Техноблогер Tech With Tim у своїй детальній інструкції з AI‑автоматизацій показує, як перетворити штучний інтелект на щоденний аналітичний інструмент для контент‑бізнесу. Окремий акцент він робить на конкурентному аналізі YouTube: від пошуку тематичних каналів до побудови бази креаторів і транскриптів топових відео — без рядка коду, лише за допомогою AI‑workflow’у в сервісі GenSpark.
Йдеться не про разове дослідження, а про регулярний, щоденний процес, який запускається за розкладом о 7:00 ранку і щоразу самостійно збирає нові дані з YouTube та вебу.
Щоденний конкурентний аналіз як окрема автоматизація
Другий з трьох продемонстрованих у ролику сценаріїв автор описує як «щось трохи складніше» — саме це і є щоденний workflow конкурентного аналізу. Логіка проста: якщо бізнес значною мірою залежить від контенту, моніторити конкурентів і тренди потрібно постійно. Ручний пошук швидко перетворюється на рутину, яку простіше доручити автоматизації з LLM у центрі.
Завдання формулюється максимально прикладно. Автоматизація має раз на день запускатися за розкладом, зібрати актуальну інформацію про те, який контент навколо певних тем «добре перформить», і перетворити це на структурований звіт. У цьому сценарії йдеться про нішу AI‑контенту, однак підхід універсальний — змінюються лише пошукові запити й критерії відбору.
Ключовий момент: це не просто витяг списку відео. Workflow вибудуваний так, щоб поступово формувати повноцінну базу — як креаторів, так і конкретних роликів, що показали результат у певний день.
Як AI шукає конкурентів і тренди на YouTube
У центрі сценарію — ідея комбінованого пошуку: «Я хочу шукати по YouTube, шукати в вебі, дивитися трендові новини і контент, який добре перформить». Для цього в GenSpark використовуються готові інструменти: YouTube Search, отримання транскриптів, web‑crawler, а також інтеграція з Google Sheets.
Автор формулює для агента завдання в одному великому промпті. У ньому він задає тематику запитів — зокрема, згадує конкретні ключові слова на кшталт OpenClaw, Hermes agent та AI‑automation‑контент. Саме навколо цих тем AI‑workflow має будувати свій щоденний зріз ринку.
Один із ключових критеріїв — кількість каналів, які автоматизація має знайти за раз: «Я хочу знайти щонайменше п’ять каналів на день, що роблять такий контент, і зберігати це в окремий Google Sheet». Тобто AI не просто віддає результати в інтерфейс, а постійно дописує в електронну таблицю нові рядки, з яких поступово формується база креаторів.
До кожного знайденого каналу також збираються базові метрики: «Для всіх цих креаторів я хотів би знати їхній subscriber count». Це дозволяє розуміти масштаб аудиторії, відслідковувати, хто з нових учасників ніші росте, а хто вже є великим гравцем.
Другий пласт даних — це самі відео. Мета — щодня бачити, що реально «злетіло» в темі: «Крім того, я хочу бачити, які відео перформлять того дня… може 10 таких відео, і завантажити це все в Google Sheet». Для кожного такого ролика фіксуються ключові атрибути: перегляди, дата публікації, тривалість, URL, опис, запит, за яким його знайшли, і дата, коли дані були зняті.
У підсумку створюються два масиви інформації, що постійно поповнюються: база креаторів і база топ‑відео за обраними запитами.
Google Sheets як центр бази конкурентів
Інфраструктурно вся аналітика зав’язана на Google Sheets. Workflow автоматично створює й оновлює таблиці, які виступають як накопичувальна база.
У проміжний момент тестового запуску автор показує отриманий результат: «Ви можете бачити повний Google Sheet… база креаторів… далі top AI performing videos: 15 відео з view count, publish date, URL, description». Тобто автоматизація не лише відпрацювала окремі кроки, а й зібрала все в одне місце у придатному для подальшого аналізу вигляді.
Такий формат дає кілька практичних переваг. По‑перше, не потрібно додатково інтегрувати BI‑інструменти — базовий аналіз можна робити прямо в Google Sheets. По‑друге, щоденні запуски створюють історію: з’являється можливість подивитися, які канали «спалахували» разово, а які стабільно потрапляють у вибірки, які теми тримаються в топі, скільки переглядів набирали конкретні відео на різних часових відрізках.
При цьому всі формальні деталі роботи з таблицями AI бере на себе. Завдання користувача — лише один раз задати логіку в промпті та налаштувати підключення до Google‑акаунта.
Транскрипти як додатковий шар розуміння
Окремий, але важливий компонент такого конкурентного аналізу — робота з транскриптами. Після того як базові метрики зібрані, автор додає ще один шар до сценарію: «Для топ‑перформингових відео я також хотів би додати крок, де ми тягнемо transcript і зберігаємо транскрипти як Google‑документи».
Практична мотивація тут прозора: аналізуючи текст ролика, можна подивитися, як побудований хук, що саме проговорюється, якою є структура подачі. Автоматичне збереження в Google Docs дозволяє працювати з цим як із звичайними документами — виділяти фрагменти, робити нотатки, будувати власні сценарії.
У технічному сенсі все знову зводиться до промпту: користувач просто просить додати в workflow крок із YouTube Transcript для відео, що потрапили в список топових, і зберігати результат у Docs. Далі GenSpark добудовує необхідні кроки самостійно, інтегруючи готовий інструмент отримання транскриптів і створення документів.
У поєднанні з даними з Google Sheets це дає повну картину: хто робить контент в ніші, які ролики вистрілюють і як саме вони побудовані всередині.
Що показує цей кейс про зрілий підхід до AI‑автоматизацій
Сценарій щоденного AI‑моніторингу конкурентів на YouTube, продемонстрований у відео, добре ілюструє кілька принципів, які виділяють «дорослі» AI‑workflow’и від разових запитів до чат‑бота.
По‑перше, тут чітко заданий ритм: запуск щодня в один і той самий час. Це переводить конкурентний аналіз із розряду «коли з’явиться час» у регулярний процес.
По‑друге, замість одноразової вибірки формується база: канали, відео, метрики, дати, транскрипти. Всі ці дані зберігаються в стандартних інструментах на кшталт Google Sheets і Google Docs, з якими потім можна працювати як завгодно.
По‑третє, у центрі сценарію — не жорстко прописана логіка, а здатність LLM опрацьовувати гнучкі завдання: підбирати канали за кількома темами, орієнтуватися на «контент, який добре перформить», комбінувати дані з різних джерел.
У результаті виходить автоматизація, яка щодня розгортає перед користувачем зріз ніші YouTube‑контенту за його запитами, без ручної роботи зі збору, копіювання й форматування даних. І головне — весь цей конвеєр збудований природною мовою, через послідовні промпти до одного AI‑агента.
Джерело
Build 3 AI Automations From Scratch – Complete Beginner Guide