Wie ein Berater 50 YouTube-Branchen-Interviews in einer Woche mit BibiGPT auswertete (Fallstudie)
Wie ein Berater 50 YouTube-Branchen-Interviews in einer Woche mit BibiGPT auswertete (Fallstudie)
Reflexion eines interviewten unabhängigen Beraters. „Ich” bezieht sich auf den Befragten.
Der Engpass in der Branchenrecherche ist nicht das „Quellen finden” — sondern das „Verarbeiten der Quellen”. Als ein Kunde mir eine Woche Zeit für einen Energiespeicher-Bericht gab, hatte ich 50 YouTube-Branchen-Interviews identifiziert, aber kein Mensch kann 50 Stunden Video in einer Arbeitswoche ansehen. Hier ist der tatsächliche BibiGPT-Workflow, der das geschafft hat. Fünf Arbeitstage, 60-seitige Lieferung, A-Note vom Kunden.
Hintergrund
Ich bin unabhängiger Berater mit Fokus auf Hardtech und Markteintritt im Energiesektor. Meine Kunden sind PE-Fonds, Industriekonglomerate und staatliche Think-Tanks. Sie wollen nicht „viel Recherche” — sie wollen „schnell, tief, mit Urteil”.
Ende März 2026 kam ein Energiespeicher-Projekt herein:
- Kunde: ein erstklassiger PE-Fonds
- Frist: 5 Arbeitstage
- Lieferung: 60-seitige Präsentation zu Technologie-Roadmap, Schlüsselakteuren, Geschäftsmodellen, Politikausblick, Investmentthese
- Budget: unter einer Woche. Klassische Methode = 3 Analysten × 2 Wochen plus Überstunden.
Der harte Teil: Die hochwertigen Primärinformationen waren nicht in Forschungspapieren — sondern in Branchen-Interview-Videos. CEO-Auftritte in Podcasts, technische Experten in Gesprächen, Panel-Diskussionen auf Branchenkonferenzen. Ich hatte 50 YouTube-Videos in der engeren Auswahl, jedes 30 Minuten bis 2 Stunden lang.
50 × 60 Minuten (Durchschnitt) = 50 Stunden. Eine Arbeitswoche hat 40 Stunden.
Workflow-Übersicht
| Tag | Phase | Was BibiGPT geleistet hat |
|---|---|---|
| Tag 1 vormittags | Massen-Import | Alle 50 YouTube-Links in BibiGPT eingefügt, Batch-Zusammenfassungs-Warteschlange gestartet |
| Tag 1 nachmittags | Erstfilter | 50 KI-Zusammenfassungen gelesen, „originelle Erkenntnis” markiert, 18 entfernt |
| Tag 2-3 | Tiefenauswertung | Verbleibende 32 in eine Sammlung gepackt, Sammlungs-KI-Chat für videoübergreifende Q&A genutzt |
| Tag 4 vormittags | Highlight-Kuration | Notizen zu den 12 Kernvideos mit Highlights versehen, nach Themen geordnet |
| Tag 4 nachmittags | Gegenargument-Validierung | Sammlungs-KI-Chat für Widerspruchs-Prompts genutzt, 5 videoübergreifende Differenzen aufgedeckt |
| Tag 5 | Bericht schreiben | KI-Video zu Artikel + manuelle Integration → 60-seitige Präsentation |
Details der Schlüsselschritte
Tag 1: „50 Videos ansehen” in „50 Zusammenfassungen lesen” verwandeln
Ich ging auf die BibiGPT-Startseite und nutzte die Multi-Link-Batch-Zusammenfassung mit Shift+Enter, um alle 50 YouTube-Links auf einmal einzufügen und die Batch-Verarbeitung zu starten.
Ich ging zum Mittagessen. Zwei Stunden später waren alle 50 verarbeitet — jedes mit einer strukturierten Smart Deep Summary (Kernaussagen + Denkanstöße + Glossar + anklickbare Zeitstempel).
Am Nachmittag las ich Zusammenfassungen — keine Videos. Die Triage-Regel:
- Zusammenfassung erwähnt „proprietäre Daten”, „Insider-Perspektive”, „Nicht-Konsens-Ansicht” → behalten
- Zusammenfassung liest sich wie Branchenfloskeln → entfernen
50 → 32 Kandidaten nach dem ersten Durchlauf.
Tag 2-3: Sammlungs-KI-Chat ersetzt „alles ansehen”
Die 32 in eine Sammlung gepackt („Energiespeicher 2026Q1 Interviews”), Sammlungs-KI-Chat geöffnet. Das ist der entscheidende Schritt. Statt jedes Video zu öffnen, habe ich einfach gefragt.
Beispielanfragen:
- „Wie viele unterschiedliche Lager gibt es in diesen 32 Videos zu Energiespeicher-Geschäftsmodellen? Wer ist der Sprecher jedes Lagers?”
- „Erwähnten Interviewpartner die größte politische Unsicherheit für 2026? Welche Videos sprachen darüber?”
- „Bei der Technologie-Roadmap: Was wird häufiger erwähnt — LFP- oder Natrium-Ionen-Batterien? Wie verteilt sich die Stimmung?”
Jede Antwort kam mit Zitaten — ich konnte direkt zum Zeitstempel im Quellvideo klicken. Dieser Schritt komprimierte „32 Videos konsumieren” auf „fragen + KI-Synthese lesen + Schlüsselzitate stichprobenartig prüfen”.
Tag 4: Highlight-Notizen + Gegenargument-Validierung
Der Sammlungschat hob 12 unverzichtbare Videos hervor — diejenigen mit proprietären Daten oder Nicht-Konsens-Ansichten. Diese 12 sah ich mit aktivierten Highlight-Notizen an und sortierte die Highlights dann nach Themen innerhalb von BibiGPT.
Am Nachmittag tat ich etwas, das in der klassischen Beratungsrecherche selten geschieht — Gegenargument-Validierung. Ich fragte den Sammlungs-KI-Chat:
- „Wenn ich argumentieren will, ‚Energiespeicher liegt in den nächsten 3 Jahren im Sweet Spot von PE’, welche Gegenbeweise existieren in diesen 32 Videos?”
- „Welche Ansicht eines Interviewpartners wird von anderen am stärksten in Frage gestellt? Was ist der Kern der Meinungsverschiedenheit?”
KI brachte 5 videoübergreifende Widersprüche ans Licht. Diese wurden zum Herzstück des Abschnitts „Risikofaktoren” in der finalen Präsentation. Der Kunde lobte ausdrücklich diesen Abschnitt als herausragende Arbeit.
Tag 5: Von Notizen zu einer 60-seitigen Präsentation
Der letzte Tag war reines Schreiben. Ich gruppierte Highlight-Notizen nach Präsentationsabschnitten, nutzte KI-Video zu Artikel, um Schlüsselsegmente aus den 12 Kernvideos in strukturierten Text umzuwandeln, und fügte sie in meine PPT-Vorlage ein.
Endergebnisse:
- 32 strukturierte Video-Zusammenfassungen (~80.000 Zeichen)
- 12 mit Highlights versehene Kernvideos (~12.000 Zeichen)
- 5 videoübergreifende Widerspruchspunkte
- 60-seitige PPT-Präsentation
Zahlen (vs. klassisch)
| Dimension | Klassisch | BibiGPT-Workflow |
|---|---|---|
| Video-Konsum | 50 Stunden (Normalgeschwindigkeit) / 25 Stunden (2x) | 2 Stunden (Batch) + 4 Stunden (Kern-12) = 6 Stunden |
| Videoübergreifende Synthese | Nahezu unmöglich / menschliches Gedächtnis | Nativ via Sammlungs-KI-Chat |
| Gegenargument-Validierung | Selten gemacht | 1 Stunde |
| Gesamtzeit | 3 Analysten × 2 Wochen | 1 Berater × 1 Woche |
| Quellenrückverfolgbarkeit | Notizbuch / Word-Dokumente | Zitate auf Zeitstempel-Ebene |
Ich habe nicht alles an die KI ausgelagert. Kernurteil, Kundenkontext, narrativer Bogen — das ist meines. BibiGPT verarbeitete den mechanischen Teil — Videos ansehen — damit ich meine Zeit für Urteil und Storytelling aufwenden konnte. Das ist der Unterschied zwischen diesem Workflow und „die KI den Bericht schreiben lassen”.
Wer kann diesen Workflow noch wiederverwenden
Wenn etwas davon passt, können Sie das Playbook direkt kopieren:
| Sie sind | Schmerzpunkt | Wert dieses Workflows |
|---|---|---|
| Unabhängiger Berater / Branchenforscher | Wochen-Lieferungen, kann Quellen nicht schnell genug verarbeiten | 50 Stunden → 6 Stunden |
| Sell-Side / Buy-Side Aktienanalyst | Muss während der Berichtssaison Earnings-Call-Aufnahmen konsumieren | Batch-Zusammenfassung + Sammlungschat |
| Branchenfonds-Investor | Schnelles Urteil über einen Sektor nötig | Cross-Interview-Synthese |
| Unternehmensstrategie / BD | Tracking öffentlicher Wettbewerber-Interviews | Langfristige Sammlung, periodische Abfragen |
| Akademischer Forscher | Interviews/Konferenzvideos jenseits von Papieren | Multi-Video-Zitatverfolgung |
Probieren Sie es aus
- Neu hier → BibiGPT testen, Ihre aktuellen 5 Kandidatenvideos einwerfen
- Bestehender Nutzer → Erstellen Sie eine Sammlung für Ihr aktives Forschungsthema und probieren Sie Sammlungs-KI-Chat aus
- Heavy-Researcher → Kombinieren Sie mit Cubox oder Obsidian für dauerhafte Highlight-Speicherung
FAQ
Q1: Frisst „Batch-Zusammenfassung” nicht alle Credits auf?
A: BibiGPT-Mitgliedschaften werden pro Zusammenfassungsanzahl abgerechnet. 50 Videos auf einmal passen komfortabel in das monatliche Plus-Kontingent (Details auf der Mitgliedschaftsseite). Für „projekt-stoßartige Schwerstnutzung” wie Beratung sind Top-up-Pakete oder die Pro-Stufe besser geeignet.
Q2: Kann ich KI-Zusammenfassungen genug vertrauen, um Urteile darauf zu stützen?
A: Zwei-Schichten-Validierung: Schicht 1, KI fasst zusammen und Sammlungs-KI-Chat synthetisiert — komprimiert die Dichte auf verdaubares Maß. Schicht 2, ich sehe persönlich die 12 Kernvideos an, um Schlüsselaussagen zu bestätigen. Schnell und sicher. Wenn ein Kunde bei einer bestimmten Zahl empfindlich ist, springe ich zurück zum Zitat-Zeitstempel und prüfe wortwörtlich — BibiGPTs Zitate machen das schnell.
Q3: Interviewinhalt vs. Absicht des Interviewpartners — wie geht KI mit Kontextverschiebung um?
A: Die KI tut das nicht vollständig — deshalb ist der Schritt zur Gegenargument-Validierung wichtig. Ich frage Sammlungs-KI-Chat bewusst nach Widersprüchen zwischen Interviewpartnern; diese Widersprüche liegen meist in kontextsensitivem Terrain. KI gibt mir die Kandidatenliste, das Urteil ist meines.
Q4: Sind Kunden damit einverstanden, dass Sie KI für Recherche nutzen?
A: Ich kündige nicht proaktiv an „Ich habe KI verwendet”, aber wenn gefragt, bin ich transparent — KI übernimmt mechanische Arbeit (Ansehen, Notizen), Urteil und Narrativ sind meines. Kunden interessieren sich für Qualität und Tempo, nicht für Werkzeuge. Dieser Kunde gab eine A-Note und fragte „wie sind Sie so schnell so tief gekommen?”
Q5: Funktioniert derselbe Ansatz auch jenseits von YouTube — Podcasts / Bilibili / WeChat-Kanäle?
A: Ja. BibiGPT unterstützt 30+ Plattformen, darunter Bilibili, Xiaoyuzhou, Ximalaya, Douyin, WeChat-Kanäle. Für China-Marktforschung stütze ich mich stark auf Bilibili + Xiaoyuzhou — besonders Konferenzaufnahmen und tiefgehende Podcasts.
BibiGPT Team