Как оценивать AI-стартапы в 2025 году?

Привет! Меня зовут Саша Журавлёв — я основатель и управляющий партнёр венчурного фонда Mento VC. Мы инвестируем в технологические стартапы на ранних стадиях, и одна из ключевых тем для нас сегодня — AI.

Если 2023-й был «Большим взрывом AI», то 2025-й — это «Первый свет». Туман первых потрясений постепенно рассеивается, и на рынке начинают проступать очертания: появляются первые лидеры, складываются рабочие практики, вырисовываются закономерности успеха.

Одно можно сказать уверенно: AI запускает самую мощную волну технологических изменений за всю историю. Вопрос только в том, какие компании сумеют превратить хайп в реальную ценность и вырасти в новых лидеров. Ранний «гиперрост» сегодня мало что значит сам по себе — важно, насколько продукт удерживает клиентов, строит защитные барьеры и находит устойчивую модель.

Bessemer Venture Partners, один из самых сильных фондов в SaaS и AI, уже вложил свыше $1 млрд в AI-нативные стартапы и выпускает ежегодный отчёт State of AI. Это, пожалуй, один из самых системных ориентиров для основателей и инвесторов: через него видно, где формируются новые экосистемы, какие направления становятся рабочими, а где остаётся «тёмная материя».

В свежем State of AI 2025 авторы показывают новые ориентиры для рынка: как сегодня выглядят «сильные» стартапы в AI, где появляются устойчивые «галактики» — инфраструктура, дев-платформы, корпоративный и отраслевой софт, потребительский сегмент — и какие области остаются под вопросом. Отдельный раздел — прогнозы на ближайшие год-два.

Мы в Mento VC перевели и адаптировали для вас главное из этого отчёта. Читайте ниже разбор — это не только аналитика со стороны, но и рабочий инструмент, который помогает принимать инвестиционные решения и поддерживать наших фаундеров.

AI-бенчмарки: какими будут «сильные» стартапы в 2025 году

Бенчмарки (ориентиры для оценки стартапов) всегда были несовершенным инструментом. В эпоху AI они стали ещё менее надёжными. Некоторые AI-компании показывают темпы роста, которых мир раньше не видел — и это заставляет каждого основателя задаваться вопросом: а что теперь считать «нормой» и «успехом»?

История двух типов AI-стартапов и новый “T2D3”

Чтобы сформулировать новый набор бенчмарков, были изучены 20 быстрорастущих и устойчивых AI-компаний — как из портфеля фонда, так и за его пределами. Среди них — Perplexity, Abridge, Cursor и другие «выстрелившие» проекты.

Все они показывают впечатляющий рост, но подробный анализ показывает: в эпоху AI существуют два разных типа «ошеломляющего успеха». Их назвали:

Supernovas (Сверхновые — компании, которые взрываются в росте, но при этом сохраняют устойчивость и долгосрочный потенциал)
Shooting Stars (Падающие звёзды — стартапы с ярким, но краткосрочным всплеском роста, которые быстро выгорают)

AI Supernovas

«Сверхновые» — это AI-стартапы, которые растут быстрее, чем кто-либо в истории софтверного рынка. Они проходят путь от seed-раунда (посевные инвестиции на старте) до $100M ARR (годовой повторяющийся доход) буквально за год после выхода на рынок. Это одновременно самые захватывающие и самые рискованные компании.

Почему? Почти всегда такие цифры связаны с уязвимой выручкой:

резкий рост может объясняться низкими switching costs (стоимостью перехода к другому продукту),
либо новизной продукта, которая впечатляет, но может не превратиться в долгосрочную ценность.

Часто такие продукты близки по сути к функционалу базовых foundation models (основных моделей AI), и их могут назвать «тонкой обёрткой» (thin wrapper) — когда продукт лишь слегка «упаковывает» уже существующую модель. В горячо конкурентных сегментах это ведёт к тому, что маржа (разница между доходом и издержками) падает почти до нуля или даже уходит в минус — ради борьбы за рынок по принципу winner-take-all (победитель получает всё).

По данным Bessemer, 10 AI Supernova-стартапов в среднем достигли ~$40M ARR уже в первый год коммерциализации и ~$125M во второй. Но важно: topline ARR (просто показатель выручки) ещё не гарантирует здорового бизнеса. Устойчивый рост держится на retention (удержании клиентов), engagement (активности пользователей) и capital efficiency (эффективности использования капитала).

Средняя валовая маржа у таких компаний всего 25% — они сознательно жертвуют прибылью ради максимального охвата. Но при этом эффективность на сотрудника поражает: $1.13M ARR/FTE (выручки на одного работника), что в 4–5 раз выше классических SaaS-бенчмарков. Это может говорить о том, что в долгую такие бизнесы способны стать очень эффективными на масштабе.

AI Shooting Stars

«Падающие звёзды» выглядят иначе. Это скорее компании в духе «звёздных» SaaS (софт по подписке):

они быстро находят product-market fit (соответствие продукта потребностям рынка),
умеют удерживать и расширять клиентскую базу,
сохраняют высокую валовую маржу (разницу между выручкой и издержками) — чуть ниже, чем у классических SaaS-компаний, из-за быстрых темпов роста и дополнительных расходов на модели.

Растут они быстрее, чем SaaS-предшественники, но всё же остаются в рамках «традиционных ограничений» масштабирования компании: нужно нанимать людей, строить процессы, выстраивать продажи. Эти компании могут пока не попадать в заголовки новостей, но клиенты их любят, и они уверенно двигаются к тому, чтобы войти в историю софта.

В среднем Shooting Stars выходят на ~$3M ARR (годовой повторяющийся доход) уже в первый год коммерциализации, показывают четырёхкратный рост год к году (YoY), при этом держат валовую маржу на уровне ~60% и достигают ~$164K ARR/FTE (выручки на сотрудника).

Если для SaaS-эпохи эталоном был рост по модели T2D3 (triple, triple, double, double, double — удвоение трижды, потом утроение дважды), то для AI Shooting Stars лучше подходит формула Q2T3 (quadruple, quadruple, triple, triple, triple — четырёхкратный рост дважды, затем трёхкратный трижды). Такой сценарий отражает их пятилетнюю траекторию. Эти стартапы растут заметно быстрее классических SaaS, но не столь взрывными темпами, как AI Supernovas.

И если Supernovas — самые яркие исключения, то нынешнюю эру определят не они, а сотни Shooting Stars. Поэтому именно Shooting Stars — главный ориентир, на который стоит равняться AI-основателям.

Что это значит для AI-фаундеров

Эти необычные бенчмарки показывают реальность выдающихся AI-стартапов сегодня. Но важно понимать: чтобы построить культовую AI-компанию, не обязательно «выстрелить» и вырасти вчетверо за ночь. Многие сильные компании идут более размеренным путём — их рост определяется сложностью продукта и конкурентной средой.

Тем не менее скорость сегодня важнее, чем когда-либо. AI открыл возможности для более быстрого продуктового развития, go-to-market (выхода на рынок) и дистрибуции. Поэтому «Q2T3» (четыре раза подряд удвоение, затем трижды утроение) — это амбициозный, но всё более достижимый ориентир. Уже десятки стартапов доказали, что это реально — и, скорее всего, сможете и вы.

Правда, пока нет данных за все пять лет — возможно, через пару лет окажется, что вместо «Q2T3» (quadruple, quadruple, triple, triple, triple) правильнее будет «Q2 T1 D2» (двойной рост, потом ещё раз, потом утроение и удвоение). Но звучит это уже куда менее эффектно.

Дорожные карты AI-вселенной

Во всех направлениях, за которыми наблюдает Bessemer, за последний год многие элементы AI-стека (набор базовых технологий и инструментов) начали оформляться и «кристаллизоваться». В результате появились первые «ранние галактики» — области, где уже выстраиваются экосистемы.

Мы рассмотрим эти «галактики» в каждом из направлений и одновременно отметим зоны «тёмной материи» — сферы, где будущее остаётся неопределённым и мы можем только предполагать, куда всё пойдёт.

I. AI-инфраструктура

Формирующиеся галактики: модельный уровень

Сегодня несколько игроков — OpenAI, Anthropic, Gemini, Llama и xAI — продолжают задавать тон в мире базовых моделей AI. Они не только улучшают качество самих моделей, но и строят продукты поверх них: запускают агентов для программирования, работы с компьютером и интеграций через MCP (стандарт, который помогает разным AI-сервисам взаимодействовать).

Стоимость вычислений при этом продолжает снижаться — благодаря софтовым оптимизациям и более эффективному «железу».

Открытые модели вроде Kimi, DeepSeek, Qwen, Mixtral и Llama показывают, что open-source экосистема способна конкурировать с закрытыми решениями — а в некоторых случаях даже обходить их в узких задачах.

В исследованиях тоже есть движение вперёд. Google недавно предложила новый подход Mixture-of-Recursions: он помогает увеличить масштаб, балансируя между скоростью работы модели и точностью на небольших выборках данных. Возрождаются архитектуры Mixture-of-Experts (когда разные специализированные модели объединяются), и появляются новые техники работы на этапе вывода: test-time reinforcement learning (модель корректирует ответы прямо во время работы) и adaptive reasoning (гибкая глубина рассуждений — иногда быстрый ответ, иногда многошаговый анализ). Такие методы особенно перспективны в отраслях вроде медицины и финансов.

Все эти прорывы на уровне моделей — лишь часть более крупного процесса смены платформы.

Пока компании строят продукты, изначально основанные на AI, и интегрируют AI в традиционные сервисы, формируется новый слой инфраструктуры: модели, вычислительные мощности, фреймворки для обучения, инструменты оркестрации (управления процессами) и observability (мониторинга работы). В дорожной карте AI-инфраструктуры 2024 года Bessemer уже показывали этот тренд. Специализированный стек даёт разработчикам скорость и гибкость, но сейчас компании всё чаще «собирают стек под ключ», захватывая соседние уровни. И хотя прогресс впечатляет, развитие AI-инфраструктуры явно ещё только в начале пути.

Второй акт AI-инфраструктуры

Первая эра AI прошла под знаком больших алгоритмических прорывов: обратное распространение ошибки, сверточные сети, трансформеры. Прогресс шёл в основном за счёт улучшения алгоритмов и методов масштабирования. Инфраструктура тоже развивалась в эту сторону: появились гиганты в области базовых моделей, вычислительных мощностей и разметки данных.

Но следующий этап обещает быть ещё глубже.

Как недавно заметил Shunyu Yao из OpenAI: «Вторая половина AI — начиная с сегодняшнего дня — будет не про то, как решать задачи, а про то, как их формулировать».

Во «втором акте» AI-инфраструктура смещает акцент: от демонстрации того, что AI способен решать задачи, — к созданию систем, которые умеют задачи формулировать, измерять и решать на основе опыта, контекста и цели.

Крупные лаборатории отходят от гонки за очередным рекордом на бенчмарках и начинают проектировать AI, который работает в реальных условиях. А корпорации переходят от тестовых прототипов к полноценному внедрению.

Эти изменения подготавливают почву для новой волны инфраструктурных инструментов. Их цель — не просто масштаб и эффективность, а «приземление» AI в реальные процессы, непрерывное обучение и работу с живым контекстом. Среди примеров:

среды обучения с подкреплением и платформы для генерации задач (Fleet, Matrices, Mechanize, Kaizen, Vmax, Veris), которые заменяют традиционные датасеты, потому что одной лишь разметки от людей уже недостаточно;
новые системы оценки и обратной связи (Bigspin.ai, Kiln AI, Judgment Labs), которые позволяют строить постоянные и точные фидбэк-циклы;
составные AI-системы, где сила модели дополняется retrieval (поиск знаний), memory (память), planning (планирование) и оптимизацией на этапе inference (вывода).

Мы только в начале этого перехода: от AI как «доказательства концепции» к AI как системе, которая сама формулирует задачи и адаптируется к опыту реального мира.

Тёмная материя (так авторы называют важные, но пока неясные направления развития AI): горький урок AI

«Горький урок» Рича Саттона напоминает: самые сильные прорывы в AI происходили не из-за «ручной настройки» функций или экспертных эвристик (правил, придуманных людьми), а благодаря росту вычислительных мощностей и универсальным методам обучения.

Теперь, когда AI-инфраструктура вступает в новый этап, остаётся открытым вопрос: какие подходы окажутся действительно эффективными и масштабируемыми, если нужно встроить в модели контекст, понимание и отраслевую экспертизу, чтобы AI приносил практическую пользу в реальном мире.

II. Платформы и инструменты для разработчиков

Формирующиеся галактики: AI-инжиниринг как часть разработки софта

Помимо инфраструктуры, AI радикально изменил сам процесс написания кода. Естественный язык стал новым интерфейсом программирования: теперь достаточно формулировать инструкции словами, а модели выполняют команды. По сути, промпт (запрос) становится программой, а LLM (large language model, большая языковая модель) — новым типом компьютера.

Это не постепенная эволюция инструментов, а полное переосмысление разработки. Подробный обзор выйдет в отдельной карте Developer Tooling for Software 3.0, но главный тезис уже ясен: вопрос не в том, использует ли команда AI, а в том, насколько эффективно она встроила его в свои процессы. Лучшие инженерные команды уже не просто пишут код с помощью AI — они строят системы, которые обучаются, адаптируются и ускоряют релизы на каждом цикле.

Формирующиеся галактики: Model Context Protocol (MCP)

На горизонте появился новый слой инфраструктуры — Model Context Protocol (MCP). Его представила Anthropic в конце 2024 года, и за считанные месяцы его приняли OpenAI, Google DeepMind и Microsoft. MCP быстро становится универсальным стандартом, через который AI-агенты получают доступ к внешним API, инструментам и данным в реальном времени.

Создатели MCP сравнивают его с USB-C для AI. Он поддерживает постоянную память, работу с несколькими инструментами и гибкие права доступа между сессиями. Благодаря этому агенты могут связывать задачи в цепочки, работать с живыми системами и взаимодействовать с приложениями — не просто генерировать текст.

Для разработчиков MCP резко упрощает интеграции. Для фаундеров это открывает возможность строить по-настоящему «агентные» продукты — где AI действует не как помощник, а как полноценный исполнитель от имени пользователя.

Важно помнить: MCP — это «рецепт», а не «шеф-повар». Чтобы он реально заработал, нужны экосистемы вроде FastMCP от Prefect (облегчает создание MCP-серверов) и инструменты вроде Arcade и Keycard (авторизация и управление правами агентов). По мере того как вокруг MCP формируется целая «созвездие» решений — коннекторы, фреймворки управления, специальные инструменты для агентов — можно ожидать, что MCP станет для агентного веба тем же, чем HTTP стало для интернета.

Тёмная материя: память, контекст и большее

По мере того как AI-процессы становятся нативными, память превращается в базовый элемент продукта. Именно способность помнить, адаптироваться и персонализироваться делает AI-систему не просто полезной, а незаменимой.

Контекст — это данные, которые модель видит в момент работы.
Память — это информация, которую модель сохраняет между сессиями: она поддерживает многошаговое рассуждение, персонализацию и непрерывность агента.

Сегодня расширенные контекстные окна (от 128k до 1M+ токенов) и технологии RAG (retrieval-augmented generation, генерация с поиском по данным) позволяют проводить более цельные диалоги в одной сессии. Но настоящая долговременная память между сессиями пока остаётся открытой проблемой. Над этим работают и гиганты, и стартапы — например, mem0, Zep, SuperMemory и LangMem от LangChain.

Скорее всего, лидирующие AI-стэки будут комбинировать несколько типов памяти:

краткосрочную — за счёт больших контекстных окон,
долгосрочную — через векторные базы и «операционные системы памяти» (например, MemOS),
семантическую — с помощью гибридного RAG и новых модулей эпизодической памяти.

Но у всего есть компромиссы: длинные контексты повышают задержку и цену, а постоянная память остаётся хрупкой без «умной инженерии контекста» (динамического отбора, сжатия, изоляции задач).

Агентные приложения — dev-агенты, AI-ассистенты для продаж, креативные инструменты — первыми осваивают многослойную память и stateful workflows (рабочие процессы с сохранением состояния). В исследованиях тоже появляются новые подходы: нейронная память, непрерывное обучение, локальные контекстные буферы — они обещают сделать масштабируемое «воспоминание» реальностью.

Для фаундеров именно память и контекст могут стать новым moat (защитным барьером от конкурентов). Если продукт понимает пользователя и его мир лучше любого другого инструмента, заменить его будет почти невозможно. Пример: кодовый ассистент, который знает весь код вашей команды, или AI-продавец, встроенный в CRM и почту.

Победители этого рынка будут те, кто научится:

строить гибкие системы с памятью и быстрым доступом к данным,
проектировать implicit learning (скрытое обучение из взаимодействий) и глубокую интеграцию в ключевые процессы,
превращать контекст в нарастающее преимущество — в данных, дистрибуции и пользовательском опыте.

Фаундерам важно относиться к памяти не как к «бэкенду», а как к продукту. Те, кто начнут строить memory-aware системы уже сегодня, создадут самые умные, персонализированные и «липкие» AI-продукты завтрашнего дня.

III. Горизонтальный и корпоративный AI

Формирующиеся галактики: давление на системы учёта (Systems of Record, SoR)

В корпоративном софте AI открывает возможность для стартапов «потревожить» самые крупные и прочные системы учёта. Десятилетиями CRM и ERP вроде Salesforce, SAP, Oracle и ServiceNow были почти неприступны: огромный функционал, сложность внедрения, критическая важность данных для бизнеса. Эти системы имели самые мощные защитные рвы (moats), а стоимость перехода к другому решению была настолько высокой, что лишь единицы стартапов решались конкурировать.

Теперь ситуация меняется. AI умеет структурировать неструктурированные данные и генерировать код по описанию задачи на обычном языке. Это резко удешевляет и ускоряет миграцию на новые системы. Агентные процессы постепенно заменяют ручной ввод данных, а проекты внедрения, на которые раньше уходили годы и армии интеграторов, теперь выполняются во много раз быстрее.

Новые платформы не просто «хранят информацию», а действуют на её основе. Например:

CRM вроде Day.ai и Attio автоматически логируют взаимодействия с клиентами через email, звонки и Slack.
AI-native ERP вроде Everest, Doss и Rillet автоматизируют финансовое планирование и закупки.

Разрыв в продуктивности становится слишком очевидным. Основатели больше не строят просто «лучшие системы учёта» — они создают системы действия (Systems of Action).

Что открывает рынок для фаундеров, строящих системы действия:

AI Trojan horse — внедрение «клиновых» функций (wedge), которые сразу начинают перехватывать поток данных, не требуя заменить всю систему с первого дня.
Внедрение — в 10 раз быстрее за счёт codegen (автогенерации кода) и перевода бизнес-логики с языка описания в готовый код.
Данные — автоимпорт и трансляция между разными схемами, что позволяет мигрировать данные за 1 день и почти убивает «vendor lock-in» (привязку к старому вендору).
ROI — в 10 раз выше по сравнению со старыми системами: агентные процессы сокращают расходы на интеграторов и ускоряют возврат инвестиций.

По сути, начинается смена поколений — переход от systems of record к systems of action.

Формирующиеся галактики: новое поколение CRM, HR и Enterprise Search

Главный вопрос: создают ли AI-стартапы совершенно новые категории или они впервые реально угрожают гигантам?

В CRM первые признаки разрушения монополии уже видны. AI-native инструменты не просто заменяют старые CRM — они создают совсем другой опыт: автоматизируют рутину для сейлзов и дают менеджерам рекомендации, куда тратить время, на основе автоанализа сигналов по сделкам во всех каналах. Это скачок в 10 раз, а не улучшение на 10%.

Похожие «клины» мы видим и в других сферах:

HR и рекрутинг — AI-ассистенты помогают отбору кандидатов, онбордингу и отслеживанию эффективности.
Корпоративный поиск — «горизонтальные копилоты», обученные на внутренних данных, начинают вытеснять поиск по SharePoint и Notion.
FP&A (финансовое планирование и анализ) — AI-инструменты объединяют данные из разных систем и позволяют аналитикам строить сложные прогнозы без поддержки дата-инженеров.

Главный приём — начинать с AI-клина: маленькой, но ценной функции, которая постепенно расширяется до полноценной системы учёта. Это позволяет собирать уникальные данные, сохраняя совместимость со старым окружением. Так действуют, например, Tradespace (управление IP) и Serval (управление IT-сервисами).

Мы ещё в начале пути, но линии фронта уже прорисовываются: часть компаний создаёт совершенно новые категории, часть идёт на замену старым SoR. Это пространство будет одним из самых динамичных.

Тёмная материя: ERP для крупных предприятий и длинный хвост SoR

Несмотря на прогресс, многие крупные корпоративные поверхности пока остаются почти нетронутыми:

ERP уровня enterprise — новые AI-решения сейчас фокусируются в основном на SMB и mid-market (малый и средний бизнес) и на более простых секторах (например, софт или услуги). В сложных индустриях с производством, логистикой и запасами внедрение займёт годы: breadth продукта (ширина возможностей) у новых игроков пока недостаточна.
Длинный хвост SoR — кроме CRM и ERP, существует масса нишевых систем учёта: от платформ идентификации в кибербезопасности до систем компьютеризированного диспетчинга для служб экстренной помощи или CMS для веб-дизайна. Все эти категории тоже ждут своей волны «разрушителей», но это долгий путь на десятилетие вперёд.

Потенциал огромный, но реализация ещё впереди. Возможно, новые звёзды появятся именно здесь — но пока предсказывать рано.

IV. Отраслевой (Vertical) AI

В прошлом году авторы выдвинули смелую гипотезу: Vertical AI может превзойти даже самые успешные рынки отраслевых SaaS-систем. Сегодня уверенность в этой идее только усилилась. Внедрение идёт всё быстрее, особенно там, где процессы долго оставались ручными, сервисо-ёмкими или считались «технофобными». Оказалось, дело было не в нежелании внедрять технологии, а в том, что традиционный SaaS не справлялся с отраслевыми задачами, требующими работы с мультимодальными данными или языком. Vertical AI наконец приносит такие решения — продукты, которые ощущаются не как софт, а как реальный инструмент усиления.

Формирующиеся галактики: отраслевые сценарии автоматизации

Множество индустрий, включая те, что раньше считались «технофобными», демонстрируют явное ускорение внедрения Vertical AI. Например:

Здравоохранение:
Abridge автоматизирует клинические записи с помощью генеративного AI, снижая нагрузку на врачей и повышая качество документации.
SmarterDx помогает больницам восстанавливать упущенную выручку, автоматизируя сложные кодировочные процессы.
OpenEvidence автоматизирует обзор медицинской литературы и выдаёт мгновенные ответы в точке ухода за пациентом.
Юридическая сфера:
EvenUp превращает дни рутинной работы в минуты, создавая юридические пакеты для исков и помогая фирмам масштабировать количество дел.
Ivo помогает автоматизировать проверку контрактов и искать по ним в естественном языке.
Legora ускоряет юридические исследования, проверку и подготовку документов, поддерживая коллаборацию в процессе.
Образование:
Brisk Teaching и MagicSchool предлагают учителям AI-инструменты для автоматизации проверки, репетиторства и создания учебного контента.
Недвижимость:
EliseAI автоматизирует трудоёмкие процессы управления недвижимостью — от коммуникации с арендаторами до проверки договоров аренды.
Домашние услуги:
Hatch выступает как команда AI-представителей поддержки.
Rilla анализирует живые продажи по аудиозаписям и масштабирует обучение агентов.

Общие закономерности прорывных компаний:

Сильный wedge (клин): первые победители начинают с решения ключевой боли, часто связанной с языком или мультимодальностью. Такие продукты легко внедряются, потому что встроены в привычные процессы. Голос и аудио встречаются особенно часто как «волшебный клин».
Контекст как защита: прочность строится на глубокой экспертизе в отрасли — интеграциях, уникальных данных, интерфейсах под конкретные задачи. Лучшие команды быстро выходят за пределы простого fine-tuning и делают глубоко встроенные продукты.
Ценность с первого дня: ROI очевиден сразу, пользователю не нужно убеждать себя с Excel-таблицей. Эти решения дают 10x рост продуктивности, снижают издержки или ускоряют рост выручки — и ощущаются как «must have», а не «nice to have».

Тёмная материя: открытые вопросы в Vertical AI

Несмотря на быстрый прогресс, остаются серьёзные неопределённости в трёх областях:

Взаимодействие с системами учёта: продолжат ли новые компании интегрироваться в существующие SoR или начнут конкурировать напрямую? Возможно ли будущее, где старые SoR перестанут быть центром, уступив место AI-нативным «системам действия» в каждой отрасли?
Конкуренция с гигантами: в отраслях, где incumbents (укоренившиеся лидеры) не дремлют, смогут ли новые игроки пробиться или решающим фактором станет масштаб и дистрибуция?
Долгосрочные data moats: смогут ли Vertical AI-компании сохранить уникальные данные в условиях, где данные фрагментированы, чувствительны к приватности и трудны для стандартизации?

V. Потребительский AI

По мере того как развивается сама технология, появляются и новые потребительские сценарии. В прошлом году основное использование было связано с продуктивностью: написание и редактирование текстов, поиск информации. Но всё больше пользователей идут глубже: терапия, общение, самопомощь. AI перестаёт быть «ассистентом по задачам» и начинает заходить в более значимые сферы жизни.

Формирующиеся галактики: AI-ассистенты для повседневных задач и творчества

Пользователи всех возрастов всё чаще обращаются к универсальным LLM — особенно ChatGPT и Gemini. В марте 2025 у них было примерно 600 млн и 400 млн активных пользователей в неделю. То, что начиналось как новинка, стало привычкой: сотни миллионов людей каждую неделю используют эти ассистенты для поиска, планирования, советов и общения.

За последний год особенно вырос голосовой интерфейс. В отличие от старых Alexa и Siri, голосовые ассистенты на LLM понимают открытые вопросы, поддерживают диалог, помогают в рефлексии. Это естественный, «hands free» способ взаимодействия с технологией. Платформы вроде Vapi помогают делать такой опыт более живым — с учётом языка, контекста и эмоций.

Один из самых заметных сдвигов — это поиск и взаимодействие с интернетом. Здесь ярко выделился Perplexity: его быстрый UX и «модель-агностичная» архитектура сделали его лидером среди AI-поиска. А запуск Comet, браузера с агентами, ещё больше расширяет границы — возможно, именно этот формат определит, как будут работать агенты будущего.

AI также снижает барьеры для творчества. Сегодня каждый пользователь потенциально может быть создателем.

Приложения вроде Create.xyz, Bolt и Lovable позволяют строить приложения.
Suno и Udio — создавать музыку.
Moonvalley, Runway, Black Forest Labs — работать с мультимедиа.
FLORA, Visual Electric, ComfyUI и Krea — ускоряют генерацию идей и итерации.

AI превращает обычных людей в создателей контента и раздвигает границы возможного.

Формирующиеся галактики: специализированные AI-ассистенты

По мере того как пользователи интегрируют AI глубже в жизнь, появляется волна приложений для конкретных задач. Одно из самых быстрорастущих направлений — ментальное здоровье и эмоциональное благополучие. Помимо «ChatGPT-терапии», растут специальные продукты для саморефлексии и личностного роста:

AI-дневники и менторы вроде Rosebud,
игровые приложения для заботы о себе, как Finch.

Character.AI был первым сигналом интереса к «эмоциональному AI», а теперь этот тренд стал массовым: ассистенты учатся работать с памятью, устойчивостью и саморазвитием.

Другой сегмент — управление почтой и календарём. Стартапы упрощают планирование встреч, почту и списки задач с помощью AI. Но здесь конкуренция особенно жёсткая, а доверие пользователей — критично, поэтому рост даётся непросто.

Есть и нишевые приложения: для питания, спорта, воспитания детей. Но пока большинство пользователей всё равно возвращаются к универсальным ассистентам — они «достаточно хорошие» для большинства задач. Чтобы выделиться, специализированным приложениям нужно давать заметную, уникальную ценность.

Тёмная материя: нерешённые потребительские сценарии

Некоторые очевидные потребности до сих пор не закрыты — не из-за отсутствия спроса, а потому что технологии ещё недостаточно зрелые. Речь о случаях, где AI должен действовать сам от имени пользователя.

Проблемы безопасности, автономности и надёжности пока не решены, поэтому полноценные агентные ассистенты ещё в зачатке.

Очевидные незакрытые ниши:

Путешествия: бронирование всё ещё фрагментировано и трудоёмко. Возможность сделать «AI-консьержа» для путешествий огромна, но пока нереализована.
Шопинг: потенциал e-commerce может радикально измениться, когда точкой входа станет не Google, а агенты, которые сами сравнивают цены, ищут товары и оформляют заказ.

Кто займёт эти ниши? Контролёры AI-браузеров? Универсальные LLM-ассистенты? Или новая волна «end-to-end» приложений-агентов? От этого во многом зависит, кто станет следующим потребительским гигантом.

В чём суть и что дальше

Если коротко, наш вывод такой: AI уже не «фича», а новый операционный слой Software 3.0. Там, где сегодня формируются «галактики» — инфраструктура, дев-платформы, корпоративный и отраслевой софт, потребительские продукты, — завтра будут рождаться платформы масштаба единорогов. Ключ к отбору — не разовые всплески, а устойчивость: удержание, глубина встраивания в процессы, собственные данные и «память» систем.

Именно отсюда логично перейти к следующему шагу — где именно искать этих будущих единорогов. В статье «Software 3.0: где искать будущих единорогов» вы найдете информацию, как:
— как AI меняет саму разработку: язык становится кодом, а агенты берут на себя рутину;
— с каких «клинов» удобнее всего заходить на рынок и вырастать в платформы;
— какие фундаментальные блоки стека (память, контекст, контроль качества) станут основой завтрашних лидеров.

👉 Продолжение здесь: Software 3.0: где искать будущих единорогов

Если вы, как и мы в Mento VC, хотите быть в центре этой трансформации — пишите Кате (@katiatatulova), Head of Operations. Расскажем, как присоединиться к нашим сделкам в AI. А чтобы не пропускать разборы и лучшие материалы про AI и венчур на русском — подписывайтесь на мой Telegram: Саша Журавлёв | Mento VC.