз построен так, чтобы снизить риск ошибки: разные модели смотрят на вопрос с разных сторон, выводы сводятся, факты отделяются от предположений, есть матрицы доказательств и несколько этапов проверки.

Все это полезно.

Но методология не умеет создать данные, которых нет в источниках.

Если публичный каталог не дает нормальный размер всей популяции, нейросеть не может магически получить надежный denominator.

Если по каналу никто не открыл реальные видео и не посмотрел формат, нельзя считать наличие production-команды установленным фактом.

И если несколько моделей повторяют один и тот же вывод, это еще не несколько независимых доказательств. Иногда они просто строят похожее рассуждение поверх одинаково слабого исходного материала.

Поэтому я воспринимаю такой контур как разведку, а не как замену человеку.

Его задача - быстро показать, где есть сигнал и куда имеет смысл смотреть глубже.

Что после этой разведки осталось полезного

При всей критике я не считаю исследование неудачным.

Наоборот, оно сделало именно то, что мне от него было нужно на этом этапе.

Я увидел:
Факт: есть 131 реальный канал, похожий на потенциальный сегмент.

Сигнал: среди них есть десятки авторов, которые по формату и коммерческому контексту могут подходить под текущую гипотезу.

Сигнал: сегмент выглядит достаточно большим и разнообразным, чтобы продолжить проверку, а не закрыть направление сразу.

Ограничение: точная доля подходящих каналов и рынок 20-45 тысяч пока не подтверждены.

Следующий вопрос: подходят ли реальные видео этих авторов под тот ИИ-монтаж, который я сейчас строю?

Вот последний вопрос уже плохо решается еще одним отчетом.

Нужно открывать видео и смотреть руками.

После этого я передал 10 каналов человеку

Поэтому следующий шаг я уже не стал отдавать нейросетям.

Из пула выбраны 10 каналов из разных категорий, и я передал их сотруднику на ручную проверку.

Задача простая.

Для каждого канала взять одно типичное свежее видео длиной примерно 8-40 минут и посмотреть начало, середину и конец.

Дальше ответить на достаточно приземленные вопросы:

• один ли там основной спикер;
• является ли речь основой видео;
• большую ли часть времени человек находится в кадре;
• есть ли демонстрация экрана или презентация;
• это монолог, интервью, подкаст или репортаж;
• насколько плотный монтаж уже есть;
• используются ли видеовставки, графика, текстовые акценты, приближения и смена крупности;
• способен ли мой текущий сервис воспроизвести большую часть такой подачи;
• подходит ли видео для реального тестового прогона.

В конце нужно выбрать 3 видео, которые лучше всего подходят для обработки через текущую версию сервиса.

Это уже другой уровень доказательств.

Не “нейросеть считает, что канал подходит”.

А: вот конкретное видео, вот его структура, вот текущий монтаж - можем ли мы реально обработать его или нет?

Что будет дальше

Даже хороший результат на этих 10 видео еще не докажет рынок.

Он проверит только следующий слой:
реальные кандидаты -> реальные видео -> реальная пригодность

Дальше все равно останутся использование, качество результата, количество ручных правок, повтор, готовность платить и экономика.

Но для меня это нормальная последовательность.

Сначала внутренний исследовательский контур быстро ищет сильные сигналы.

Потом я смотрю, где нейросети начали делать вывод сильнее данных.

И только после этого наиболее интересные места отдаю человеку на проверку.

В этой разведке сильный сигнал я увидел.

Теперь жду ручную проверку 10 реальных видео.

Результатом поделюсь в следующей статье.