Что люди реально сохраняют: data-исследование (2026)
Проанализировали первые 119 видео сохранённых на SavedThat. Микс платформ, распределение длительности, поведение в поиске и что ранние юзеры рассказывают о workflow сохранёнок.
Большинство статей «что люди сохраняют» — это вайбы. Мы вытащили реальный SQL-запрос.
Это честное data-исследование первых 119 видео сохранённых на SavedThat 43 ранними юзерами, и 202 поисков которые эти юзеры запустили по ним. Маленький sample, прозрачные оговорки. Дальше: что цифры реально говорят о том как люди сохраняют и пере-находят видео в 2026-м.
Полный разбор в конце поста. Три находки которые нас удивили:
- YouTube доминирует не по количеству, а по плотности контента. Две трети сохранённых видео — YouTube, но они дают 30+× произнесённого контента по объёму чем Instagram + TikTok вместе.
- 16% поисков возвращают zero results. Либо юзер сохранил не то видео, либо запросил до того как сохранил нужное. Оба — продуктовые сигналы.
- Кросс-юзерская дедупликация срабатывает даже на этом масштабе. 158 закладок указывают на 112 уникальных видео — примерно 1 из 7 сохранений это дубликат уже-индексированного транскрипта.
Датасет
- Видео проанализировано: 119 (статус
readyна 11 мая 2026) - Закладок: 158 (несколько юзеров могут сохранить одно видео, дедупликация в кросс-юзерском контент-сторе)
- Уникальных юзеров: 43 из 43 зарегистрированных аккаунтов
- Поисков залогировано: 202 от 15 юзеров
Маленько. Оговорка вынесена вперёд. Перезапустим когда корпус достигнет 1000 и снова на 10 000. Паттерны на 100 шумные но интересные потому что они текущие и сформированы тем кто реально регистрировался на early-stage продукте.
Дальше — разбор.
Микс платформ: YouTube — две трети, short-формы — одна треть
| Платформа | Сохранено видео | % сохранений | Средняя длительность |
|---|---|---|---|
| YouTube + Shorts | 79 | 66% | 30:10 мин |
| Instagram Reels | 33 | 28% | 0:56 сек |
| TikTok | 7 | 6% | 0:26 сек |
Две трети YouTube подтверждает то что предполагает маркетинг каждого bookmark-инструмента: long-form video saves всё ещё доминируют в use case продвинутого юзера. Удивило нас разрыв внутри самого YouTube — средние 30-минутные видео означают что наши ранние юзеры сохраняют подкасты, интервью и conference talks, не Shorts. Сравни с официальной медианной длительностью загрузок на YouTube — медианное видео на платформе сильно короче, так что что люди сохраняют резко смещено к длинному контенту.
Instagram идёт вторым на 28% — это short-form Reels со средней длительностью под минуту. Сохранять Reel и сохранять 90-минутный эпизод Lex Fridman — это явно разные job'ы, даже хотя оба попадают в одну библиотеку.
TikTok третий на 6%, в основном потому что когорта смещена к старшим (фаундеры, исследователи, product-люди). Это быстро ребалансируется по мере расширения аудитории SavedThat.
Скрытое соотношение: объём произнесённого контента
Счётчики обманывают. Умножим:
- YouTube: 79 видео × 1810 сек в среднем = 143 000 секунд произнесённого
- Instagram: 33 видео × 56 сек = 1850 секунд произнесённого
- TikTok: 7 видео × 26 сек = 180 секунд произнесённого
YouTube-сохранения дают в 30× больше произнесённого контента по объёму чем Instagram + TikTok вместе. Категория выглядит сбалансированной по числу и сильно перекошенной по тому что реально внутри видео. Это важно для transcript-search workflow: большинство поисковых запросов возвращают YouTube-хиты не потому что YouTube перепредставлен в сохранениях, а потому что YouTube-видео содержат гораздо больше текста для матчинга.
Распределение длительности: бимодальное
119 видео сортируются на две явные горки с провалом:
| Бакет длительности | Видео | % от общего |
|---|---|---|
| Меньше 1 минуты | 38 | 32% |
| 1–10 минут | 28 | 24% |
| 10–30 минут | 23 | 19% |
| 30–60 минут | 13 | 11% |
| Больше 1 часа | 11 | 9% |
Горка «меньше минуты» на 32% — это в подавляющем большинстве Reels и TikTok'и, быстрые сохранения рецептов, демо, шуток. Верхние горки 19% + 11% + 9% (43 видео, 36%) — это long-form YouTube-контент где плотность информации per-видео оправдывает сохранение.
Средний bucket 1–10 минут (24%) — самый странный — YouTube-туториалы, короткие Lex-Fridman-клипы, podcast-highlights. Это где «watch later» исторически умирал потому что видео слишком длинные для casual scroll-watching и слишком короткие чтобы планировать. Transcript search спасает именно этот bucket: на 5 минутах видео ты никогда не будешь пересматривать чтобы найти цитату, так что search-by-content — единственный retrieval-путь.
Поведение в поиске: 16% zero-result rate
Залогировали 202 поиска от 15 из 43 юзеров. Три числа выделяются:
- В среднем результатов на запрос: 13.5. Разумная плотность — семантический поиск over-eager by default; мы капаем result list на 20, и среднее комфортно ниже.
- Zero-result поисков: 33 (16%). Один из шести запросов не возвращает ничего.
- Юзеры которые искали / всего: 15 / 43 (35%). Только треть зарегистрированных юзеров поискала хотя бы раз.
16% zero-result rate — самая интересная метрика. Три диагностики почему:
- Не тот корпус. Юзер искал цитату из видео которое не сохранил. Часто в первую неделю использования. Фикс — продуктовый: показать empty state «сохрани сначала» когда юзер с меньше 3 сохранений запрашивает.
- Семантический промах. Язык запроса слишком далеко от языка транскрипта, reciprocal rank fusion не закрыл разрыв. Это видим больше всего когда юзеры запрашивают на русском против полностью английской библиотеки.
- Реально плохие транскрипты. Горстка видео с авто-субтитрами которые плохо покрыли произнесённый контент. Поиск не может найти то что не было проиндексировано.
Эти три причины примерно равномерно делятся в ручном ревью 20 zero-result поисков которое мы провели. Каждая — продуктовый фикс; никакой — фикс search-движка.
35% search-engagement rate честный и наверное типичный для инструмента чья ценность компаундит с размером библиотеки — при меньше 5 сохранений на юзера нечего искать. Перезапустим когда аккаунты пересекут в среднем 20 сохранений чтобы посмотреть сходится ли engagement.
Кросс-юзерская дедупликация: 1 из 7 сохранений — дубликат
158 закладок против 112 уникальных частей контента означают что около 41% юзеров хотя бы один раз сохранили видео которое уже кто-то сохранил. Самое-сохраняемое одиночное видео имеет 11 закладок поверх юзеров. Среднее число закладок на часть контента: 1.41.
Это прямой экономический сигнал. Каждое дублирующее сохранение — это transcript fetch + стоимость OpenAI-эмбеддинга которые мы не платим (Instagram/TikTok платно через Supadata; YouTube бесплатно, но compute-billable). На 41% dedup hit rate в 43-юзерском корпусе кросс-юзерский контент-стор уже экономит реальные деньги. На 1000 юзеров мы бы ждали что rate ползёт к 70%+ — самые популярные видео сходятся.
Продуктовая импликация: когда новый юзер сохраняет популярное видео — оно приземляется в библиотеку меньше чем за секунду без credit-стоимости, потому что транскрипт и эмбеддинги уже существуют. Этот опыт — moat; конкуренты с per-user контент-сторами этого не сматчат.
Что это говорит про категорию
Три выноса:
Transcript search — это long-form-видео-фича. 30× разрыв content-density между YouTube и short-form означает что техническая тяжёлая работа — на long-form стороне. Транскрипты Reels и TikTok дёшево фетчить и искать; YouTube-транскрипты — там где работа на index-volume и retrieval-quality окупается.
Middle-duration bucket — без хозяина. 1–10 минутные видео составляют 24% сохранений и хуже всего обслуживаются существующими инструментами. Нативный YouTube «Watch Later» обращается с ними как с 60-минутными (скролл-мимо). Short-form инструменты (Glasp) — как с 60-секундными (хайлайт конкретных моментов). Никто не подходит. Transcript-search инструмент который хорошо поднимает 1–10 минутный bucket выигрывает этот сегмент, и почти никто его не оптимизирует.
Кросс-юзерский dedup — недопромаркетирован. Каждый transcript-search инструмент кроме SavedThat обращается с библиотекой каждого юзера как с собственной базой. На 100 юзерах не важно. На 10 000 — это разница между устойчивой маржой и сжиганием OpenAI-кредита на дублирующий контент. Ждём что остальная категория скопирует это в 12 месяцев.
Что мы перезапустим
Это исследование задумано как re-runnable. Опубликуем апдейты на трёх milestones:
- 1000 видео проанализировано. Вероятно H2 2026. Ждём что микс платформ выровняется (TikTok ползёт вверх, YouTube уступает долю), а dedup-rate скакнёт.
- 10 000 видео проанализировано. Вероятно 2027. Бимодальность длительности должна обостриться, а zero-result rate упасть когда плотность контента догонит ширину запросов.
- 100 000 видео проанализировано. Когда-нибудь. Мы ещё не там.
Если хочешь быть в следующем snapshot'е — библиотека в которую ты сохраняешь это та что мы считаем. См. pricing или start free.
Сырые числа
Всё остальное в посте выводится из этой таблицы. Публикуем её чтобы любое утверждение выше было верифицируемым против источника.
| Метрика | Значение |
|---|---|
| Всего видео со `status=ready` | 119 |
| Всего user-закладок (videos.videos rows) | 158 |
| Уникального контента (videos.video_content_id distinct) | 112 |
| Зарегистрированных юзеров | 43 |
| Юзеров которые искали хотя бы раз | 15 |
| Всего поисков залогировано | 202 |
| В среднем результатов на запрос | 13.5 |
| Zero-result поисков | 33 (16%) |
| YouTube + Shorts (ready) | 79 |
| Instagram Reels (ready) | 33 |
| TikTok (ready) | 7 |
| Средняя длительность YouTube | 1810 сек (30:10) |
| Средняя длительность Reel | 56 сек |
| Средняя длительность TikTok | 26 сек |
| Самое сохраняемое одиночное видео | 11 юзеров |
| Среднее закладок на часть контента | 1.41 |
| Кросс-юзерский dedup hit rate | ~41% |
Snapshot снят: 11 мая 2026.
Keep reading
Search inside saved videos: the complete 2026 guide
Search inside saved videos by what was actually said — across YouTube, Instagram, and TikTok. How transcript search works in 2026, and four tools that do it.
Best AI video bookmark manager in 2026: 4 tools compared
The best AI video bookmark manager in 2026 depends on what you save. Honest comparison of SavedThat, Mymind, Raindrop, and Glasp — pricing, search, platforms.
The 7 best video transcript search tools in 2026
The 7 best video transcript search tools in 2026, ranked by what they actually do well. SavedThat, Glasp, Otter, Fireflies, Reduct, Trint, plus DIY Whisper.
Frequently asked questions (2026)
119 видео — достаточно чтобы делать выводы?
Нет — поэтому это рамлено как snapshot, а не исследование. Паттерны на 100 видео directionally интересные но статистически тонкие. Публикуем методологию и точные числа чтобы следующий snapshot на 1000 и 10 000 был сравним, а не чтобы кто-то читая делал бизнес-решения на 119-строчном sample.
Каких-то юзеров исключали из данных?
Три video_content-строки в статусе `failed` исключены (transcript fetch ошибся за пределами retry-лимита). Все 43 зарегистрированных юзера включены независимо от их save-count, включая 28 юзеров которые пока не искали. Никаких юзер-демографий не исключали — snapshot отражает каждого кто зарегистрировался на 11 мая 2026.
Как считался «объём произнесённого контента»?
Количество видео по платформе умноженное на среднюю длительность в секундах. Это аппроксимирует общий произнесённый контент потому что word-count транскрипта линейно коррелирует с длительностью для большинства речи. Не считаем тихие сегменты, музыку или визуальный контент — только speech-bearing длительность.
Почему среднее закладок на контент (1.41) так низко?
Кросс-юзерский dedup компаундит с размером когорты. На 43 юзерах семплированных с раннего лонча большинство видео всё ещё имеют только одну закладку. По мере роста зарегистрированных юзеров самые-популярные видео накапливают закладки быстрее чем сохраняются новые видео, и среднее лезет вверх. Pocket дошёл до 5–7× среднего закладок на URL на масштабе; ждём похожей траектории.
Будете перезапускать это исследование на масштабе?
Да — на 1000 видео, 10 000 и 100 000. Каждый milestone-пост будет держать ту же методологию и формат таблицы чтобы читатели могли diff'ать числа напрямую. Подпишись на RSS блога SavedThat или на фаундера в X для следующего snapshot'а.
Можно посмотреть сырые данные?
Нет — сохранённые видео и поисковые запросы это приватные user-данные и не экспортируются. Агрегатные числа в этом посте вычислены из анонимизированных счётчиков; ничего в опубликованной таблице нельзя оттрассировать на конкретного юзера или видео. Если хочешь верифицировать методологию — зарегистрируйся в SavedThat и увидишь те же паттерны запросов в своей библиотеке.