Задача, на яку раніше йшов тиждень, тепер займає два дні. Але це не найцікавіше. Я не купував для цього Zapier, Make, n8n чи іншу платформу автоматизації. За п’ять місяців я поступово підключив через API сервіси, якими користуюся щодня, і написав під них невеликі скрипти. Вони працюють локально на моєму Mac, а Claude Code запускає їх у потрібному порядку.
Нічого революційного тут немає. Люди автоматизують роботу скриптами стільки, скільки існують скрипти.
Змінилося інше: поріг входу. Ще два роки тому для інтеграції з чужим API мені, як маркетологу, майже напевно знадобився б розробник. Сьогодні більшу частину роботи можна зробити разом з AI.
Розповім, чому власні інтеграції виявилися зручнішими за готову платформу, як виглядає мій реальний пайплайн від ключового слова до відправленого листа і за що все одно доводиться платити.
Коли готової автоматизації вже мало
Zapier, Make та подібні сервіси вирішують важливу проблему: дають готові конектори до інших продуктів. Не треба читати документацію Google Sheets API. Вибрав Google Sheets, натиснув кілька кнопок і все працює.
Для стандартних задач це чудово. Проблеми починаються, коли задача перестає бути стандартною.
Коли крок нестандартний
Наприклад, у моєму пайплайні є такий крок:
знайти email в описі YouTube-каналу, навіть якщо автор навмисно його замаскував.
Замість:
люди пишуть:
user [at] domain.com
user AT domain DOT com
user @ domain. com
Так вони захищають адресу від простих ботів. У готовому конструкторі зазвичай є дія на кшталт «знайти email». Але нестандартні записи вона часто пропускає.
У власному скрипті я просто описую правила, за якими потрібно шукати адресу. І таких дрібних винятків у реальній роботі багато.
Коли операцій стає багато
Друга проблема це ціна. У багатьох сервісах автоматизації ви платите за операції. Обробили 1 000 рядків і отримали 1 000 або більше операцій. Додали ще кілька кроків, і операцій стало ще більше.
Поки автоматизація маленька, це майже непомітно. Коли через неї проходять тисячі записів, починаєш рахувати. Є й інші компроміси: ліміти тарифу, дані в чужій системі, залежність від правил і цін конкретного сервісу.
Що дає власна інтеграція
Власна інтеграція теж може зламатися. API змінюються. Ключі стають не валідними. Код треба підтримувати. Але правила цієї системи контролюєш ти.
Як усе влаштовано
Насправді досить нудно. У мене є набір невеликих Python-скриптів, близько восьми десятків. Кожен робить одну конкретну річ. Один отримує дані з YouTube. Другий чистить список. Третій шукає контакти. Четвертий записує результат у таблицю.
Ключі API зберігаються окремо в .env. Роль бази даних часто виконує звичайний Google Sheet. Його легко відкрити з телефона, показати колезі або вручну поправити кілька рядків.
Зараз підключені Google Sheets і Docs, YouTube Data API, Apify, Hunter.io, Ahrefs API, SendGrid, ScreenshotOne, Reddit, Search Console, GA4 і локальний Whisper для розпізнавання відео.
Але справа не в списку сервісів. Головне в тому, як тут використовується AI.
AI має бути диригентом, а не одноразовим програмістом
Є два способи автоматизувати роботу за допомогою AI.
Перший спосіб це щоразу просити:
Напиши мені скрипт, який зробить X.
AI пише код. Наступного разу пише його трохи інакше. Щось змінюється, щось ламається, і знову треба розбиратися, що відбулося. Це економить час, але після нього нічого не залишається.
Другий підхід: один раз зробити інтеграцію і довести її до робочого стану. Після цього AI не пише її заново. Він просто знає:
- які інструменти в нього є;
- коли їх запускати;
- у якому порядку;
- що передавати з одного кроку в інший;
- куди записувати результат.
Один раз написав, сто разів запустив.
У моєму випадку Claude Code не стільки програміст, скільки диригент. І саме тут починається найцікавіше. Перша автоматизація допомагає з однією задачею.
Друга вже може використати частину першої. Через кілька місяців новий процес часто складається переважно з того, що вже написано.
Кейс: 150 листів, які я не писав руками
Один із реальних сценаріїв це аутріч до YouTube-блогерів. Задача: знайти авторів у двох нішах, нерухомість і фриланс, зібрати їхні контакти й надіслати персоналізовані листи.
1. Зібрати пошукові запити
Я підготував двадцять ключових слів. Важлива дрібниця: у кожному запиті має залишатися слово, яке чітко вказує на нішу.
Наприклад, personal branding дає надто широкий результат. personal branding freelancer дає вже значно чистіший. Чим кращий запит на вході, тим менше сміття доведеться чистити далі.
2. Знайти канали
Через YouTube Data API збираються результати пошуку, інформація про відео та канали. Далі йде фільтр за кількістю підписників: від 5 000 до 100 000. Повтори видаляються, результат записується в Google Sheet.
3. Прибрати неактивні канали
Якщо останні відео ледве набирають перегляди, великий сенс писати автору зникає. У моєму випадку простий поріг у 1 000 переглядів допомагає відсікти значну частину таких каналів.
Це не ідеальна метрика активності. Але як перший фільтр працює.
4. Знайти email в описі
Спочатку скрипт перевіряє опис каналу. Він шукає не лише звичайні адреси, а й варіанти на кшталт name [at] company [dot] com. Цей крок майже нічого не коштує: витрачається тільки квота API.
5. Перевірити «View email»
Якщо адреси немає в описі, наступний крок це бізнес-email, який YouTube показує через кнопку View email. Для цього використовую Apify. У моєму сценарії знайдена адреса коштує близько $0.12. Платиш за результат, а не за кожен перевірений канал.
6. Зібрати сайти
Якщо email усе ще немає, скрипт дивиться посилання зі сторінки About. Так з’являється ще один шлях до контакту: сайт автора.
7. Викинути те, що сайтом не є
Цей крок виявився важливішим, ніж я очікував. У колонку із сайтами регулярно потрапляли Linktree, Udemy, Gumroad, Substack, Upwork, Behance, Skool і скорочувачі посилань. Для наступного кроку вони майже не допомагають.
Тому є список доменів-винятків. І він досі росте.
Це хороший приклад того, чому реальна автоматизація рідко виглядає як красиве:
A → B → C.
Частіше вона виглядає так:
A → B → перевірити → почистити → спробувати C → якщо не вийшло, перейти до D.
Саме ці винятки й роблять власні скрипти корисними.
8. Знайти email за доменом
Сайти, що залишилися після чистки, йдуть у Hunter.io. Приблизно від 40 до 50% доменів дають хоча б одну адресу. Після цього список готовий до аутрічу.
І тільки тепер листи
Відправкою займається SendGrid. Є чотири шаблони. У них підставляється ім’я автора та назва конкретного відео. Також є ліміт листів за один запуск і паузи між відправками.
А ще кожен скрипт підтримує –dry-run. Тобто спочатку можна пройти весь сценарій без реальної відправки листів і подивитися, що саме система збирається зробити.
Для автоматизації це одна з найкорисніших звичок: спочатку покажи, що збираєшся зробити, і тільки потім роби.
Результат: понад 150 листів у двох кампаніях. Фолоу-апи по тих самих контактах запускаються вже кількома командами. Відкриття й кліки повертаються в ту саму таблицю, з якої почався процес.
Але головний висновок тут навіть не про автоматизацію. Одного джерела контактів недостатньо.
Email з опису, бізнес-email YouTube і пошук через домен окремо дають неповний результат. Разом вони дають майже втричі більше адрес, ніж кожен метод окремо.
Автоматизація тут корисна не тому, що «робить усе сама». Вона робить дешевим повторення кількох способів пошуку для сотень контактів.
Коли та сама логіка переходить на інструменти
З часом я почав так само дивитися й на програми, якими користуюся щодня. Один із прикладів це скріншоти.
Я роблю їх десятки на день: баги, макети, таблиці, частини звітів, ілюстрації до статей. Довгий час користувався готовими сервісами, але в якийсь момент захотів зробити свій.
Так з’явився sowiks.com, застосунок для Mac, який створює посилання на скріншоти, дозволяє додавати анотації, розпізнавати текст, записувати відео та GIF. Замість підписки разова оплата.
Але справа була не тільки в підписці. В Україні досі дуже популярний Lightshot. Його роками ставили на робочі комп’ютери просто тому, що він безкоштовний, простий і звичний. Але Lightshot має російське походження: його розробила Skillbrains.
Для мене це стало ще одним аргументом зробити українську альтернативу. Особливо тому, що скріншот не завжди нешкідлива картинка. На ньому може бути CRM, адмінка, робоче листування, фінансова таблиця або дані клієнта. А коли ви створюєте посилання на скріншот через сторонній сервіс, файл завантажується на його сервер.
Тому питання не тільки в тому, який інструмент зручніший. Важливо розуміти, хто його створив, куди потрапляють ваші дані і де вони зберігаються.
Я не робив sowiks.com з ідеєю «зробити найкращий скріншотер у світі». Хотілося мати простий інструмент для власної щоденної роботи і водночас українську альтернативу Lightshot, якій я сам готовий довірити робочі скріншоти.
Скільки все це коштує насправді
Тепер менш приємна частина. Власна автоматизація не означає безкоштовна. Ви просто платите інакше.
API-ключі
Їх треба створити, правильно зберігати і випадково не відправити в GitHub. Я один ключ уже закомітив разом із кодом. Тепер його треба відкликати й створити новий. Такі помилки теж входять у ціну власної системи.
API змінюються
Те, що працює сьогодні, не зобов’язане працювати через рік. Наприклад, після змін у Reddit один із моїх скриптів довелося переводити на OAuth. Це нормальна частина підтримки.
AI теж помиляється
І це, мабуть, найважливіше. AI дуже легко погоджується з припущенням користувача, навіть коли воно неправильне.
Тому для важливих речей я використовую окрему перевірку іншою моделлю. Claude запропонував рішення, OpenAI або Gemini перевіряє його незалежно. Іноді друга модель знаходить проблему, яку перша пропустила.
Тобто принцип простий:
AI може написати код. Це не означає, що код правильний.
Особливо якщо скрипт видаляє дані, витрачає гроші, відправляє листи або змінює щось через API. Тому в небезпечних місцях краще мати три речі: dry run, логування і можливість зупинити процес.
То навіщо все це?
Не заради того, щоб заощадити $20 на підписці. І не заради того, щоб написати «я автоматизував маркетинг за допомогою AI».
Найбільша перевага в тому, що нічого не пропадає. Кожна маленька інтеграція залишається з вами.
Сьогодні ви написали функцію, яка отримує дані з Search Console. Завтра додали GA4. Потім навчили систему записувати результати в Google Sheets. Ще через тиждень додали Ahrefs.
І коли виникає нова задача, не треба починати з нуля. У вас уже є більша частина деталей.
Це схоже не на купівлю автоматизації, а на власний набір Lego. Спочатку деталей мало. Потім із тих самих деталей можна швидко збирати зовсім різні речі.
З чого почати
Не починайте з думки «Мені треба побудувати систему автоматизації маркетингу». Це занадто велика задача. Візьміть одну дію, яку повторюєте щотижня і яку вже набридло робити руками.
Наприклад:
Відкрити Search Console → знайти сторінки, які втратили позиції → перевірити їх у GA4 → записати результат у таблицю.
Опишіть процес буквально як рецепт.
- Звідки беремо дані?
- Що з ними робимо?
- За якими правилами фільтруємо?
- Куди записуємо результат?
- Що має статися, якщо один із кроків не спрацював?
Кроки, де ви вручну заходите в чужий сервіс, це перші кандидати на API. Решта часто виявляється невеликим Python-скриптом.
Перша інтеграція може забрати день. Друга забирає пів дня. Десята іноді займає двадцять хвилин, бо половина потрібного коду вже написана раніше.
Через кілька місяців у вас з’являється не одна велика «автоматизація», а бібліотека маленьких інструментів під власну роботу.
І ось це, на мій погляд, головна зміна, яку приніс AI. Не те, що AI тепер може писати код. А те, що людина, яка добре розуміє свою роботу, але не є розробником, може сама перетворювати повторювані процеси на інструменти.
Не треба автоматизувати все. Почніть з того, що є рутиною і часто повторюється, або дратує:)
А які API та сценарії автоматизації використовуєте ви? Цікаво, що я досі пропустив.
Джерело: www.ukrinform.ua