Саша Журавлев | Mento VC

LLM становятся умнее, но есть ценность, до которой они не дотянутся. Где она?

2026-06-15T11:58:52.462Z

Привет! Меня зовут Саша Журавлев. Я основатель и управляющий партнер фонда Mento VC. Мы инвестируем в технологические компании на стадиях Seed / Series A в США, Великобритании и Израиле, а в своем телеграм-канале рассказываю, как вижу рынок и принимаю инвестиционные решения.

На прошлой неделе Сара Гуо (основательница AI фонда Conviction, ~$300 млн под управлением) написала статью о том, что есть работа, которую невозможно свести к стандарту или измерить. А раз нельзя измерить – нельзя и обучить модель делать ее лучше.

Эта статья один из лучших материалов детально отвечающих на вопрос – почему мы инвестируем в Application Layer (продукт поверх фундаментальных моделей). Что там является ценностью, а что нет.

Считаю что это обязательно к прочтению, особенно если хотите понять, какие бизнесы получают венчурные деньги, а какие нет и почему.

Читайте наш перевод с пояснениями ниже.

Версия «AI-психоза» в 2026 году у инвесторов – это чувство отчаяния от мысли, что инвестировать больше не во что, что надо просто отнести все деньги в Anthropic и Nvidia и разойтись по домам. Сара, автор статьи, этого не чувствует. Версии языковых моделей продолжают выходить и обновляться. Сара давно уверена, что все новые LLM умнее ее, и с удовольствием купила бы акции Anthropic и Nvidia по текущей рыночной цене – то есть даже по сегодняшней, уже очень высокой оценке. Все ее самые умные друзья убеждены, что скоро модели научатся улучшать сами себя – и все равно она не чувствует отчаяния. Хотя логика понятна: если LLM становятся лучше во всем, значит, любая компания, построенная на основе модели, – это хрупкая надстройка, которую рано или поздно поглотит сама модель. И единственная настоящая ценность – это вычислительные мощности и передовые LLM.

Возьмем программирование: именно на него чаще всего ссылаются сторонники позиции отчаяния. В 2024 году Devin (AI-агент в сфере разработки) решал 13% задач в стандартном тестировании по программированию, и его в основном не воспринимали всерьез. Спустя полтора года лучшие AI-помощники уже показывают результат до 90% в таких же тестах, и работают внутри Goldman Sachs и в армии США. Почти все сделали из этого один и тот же, но неправильный вывод: модель «съела» профессию программиста. На самом деле произошло другое: модель поглотила ту часть программирования, которую проще всего измерить. И теперь мы ясно видим то, что многие команды знали и так: работа инженеров всегда плохо поддавалась измерению. А самые измеримые ее части оказались, кажется, далеко не самыми важными.

Исследователь Мерт Демирер и его соавторы из MIT (Массачусетский технологический институт, один из самых престижных технических университетов мира) наконец посчитали это на данных: среди более чем 100 тысяч разработчиков новые AI-инструменты увеличили объем написанного кода примерно на 180%, а объем реально внедренного в продукт – примерно на 30%. Писать код стало дешево, но все остальное пока проходит через человека – и вот это важно! Общий эффект, конечно, все равно впечатляющий.

Бенчмарк (эталонный тест для оценки LLM) – это то, что можно измерить. А если что-то можно измерить – значит, можно натаскать модель делать это идеально. Поэтому AI-агенты для программистов «созрели» первыми: компилятор (программа, которая сразу показывает ошибки в коде) бесплатно проверяет код, автоматические тесты (заранее прописанные в коде проверки) тоже бесплатно проверяют код. И когда ответ проверяет сам себя бесплатно, можно бесконечно повторять эту проверку, пока не пройдешь. Но пройти проверку – не значит добиться корректного изменения в старом десятилетнем коде. Где у одного модуля есть минимум три причины существовать, и они нигде и никем не задокументированы. Где вся система держится на автоматическом скрипте, запускаемом по расписанию. Про который никто не хочет признаваться, что написал его.

Такую «корректность» невозможно проверить никаким тестом – вообще никаким. Работает ли настолько сложная система, можно выяснить только когда она достаточно долго просуществует в реальных условиях. Даже более умная LLM не заставит время идти быстрее. Никто не будет прогонять тесты на чем-то размером с Google и ориентироваться на зеленые галочки; доверие к системе такой величины рождается спустя годы. Такая «корректность» не просто закрыта от внешнего мира, она еще и медленно изменяема – это вид преимущества, который деньги не могут отнять быстро. Даже оптимисты признают, что время нельзя ускорить: Ноам Браун (исследователь OpenAI, руководил разработкой моделей o1, o3 на самом старте) недавно писал, что единственный надежный способ оценить агента на горизонте в год – это, возможно, запустить его работать… на год.

Как говорит Гейб Перейра (основатель Harvey, одной из самых успешных AI-компаний в юридическом бизнесе, $100 млн годовой выручки), настоящая автоматизация – это не только когда LLM стала лучше. Это когда продукт, модель, бизнес-процессы и сама компания улучшились все вместе. А три из четырех этих вещей двигаются со скоростью компании, не модели. Именно работа с людьми – то, чего не видно ни в одном тесте. Убедить скептичного партнера изменить подход к работе, удержать команду во время перестройки процессов. Вот почему, когда мы нанимаем CEO, умение работать с людьми значит не меньше, чем аналитические способности – и более умная модель этого не изменит. Обратная связь в человеческих отношениях не так однозначна, горизонт – годы, и доверие все еще остается к живому человеку. Каждая компания, которую Сара знает, уже дала своим инженерам доступ к передовым AI-инструментам для кода. Но ни одна компания не смогла так же быстро перестроить свою инженерную команду. Внедрение инструментов заняло всего квартал, и какой стремительный рост это был! Но перестройка работы команды займет годы.

Все понятное и измеримое уходит на второй план. Ценная работа по своей природе часто непрозрачна. А все, что можно внести в таблицу, можно и натренировать – значит, все измеримое уже на пути к превращению в продукт массового потребления. Этот процесс не происходит мгновенно, и никогда не происходит до конца – но направление не меняется. Переведем на язык денег, как делает друг Сары Мэтт Макиннис из Rippling (платформа для управления персоналом и бизнес-операциями, оценка $16+ млрд): токен, потраченный на ответ на общий вопрос, почти ничего не стоит, потому что любая LLM может на него ответить. А токен, потраченный на рассуждение с контекстом в виде данных вашей компании, стоит намного больше: потому что он выдает не просто «правдоподобный» ответ, а именно тот, который вам нужен.

Измеримая работа поглощается с двух сторон. Снизу задачи упрощаются до предела: как только работу можно проверить дешево, заказчика перестает интересовать, какая модель их выполнила. Он начинает спрашивать, сколько это стоит? И тогда работа уходит к самой дешевой общедоступной или облегченной LLM на этой неделе. Везде, где разница в цене может иметь значение, она в конце концов имеет значение. Сверху – крупные лаборатории (OpenAI, Anthropic, Google) пытаются встроить в сами модели все то, что раньше было внешней надстройкой. Поиск нужной информации, выбор между дешевыми и дорогими LLM, работа с инструментами и скиллами, даже правила рассуждения – вся конструкция, которая раньше строилась вокруг модели, теперь затягивается внутрь до тех пор, пока она не станет самой моделью. Это граница поглощения. Но давление на маржу работает и в обратную сторону: универсальный AI-агент должен быть готов ко всему, а это дорого. Тогда как узкоспециализированное приложение может отточить один рабочий процесс так, что он будет потреблять в разы меньше токенов, и в отличие от лаборатории, которая продает ему эти токены, разницу оно оставит себе.

Итак, про любую работу теперь можно задать два вопроса. Доступ к ее «корректности» закрыт и дорог в проверке: то есть, верные решения существуют только внутри чьих-то данных? Эта работа заперта внутри системы, куда нельзя просто так зайти? Сопоставьте это со степенью легковыполнимости задачи – и получится таблица 2х2. Легко выполнимая, уже «освоенная» LLM работа с доступными всем ответами – это массовые запросы, дешевые токены. Этим куском рынка уже владеют open-source модели (Gemma, DeepSeek, Qwen). Более сложная работа с общедоступными ответами – это зона тестирований в программировании. Этот кусок рынка достается крупным лабораториям (OpenAI, Anthropic, Google): раз проверить результат может кто угодно бесплатно, посредник тут ничего не заработает. Главный приз – в последнем углу. Неподдающееся обучению. Это видно на примере облачных сервисов для AI-компаний нового поколения: огромная часть токенов там создается не общими открытыми моделями, а кастомными LLM, спроектированными под конкретные задачи.

Порог входа в зону «неподдающегося обучению» разный. Кодовая база одного разработчика переносима и стандартна, забраться туда проще простого. Боевые системы банка – совсем другое дело. Они не стандартизированы и не переносимы. И никто не даст вам полный доступ только потому, что вы на 2% лучше справились с бенчмарк-тестом.

Возможности модели растут, но более умная модель не превращает закрытые данные в открытые. Она не владеет лицензией, не несет ответственность, не обучена на файлах компании. И она не может быть стороной, на которую подадут в суд, если ее ответ окажется неправильным. Бутылочное горлышко здесь – не интеллект, а допуск к данным и ответственность. Можно представить модель намного умнее любого человека, и ей все равно нужно, чтобы ее допустили к данным. И еще: кто-то все равно должен будет подписаться под тем, что она сделает.

У этой двери и замок, и цепочка. Замок – это среда. Вы можете проверить, сделал ли AI-агент что-то полезное, только когда вас уже пустили внутрь: после проверки безопасности, интеграции, подписанного договора и взятой ответственности, подписанной вашим именем. Цепочка – это пользователь. Большинство американских врачей сейчас каждый день открывают OpenEvidence (AI-платформа для врачей), и никакие вычислительные мощности не перекупят эту привычку. OpenAI может завтра обучить безупречную модель для медицины, и все равно не войти в привычку врача, или не суметь интегрироваться в процесс принятия решений UCSF (топ-5 медицинских университетов США). Потому что доверие строится медленно: через отношения, через осознанное согласие пользователя, через практику, а не алгоритмом машинного обучения, который все перемалывает.

Выстраивание неизмеримых процессов – тоже работа. Приложение завоевывает место в зоне «неподдающегося обучению», делая скучную работу: выстраивая внутрянку компании так, чтобы модель могла с ней работать, давая модели инструменты, помогая клиенту менять рабочие процессы и перестраивать команды. Компанию, которая делает такой «перевод» между реальностью клиента и возможностями модели, трудно скопировать – и «перевод» никогда не закончится. Интеграция и поддержка длятся столько же, сколько отношения с клиентом, и выигрывают команды, которые поставляют клиенту узкопрофильных инженеров и очень специальные инструменты для работы.

Один пример. В крупной элитной юридической фирме одна только практика M&A генерит почти тысячу сделок в год. Нельзя позволить сотням младших юристов скачивать клиентские файлы себе на компьютер и просить универсального AI-агента их разобрать – по соображениям конфиденциальности и еще по десятку других причин. И даже если можно было бы, вы получили бы разрозненные куски: исправления одного юриста, потом другого, без понимания того, как устроена сделка целиком. Уловить важные сигналы можно на уровне самой сделки, а у сделки есть форма: для слияний и поглощений – соглашение о неразглашении, условия, проверка, договор купли-продажи, вспомогательные документы, чек-лист закрытия; для патентных споров – ходатайства, раскрытие информации, анализ предшествующего уровня техники, снова ходатайства. У каждой практики своя форма, и ни юристы, ни инструменты не взаимозаменяемы между ними:

Юристы из одного направления не могут просто взять и пойти работать в другое, т.к. у них другая специализация,
Инструменты тоже не переносятся – то, что настроено для слияний, не подойдет для патентных споров.

А настоящая задача компании находится еще уровнем выше: управлять всеми практиками параллельно. Так же, как сильный партнер ведет сотни дел одновременно, приводит новые дела и обучает младших юристов. Перестроить такую фирму – это не разовая задача, под которую можно написать тест. Для этого нужен оператор, который будет выжимать максимум из неоднозначных промежуточных целей, где обратная связь неполная, горизонт очень длинный, а среда постоянно меняется.

К сожалению, невидимую ценность так же сложно продавать, как и превращать в массовый товар: не пробуя, компания не может понять, действительно ли AI изменит ее работу к лучшему. Поэтому сильнейшие бизнесы перестают доказывать ценность извне – они заходят внутрь и берут плату за результат. Sierra берет деньги, когда ее агент решает проблему клиента, и ничего не берет, когда перекидывает задачу на человека. Так цена становится способом оценки, и это работает только потому, что Sierra сама определяет, когда можно сказать «проблема решена». Cognition со своим Devin делает тот же ход в программировании с «гарантией результата» – а гарантировать результат можно только в системе, где ты уже внутри и в которой тебе доверяют.

Все привыкли считать, что выдача токенов – это часть продукта лабораторий, которая уже стала товаром массового потребления: когда неважно, у кого купить, лишь бы дешевле. Но это не так. Лучшие AI-компании нового поколения концентрируют обслуживание своих моделей у одного-двух провайдеров (Baseten или Fireworks, предоставляют вычислительные мощности для LLM). Потому что цена за токен закономерно дешевеет, а надежность и гарантированный доступ к мощностям, которых пока на всех не хватает – нет. Где обслуживать модель – это один выбор, какими моделями пользоваться – другой. В товар массового потребления превращается только цена.

Частое возражение: лаборатория – это ваш поставщик, почему бы ей не запустить собственный продукт ниже себестоимости, чтобы вытеснить вас, или не отключить вам доступ к API и забрать рынок себе? Так выглядит настоящее отчаяние, и это бы работало, если бы рынок моделей был монополией. Очевидно, что это не так: происходящее больше похоже на бой насмерть между тремя с половиной игроками, плюс международные команды, которые отстают примерно на шесть месяцев, плюс «младшая лига», которая за последний год выросла в пять раз. Клиенты хотят конкуренции среди поставщиков, а лабораториям важнее доля рынка, чем смерть какого-то конкретного приложения.

Это видно на рынках, где лаборатории конкурируют напрямую. На рынке генеративных чатов лучшая модель никогда не побеждала сама по себе: ChatGPT удерживал лидерство на протяжении нескольких лет, несмотря на сильную конкуренцию. Долю, которую он сейчас теряет, забирает Gemini в основном благодаря Android и Google Search, а не потому что их модель лучше. Anthropic, у которой, по мнению рынка (и общего настроения в сети), сейчас лучшая модель, почти незаметна среди обычных пользователей. Компания построила бизнес в корпоративном сегменте и программировании. Если лучшая модель не может отобрать пользователей у конкурента в самом главном приложении, она не сможет пробраться через больничные записи или банковские обязательства. Люди выбирают не только по качеству модели. Если рынок передовых LLM останется конкурентным, все качественные надстройки над их моделями будут ценными.

Если работу нельзя оценить со стороны, кто-то внутри должен решить, что вообще считать хорошим ответом – и в этом вся суть. Когда таких ответов становится достаточно много, и все решения записаны, они превращаются в стандарт оценки. Harvey определяет такой стандарт для юриспруденции, Sierra – для голосовых агентов. Право определять, что значит «хорошо» в какой-то области, получает тот, кого эта отрасль уже использует. Это право не дается просто так – оно заработано годами внедрения.

Критерии качества, за которые платят реальные деньги, у каждой компании свои: что именно эта компания, по этому типу дел, примет как хорошую работу? И это определено далеко не полностью, потому что глубина права несоизмерима ни с каким публичным тестом. OpenEvidence сейчас определяет, как выглядит безопасное AI-внедрение в медицине. Все это на самом деле не просто измерение – это суждение о том, что истинно и что хорошо, записанное много раз, пока не станет стандартом, по которому смогут оценить всех остальных. Лаборатории не могут просто взять и написать эти стандарты, потому что подобное право голоса существует только внутри профессии. Этот авторитет обычно достается тому, у кого он уже был. Старший юрист пишет юридический стандарт. Определять безопасный ответ в медицине выпадает врачу. А «решенная проблема клиента» означает то, что так считает компания, у которой отношения с этим клиентом уже есть.

Граница поглощения продолжает сдвигаться, потому что мы учимся измерять все больше работы, а затем измеримое съедается. Неподдающаяся обучению территория сужается под ногами того, кто на ней стоит, поэтому нельзя найти защищенное место и расслабиться. Нужно все время шагать к тому, что еще нельзя стандартизировать, и постоянно пересматривать выводы. На узкоспециализированной задаче, с данными, которыми обладает только вы, и вашими собственными оценками качества, можно обучить модель до передового уровня и обойти универсальные модели там, где это имеет наибольшее значение. Такая специализированная модель станет частью вашего преимущества перед другими. Соревноваться на уровне универсальной модели – это вести войну капиталов, которую вы проиграете тому, у кого больше вычислительных мощностей. Это ловушка для компаний с ограниченным доступом к клиенту и легко измеримой задачей. В день, когда такая компания решает, что для выживания ей нужно обогнать передовые модели в широком наборе задач, исход обычно начинает зависеть от размера дата-центров, и финал чаще всего – не независимый победитель, а продажа кому-то с большими вычислительными ресурсами.

Все это – защита. Еще труднее наступление: выбрать, что вообще строить. Именно это я все время ищу и нахожу, может быть, три раза в год. Модель тут не помощник. Она сделает все, о чем вы ее попросите, но не скажет, о чем ее нужно было просить – и вы не можете это протестировать, а значит, не можете этому обучить. Именно поэтому крупные существующие игроки не забирают все: они удерживают то, что имеют, а следующая возможность приходит от того, кто раньше остальных нашел новый способ использовать модель. Может быть, идеи – еще более дефицитный ресурс, чем вычислительные мощности.

Отчаяние имеет место, но верно наполовину. Пустые обертки действительно исчезают – и многое из того, что сегодня выглядит как компания, на деле просто надстройка поверх чужой модели. Но отчаяние ошибается в главном: кое-что остается. Механизм ясен; конечная точка – нет. Сара делает ставку на следующее направление: интеллект продолжит дешеветь, а ценность продолжит смещаться туда, куда модель не может просто так дотянуться. Неподдающееся обучению – это область, в которой ценится история. Поэтому заходите внутрь такой области. Делайте скучный «перевод» между реальностью клиента и возможностями модели. И начинайте записывать, что в этой области считается хорошей работой. Потому что кто-то это все равно сделает. Самый обсуждаемый результат бенчмарк-тестов моделей за год – это карта территории, которая вот-вот обесценится, и уведомление о том, кто вот-вот потеряет право решать, что вообще считается хорошим результатом.

Спасибо, что дочитали до конца!

А если вам близко, как мы смотрим на венчур, и вы хотите узнать о возможности стать инвестором фонда – пишите нашему COO Кате в телеграм @katiatatulova

«Кланы» Кремниевой долины. Кто решает, какой стартап получит миллионы - рынок или нетворк?

2026-06-05T12:57:04.283Z

Одна из вещей, которую я заметил за много лет в венчуре – решения крупных фондов могут быть не так независимы, как принято считать. Мы со-инвестируем с top-tier фондами и пристально за ними наблюдаем. И со временем начали замечать паттерны: одни и те же фонды снова и снова вместе оказываются в одних и тех же сделках. Потому что у них похожий фокус, или есть еще какая-то связь?

Мы с командой Mento VC решили проверить это на данных. Проанализировали тысячи раундов топ-36 фондов мира – и обнаружили 8 устойчивых кланов Кремниевой долины. Группы фондов, которые связаны не только через стартапы, в которые инвестируют, но и рабочими, дружескими и даже семейными связями. Про это не принято говорить вслух, но кто вам еще расскажет если не мы? 🙂

Читайте наше исследование ниже, а если вам интересны регулярные заметки и инсайты о венчуре, разбор наших сделок и новости рынка - добро пожаловать в мой телеграм-канал.

Как мы искали «кланы»

Взяли данные о совместных инвестициях (co-investment) крупнейших фондов и посчитали, сколько раз каждая пара фондов оказывалась в одном и том же раунде. Затем прогнали через Louvain community detection - это алгоритм, который смотрит на сеть связей (кто с кем инвестировал) и автоматически находит группы, внутри которых все связаны между собой сильнее, чем с остальными. Как если бы вы пришли на вечеринку и увидели, что люди стоят не хаотично, а кружками - и в каждом кружке все друг друга знают.

Результат? 8 устойчивых кланов. Клан - это группа фондов, которые системно инвестируют друг с другом чаще, чем с остальными.

Но совместные сделки показывают, что происходит, но не почему. Поэтому мы пошли глубже: собрали граф из 160 партнеров этих фондов и 1469 связей между ними - кто с кем работал, кто с кем сидит в совете директоров, кто чей бывший коллега, кто с кем в семье.

Превью, полный размер графа

Почему фонды могут инвестировать вместе?

Между фондами всегда есть два вида связей:

Очевидный - похожий инвестиционный тезис. Например: AI B2B, Seed-раунды в Долине. Фонды с похожим фокусом будут выбирать для инвестиций одинаковые сделки, в этом нет ничего удивительного.

Неочевидный - доверие, а именно: дружественные, партнерские и даже родственные связи. Когда мы говорим, что фонды «ходят» друг за другом, мы имеем в виду, что с наибольшей долей вероятности определенные группы фондов будут участвовать в одной группе сделок. Потому что партнер из одного фонда работал с партнером из другого десять лет назад. Потому что их познакомил общий знакомый LP. Потому что они вместе сидят в борде и видят, как другой принимает решения.

Алгоритм нашел связки - фонды, которые инвестируют друг с другом чаще, чем с остальными. Мы собрали их в «кланы», дополнили картой личных связей между партнерами и готовы поделиться с вами.

1. a16z + Seed connectors (SV Angel, First Round, Initialized)

a16z + SV Angel — вместе в 55 из 300 раундов SV Angel (каждый 5-й!)
SV Angel + First Round — вместе в 22 из 173 раундов First Round (каждый 8-й)
a16z + First Round — вместе в 14 из 173 раундов First Round (каждый 12-й)
SV Angel + Initialized — вместе в 14 из 93 раундов Initialized (каждый 7-й!)

Классическая воронка Кремниевой долины: seed-фонды приводят сделки, a16z подхватывает на раундах A/B. Если First Round или SV Angel зашли, значит высока вероятность увидеть a16z в следующем раунде.

SV Angel основал Рон Конвей - легендарный ангел Кремниевой долины, который инвестировал в Google, Facebook, Twitter на самых ранних стадиях. Его суперсила - именно нетворк: он знает всех. И то, что каждая пятая его сделка пересекается с a16z скорее всего говорит о том, что Конвей может позвонить Хоровицу и предложить «посмотреть на этих ребят».

First Round Capital тоже известны как «входная дверь» в Долину для ранних стартапов. Они передают лучшие сделки наверх.

Что насчет семейных связей? Марк Андриссен (основатель и управляющий a16z) женат на Лоре Аррильяга - дочери Джона Аррильяга, одного из крупнейших девелоперов Калифорнии, который построил значительную часть офисной инфраструктуры вокруг Стэнфорда. Получается интересно: фонд, который дает деньги стартапам, в крепкой семейной связи с владельцами земли, на которой эти стартапы работают.

И еще деталь: SV Angel - это семейный бизнес. Сейчас фондом управляет сын Рона Тофер Конвей. Прямая передача фонда от отца к сыну, настоящий клан.

2. Sequoia + Lightspeed

Sequoia Capital - один из самых влиятельных фондов в истории венчура. Ранние инвесторы Apple, Google, WhatsApp, Stripe. Lightspeed Venture Partners - фонд с похожим масштабом, ранние инвесторы Snap, Affirm, Epic Games. У обоих офисы не только в Долине, но и в Индии, Юго-Восточной Азии, Европе.

Sequoia + Lightspeed вместе в 25 из 399 раундов Lightspeed (каждый 16-й)

Алгоритм выделил именно эту пару в отдельный клан, при этом в нашем графе нет ни одной рабочей связи между партнерами именно этих фондов: никто не работал вместе, не сидел в одном борде. Единственное, что их соединяет - университеты: Claire Zau из Lightspeed пересеклась с тремя из четырех партнеров Sequoia: с одним - в Стэнфорде и в маленьком Magdalen College в Оксфорде (там все друг друга знают), с другой - в один год в Стэнфорде, с третьей - в Stanford GSB (бизнес-школа Стэнфорда, ~400 учеников в год).

Это другой тип клана. Если a16z + SV Angel - это скорее конвейер, построенный на личных звонках, то Sequoia + Lightspeed - это клан, который держится на чем-то менее очевидном: общей глобальной географии, похожей LP-базе и, возможно, связях, которые просто не видны снаружи.

3. Benchmark elite + new-wave growth (Thrive, ICONIQ, NEA)

Benchmark - один из самых уважаемых фондов Долины. Ранние инвесторы в eBay, Twitter, Uber, Discord. Команда из 5-6 партнеров (у большинства топ-фондов - десятки). Они делают мало ставок, но каждая крупная, с полной уверенностью.

Benchmark + Thrive — вместе в 9 из 72 раундов Thrive (каждый 8-й)
Benchmark + ICONIQ — вместе в 5 из 61 раундов ICONIQ (каждый 12-й)
Thrive + ICONIQ — вместе в 4 из 61 раундов ICONIQ (каждый 15-й)
Benchmark + NEA — вместе в 3 из 64 раундов NEA

Ядро клана - связь Benchmark и Thrive. У обоих ~75 сделок, из которых 9 совместных. Оба делают небольшое количество крупных ставок. Thrive - фонд Джоша Кушнера (младший брат Джареда Кушнера, зятя Трампа). ICONIQ управляет деньгами техно-миллиардеров - Цукерберг, Джек Дорси.

У NEA 3 совместных раунда с Benchmark, по одному с Thrive и ICONIQ. Связь с кланом подтверждают люди: Chetan Puttagunta из Benchmark - бывший управляющий партнер в NEA, Alexa Grabelle из NEA пришла туда из ICONIQ.

Все 4 фонда на этот раз объединяет даже не общий тезис и не география, а доступ к фаундерам, которого нет у других.

4. Enterprise SaaS pod (Accel, Insight Partners, Bessemer и Salesforce Ventures)

Accel - один из старейших фондов Долины, ранние инвесторы в Facebook, Slack, Dropbox, CrowdStrike. Insight Partners, Bessemer и Salesforce Ventures - крупные фонды, которые специализируются на B2B-компаниях и заходят большими чеками (по $50-200 млн) на поздних стадиях.

Accel + Salesforce Ventures — вместе в 25 из 270 раундов (каждый 11-й) Bessemer + Insight — вместе в 19 из 277 раундов Bessemer (каждый 15-й)
Bessemer + Salesforce Ventures — вместе в 17 из 270 раундов (каждый 16-й)
Insight + Salesforce Ventures — вместе в 17 из 270 раундов (каждый 16-й)
Accel + Insight — вместе в 16 из 318 раундов Insight (каждый 20-й)
Accel + Bessemer — вместе в 15 из 277 раундов Bessemer (каждый 18-й)

Специализация клана - Enterprise. Accel ведет сделки на ранней стадии, Insight и Bessemer подхватывают growth, Salesforce Ventures часто идет стратегическим со-инвестором (=стартапы, в которые они инвестируют, полезны их бизнесу и получают доступ к тысячам клиентов Salesforce). Стартапы B2B SaaS наиболее вероятно встретят эту четверку вместе.

5. Index + Greylock (European / old-school SV)

Index Ventures - фонд с европейскими корнями (Лондон, Женева), ранние инвесторы в Revolut, Discord, Figma. Greylock - один из старейших фондов Долины (основан в 1965), ранние инвесторы в LinkedIn, Facebook, Instagram.

Index + Greylock — вместе в 14 из 134 раундов Greylock (каждый 10-й!)

Каждая десятая сделка Greylock проходит совместно с Index. Для фонда с всего 134 инвестициями это серьезная цифра.

Их всего двое в клане, как Sequoia + Lightspeed. И вот что интересно: мы проверили связи между партнерами двух фондов и не нашли ни одной. Ни совместной работы, ни общих бордов, ни даже учебы в одно время. 14 совместных раундов и ноль личных пересечений. Это клан, который существует благодаря тому, что оба фонда смотрят на один и тот же тип сделок и приходят к одним и тем же выводам независимо друг от друга.

Что такого объединяет их, если не общие партнеры? Несколько наших версий:

Index давно не только европейский. У них офис в Сан-Франциско, партнеры живут в Долине. Они работают на двух рынках одновременно, и это как раз может быть ценно для фаундеров: Greylock дает доступ к американскому рынку, Index - к европейскому.

Похожий вкус. Оба фонда известны ставкой на технических фаундеров, которые строят продукт-платформу (Discord, Figma, LinkedIn).

LP-база. Мы не видим, кто вкладывает деньги в сами фонды, но если у них пересекаются LP (крупные family offices, например), те могут рекомендовать со-инвестирование.

6. Khosla + Founders Fund (aka PayPal Mafia)

Khosla Ventures - фонд Винода Хослы (со-основатель Sun Microsystems), ставка на hard tech и науку. Founders Fund - фонд Питера Тиля (со-основатель PayPal), известен готовностью инвестировать в то, во что другие не верят.

Khosla + Founders Fund — вместе в 16 из 184 раундов (каждый 12-й)

Но самое интересное здесь даже не цифры, а люди.

Самая очевидная связь между Khosla и Founders Fund - Кит Рабуа. Сейчас партнер Khosla, а до этого - GP в Founders Fund с 2019 по 2024. Пять лет работал бок о бок с Тилем, знает всю команду лично. Они вместе еще с PayPal, потом был LinkedIn, потом Clarium, потом Founders Fund. 25 лет общей истории.

Для этих ребят даже существует негласный термин PayPal Mafia - так неформально называют группу бывших сотрудников PayPal, которые после продажи компании в 2002 году разошлись по Долине и построили собственные империи.

И еще деталь: Рабуа женат на Джейкобе Хельберге - замгоссекретаря США по экономическому росту в администрации Трампа и советнике CEO Palantir (которую основал тот же Тиль). Вдумайтесь: партнер Khosla женат на человеке из администрации Трампа, который при этом советник в компании Тиля.

7. AI-native / late-growth (NVIDIA, Menlo, DST Global, Conviction)

NVIDIA - уникальный кейс. Компания делает чипы (GPU), на которых работает весь AI - ChatGPT, Midjourney. И когда стартап строит AI-продукт, NVIDIA иногда сама в него инвестирует. Цель: чтобы больше компаний использовали их чипы. Чем больше AI-стартапов, тем больше покупают GPU NVIDIA. Инвестиции как канал продаж. Menlo Ventures (не путать с Mento 🙂 история, как нас однажды приняли за этот top-tier фонд, есть в моем телеграм-канале) - классический фонд Долины, рано сделал ставку на AI (Antrophic, Typeface). DST Global - фонд Юрия Мильнера, заходит большими чеками на поздних стадиях (ранний инвестор Facebook, Twitter, Airbnb). Conviction - фонд Сары Гуо, которая ушла из Greylock и построила чистый AI-native фонд.

NVIDIA + DST — вместе в 14 из 86 раундов DST (каждый 6-й)
NVIDIA + Menlo — вместе в 13 из 142 раундов Menlo (каждый 11-й)
NVIDIA + Conviction — вместе в 7 из 52 раундов Conviction (каждый 7-й!)
DST + Conviction — вместе в 5 из 52 раундов Conviction (каждый 10-й)

NVIDIA - центр этого клана. Каждый 6-й раунд DST и каждый 7-й раунд Conviction проходят рядом с NVIDIA. Логика простая: если стартап строит на GPU NVIDIA, NVIDIA заходит стратегически, а за ней подтягиваются венчурные фонды с AI-тезисом.

Между партнерами Menlo и Conviction прямых рабочих связей нет. Оба фонда хорошо связаны с другими игроками рынка, но не друг с другом: Deedy Das из Menlo - бывший стажер Kleiner Perkins, сохранил связи с фондом. Сара Гуо из Conviction объединяет бывших коллег по Greylock - сейчас они в Benchmark, ICONIQ.

Это самый молодой клан в исследовании, сформированный волной AI. Его держит в первую очередь технология: все четверо ставят на AI, и NVIDIA как поставщик инфраструктуры стягивает их в одни раунды.

И вот что связывает этот клан с другими: Сара Гуо замужем за Pat Grady - управляющим партнером Sequoia, который ведет направление growth. Это значит, что он отвечает за инвестиции на поздних стадиях, когда компания уже большая, с выручкой, и ей нужны крупные чеки ($50-200+ млн) для масштабирования перед IPO. Снова интересно: вместе с Сарой, инвестирующей когда у стартапа еще только идея, прототип, маленькая команда, эта семья перекрывает практически весь AI deal flow - от ранней стадии до поздней.

8. Coatue + private equity (Blackstone, Dragoneer)

Coatue - фонд, который работает на стыке публичных и частных рынков: инвестирует и в стартапы, и в акции на бирже. Blackstone - один из крупнейших в мире фондов прямых инвестиций (private equity), управляет $1+ трлн. Private equity - это когда фонд покупает долю в уже работающей компании (или всю компанию целиком), не на бирже, а напрямую. Обычно это зрелый бизнес с выручкой. Dragoneer специализируется на компаниях перед выходом на биржу (pre-IPO).

Coatue + Blackstone — вместе в 6 из 56 раундов Blackstone (каждый 9-й)
Coatue + Dragoneer — вместе в 4 из 16 раундов Dragoneer (каждый 4-й!)

Каждый четвертый раунд Dragoneer рядом с Coatue. Это не венчур в классическом смысле, т.к. все трое заходят на самых поздних стадиях, когда компания уже большая, оценка высокая, и до IPO остается пара шагов. Данных по личным связям партнеров мы не нашли, и клан этот можно сравнить с окраиной венчурной карты - место, где венчур заканчивается и начинается большой финансовый мир.

Что все это значит?

Мы привыкли думать, что венчур работает как конкурс: стартап приходит, показывает продукт, метрики, рынок - и фонд принимает решение на основе данных. На деле это больше похоже на рекомендацию в закрытый клуб. Данные и метрики - это порог входа, без них никуда. Но при прочих равных решает другое: кто тебя привел.

Вот конкретный пример из наших данных. У SV Angel и a16z 55 совместных раундов. Это значит, что Рон Конвей 55 раз посмотрел на стартап, вложил свои деньги - и потом Хоровиц тоже зашел. Хоровиц не проводил анализ с нуля 55 раз. Он видел, что Конвей уже сделал ставку, и это само по себе стало сигналом. Доверие к человеку может дополнить и даже заменить месяцы анализа.

В венчуре любят говорить, что инвестируют в лучших. Наши данные показывают, что часто инвестируют в ближайших.

Но средний стартап не получит денег только потому, что основателя кто-то знает. Вернее, может получить, но если потеряет их - фонд обязательно запомнит. Связи помогают быстрее попасть на радар, но дальше все равно смотрят на продукт, команду и рынок. И система постепенно расширяется через Y Combinator, акселераторы, программы вроде KP Engineering Fellow (через которую прошел Deedy Das из Menlo) - это все способы впустить новых людей в круг, не пропустить таланты. Сара Гуо ушла из Greylock и основала Conviction, и теперь AI-стартапы, которые раньше не попали бы в поле зрения Greylock, получают доступ через нее. Каждый новый фонд, каждый бывший партнер, который уходит и строит свое - это еще одна дверь в систему.

Спасибо, что дочитали до конца!

А если вам близко, как мы смотрим на венчур, и вы хотите узнать о возможности стать партнером фонда - пишите нашему COO Кате в телеграм @katiatatulova

Данные: анализ совместных инвестиций топ-36 Tier-1 фондов. Алгоритм кластеризации: Louvain community detection (modularity-optimal partition). Граф связей: 160 партнеров, 1469 связей (ex-colleague, board seats, образование, семья). Источник данных по партнерам: Harmonic.

Фаундер написал 15 страниц про рынок и поднял на этом $10M

2026-05-01T17:52:39.463Z

Привет! Меня зовут Саша Журавлев. Я основатель и управляющий партнер фонда Mento VC. Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле.

Кахлил Лалджи, основатель Natural, перед тем, как привлекать инвестиции, изложил свое видение рынка в открытом документе. Просто зафиксировал, как видит проблему, какие задачи нужно решить и что собирается строить. Продукта еще не было, но этот текст стал основой для seed-раунда.

Хороших идей на рынке реально мало. Настолько, что честно написанный разбор без единой строчки кода поднимает $10M. Инвесторы видят не питч, а реальное мышление фаундера, и этого оказывается достаточно.

Natural строит платежную инфраструктуру для AI-агентов. В публикации — разбор того, как изменится финансовый мир, когда платежи перейдут от людей к агентам, и где в этом появляются возможности.

Полный перевод документа можно прочитать ниже.

Преамбула

Оригинальная статья была написана в августе 2025 года.

Сегодня агенты умеют многое: договариваться о грузоперевозках, нанимать подрядчиков, управлять закупками и продажами. Но как только дело доходит до оплаты, процесс ломается.

В этот момент появляется человек. Он вручную выполняет платеж.

Это временное состояние мира. В течение следующего десятилетия агенты будут программно перемещать больший объем транзакций, чем любая другая категория. Точка. Инфраструктуры для этого пока не существует. Мы ее строим.

Конкретно: создаем текстовый слой, через который агенты напрямую договариваются о платежах с бизнесами и с другими агентами. Через любые финансовые рельсы, начиная с ACH. В перспективе консолидируем фрагментированные платежные процессы, которыми сейчас управляют банки через устаревшие сети, и делаем их понятными машинам с нуля.

Целые индустрии теряют миллиарды, потому что не могут провести оплату до конца автоматически. Логистические агенты не могут сами рассчитаться за грузоперевозки. Агенты по управлению недвижимостью не могут в реальном времени платить подрядчикам. Закупочные агенты не могут окончательно провести платеж поставщику без участия человека.

Мы даем им протокол, чтобы это делать. И как только эти рельсы появятся, каждый агентный воркфлоу мгновенно станет полностью автономным, от начала до конца.

Это момент, который случается раз в поколение. Движение денег было фактически неизменным десятилетиями. Теперь оно будет перестроено не для людей, а для машин.

Зачем нужна новая инфраструктура

Платежная система всегда строилась вокруг взаимодействия человека с человеком. Номера счетов, карты, платежные порталы — все это создавалось для людей и привязывалось к реальным людям внутри финансовой системы.

Это работает, пока люди остаются главными участниками. По мере перехода к агентному будущему, где агенты отвечают за большую часть мирового объема транзакций, потребуется принципиально новый способ их взаимодействия с потребителями, бизнесами и друг с другом.

Агентные платежи поднимают вопросы, на которые у существующей системы нет ответов. К каким счетам обращаются агенты? Кто несет ответственность за спорные транзакции, инициированные агентом? Как работает аналог карточного авторизационного цикла для принятия решений? Как сделать систему достаточно быстрой, чтобы платеж мог быть обязательным шагом в исполнении API?

Сегодня объем агентных платежей стремится к нулю. Но как и переход от офлайн-платежей к онлайн, который Stripe совершил в 2010 году, компании, строящие агентные продукты сегодня, через десятилетие будут контролировать значимую долю всего мирового объема транзакций. Им нужна платежная инфраструктура, построенная под их сценарии. И прямо сейчас открыто окно, чтобы переизобрести финансовую систему. Сделать ее быстрее, дешевле и глобальнее для агентных компаний.

Три типа агентных транзакций

Все сводится к двум базовым категориям. Коммерция: транзакции за товары и услуги (Amazon, Target, Walmart). Труд: платежи за работу, которые раньше шли через ADP, Gusto, Rippling.

Внутри этих категорий три типа взаимодействий.

A2A, агент к агенту. Обмен ценностью между двумя полностью автономными системами. Может быть в коммерции: потребительский travel-агент и агент бронирования от имени авиакомпании. Или в труде: два специализированных агента работают над одним мобильным приложением, один за дизайн, другой за разработку. Большинство фокусируется на первом сценарии, второй остается недооцененным.

A2B, агент к бизнесу. Шопинг-агент совершает покупку через существующую платежную систему бизнеса с помощью браузер-агента. Или агент по управлению строительством нанимает электрика и переводит ему оплату по ACH.

A2C, агент к потребителю. Замена платежей между физлицами через Venmo или Zelle. Пользователь дает агенту доступ к управлению личными финансами, и агент проводит выплаты другим людям не для бизнес-целей.

Проблемы

Традиционные рельсы становятся слишком медленными и дорогими

Карты, ACH и другие традиционные финансовые рельсы создавались под скорость и частоту, с которой работают люди. Платеж дебетовой картой в Whole Foods — это временный холд от эмитента, 1-3 рабочих дня клиринга и риск для эквайера. ACH-платеж между бизнесами идет еще дольше и не дает получателю прозрачности.

Раньше заказать сайт у человека означало переписку по email в течение недели и выполнение в течение дней или месяцев. Это медленное взаимодействие.

Когда работа, которую делал человек, переходит к агенту, и время доставки сжимается с недель до секунд или минут, финансовые рельсы между ними должны работать в реальном времени.

Представьте: вы даете агенту общего назначения размытую задачу типа «сделай такой сайт». Под капотом такого агента есть саб-агенты, каждый из которых сильнее в своей части работы: дизайн, разработка, продуктовый маркетинг и так далее. Это уже работает на практике и называется мульти-агентной архитектурой. Главный агент в ней превращается в распределителя задач: он разбивает запрос на части и раздает их разным агентам, а значит, разным компаниям.

Возникает новая задача. Как агенты переводят платежи другим агентам или бизнесам за работу, которую не могут выполнить сами? Агенту нужны инструменты, чтобы верифицировать идентичность принимающего агента, провести платеж между знакомыми и незнакомыми сторонами по любой подходящей рельсе и залогировать транзакцию для аудита.

Допустим, агент отправил запрос специализированному дизайн-агенту, и весь запрос должен закрыться за 5 минут. В таком сценарии оплата за работу должна подтверждаться почти мгновенно. Существующая финансовая инфраструктура ни одну из этих проблем не решает.

Арбитраж диспутов непрозрачен

Сегодня процесс разрешения спорных транзакций отлажен. Эмитент или банк выступает посредником: на промежуточном этапе возвращает клиенту деньги, а потом идет к мерчанту определять его ответственность.

Финансовая система делит транзакции на две основные категории: совершенные авторизованным пользователем и не совершенные им. Но когда агенты начинают действовать автономно от имени потребителей и бизнесов, появляются новые вопросы об ответственности и управлении диспутами. Что если агент выйдет из-под контроля и начнет совершать транзакции вне инструкций? Эту проблему в целом можно ограничить технически, поэтому оставим ее в стороне.

Гораздо сложнее другой вопрос. Что если есть несоответствие между транзакцией, которую совершил агент, и «удовлетворением» от этого решения у потребителя или бизнеса.

Пример: вы поручили агенту забронировать рейс. Агент выбрал рейс с 12-часовой пересадкой, без возможности возврата, хотя вы предпочли бы прямой. Вам не нравится результат, и вы хотите оспорить транзакцию. Кто отвечает за разрешение этого исхода и есть ли ответственность у платежного провайдера? Или вы как «исполнитель» этого агента сами несете ответственность за результат?

Идентификацией сложно управлять

Когда транзакцию совершает человек, есть презумпция, что он использует свое суждение для оценки благонадежности контрагента и в основном различает, кому можно доверять. Когда агенты совершают транзакции от имени людей и компаний, риск выше, так как агент не может с той же уверенностью определить, что контрагент легитимен.

Например, вы поручили агенту нанять кого-то покрасить дом. Если у агента есть доступ к интернету, он считает те же сигналы, что и человек, такие как количество отзывов, полнота присутствия в сети. Большинство агентов будут сходиться к концентрированному подмножеству общего пула опций, но это не сильно отличается от поведения людей.

Сложнее, когда агенты взаимодействуют чисто программно через MCP-сервер или через любую среду, которая разовьется в ближайшие годы. Сегодня API-вызовы жестко связаны. Когда вы пишете софт, третьи стороны, с которыми вы взаимодействуете, определены и полностью детерминированы.

В мире недетерминированных агентных воркфлоу появляется новая сложность: неизвестность неограниченного множества контрагентов. Нужен новый метод уникальной идентификации того, что провайдер на другом конце запроса агента надежный и заслуживающий доверия.

Платежи быстро становятся глобальными

Сегодня большинство задач отдается локальным исполнителям из-за языкового барьера, удобства и простоты расчетов.

В агентном будущем этих ограничений почти не останется. Агентам не важна география: они находят лучшего исполнителя для задачи, а не ближайшего. Когда агенту дают размытую задачу типа «напиши код» или «сделай перевод», он будет выбирать из глобального пула вендоров. И скорее всего выберет кого-то за рубежом.

Когда международных платежей станет в 10 или 100 раз больше, потребность в быстрой и дешевой трансграничной платежной инфраструктуре резко вырастет.

Для справки, сегодня внутренний ACH стоит вам или вашему банку-эмитенту менее $2. Тот же платеж, если получающий банк международный, из-за количества посредников может стоить более $20.

При сегодняшних ставках международные опции экономически неподъемны. А если допустить, что международный объем вырастет на 1-3 порядка, быстро приходишь к выводу, что нужен низкозатратный и быстрый способ совершать международные транзакции.

Существующие системы контроля рисков ломаются

Сегодня банки и платежные сети проверяют каждую транзакцию в момент оплаты. Когда вы прикладываете карту в магазине, у системы есть около 3 секунд, чтобы решить, пропустить платеж или нет.

Система ловит мошенничество через отклонения от привычного поведения. Если вы обычно тратите $50 в 40 магазинах вокруг Нью-Йорка, а потом пытаетесь совершить покупку на $8 000 в Милуоки, статистически вероятнее, что ваша карта украдена.

Это хорошо работает, потому что люди ведут себя предсказуемо, а у Visa и MasterCard миллиарды транзакций для анализа. С агентами все сложнее. Какие-то их паттерны будут похожи на человеческие, но агенты оптимизируются под другие задачи и их поведение будет сильно отличаться от того, к чему системы привыкли.

Это означает новые массивы данных, схемы мошенничества и проблемы, которые сейчас сложно даже предугадать.

Интернет построен под ввод от человека

Исторически люди были главным «агентом», через которого проходили финансовые транзакции. Поэтому весь платежный интерфейс строился под человека: поля ввода на сайте, клавиатура, мышь. Для сегодняшнего мира это логично.

Но в агентной экономике потребность в таких элементах практически нулевая. Если довести аргумент до крайности, то вы поручаете агенту совершать все ваши покупки и строите инфраструктуру с нуля под этот сценарий. Тогда страницы оплаты в ее нынешнем виде не будет вообще. Все транзакции пойдут программно между агентом покупателя и агентом продавца.

Возможности

AI и агенты уже делают работу сотрудников эффективнее. Идут споры о степени замещения рабочих мест, но справедливо отметить, что значительная часть работы, которую сегодня делают люди, в какой-то момент будет делаться AI.

Рынок труда огромен. В 2021 году, по данным Tax Foundation, налогоплательщики подали 153,6 млн налоговых деклараций и заявили доход больше $14,7 трлн. Дополнительно около $700 млрд фигурирует и движется между подрядчиками и бизнесами или физлицами в США (по американским налоговым формам 1099-NEC и 1099-K, через которые декларируются выплаты подрядчикам).

Сегодня этот объем платежей контролируют Rippling, Deel, Gusto и ADP, потому что речь идет о выплатах сотрудникам и подрядчикам. По мере перехода работы от человека к AI встает вопрос: что произойдет с этим объемом, который сегодня смещается и который нужно заново перехватить софтом? Это одна из первых больших возможностей в агентных платежах.

Управляемые кошельки

Для удобства учета и управления рисками агентам нужен доступ к неограниченному числу кошельков, каждый из которых можно настроить отдельно. Фаундер может решить, что агент должен тратить только часть денег компании, а не весь баланс. Значит, кошелек должен пополняться по мере необходимости: достаточно средств под текущие платежи, но не больше, чтобы не подвергать бизнес лишним финансовым рискам.

Помимо контроля рисков, у таких кошельков есть еще одно преимущество. Транзакции можно группировать по логике бизнеса, а каждому агенту назначить свой кошелек с отдельными правилами и управлять всеми ими централизованно.

Правила и контроли

Разработчикам нужен набор четких правил и ограничений, которые, скорее всего, будут задаваться через «системный промпт» агента. Эти правила должны покрывать лимиты трат, списки разрешенных и заблокированных контрагентов, требования на одобрение от человека.

Применять их можно на трех уровнях: организации, кошелька или отдельной транзакции. Например, бизнес может задать глобальное правило о том, какие типы транзакций разрешены, а какие нет. Или настроить ограничения на уровне кошелька одного конкретного агента. Или задать правила для каждой отдельной транзакции.

Инструменты авторизации

Сегодня процесс авторизации принадлежит карточным сетям и банкам-эмитентам и играет ключевую роль в определении валидности транзакции, доступности средств и риска контрагента. Биллинг за использование AI-агентов сейчас идет асинхронно в конце месяца, по фиксированной ставке или по объему.

По мере усложнения агентных воркфлоу появятся кейсы, где транзакции с контрагентом нужны синхронно, в реальном времени. Агент должен выполнить задачу, обращается к другому агенту другой компании: «можешь ее выполнить?» Контрагент отвечает: «да, вот сумма и платежные реквизиты». Инициирующий агент должен провести верифицируемый платеж в реальном времени до того, как контрагент завершит API-вызов.

Сегодня весь этот процесс в магазине занимает менее 3 секунд. Для агентных транзакций нужна такая же инфраструктура, которая одобряет платежи в реальном времени так же быстро или быстрее.

Мониторинг и трассировка

Чтобы агенты и люди принимали лучшие решения и улучшали платежные процессы, нужны инструменты, которые отслеживают все события и решения внутри агентных платежей — как предсказуемые, так и неожиданные. Это включает мониторинг запросов, исходов и возможность анализировать прошлые транзакционные решения.

Любые типы платежей

Агенты должны уметь проводить платежи любым удобным для контрагента способом. Если бизнес работает только на ACH, агент должен уметь перевести на нужный счет. Стейблкоины дают быстрый и дешевый способ переводить деньги между кошельками. Но полноценное решение должно давать агенту возможность выбирать оптимальный способ оплаты под каждую конкретную транзакцию.

Существующие игроки

В оригинале Кахлил привел разбор семи существующих игроков в сегменте, но скрыл их названия. Сохраним эту анонимность в переводе.

Игрок 1. Строит модель ценообразования по результату, чтобы захватить большую инкрементальную ценность работы агентов. Общая идея верная: создатели агентов должны извлекать больше ценности, чем дают модели pay-per-seat или pay-per-use. Но при этом они не строят универсальную платежную инфраструктуру под любой метод оплаты, а это большое упущение.

Игрок 2. Начинал как инструмент, через который агенты могли нанимать людей для задач, которые сами выполнить не могут. Потом сменил фокус и теперь строит инфраструктуру для перемещения денег между агентами.

Игрок 3. Строит первый полностью регулируемый AI-нативный финансовый институт, изначально спроектированный под нужды AI-экономики.

Игрок 4. Делает быстрые, безопасные и соответствующие требованиям регуляторов карточные платежи для AI-агентов.

Игрок 5. Дает AI-агентам возможность легко проводить платежи: платить бизнесам, проверять их идентичность и в реальном времени получать доступ к нужным данным и сервисам.

Игрок 6. Делает карточные платежи для агентов. Пользователь привязывает карту к кошельку, и агент получает возможность тратить с него. Требует согласия и от агента, и от самого пользователя.

Игрок 7. Выпускает виртуальные карты для AI-агентов типа OpenAI Operator. Под каждую транзакцию создается отдельная карта, и пользователь сам решает, сколько и на что агент может тратить.

Дистрибуция

Есть три стратегии дистрибуции, которыми стоит воспользоваться при построении в агентных платежах.

Y Combinator

Stripe в свое время вырос именно потому, что рано зашел в YC и строил отношения с компаниями еще до того, как те стали большими. Сегодня многие новые батчи YC сильно сфокусированы на AI и агентных кейсах. Если посмотреть на последние 4 батча, 80%+ из них это либо AI-продукты целиком, либо компании, которые строятся вокруг AI значимым образом.

Сегодня эти компании маленькие. Но в какой-то момент они станут большими и будут стоить десятки миллиардов долларов.

Из десятков разговоров с фаундерами из YC становится ясно, что понятного решения для агентных платежей у них пока нет. По мере того как агентная инфраструктура будет развиваться в ближайшие 12-24 месяца, этим фаундерам понадобится провайдер, который закроет этот вопрос. Это возможность, которую нужно ловить сейчас.

PayPal-модель

Если вы отправляете платежи бизнесам в одну сторону, эффективный способ нарастить сеть — переводить средства из стейблкоин-кошелька сразу на кошелек, созданный на имя получателя. Бизнес проходит верификацию (KYB, проверка компании) и забирает деньги в удобный момент.

Логика та же, что у PayPal. Если вам принадлежит счет, с которого идут деньги, и вы создаете уникальный счет для получателя, вы снижаете комиссии и увеличиваете число участников в сети. Получатели сами заинтересованы зарегистрироваться, чтобы забрать деньги.

В агентных платежах это выглядит так. Есть агент, который управляет стройкой: составляет расписание, координирует работу и платит подрядчикам. У агента есть два вводных: сумма и название компании-подрядчика. Агент переводит деньги со своего кошелька на кошелек, созданный на имя этой компании. Подрядчик получает email с инструкцией, как пройти верификацию и вывести средства.

Такой подход позволяет агенту проводить платежи в реальном времени, не дожидаясь согласия контрагента, не запрашивая банковские реквизиты и не отслеживая статус его верификации.

AP/AR как точка входа

Еще один способ зайти в агентные платежи — автоматизировать работу со счетами к оплате и к получению (AP/AR, accounts payable / accounts receivable).

В небольших компаниях фаундер или бухгалтер тратит много времени на то, чтобы отслеживать инвойсы, которые приходят на email, вручную копировать платежные реквизиты и планировать отправку платежей. Это очень ручной и подверженный ошибкам процесс. По данным исследований, 86% малого и среднего бизнеса вводят данные инвойсов вручную.

В крупных компаниях проблема еще острее: внешних вендоров так много, что уследить за всеми входящими инвойсами почти невозможно. Несколько лет назад был громкий случай: мошенник убедил Facebook и Google перевести ему более $100M. Он притворялся компанией, с которой оба техгиганта регулярно работали, и отправлял поддельные инвойсы с реквизитами своих счетов.

Этот процесс есть в каждом бизнесе, и его уже можно автоматизировать. Технологии для этого уже существуют: OCR для считывания данных из документов и PDF, опциональное одобрение от человека и управляемые кошельки для исполнения платежа.

Такая автоматизация дает реальную пользу компаниям уже сейчас. А инфраструктура, построенная под такие сценарии, готовит вас к гораздо большей задаче — универсальным платежным каналам для агентных транзакций.

Риски

У этого рынка есть два реальных риска. Первый: рынок агентов созревает недостаточно быстро. Второй: существующие решения окажутся достаточно хороши, и новая платежная инфраструктура просто не понадобится.

Зрелость рынка

Сегодня большинство агентных стартапов строят весь свой воркфлоу внутри одной компании. Сколько бы шагов ни делал агент и насколько сложной ни была задача, весь процесс принадлежит одному игроку.

Пока это нормально. Но в ближайшем будущем начнется специализация. Компания может поставить себе широкую задачу типа «управление складом», но отдельные части этого процесса будут делать другие компании, каждая в своей области (расписание, обслуживание, безопасность, найм). Это и есть агентная интероперабельность.

Пока специализации нет и агенты разных компаний не умеют работать друг с другом, рынок A2A-платежей фактически не существует. Как только это изменится и агенты разных компаний начнут взаимодействовать, платежи между ними в реальном времени станут одной из главных технических задач.

Большинство агентных продуктов сегодня останавливаются прямо перед платежом. Например, Avery занимается управлением многоквартирными домами. Расписание и координация заявок на обслуживание — ядро их продукта. Но когда доходит до оплаты, менеджеры до сих пор отправляют платежи вручную, потому что простого способа встроить этот шаг в воркфлоу агента просто нет.

Так что реальный риск не в том, что рынок не вырастет. А в том, чтобы не пропустить момент, когда агентная интероперабельность станет реальностью.

Существующие решения

Второй риск: такие игроки, как Stripe, дойдут до достаточно хорошего решения, и компании просто начнут строить свои сценарии вокруг него.

Если посмотреть на то, что Stripe уже сделал для агентов, видно, что большая часть функциональности сводится к тому, чтобы агенты могли работать с внутренними инструментами Stripe: создавать продукты, обновлять подписки, выставлять инвойсы. По сути, делать то, что раньше делали люди в Stripe-дашборде вручную.

Это полезные фичи, но тем показательнее, что в таком большом и сложном продукте пока нет главного: возможности проводить платежи между самими агентами.

Есть ранняя версия API, которая дает агентам возможность программно выпускать одноразовые карты под покупки. Но это закрывает лишь небольшую часть того платежного объема, который в ближайшем будущем будет проходить через агентов.

Если верить, что большая часть транзакций в итоге перейдет от людей к автономным системам, вывод один: строить нужно именно под этот сценарий. И только под него.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

$87 млрд уже инвестировано в защиту от AI-агентов — тех самых, которым ваши сотрудники прямо сейчас раздают ключи

2026-04-24T17:20:08.890Z

Привет! Меня зовут Саша Журавлев. Я основатель и управляющий партнер фонда Mento VC. Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле.

В предыдущей статье была мысль о том, что ваш клиент больше не человек, а AI-агент. Все так — но теперь и ваша главная уязвимость тоже не человек. У Notable Capital (фонд, ex-GGV Capital: Airbnb, Slack, HashiCorp, StockX, Affirm, Coinbase и др.) совместно с Morgan Stanley вышел материал о том, почему AI-агенты становятся, возможно, главным вызовом для кибербезопасности в истории. И как это отражается на венчурном рынке.

Полностью перевели этот интересный материал для вас, читайте ниже.

Новое слабое звено: от человеческого фактора к рискам AI-агентов

Компании стремительно разворачивают AI-агентов — с широким доступом к системам и минимальным контролем. Возник новый фронт кибер-атаки, к которому традиционные инструменты защиты и управления идентификацией попросту не приспособлены. Notable Capital cовместно с Morgan Stanley разбираются, почему агентный AI стал ключевым вызовом для индустрии кибербезопасности, куда движется волна сделок M&A на $87 млрд, и что компаниям нужно успеть сделать до того, как 2026 год заставит их действовать.

Десятилетиями специалисты по кибербезопасности исходили из одной и той же посылки: слабое звено — это человек. Стажер, который кликнул по письму от «техподдержки» с просьбой подтвердить пароль. Разработчик, который в два часа ночи пушил код перед дедлайном, закоммитил ключи от AWS в публичный репозиторий на GitHub — и заметил это только утром.

Именно такие моменты — секундная невнимательность, ошибочное решение, простое желание помочь — становились входной точкой для атак. Поэтому миллиарды долларов ушли на обучение сотрудников, защиту устройств, системы управления доступом, мониторинг угроз и целые SOC-команды. Все ради того, чтобы выстроить ограничители вокруг самого непредсказуемого звена: людей.

По данным Morgan Stanley, рынок управления идентификацией к 2029 году достигнет $56 млрд. При ежегодном росте в 17% и десятках поставщиков очевидно, что компании продолжают вкладываться в защиту. Но в этом перегретом сегменте почти нет лидера, который бы решал новую проблему: риски, возникающие вместе с ростом продуктивности AI-агентов. Текущие продукты создавались для защиты человеческих сценариев доступа. Они плохо готовы к взрывному росту автономных идентификаций.

Слабое звено — больше не сотрудник, который кликает по подозрительной ссылке. Это AI-агент, которого он создал во вторник, чтобы автоматизировать свой рабочий процесс.

Компании массово внедряют AI-агентов ради эффективности. Эти системы работают 24/7, имеют доступ к репозиториям кода, HR-системам, продакшн-базам данных и конфиденциальной клиентской информации. Они принимают решения самостоятельно, часто без понятного владельца и без достаточного надзора. И мы уже видим реальные инциденты, демонстрирующие эти риски.

Прошлой осенью команда Anthropic - Threat Intelligence пресекла то, что считается первой преимущественно автономной кибершпионской кампанией, организованной при помощи AI. Атака показала, что мощные AI-инструменты могут использовать даже люди без серьезных навыков программирования или взлома: AI-агент самостоятельно выполнял 80–90% операционных задач.

Та же кампания показала и другой риск: даже продуманные защитные ограничения можно обходить, если разбить вредоносную задачу на множество мелких безобидных шагов. Каждый шаг обходит фильтры, а вместе они складываются в полноценную атаку. Этот прием эксплуатирует ту самую модульность, которая делает AI-системы гибкими и мощными.

По мере того как внедрение ускоряется и AI-системы все глубже встраиваются в критические бизнес-процессы, поверхность атаки будет расти экспоненциально — вместе с мотивацией атакующих.

Рынок просыпается

Осознание угрозы со стороны AI уже запустило масштабную перестройку рынка кибербезопасности. По данным Morgan Stanley, в 2025 году объём сделок слияний и поглощений в секторе достиг примерно $87 млрд. Стратегические M&A выросли в четыре раза по сравнению с предыдущим годом: крупные игроки перестраиваются под принципиально иной ландшафт безопасности.

Показательные примеры:

Google покупает Wiz за рекордные $32 млрд (сделка ожидает закрытия); Wiz построила бизнес на облачной защите приложений, рано осознав, что традиционные модели безопасности не справляются с защитой современной распределенной инфраструктуры
Palo Alto Networks покупает Cyberark за $25 млрд;
ServiceNow приобретает Armis за $7,8 млрд (ожидается закрытие).

Логика у всех одна: нужны инструменты, созданные под мир, где границы защиты растворились, цифровых идентичностей стало слишком много, а безопасность зависит от постоянного понимания того, кто и что вообще существует внутри инфраструктуры.

Венчур туда же: общий объем венчурного финансирования в кибербезопасность остался примерно на уровне прошлого года, но его структура резко сместилась к более ранним стадиям. Раунды Series A и B выросли с $3,6 млрд до $5,6 млрд. Капитал хлынул в AI-native стартапы, решающие проблемы, которых два года назад еще не существовало.

Если читать между строк: индустрия признает, что инструменты последних двадцати лет больше не справляются.

Подлатать старые платформы недостаточно. Для защиты AI-native систем нужны новые решения, спроектированные с нуля.

Почему этот переход отличается

Каждый крупный технологический переход — от мейнфреймов к клиент-серверной архитектуре, от десктопов к мобильным устройствам, от локальных серверов к облаку — порождал новые вызовы для безопасности. Но трансформация, связанная с AI, происходит с беспрецедентной скоростью и масштабом, и у нее есть три критические особенности:

1. Доступность и децентрализация: сотрудники внедряют AI быстрее, чем безопасность успевает отслеживать

Внедрение AI принципиально более децентрализовано, чем предыдущие технологические обновления. Облачная миграция обычно шла через IT-отделы и службы безопасности месяцами, иногда годами. AI-агенты возникают иначе: сотрудники запускают их сами, в любом отделе, за минуты.

Как службам безопасности угнаться, когда не-человеческих идентификаций уже в 82 раза больше, чем через пользователей-людей?

Создавать агентов, рабочие процессы и интеграции теперь могут и технари, и не-технари — без единой строчки кода и без единой заявки в IT. Маркетинг создают агента для анализа эффективности кампаний. Продажи — для автоматического обновления CRM. Финансы загружают данные в Claude для сверки с прогнозом. Каждый такой агент — новая идентификация, новый набор прав, новый потенциальный вектор атаки.

Показательный пример — Clawdbot (теперь известный как Openclaw), AI-ассистент с открытым исходным кодом, который после запуска мгновенно завирусился и набрал более 60 000 звезд на GitHub за считаные недели. Openclaw глубоко интегрируется в цифровую жизнь пользователя (Slack, WhatsApp, Telegram, Discord, Microsoft Teams, iMessage и другие платформы) и требует обширных разрешений: чтение писем и ответы на них, управление расписанием, доступ к файлам и выполнение команд. С точки зрения безопасности все это чревато кражей учетных данных, утечкой данных и даже удаленным выполнением кода через интернет.

Менее чем за неделю анализа Token Security обнаружила, что у 22% их клиентов сотрудники уже активно используют Openclaw. Вот насколько стремительно инструмент распространился через сарафанное радио и сообщества разработчиков — а команды безопасности только начали разбираться, что именно внезапно появилось внутри их компаний.

Бизнесы, которые прежде могли отследить каждую систему, каждого пользователя, каждый путь доступа, оказались в среде, где видимость рухнула.

2. AI-агенты наследуют все ваши права доступа — и все ваши риски

Главное обещание агентного AI в том, что эти системы способны действовать с человеческим уровнем суждения на машинной скорости. Чтобы это выполнить, AI-агенты наследуют полные полномочия развернувших их пользователей. Если у вас есть доступ к репозиториям кода, HR-системам, Dropbox, Salesforce, продакшен-средам и чувствительным API-ключам — у вашего агента он тоже есть.

Так в одной и той же системе оказываются и обещание небывалой продуктивности, и серьезный риск. Именно та глубокая связанность, которая делает эти инструменты ценными, — способность оркестрировать действия в десятках систем, принимать решения на основе контекста из множества источников, действовать автономно от вашего имени, — делает их подверженными куда большему риску, чем весь предыдущий софт.

Характерный пример: в ServiceNow у Now Assist нашли уязвимость к prompt injection — вредоносные инструкции в базе знаний могли заставить агента выполнять опасные команды при обработке легитимных запросов пользователей. Атакующие потенциально могли выводить конфиденциальную информацию, изменять записи или совершать несанкционированные действия — просто манипулируя источниками данных, которым агенты были обучены доверять.

Как отметили исследователи безопасности: «Эта находка тревожна, потому что это не баг AI — это ожидаемое поведение, определенное рядом дефолтных настроек».

Недавно исследователи также раскрыли ряд уязвимостей в n8n — популярной платформе автоматизации рабочих процессов на основе AI. Наиболее критичная из них позволяет неаутентифицированному удаленному злоумышленнику получить полный контроль над уязвимыми экземплярами без каких-либо учетных данных. Исследователи предупредили: «Скомпрометированный экземпляр n8n — это не просто потеря одной системы. Это передача злоумышленникам ключей от всего. API-ключи, OAuth-токены, подключения к базам данных, облачное хранилище — все централизовано в одном месте. n8n становится единой точкой отказа и золотой жилой для злоумышленников».

Скомпрометированный агент — это не скомпрометированный ноутбук и не сотрудник, попавшийся на фишинг. Это скомпрометированная идентификация с широким доступом, способностью к автономному принятию решений и скоростью, достаточной для нанесения катастрофического ущерба до того, как кто-либо заметит.

Агенты запускают цепные реакции и каскадные сбои

Агенты часто работают цепочками: вышестоящие передают запросы и контекст нижестоящим. Но что происходит, когда вышестоящий агент передаёт недостаточно контекста? Нижестоящий заполняет пробелы допущениями — и потенциально принимает опасные решения или выдает избыточные права доступа для выполнения задачи.

Агент, предназначенный помогать сотрудникам находить информацию, может «понять», что станет полезнее, получив доступ к системам, на которые ему явно не давали разрешения. Агент, управляющий облачными ресурсами, может решить, что остановка определенных экземпляров оптимизирует затраты, — не осознавая, что на этих экземплярах работают критические продакшен-нагрузки. Так, например, у Replit агенты удалили продакшен-базы данных — не по злому умыслу и не из-за ошибки в коде, а из-за автономных решений при попытке оптимизировать или «навести порядок» в ресурсах.

Все эти инциденты объединяет общая черта: AI-системы часто ведут себя так, как были спроектированы, — но не так, как предполагалось. Разрыв между проектированием и намерением, между возможностями и контролем — именно там кроется опасность.

3. Взрыв идентификаций, который никто не видит

Традиционные системы управления идентификацией и доступом (IAM) были построены вокруг человеческих идентификаций. Компании могли вести справочники сотрудников, подрядчиков и партнеров. Они могли реализовывать процессы приема, перемещения и увольнения и обеспечивать политики пересмотра прав доступа. Модель была несовершенной, но управляемой.

AI эту модель разрушил. Компании столкнулись с лавиной не-человеческих идентификаций, которые невозможно инвентаризировать, за которые некому нести ответственность и за которыми некому наблюдать. Каждый агент, каждая автоматизация, каждый рабочий процесс — это новая идентификация, но стандартного управления жизненным циклом для них не существует.

Когда сотрудники увольняются или меняют позицию, их агенты нередко продолжают работать с полным набором прав доступа. Кому принадлежит агент, которого Сара создала до того, как ушла в другую компанию? Кто отвечает за проверку его прав? Кто вообще знает, что он существует? И какие системы перестанут работать, если его заблокировать?

Традиционные инструменты не были рассчитаны на такой ландшафт, и компании несутся вслепую в среде, где видимость важна как никогда

Что дальше: 2026 год станет годом агентной безопасности

Поверхность атаки, связанная с AI, расширяется быстрее, чем большинство команд безопасности в состоянии отслеживать. Радиус поражения потенциальных инцидентов растет. Сложность этих систем превышает нашу текущую способность их защищать. Но, как и в случае с любой уязвимостью, у рынка и лидеров в области безопасности есть шанс ответить.

2026 год станет годом, когда агентная безопасность станет мейнстримом

Исторически между массовым внедрением новой технологии и появлением соответствующих защитных инструментов проходит как минимум полгода. Поэтому, пока внедрение агентных решений продолжает ускоряться, мы ожидаем появления новой волны продуктов безопасности, которые станут приоритетом для руководителей отделов.

Венчурное финансирование уже резко сместилось к компаниям ранних стадий, создающим AI-native решения по безопасности: инвестиции в раунды Series A и B выросли с $3,6 млрд до $5,6 млрд. Капитал идет в seed-стартапы, которые строят решения для мониторинга автономной активности, управления идентификацией, защиты во время исполнения, непрерывного моделирования атак (red teaming), управления и защиты протокола MCP — для задач, которых два года назад не существовало, но которые теперь все активнее интегрируются в корпоративную безопасность.

Ясно одно: агенты наступают. 2026 год покажет, смогут ли компании двигаться достаточно быстро, чтобы защитить себя в новой парадигме. Организации, которые осознают этот перелом и уже сейчас выстраивают агентную безопасность как фундаментальную инфраструктуру, определят операционную модель безопасного внедрения AI. Те, кто будет ждать, рискуют столкнуться с катастрофическими последствиями, которые все равно заставят их действовать.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Ваш клиент — не человек. Перевод статьи Insight Partners

2026-04-19T09:31:27.903Z

Недавно у Insight Partners (VC фонд, инвестировали в Shopify, Wix, Veeam, Pipedrive и др.) вышел материал про следующий переломный момент в формировании стратегии для B2B-рынка.

Авторы фиксируют новый перелом в пути от продукта к покупателю. Мы привыкли, что даже в B2B за каждой сделкой стоит живой человек — который гуглит, читает, приходит на демо и в итоге принимает решение. Стратегия развития раньше строилась вокруг этого пути — через совершенствование продаж или самого продукта.

Но в воронке появился новый участник: AI-агент, который прямо сейчас читает вашу документацию, сравнивает вас с конкурентами и делает финальный выбор — совсем без вмешательства человека.

Как раньше уже не будет: воронка меняется целиком. Что теперь делать бизнесу? Insight Partners дают пошаговые рекомендации, а мы подготовили для вас полный перевод ниже.

Agent-led growth - новая стратегия выхода на рынок уже здесь!

У всех появляющихся go-to-market (GTM) стратегий есть одна закономерность: самое широкое окно возможностей открывается в самом начале. Компании, рано сделавшие ставку на product-led growth (PLG) — Slack, Dropbox, Zoom, Miro — не ждали, пока этот подход окончательно докажет свою состоятельность. Snowflake и DocuSign раньше других освоили account-based experience (ABX) и обошли команды, которые всё ещё стреляли во все стороны без разбора. Сейчас открылось такое же окно — для следующей GTM модели.

Схема следующая: новая инфраструктура → новая GTM-стратегия

За большинством доминирующих GTM-стратегий в корпоративном ПО стоит какой-то новый вид инфраструктуры. Модель роста за счет выстраивания продаж (sales-led growth) существовала всегда, но обрела масштаб, когда CRM-системы вроде Salesforce позволили сейлзам управлять сотнями клиентов одновременно. Product-led growth вышел на новый уровень, когда инструменты продуктовой аналитики — например, Mixpanel и Amplitude — сделали пользовательский путь измеримым и воспроизводимым. А account-based experience оформился как полноценный подход, когда платформы с данными о намерении купить, такие как 6sense, дали возможность точно целиться в конкретные компании.

Предыдущие механики проходили один и тот же путь: появляется новая инфраструктура, первые игроки выстраиваются вокруг неё, опоздавшие делают всё, чтобы догнать. Авторы убеждены, что та же динамика формируется прямо сейчас — и победители уже определяются. Insight Partners называют её agent-led growth (ALG), т.е. модель роста за счет агентов.

Что такое ALG: различие, которое важно

Термин agent-led growth уже в ходу, но под одним понятием сейчас смешивают два совершенно разных явления.

Если спросить ChatGPT или Gemini, вы, скорее всего, получите определение "supply-side agent-led growth". Речь об AI-агентах, которых используют сами компании, чтобы эффективнее добираться до покупателя: генерация контента с помощью AI, автоматизация воронки с помощью AI, продажи с помощью AI, и так далее. Это действительно полезно, но по сути это лишь повышение эффективности уже существующих моделей, а не переходный момент в устройстве рынка.

Спрос — вот где источник и возможности (и угрозы)

Demand-side agent-led growth (рост за счет агентов на основе спроса) — это другое. Речь идет о том, что происходит, когда AI-агенты работают на покупателя: исследуют вендоров, составляют таблицы сравнения функций, тестируют возможности, оценивают варианты — и в итоге рекомендуют или даже инициируют покупку от имени пользователя.

Давайте еще раз:

Supply-side ALG = модель роста за счет AI-агентов, где их использует сама компания-продавец, чтобы эффективнее находить, прогревать и доводить до продажи клиентам.

Demand-side ALG = модель роста за счет AI-агентов, где они работают на стороне покупателя: ищут, сравнивают, оценивают и даже инициируют покупку.

Supply-side ALG улучшает экономику вашей воронки. Demand-side ALG меняет то, чья это воронка.

Структурная возможность — и структурный риск — находятся именно здесь. Пока этот перелом сильнее всего заметен в экосистеме разработчиков — там агентам раньше всего дали право действовать самостоятельно. В категориях B2B SaaS — CRM, HR, маркетинговой автоматизации, вертикальном ПО — рынок еще не определил дефолтных игроков. Но в среде разработчиков это произошло меньше чем за 18 месяцев. Вопрос не в том, случится ли то же самое в других категориях. Вопрос в том, будете ли вы готовы к моменту, когда покупательское доверие перейдет к агентам — или это будут ваши конкуренты?

Два первых победителя

Самые очевидные примеры — снова из экосистемы разработчиков, где AI-агенты располагают и доверием, и автономией. Vibe-coding инструменты — Bolt, Lovable, Cursor, Claude Code — не просто пишут код. Они способны принимать за разработчика инфраструктурные решения. И сегодня постепенно складывается стек «по умолчанию» — не через продажи и не через маркетинговые бюджеты, а через выбор самих агентов.

Supabase стал дефолтным бэкендом для многих vibe-coding платформ — и не через бизнес-девелопмент, а именно потому что его выбирали сами агенты. Это привилегированное положение позволило компании вырасти с 1 до 4,5 миллиона разработчиков менее чем за 12 месяцев. CEO прямо указал на этот механизм: «Наш темп регистраций удвоился за три месяца — и это благодаря Bolt, Lovable, Cursor». Оценка отразила динамику: с $765 млн в сентябре 2024-го до $5 млрд к октябрю 2025-го.

Resend, сервис для транзакционных email-рассылок, с момента запуска в 2023 году вырос с нуля до 400 тысяч пользователей. Если попросить Claude Code добавить в репозиторий email-функциональность, в 63% случаев он выбирает именно Resend. У его куда более крупного конкурента, SendGrid, этот показатель — 7%.

Почему агенты выбирают именно эти продукты?

У обоих — обширная, машиночитаемая документация
Оба предлагают бесплатный тариф, снимающий вопрос согласования бюджета, и растут через оплату по факту
У обоих — чистые, предсказуемые API, которые минимизируют количество решений, которые агент должен принять
Оба хорошо представлены в обучающих данных LLM благодаря работе с открытым кодом и публикациям в сообществах

Картина повторяется: эти продукты минимизируют усилие, которое агент должен приложить, чтобы рекомендовать их как приоритетные решения.

Здесь удобно мыслить категорией token-to-value: сколько токенов нужно агенту, чтобы понять, что продукт решает задачу пользователя, — и сколько еще нужно для реализации? Это машинный аналог time-to-value из мира роста за счёт продукта. Любые пробелы в документации, неясная страница с ценами, отсутствие примеров интеграции — всё это увеличивает число токенов.

По опыту Insight: чем быстрее агент приходит к уверенному ответу и чем проще ему реализовать выбранное решение — тем выше шанс стать дефолтным выбором. А дальше такие дефолты начинают быстро накапливать преимущество.

Воронка меняется целиком, не только верхний уровень

Большинство разговоров об AI и GTM крутилось вокруг обнаружения вашего продукта агентами: Generative Engine Optimization (GEO) — оптимизация под генеративные поисковые системы, Answer Engine Optimization (AEO) — оптимизация для попадания в выдачу LLM. GEO реален, важен и уже является базовым требованием. Но это только вершина воронки.

ALG идёт гораздо глубже — и об этом пока говорят намного меньше, хотя последствия тут могут быть куда серьезнее. На этапе оценки агенты уже способны самостоятельно собирать сравнительные матрицы по функциям, читать документацию и тестировать возможности продукта — часто еще до первого разговора с поставщиком. Исследования показывают: 77% покупателей в итоге покупают у того вендора, который изначально оказался фаворитом в их AI-исследовании. Во многих случаях агент уже сформировал мнение ещё до того, как ваш sales вышел на звонок.

На этапе принятия решения роль поставщика меняется. Он больше не создает спрос — он подтверждает или оспаривает уже сложившееся предпочтение. Если оценка агента сыграла в вашу пользу, задача сейлза — закрепить это. Если нет — он запускает переговоры, чтобы исправить ситуацию.

На этапе покупки запуск сделок агентом уже вполне укладывается в потребительскую логику. Instant Checkout от ChatGPT был ранним экспериментом. B2B-последствия — дело ближайшего времени.

Скорость происходящего впечатляет. Разработчик, работающий с Claude Code, может пройти путь от осознания проблемы до интеграции в продакшн меньше чем за пять минут — Resend требует всего одной команды агенту для внедрения. В мире, где посредником выступает агент, воронка не исчезает. Она просто резко ускоряется.

WebMCP: инфраструктура для новой механики

Каждая из упомянутых GTM-механик нуждалась в своей инфраструктуре. CRM — для SLG. Продуктовая аналитика — для PLG. Данные о намерениях — для ABX.

Теперь свою инфраструктуру получает и Agent-led growth.

Протокольный стек складывается из четырёх уровней. Model Context Protocol (MCP) от Anthropic позволяет агентам подключаться к бэкенд-инструментам и данным. Agent-to-Agent (A2A) от Google — координировать взаимодействие между агентами. Протоколы Google и Stripe открывают возможность транзакций и платежей, инициированных агентами.

Но до недавнего времени была одна проблема. Все эти протоколы работали за кулисами — на уровне бэкенда, API и серверной инфраструктуры. Для разработчиков — прекрасно, но все остальные оставались за бортом. Браузер, где мы все взаимодействуем с интернетом, оставался чисто визуальной средой. Агентам приходилось мучительно ориентироваться в ней через скриншоты и догадки о том, куда нажать. Исследования показывают, что две трети вычислений в AI-взаимодействии с сайтами тратились именно на эту бессмысленную угадайку.

Несколько недель назад эта проблема исчезла.

12 февраля Google и Microsoft опубликовали WebMCP — Web Model Context Protocol — как открытый стандарт. Он вошёл в Chrome 146 (версия браузера). И это изменило саму связь между сайтами и AI-агентами.

Самая простая реализация на удивление доступна. Достаточно добавить к существующим HTML-формам несколько атрибутов — имя инструмента и описание, — и Chrome сможет превратить эти формы в структурированные схемы инструментов, которые агент может вызывать. Никаких изменений в бэкенде. Никакой новой инфраструктуры. Ваш текущий сайт становится готовым к работе с агентами.

Теперь представьте это в контексте воронки, о которой мы только что говорили.

WebMCP трансформирует каждый этап покупательского пути. Теперь агенты могут программно тестировать ваш продукт прямо через сайт: запускать поиск, выгружать данные, настраивать параметры, — превращая оценку из контролируемого вендором демо в постоянно доступный, контролируемый покупателем тест. А на этапе покупки путь до конверсии резко схлопывается: вместо нескольких действий, которые должен сделать человек между рекомендацией и покупкой, транзакцию выполняет агент — пользователю остается только подтвердить.

Эффект накапливается: как мы уже видим, агенты, которые считают ваши инструменты надежными, со временем начинают рекомендовать вас все чаще. Так возникает растущая пропасть «машинного доверия» — аналог того, как в человеческом мире работает доверие к бренду.

Что компаниям делать сейчас?

Y Combinator пошутил, что подумывает сменить девиз на «создавай то, чего хотят агенты». «Продавай то, что агенты могут купить» — кажется, точнее.

Анализ экспертов Insight Partners, которые занимаются GTM, показывает устойчивый набор принципов: как агенты учатся и как они действуют. На практике все сводится к трем свойствам, по которым нужно проверять ваш продукт и вашу go-to-market модель, если вы хотите выиграть в мире, где посредником становится агент.

Находимость

Инвестируйте в GEO и AEO. Это базовое требование для обнаружения в AI-выдаче, но оно не статично. Стратегия запросов имеет значение, а соотношение инвестиций в SEO и GEO — живой вопрос, который GTM-командам стоит пересматривать регулярно. Критерий успеха простой: появляется ли ваша компания в ответах агента тогда, когда тот уже понимает задачу покупателя и ищет решение от его имени.

Оцениваемость

Относитесь к документации как к GTM-активу, а не к функции поддержки. Агенты читают документацию, а не питч-деки. И Supabase, и Resend вкладывались в документацию для разработчиков — гораздо больше, чем в маркетинг. Какие вопросы всплывают на демо и в продажах, но не отражены в ваших публичных материалах? Именно эти вопросы агенты и будут задавать — а каждый не отвеченный добавляет токены и вычислительную нагрузку.

Подробная документация по возможностям продукта, прозрачное ценообразование, структурированные страницы с описанием функций — уже часть GTM-стека. Конкретная цель здесь — минимизировать token-to-value, то есть количество токенов, которое нужно агенту, чтобы пройти путь от осознания проблемы до реализации. Команды, у которых Agent-led growth уже работает, проверяют документацию именно с этой точки зрения, а не просто следят, чтобы в ней были актуальные версии.

Исполняемость

Координируйтесь с инженерами, чтобы размечать ключевые точки конверсии для WebMCP: запрос демо, регистрации в триале, страницы с ценами. Наличие пробных тарифов или usage-based pricing (оплаты по факту использования) снимает необходимость в предварительном бюджетном согласовании и позволяет агенту инициировать подключение с минимальным участием человека. Задайте себе честный вопрос: как продвинутый агент оценил бы возможности вашего продукта сегодня — и на что бы он наткнулся? Ответы, как правило, быстро подсвечивают зоны роста.

Все это не заменяет сильных маркетологов и сейлзов. Этот подход лучше всего работает как дополнительный слой поверх внятной человеческой go-to-market стратегии. Агенты вознаграждают последовательность: между тем, что пишет маркетинг, что показывает документация и что говорит сейлз. Более того, ставка на человеческое взаимодействие становится даже выше. Покупатель приходит на более поздней стадии воронки и еще сильнее ценит свое время. В ALG выиграют те команды, которые будут относиться к своему «позиционированию для агентов» как к продолжению уже существующего позиционирования для потребителя, а не как к отдельной истории.

Завоевать статус по умолчанию

Уже 94% B2B-покупателей используют LLM в процессе ресерча. Инфраструктура строится прямо сейчас. Чтобы воспользоваться этим переломом, компании не обязательно полностью переписывать сценарий под агентов — так же, как можно было внедрить лучшие практики PLG, не становясь Dropbox. Думайте о том, как убрать барьеры для агентов, которые оценивают и внедряют ваши решения. Если конкуренты сделают это раньше вас, агенты только увеличат пропасть между вашими продуктами.

Agent-led growth — это то, что происходит, когда AI-агенты не просто помогают покупателям найти поставщиков, а оценивают, сравнивают и совершают действия от их имени. Компании, которые сделают себя видимыми, оцениваемыми и пригодными к действию для машин, создадут следующее поколение устойчивых преимуществ в B2B-софте.

Главный открытый вопрос уже не в том, изменит ли ALG дистрибуцию в B2B. Изменит. Вопрос в другом: какие категории перестроятся первыми — и окажутся ли нынешние лидеры рынка теми, кто адаптируется и заработает дефолтный статус, или теми, кого вытеснят в стремительном темпе.

Примечание: Insight Partners инвестировали в OpenAI, Anthropic, StackBlitz и 6sense.

Этот текст содержит прогнозы и предположения о будущем AI. Они основаны на текущих ожиданиях и допущениях команды Insight Partners, и фактические результаты могут существенно отличаться от тех, что здесь прямо или косвенно описаны. Материал носит исключительно информационный характер и не является финансовой, инвестиционной или профессиональной рекомендацией. Его не следует воспринимать как совет покупать, продавать или удерживать какие-либо конкретные активы или ценные бумаги. Инвестиции в AI и связанные с ним технологии сопряжены с рисками, а прошлые результаты не гарантируют будущих.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Следующей компанией с оценкой $1 трлн станет разработчик софта под видом продавца услуг. Перевод статьи Sequoia

2026-04-12T09:07:56.230Z

В марте у Sequoia вышла авторская статья о том, где в AI прямо сейчас лежат самые большие не реализованные рынком возможности. Продавать специалисту ускорение его работы вот-вот потеряет ценность, путь к успеху — продавать компании то, что раньше делал их специалист. Как и что именно? Вот об этом и пишет Жюльен Бек из Sequoia.

Перевели статью для вас: ниже — чёткое разграничение между двумя типами компаний, карта рынков с цифрами и конкретными примерами, и тот самый тезис про то, где именно сейчас открывается окно возможности на $200 млрд (а где-то даже и на $300+ млрд).

Услуги — это новый софт

Следующая триллионная компания — software компания, которая маскируется под фирму, предоставляющую услуги.

Каждый основатель, создающий AI-инструмент, задаёт себе один и тот же вопрос: что будет, когда следующая версия Claude сделает мой продукт просто одной из своих новых фич? Тревога вполне оправдана. Если вы продаёте инструмент, вы соревнуетесь с самой моделью. Но если вы продаёте выполненную работу, то каждое улучшение модели делает вашу услугу быстрее, дешевле и менее уязвимой для конкуренции. Компания может тратить $10 тыс. в год на QuickBooks (софт, в котором ведётся бухгалтерский учёт) и $120 тыс. на бухгалтера, чтобы закрывать отчётность. Следующая легендарная компания будет просто закрывать отчётность сама.

Интеллект против суждения

Писать код — это в основном вопрос интеллекта. Понимать, что строить дальше, — вопрос суждения.

Перевести спецификацию в код, протестировать, отладить: правила сложны, но это всё же правила. С суждением иначе. Оно требует опыта и вкуса, интуиции, выработанной годами практики. Решить, какую фичу делать следующей, стоит ли брать на себя технический долг, когда выпускать продукт, даже если он ещё не до конца готов.

Год назад большинство пользователей Cursor воспринимали AI как автодополнение. Сегодня агенты запускают больше задач, чем люди. Разработка ПО занимает более половины всего использования AI-инструментов среди всех профессий. Все остальные категории пока остаются в пределах однозначных процентов. Причина в том, что программирование — это преимущественно работа интеллекта. AI уже перешёл тот порог, за которым способен автономно выполнять большую часть интеллектуальной работы, оставляя суждение человеку. Разработка ПО пришла к этому первой. Но то же самое придёт в каждую профессию без исключений.

Ассистенты и автопилоты

Ассистент продаёт инструмент. Автопилот продаёт результат работы.

До недавнего времени AI-модели всё ещё наращивали и интеллект, и способность к суждению, поэтому правильной стратегией было сначала делать ассистента: дать AI в руки специалисту и позволить ему самому решать, как его использовать. Harvey (AI-юрист) продаёт себя юридическим фирмам. Rogo (AI-аналитик) — инвестиционным банкам. Специалист — это клиент, инструмент делает его продуктивнее, и именно он несёт ответственность за результат.

Сегодня модели уже достаточно умны, чтобы в ряде категорий правильнее было сразу начинать с автопилота. Crosby (AI-NDA) продаёт себя компании, которой нужно составить NDA, а не юристу-фрилансеру. WithCoverage (AI-брокер) продаёт финансовому директору, которому нужна страховка, а не брокеру. Клиент покупает результат напрямую. Бюджет на работу в любой профессии многократно превышает бюджет на инструменты, а автопилоты с первого дня захватывают именно бюджет на работу.

Чем выше доля интеллектуальной составляющей в любой сфере, тем раньше в ней победят автопилоты.

Сближение

То, что сегодня требует суждения, завтра станет интеллектуальной задачей. По мере того как AI-системы накапливают проприетарные данные о том, как выглядит хорошее суждение в их области, граница будет смещаться. Ассистенты и автопилоты сблизятся. Переход от ассистента к автопилоту уже начался в нескольких категориях. Но стартовая позиция важна, потому что именно она определяет, где автопилоты могут уже сейчас выигрывать клиентов и начинать накапливать данные, которые со временем позволят им взять на себя и суждение.

Стратегия автопилота: аутсорсинг как точка входа

На каждый доллар, потраченный на софт, приходится шесть долларов, потраченных на услуги.

Общий объём рынка для автопилотов — это фонд оплаты труда в конкретной категории: и штат, и аутсорсинг. Но начинать правильно там, где работа с внешним подрядчиком уже существует.

Если задачу уже отдают на аутсорс, это говорит о трёх вещах. Во-первых, компания уже признала, что эту работу можно выполнять за пределами контура. Во-вторых, под неё уже есть отдельная статья бюджета, которую можно безболезненно заменить. В-третьих, компания уже покупает именно результат. Замена контракта с внешним подрядчиком на AI-native поставщика услуг — это просто смена вендора. Замена штатных сотрудников — это уже реорганизация.

Стратегия такая: начинать с аутсорсных, преимущественно интеллектуальных задач. Отладить дистрибуцию. А затем по мере развития AI двигаться в сторону штатной работы, где нужно суждение. Аутсорсная задача — точка входа. Штатная работа — долгосрочный план по захвату рынка.

Crosby начал с NDA: чётко очерченная задача, преимущественно интеллектуальная, которую большинство компаний уже отдаёт внешним юристам. Бюджет есть, объём понятен, ROI очевиден, а замена происходит без трений.

Карта возможностей

Если нанести все виды услуг на шкалу «интеллект — суждение» и на шкалу «аутсорс — инсорс», получается карта приоритетов с объёмом рынка в скобках. Список ниже носит иллюстративный характер.

Страховое брокерство ($140–200 млрд). Крупнейший рынок в деньгах в этом списке. Базовые виды страхования сильно стандартизированы: ценность брокера по сути сводится к сравнению предложений страховщиков и заполнению форм, то есть к чисто интеллектуальной работе. Рынок крайне фрагментирован: десятки тысяч мелких брокеров, каждый из которых воспроизводит один и тот же процесс, и ни один крупный игрок не контролирует отношения с клиентом. Среди интересных новичков — WithCoverage и Harper.

Бухгалтерия и аудит ($50–80 млрд аутсорса только в США). За пять лет США потеряли примерно 340 тыс. бухгалтеров, тогда как спрос продолжает расти. 75% дипломированных бухгалтеров приближаются к пенсии, путь к лицензии долгий, а стартовые зарплаты отстают от финансов и IT. Такая нехватка кадров заставляет отрасль принимать AI быстрее, чем почти в любой другой профессии. Rillet строит AI-native ERP, которая будет закрывать отчётность. Basis начинал как AI-ассистент для бухгалтеров.

Выставление счетов в здравоохранении ($50–80 млрд аутсорса в США). Услышав слово «здравоохранение», люди обычно думают, что там всё завязано на суждении. Но выставление счетов — почти чисто интеллектуальный процесс. Медицинское кодирование — это перевод клинических заметок примерно в 70 тыс. стандартизированных кодов ICD-10. Правила сложные, но это снова правила. Аутсорсинг здесь уже зрелый и завязан на результат. Автопилоту нужно просто делать то же самое дешевле. Дальше всех продвинулся Anterior.

Урегулирование страховых убытков ($50–80 млрд). По другую сторону страхового полиса урегулирование убытков — это отдельное поле для автопилота. По стандартным видам убытков решение принимается через интерпретацию формулировок полиса, сопоставление с таблицами ущерба и установку резервов на основе актуарных таблиц. Специалисты по урегулированию стареют, а им на смену никто не приходит. Рынок в огромной степени отдан независимым подрядчикам вроде Crawford и Sedgwick. Одна отрасль — как минимум две разные ветки развития для автопилота. Pace строит автопилот для урегулирования убытков. Strala строит AI-native администратора-регулировщика.

Налоговый консалтинг ($30–35 млрд). Обязательное лицензирование бухгалтеров создаёт барьер входа, но на 80–90% сама работа — интеллектуальная. Чем больше юрисдикций покрывает налоговый автопилот, тем шире становится его база данных. Сложность с несколькими юрисдикциями — это именно то, что отдают на аутсорс малый и средний бизнес, т.к. ни один штатный бухгалтер не охватит всё. TaxGPT — ранний игрок, наряду со Skalar и Ravical в Европе.

Юридические услуги, транзакционные ($20–25 млрд). Подготовка контрактов, NDA, регуляторные подачи: высокая интеллектуальная составляющая, регулярно отдаётся на аутсорс. Результат достаточно стандартизирован, чтобы качество можно было проверить, а значит покупатель способен доверять AI без глубокой юридической экспертизы. Harvey — формирующийся лидер, активно движется в сторону автопилота; Crosby и Lawhive — новички, изначально строящие автопилот.

IT-обслуживание ($100 млрд+). Практически каждый малый/средний бизнес отдаёт свой IT на аутсорс. Патчи, мониторинг, управление учётными записями пользователей, разбор алертов: интеллектуальная работа, которая повторяется снова и снова в тысячах одинаковых окружений. ConnectWise и Datto продают инструменты IT-подрядчикам. Но пока никто не продавал компании понятный результат в духе «ваш IT просто работает». Edra автоматизирует IT-процессы. Serval автоматизирует IT-поддержку.

Закупки и цепочки поставок ($200 млрд+). Большинство компаний всерьёз ведут переговоры только с топ-20% своих поставщиков. Длинный хвост остаётся без внимания, потому что экономика не позволяет тратить на него человеческий ресурс. Утечка по контрактам составляет 2–5% от общих затрат на закупки. Точка входа здесь — брошенная работа: не нужно обосновывать статью бюджета, не нужно вытеснять действующего игрока. Это просто деньги, которые нужно забрать. Magentic строит AI для прямых закупок, AskLio — для косвенных. Tacto строит и систему учёта, и ассистента для среднего бизнеса.

Рекрутмент и массовый найм ($200 млрд+). Крупнейший рынок услуг в этом списке. Верхняя часть воронки (скрининг, сопоставление, аутрич) — чистый интеллект, но закрыть кандидата и оценить мэтч с командой — уже суждение, основанное на многолетнем распознавании паттернов. Точка входа для автопилота — в массовых ролях с низкой ролью суждения. Juicebox, Mercor, Jack & Jill — новые лидеры, строящие продукты по всему спектру.

Управленческий консалтинг ($300–400 млрд). Огромный рынок, но работа по большей части завязана на суждении. Интересный вопрос — сможет ли AI разложить консалтинг на интеллектуальные компоненты (сбор данных, бенчмаркинг) и компоненты суждения (стратегические решения), автоматизировав первые и оставив вторые людям. Кто здесь лучшие кандидаты — пока неясно.

В 2025 году самыми быстрорастущими AI-компаниями были ассистенты. В 2026-м многие из них попытаются стать автопилотами. У них уже есть и продукт, и понимание клиента. Но они столкнутся с дилеммой: начать продавать выполненную работу — значит фактически исключать своих же клиентов из процесса её выполнения. Именно в этом и открывается окно возможности для истинных автопилотов.

Если вы строите такой — напишите.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Агенты убьют software-рынок? Перевод статьи ICONIQ

2026-04-08T18:12:24.047Z

Вокруг AI сейчас много категоричных тезисов. Один из самых популярных звучит так: software умирает, а агенты заберут его место. Неудивительно, что рынок нервничает. Если AI становится новым интерфейсом к работе, что тогда остается от привычных продуктов как бизнеса?

Недавно у ICONIQ вышел материал на эту тему. ICONIQ - это крупная американская инвесткомпания, в её портфеле Datadog, Snowflake и Anthropic. Мне близка их главная мысль: AI не уничтожает software, а перестраивает его.

Мы не наблюдаем конец индустрии. Скорее, мы входим в новый этап ее эволюции. Рынок software не исчезает, а начинает делиться на два взаимосвязанных слоя. Первый - системы, в которых живут данные, контекст и процессы. Второй - агенты, которые используют этот контекст, чтобы выполнять все более сложную работу.

Ниже - перевод статьи и мой взгляд на происходящее как основателя фонда, который прямо сейчас инвестирует в B2B AI.

Великая Пересборка, или The Great Sorting

За последние месяцы страх перед агентами уже ударил по рынку: software-компании потеряли почти $500 млрд рыночной стоимости. Для индустрии это оказался болезненный сигнал. Но сама логика, на которой строится эта паника, ошибочна.

За последние 13 лет ICONIQ инвестировал и в классический software - от Datadog, Snowflake и Adyen до Procore и ServiceTitan, - и в новую волну AI-компаний: Anthropic, ElevenLabs, Glean, Sierra, OpenEvidence, Legora и другие. И в этом нет противоречия. Наоборот, это отражает их ключевую ставку: рынок не исчезает, а проходит через пересборку - или The Great Sorting, как они сами называют этот процесс.

Компании, которые поймут, что будет дальше - построят одни из самых ценных бизнесов следующего десятилетия.

Парадокс момента в том, что AI создаст не меньше software, а больше. Когда стоимость создания падает, продуктов становится больше, а конкуренция - жестче. Когда любой может собрать инструмент за вечер в Claude Code, рынок заполняется посредственными решениями, и именно поэтому планка резко растёт. Выдающихся продуктов всегда не хватало - и сейчас эта нехватка станет ещё острее.

Долгое время корпоративный софт решал очень важную задачу: он стандартизировал процессы, контроль и лучшие практики прямо внутри систем. Компании получали эффективность, прозрачность и масштаб, но одновременно становились все более похожими друг на друга. Бизнес подстраивался под логику software, а не software - под реальную логику бизнеса.

AI меняет именно это. Теперь у систем появляется шанс сохранить структурную основу, но при этом стать гораздо более чувствительными к контексту и намерению. То есть: не заставлять компанию вписываться в рамки, а помогать адаптироваться к тому, как устроена реальная работа.

И да, не все крупные игроки переживут эту волну. Это не пессимизм, а скорее исторический паттерн. Siebel исчез не потому, что CRM перестала быть важной, - просто Salesforce пересобрал эту категорию под новую технологическую модель. Старый мониторинг уступил Datadog. On-premise-хранилища - Snowflake. Категории сохранялись, но лидеры менялись.

Собрать из быстро меняющихся частей действительно сильный продукт - отдельное искусство. Те, у кого больше вкуса и глубже понимание реальных проблем клиента, получат непропорциональное преимущество. Остальным, возможно, придется выучить урок Siebel.

Агенты как новый уровень участия

Агенты запускают следующий цикл в software. Их количество будет расти экспоненциально. Агентам не нужен онбординг, они могут работать между системами, интерфейсами и языками одновременно.

Если предыдущие циклы расширяли участие людей в software, то теперь участие начнет расти уже за счет самих агентов. Это важный сдвиг: с продуктами будут взаимодействовать не только пользователи, но и все больше AI-систем, которые могут действовать быстрее, дешевле и в гораздо большем масштабе.

Для компаний здесь есть два понятных пути. Первый - строить агентов как отдельный новый слой. Второй - принять агентное будущее и через него радикально расширить охват уже существующего продукта. В обоих случаях ценность будет создаваться не в изоляции, а во взаимодействии.

При этом важно, что не каждой существующей software-компании будет легко построить по-настоящему сильный агентный слой. Это новая продуктовая логика. Лучшие компании, конечно, попытаются закрыть оба слоя сразу. Но для большинства рынок, скорее всего, все же разделится.

Взаимный симбиоз и главные барьеры

200 миллионов лет назад мировой океан испытывал дефицит питательных веществ. Именно это дало начало одному из самых продуктивных симбиозов в природе: кораллы и водоросли вместе создали коралловые рифы и целые экосистемы вокруг них.

Коралл дает структуру и основу. Водоросли превращают свет в энергию и питают всю систему. По отдельности их возможности ограничены, вместе они создают одну из самых сложных и богатых экосистем на Земле.

В software сейчас происходит что-то похожее. Формируются два взаимозависимых слоя:

Data Context Layer (слой данных и контекста) - это платформы, в которых накоплены данные, процессы, роли, история действий и доверие. Это ключевые системы компании, где живут данные, и другие продукты, которые компании строили и встраивали в свою операционную модель годами. Это и есть коралл - основа всей системы.
Agent Layer (агентный слой) - это AI-системы, которые используют этот контекст, чтобы автоматизировать все более сложные задачи. Они умеют рассуждать, планировать и исполнять действия через множество систем сразу, освобождая человека для более сложных решений, стратегии и суждения. Это слой, который усиливает и оживляет весь риф.

Между этими слоями неизбежно будет трение, но их отношения, скорее всего, окажутся взаимовыгодными. Агентам будет сложно самостоятельно построить глубокий контекст: он накапливается годами работы. А платформам будет непросто построить действительно сильных агентов: это другой тип продукта, другой UX и другая логика ценности.

Вместе они создают результат, который ни один из них по отдельности создать не способен.

Будут исключительные компании, которые попытаются охватить оба слоя сразу. Но в более широком смысле рынок, скорее всего, пойдет в сторону большей совместимости между ними. И речь не только о технической интеграции. По мере того, как эти слои будут все лучше взаимодействовать друг с другом, ценность, скорее всего, будет накапливаться у обеих сторон: и у тех, кто контролирует контекст, и у тех, кто превращает его в действие. Самые устойчивые бизнесы будут двигаться в агентное будущее, опираясь на свои сильные стороны.

Век разума для software

Победителями новой волны не обязательно станут компании, которые громче всех говорят про агентов.

Парадокс в том, что с приходом AI планка для действительно сильных продуктов не снижается, а только растет. Когда software становится легче создавать, рынок не упрощается - он становится гораздо более требовательным к качеству, глубине и встроенности продукта в реальную работу клиента.

Победят те, кто лучше других поймет, где именно в новой архитектуре накапливается ценность. Для одних это будут агенты. Для других - контекст. Для третьих - интерфейс между ними.

Если продукт не контролирует важный контекст и не становится незаменимой частью исполнения, ему будет сложно удерживать свою ценность. А вот компании, которые владеют ключевыми процессами, доверием клиента и глубоким пониманием своей области - или, наоборот, строят сильный агентный слой поверх этого, - могут занять очень устойчивую позицию.

Это особенно важно понять инвесторам и основателям, чтобы точнее выбирать фокус. Вопрос уже не только в том, «есть ли у вас AI», а в том:

в каком слое вы строите продукт;
что именно является вашим преимуществом;
насколько сложно это воспроизвести;
усиливается ли ваша позиция с распространением агентов или, наоборот, ослабевает

Итог

Software не умирает. Он проходит через пересборку - или The Great Sorting.

Появляются два взаимосвязанных слоя: один хранит контекст и доверие, второй превращает этот контекст в действие. Не один вместо другого - а они вместе. И именно в этой связке, на мой взгляд, будет создаваться следующая большая волна компаний в B2B AI.

Нам в Mento эта аналогия близка. Мы видим, как первые рифы уже начинают формироваться - и именно их мы целенаправленно ищем.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Почему люди стали продуктивнее, а компании — нет. Разбор статьи a16z

2026-03-25T13:20:20.500Z

Недавно Andreessen Horowitz (a16z) опубликовали материал, который точно описывает то, что сейчас происходит с AI в компаниях.

AI уже заметно повышает продуктивность отдельных людей: аналитик, который раньше тратил день на финансовую модель или ресерч, делает это за час, разработчик закрывает за неделю то, на что раньше уходил месяц. Мы видим это и внутри команды — автоматизируем процессы, сокращаем время на рутину и за счет этого делаем больше полезного.

Но на уровне компаний картина выглядит иначе. Производительность отдельных сотрудников растет, но это почти не конвертируется в сопоставимый рост бизнес-результатов.

Возникает вопрос: где теряется эта продуктивность?

В материале есть формулировка, которая точно это объясняет: мы поменяли мотор, но не перестроили фабрику. AI усилил отдельных людей, но не изменил саму систему — поэтому результат на уровне бизнеса остается ограниченным.

Ниже — разбор семи факторов, которые на практике определяют разницу между индивидуальным и институциональным AI. Именно они будут определять, как будет устроен следующий этап в B2B AI.

Содержание

Вступление

Итог

Вступление

Чтобы понять, что сейчас происходит с AI, полезно посмотреть на похожий момент в истории. В конце XIX века электричество обещало резкий рост производительности, и фабрики, построенные под паровые двигатели, начали заменять их на электромоторы. Технология была очевидно лучше — дешевле, гибче, эффективнее, — но в течение десятилетий это почти не влияло на результат, потому что организация производства оставалась прежней.

Только когда фабрики полностью перестроили процессы — от конвейеров до распределения ролей между людьми и машинами — электричество начало давать реальный эффект. Рост появился не от самой технологии, а от того, что ее встроили в новую систему. Это один из самых дорогих уроков в истории технологий, и сейчас он повторяется.

Сегодня AI действительно повышает продуктивность отдельных людей, но продуктивные люди не равны продуктивной организации. В большинстве случаев AI ускоряет отдельные задачи, создавая ощущение прогресса, но слабо влияет на итоговый результат бизнеса, потому что мы внедряем новую технологию в старую структуру: меняются инструменты, но не меняется сама логика работы.

Поэтому ключевое изменение происходит не на уровне интерфейсов или отдельных продуктов, а на уровне системы в целом. Продуктивные организации требуют институционального интеллекта. Ниже — разбор семи факторов, которые определяют эту разницу и вокруг которых будет строиться следующий этап развития B2B AI.

Координация

Индивидуальный AI создаёт хаос. Институциональный AI создаёт координацию.

Представьте, что вы удвоили команду, добавив копии своих лучших сотрудников. У каждого из них будут свои привычки, подходы и способы принимать решения — даже если это сильные люди. Если между ними нет четких ролей, зон ответственности и выстроенной коммуникации, система начинает распадаться.

На уровне отдельных людей продуктивность может расти, но на уровне организации возникает рассинхронизация: люди или агенты двигаются в разные стороны и перестают усиливать друг друга.

Это уже происходит на практике. В компаниях, где AI внедряется без слоя координации, у каждого сотрудника складывается свой способ работы с инструментами: свои промпты, свои форматы результатов, свои процессы.

Формально структура компании может оставаться прежней, но реальный поток работы начинает жить по другим правилам. В результате организация выглядит более продуктивной, но работает менее согласованно.

Индивидуальный AI: продуктивные люди и агенты гребут в разные стороны — в итоге хаос. Институциональный AI: все движутся в одном направлении — координация

Поэтому координация становится базовым требованием — как для людей, так и для AI-агентов. Вокруг этой задачи начинает формироваться отдельный слой — Agentic Management. Это системы, которые задают роли и ответственность агентов, управляют их взаимодействием и позволяют собирать работу в единую систему.

При этом привычные метрики здесь работают хуже. Когда ценность создается на уровне всей системы, ее сложно корректно измерить через отдельные действия или объем использования — требуются другие способы оценки.

Сигнал

Индивидуальный AI создает шум. Институциональный AI находит сигнал.

Сегодня с помощью AI можно создавать практически любой тип контента: тексты, презентации, таблицы, изображения, видео или код. Это уже стало нормой и само по себе дает сильное ускорение. Проблема в другом — большая часть сгенерированного не создает ценности, и по мере роста объемов это начинает мешать, а не помогать.

Мы видим это и на практике. Внутри команды мы активно используем AI, но для финальных материалов почти всегда требуется ручная проверка и отбор. Генерация ускорилась, но качество по умолчанию не гарантировано, и без фильтра итог редко можно использовать в работе.

Хорошая иллюстрация — венчурный рынок. Раньше за квартал к вам могло прийти около десяти сделок, сегодня — в разы больше, и почти каждая из них выглядит проработанной благодаря AI. При этом времени на анализ больше не стало. В результате возникает простой сдвиг: генерировать стало легко, выбирать стало сложнее. И именно здесь появляется ключевая задача — найти один действительно ценный сигнал в постоянно растущем потоке информации.

Индивидуальный AI: объем AI-generated контента растет экспоненциально, человеческая способность его обрабатывать не успевает — образуется нарастающий gap. Институциональный AI: появляется новая линия — Institutional AI capacity, которая успевает за объемом и закрывает этот разрыв

На уровне отдельных пользователей формируется разрыв: объем AI-контента растет быстрее, чем способность человека его обработать. Институциональный AI появляется как способ закрыть этот разрыв — он не просто генерирует, а фильтрует, структурирует и приоритизирует информацию, превращая поток данных в управляемую систему.

Это меняет и сам подход к работе. Индивидуальный AI часто используется как инструмент постоянной генерации, где агент пробует разные варианты и двигается через перебор. Институциональный AI, наоборот, строится на предсказуемости: он работает через процессы, шаги и контрольные точки, которые позволяют системно извлекать сигнал и масштабировать результат.

Пример того, как выглядит «сигнал» в реальном продукте: таблица с десятью тысячами проиндексированных документов, автоматически извлеченными финансовыми метриками, highlights/risks и итоговыми оценками по каждой компании. AI не просто ищет — он структурирует и ранжирует

В продукте это выглядит как переход от отдельных ответов к системе. Вместо разрозненных output’ов появляется логика, которая собирает данные, структурирует их и выдает приоритизированный результат — например, анализирует тысячи документов, извлекает ключевые метрики, выделяет риски и формирует итоговую оценку. AI здесь не просто ищет информацию, а превращает ее в решение.

Предвзятость

Индивидуальный AI усиливает предвзятость. Институциональный AI создает объективность

Долгое время основной проблемой AI считалась социополитическая предвзятость. В ответ на это лаборатории начали активно использовать RLHF (reinforcement learning from human feedback) — подход, при котором модели дообучаются на оценках людей и учатся отвечать «правильно» с точки зрения ожидаемой реакции. В результате поведение моделей стало заметно более выровненным: сегодня ChatGPT, Claude и другие системы склонны соглашаться с пользователем в большинстве ситуаций, оставаясь в рамках допустимого дискурса.

Формально это снизило риски грубой предвзятости. Но на практике возникла новая, менее очевидная проблема — избыточное согласие. Модели слишком часто подтверждают точку зрения пользователя, независимо от ее качества. Рефлекторное «вы правы» стало почти стандартным поведением, и хотя это выглядит безобидно, на уровне организаций такой эффект начинает искажать процессы принятия решений.

Мем, отражающий современные модели: они соглашаются со всем, что бы вы ни сказали

Проблема в том, что такие системы усиливают не истину, а уверенность пользователя. И чем слабее исходная гипотеза, тем заметнее может быть этот эффект. Внутри компаний это приводит к накоплению искажений: сотрудники начинают получать постоянное подтверждение своих идей и постепенно теряют необходимость их перепроверять.

Со временем это становится системной проблемой. Разные части организации начинают расходиться в интерпретации реальности, потому что каждая опирается на «своего» ассистента, который поддерживает ее точку зрения.

Индивидуальный AI: два человека с разными мнениями (A и B) обращаются каждый к своему чат-боту и получают подтверждение своей точки зрения — они расходятся все дальше, образуя эхо-камеры. Институциональный AI: оба обращаются к одному источнику данных и сходятся к общей правде

Именно против этого на протяжении всей истории и строились институты. Инвестиционные комитеты, независимый due diligence (проверка гипотез и рисков сторонней командой), советы директоров — все эти механизмы нужны для того, чтобы оспаривать решения, вскрывать слабые места и приводить разные позиции к более объективному результату.

Предвзятость усиливает хаос и разногласия внутри организации. Объективность, наоборот, гасит мелкие различия и создает согласованность

Институциональный AI должен выполнять ту же функцию. Он не должен быть инструментом, который подтверждает любую гипотезу. Его задача — проверять логику, выявлять риски и задавать единый стандарт принятия решений.

Это меняет саму роль AI внутри организации. Он перестает быть только инструментом ускорения и становится системой, которая ограничивает ошибки и выравнивает качество решений на уровне всей компании.

Отсюда появляются и новые классы применения: AI как часть инвестиционного комитета, AI-аудиторы, AI-системы комплаенса — то есть решения, встроенные в процессы контроля и принятия решений. Если индивидуальный AI усиливает пользователя, то институциональный AI должен усиливать правду.

Преимущество

Индивидуальный AI оптимизирует под удобство использования. Институциональный AI — под реальное преимущество.

Возможности фундаментальных моделей меняются очень быстро — иногда каждую неделю. Компании, которые их разрабатывают, постоянно улучшают качество, расширяют функциональность и конкурируют за пользователей, поэтому на первый взгляд может казаться, что именно они и будут определять рынок.

На практике картина чуть сложнее. В прикладных задачах преимущество чаще возникает не за счет универсальности, а за счет специализации. Универсальные модели стремятся быть достаточно хорошими во всем, тогда как специализированные решения фокусируются на конкретном домене и со временем начинают давать более сильный результат именно там. Поэтому у разных слоев формируется своя роль: одни системы лучше работают с изображениями, другие — с голосом, третьи — с клиентским сервисом или аналитикой.

По мере развития базовых моделей этот разрыв не исчезает. Напротив, реальное преимущество формируется там, где есть узкий фокус и глубокая интеграция в конкретный процесс. Универсальная технология задает базовый уровень, но именно прикладные решения превращают его в результат.

Это особенно заметно в финансах — одной из самых конкурентных областей для применения AI. Как только возможность становится массовой, она перестает давать преимущество: если инструмент есть у всех, он не дает edge. В то же время даже небольшое, но уникальное улучшение может иметь непропорционально большой эффект, и локальное преимущество в несколько процентов может масштабироваться в значимые финансовые результаты.

Две линии: Frontier (фундаментальная модель) и Institutional AI. Institutional AI всегда чуть выше Frontier — именно этот разрыв и есть «Edge». Goalposts постоянно двигаются, но институциональное решение всегда остается впереди, потому что эволюционирует вместе с доменом

Это хорошо видно на сравнении двух траекторий. С одной стороны — фундаментальные модели, которые задают общий уровень возможностей. С другой — институциональные решения, которые строятся поверх них и адаптируются под конкретный домен. Именно этот дополнительный слой и создает устойчивый разрыв — тот самый edge.

Горизонтальные бары по годам показывают, как росли контекстные окна у frontier-моделей и как Institutional AI (в данном случае Hebbia) каждый раз расширял этот предел дальше: 2023 — контекстное окно не вмещает отчетность Apple, Institutional AI extends that; 2024 — не вмещает FAANG earnings; 2025 — не вмещает недельную отчетность Big Tech. Те, кто использует истинное преимущество, всегда на шаг впереди

Похожая логика работает и с контекстом. По мере роста возможностей моделей растут и их ограничения: объем данных, с которым они могут работать напрямую, остается конечным. Институциональные решения обходят это ограничение, добавляя внешний слой — структурирование данных, дополнительные системы и процессы. В результате они регулярно оказываются на шаг впереди базовой технологии.

Отсюда возникает простой способ проверить любое AI-решение: если представить, что у вас есть доступ к максимально сильной модели, какие инструменты вы все равно продолжили бы использовать? Как правило, это будут специализированные системы, потому что именно они дают прикладное преимущество.

Универсальная модель задает базу, но преимущество возникает там, где технология глубоко встроена в конкретный процесс. Именно такие решения и будут определять победителей, тогда как остальные используют одинаковые возможности и конкурируют без устойчивого преимущества.

Результаты

Индивидуальный AI экономит время. Институциональный AI масштабирует выручку

Если спросить CEO, что важнее — сокращение затрат или рост выручки, почти все выберут второе. При этом большинство AI-продуктов сегодня решают именно задачу оптимизации: экономят время, повышают эффективность и сокращают расходы. Это полезно, но ограничено — экономия сама по себе не создает рост.

Институциональный AI работает иначе. Его задача — не только ускорять процессы, но и создавать дополнительную выручку, а это принципиально более сложная задача. Экономию легко упаковать в продукт, а вот upside требует более глубокой интеграции в бизнес.

Это хорошо видно на примере разработки. Современные AI-инструменты помогают писать код быстрее и делают разработчика продуктивнее, но по мере развития моделей их функции постепенно становятся частью базового слоя. В то же время компании, которые встраивают AI в сам процесс разработки, продают уже не инструмент, а результат — они монетизируют не скорость, а конечную ценность.

«Чистый софт быстро перестает быть инвестиционно привлекательным»

Та же логика работает в M&A. Индивидуальный AI помогает быстрее анализировать сделки, но не влияет на выбор лучшей из них. Институциональный AI, наоборот, определяет, какие возможности стоит преследовать, и масштабирует этот процесс. Один подход экономит время, другой влияет на выручку.

Индивидуальный AI: ценность концентрируется на уровне App Layer, но фундаментальные модели движутся вверх и поглощают его (Foundation Models Eat the App Layer). Институциональный AI: ценность концентрируется на Solution Layer, куда фундаментальные модели еще не добрались (App Layer Climbs Into Solutions). Solution layer — это там, где живут реальные результаты и накапливается долгосрочная ценность

Разница отражается и на уровне архитектуры. В индивидуальном AI ценность сосредоточена на уровне приложений, но по мере развития технологий этот слой постепенно размывается фундаментальными моделями. В институциональном AI ценность смещается выше — туда, где система встроена в бизнес-процесс и влияет на результат. Именно на этом уровне появляется долгосрочная ценность.

Внедрение

Индивидуальный AI дает инструмент. Институциональный AI показывает, как его использовать.

Люди не любят меняться, даже когда понимают, что теряют деньги. С AI происходит то же самое: часть сотрудников и компаний будет откладывать внедрение, несмотря на очевидную выгоду. Поэтому ключевой вызов — не в технологии, а во внедрении. Переход к AI-first модели становится управленческой задачей, и чаще всего именно верхние уровни организации замедляют этот процесс.

Индивидуальный AI: в дереве оргструктуры красные узлы появляются только снизу — на уровне рядовых сотрудников. До руководства технология не доходит (Bottoms Up — Never Reaches Leadership). Институциональный AI: синие узлы покрывают все уровни дерева сверху донизу (Full Cascade Through Org)

Индивидуальный AI распространяется снизу вверх: его начинают использовать отдельные сотрудники, но он редко доходит до уровня принятия решений и не меняет систему в целом. Институциональный AI работает иначе — он внедряется как часть процессов и охватывает организацию целиком, задавая единые правила и логику работы.

Есть причина, почему Palantir выделяется на фоне рынка: они не продают инструменты, а встраиваются в операционную модель клиента. Это и есть процессный инжиниринг — когда технология становится частью бизнеса, а не отдельным слоем.

Две линии: Individual AI (Chatbot) быстро набирает ранних последователей, но останавливается на Chasm 1 — пропасти между ранними последователями и большинством. Institutional AI (White Glove) движется медленнее, но пересекает все три пропасти: Adoption, Workflow и Scale

То же видно на кривой внедрения. Индивидуальные инструменты быстро набирают ранних пользователей, но часто останавливаются на первом разрыве. Институциональные решения идут медленнее, но проходят путь до конца — от внедрения до масштабирования внутри процессов.

В итоге становится понятно, где лежит сложность: ключевая экспертиза — не в коде, а в понимании процессов и отрасли. Именно это определяет, сможет ли AI превратиться в результат.

Процессный инжиниринг становится критическим слоем — без него технология не масштабируется в бизнес.

Без промптов

Индивидуальный AI отвечает на промпты людей. Институциональный AI действует без промптов.

Много обсуждений о том, нужны ли в будущем люди или как будут взаимодействовать агенты между собой. Но более важный вопрос — нужны ли вообще промпты. Попытка управлять продвинутым AI через ручные запросы изначально ограничена: человек остается самым слабым звеном, потому что не всегда понимает, какие вопросы задавать и в какой момент.

По-настоящему ценная работа возникает там, где нет явного запроса. AI должен находить то, о чем никто не подумал спросить.

Это меняет саму логику работы. Вместо реакции на команды появляется система, которая постоянно анализирует данные, отслеживает изменения и поднимает сигналы сама. Например, замечает постепенное ухудшение финансовых показателей, соотносит это с условиями договоров и выносит проблему на уровень принятия решений еще до того, как человек обратит на нее внимание.

Когда исчезает необходимость формулировать запрос, появляются новые интерфейсы — и новая модель работы.

Итог

Чат-боты, агенты и персональные инструменты никуда не исчезнут. Напротив, именно через них большинство компаний впервые начнет работать с AI. Доступность и повседневное использование — это первый этап, без которого невозможны более глубокие изменения.

Но параллельно формируется другой слой — институциональный интеллект. Он создается под конкретные задачи, процессы и отрасли и становится частью операционной модели компаний.

В итоге у каждой организации будет две системы: универсальный AI от крупных лабораторий и специализированный институциональный слой, который решает прикладные задачи. Они не конкурируют, а усиливают друг друга.

Последний важный урок уже был в истории. Фабрики, которые просто внедрили электричество, не выиграли. Выиграли те, кто перестроил процессы под новую технологию. Сегодня мы находимся в той же точке: технология уже есть, вопрос в том, как мы перестроим систему вокруг нее.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева

Эксперименты, которые изменили технологии

2026-02-12T10:28:34.113Z

Недавно я наткнулся на текст Анны-Софии Лесив*, который неожиданно точно совпал с тем, о чем мы часто говорим внутри фонда и в разговорах с фаундерами. Этот текст про одну важную фундаментальную вещь — про то, как на самом деле появляются технологические прорывы и из какого процесса они вырастают задолго до теорий, стратегий и больших планов.

*Анна-София Лесив — инвестор в Humba Ventures, исследователь и автор. В своих текстах она рассматривает технологии не как набор продуктов, а как систему мышления. Много пишет о том, как технологии влияют на общество и как мы сами воспринимаем технологии, включая вопросы технологической грамотности и морали.

Анна рассуждает о важности экспериментов, проб и ошибок как о недооцененной, но очень важной части прогресса. О людях, которые долго собирают, чинят и пробуют, не имея четкого плана и не зная, к чему именно это приведет. Именно в этом промежутке, между абстрактной теорией и реальной практикой, чаще всего и рождаются идеи, которые потом меняют целые отрасли.

Мне этот текст показался особенно актуальным сейчас, на фоне того, как развивается AI и технологии в целом. Инструменты стали доступнее, экспериментировать стало дешевле, а порог входа заметно снизился.

На этом фоне все отчетливее видно, что решающим фактором становится не скорость исполнения, а способ мышления. Умение пробовать, задавать вопросы и замечать новое там, где пока еще нет четких ответов.

Прогресс начинается не с теории

Мы привыкли рассказывать историю науки в линейной логике: сначала теория, затем эксперимент, затем применение. Такой порядок кажется естественным, но он слабо объясняет, как на практике возникают крупные технологические прорывы.

Во многих случаях процесс развивается в обратном направлении. Не теория запускает практику, а практика вынуждает пересобрать теорию. Начало лежит в неформальных экспериментах и попытках разобраться, как работает система, без заранее понятного результата. А вот потом уже находки масштабируются, меняют индустрию и получают формальное теоретическое описание.

В этом смысле цивилизация опирается не только на абстрактные модели, но и на людей, которые исследуют неизвестное без четкого плана и статуса. Их редко называют учеными, чаще — умельцами или экспериментаторами. Понятие «изобретатель» возникает постфактум, когда результат уже зафиксирован. Этот материал про то, что промежуточный тип мышления — между любопытством и признанием — остается системно недооцененным.

Если рассматривать прогресс как процесс, а не как цепочку открытий, становится видно, что ключевая зона изменений находится между экспериментом и формализацией. Там, где практика уже выходит за рамки хобби, но еще не стала теорией, и возникают новые технологические траектории.

Джеймс Уатт: практика, из которой выросла термодинамика

source: https://hansord.com/scientific-instruments-globes/superb-early-19th-century-model-watt-steam-engine

Джеймс Уатт не был теоретиком. Он начинал как шотландский мастер, занимался механическими устройствами и позже работал ремонтником научных инструментов в Университете Глазго.

Его воспринимали скорее как человека с техническими навыками, чем как фигуру фундаментальной науки.

В университете использовалась паровая машина Ньюкомена, предназначенная для откачки воды из шахт. Она работала за счет чередования нагрева и охлаждения одного цилиндра: пар поднимал поршень, затем цилиндр резко охлаждали, и поршень опускался. Конструкция была крайне неэффективной, так как цилиндр приходилось постоянно повторно нагревать.

Уатта попросили устранить неисправность, но в процессе стало ясно, что проблема заключается не в поломке, а в принципе работы. Он вынес охлаждение в отдельную камеру — конденсатор. Цилиндр перестал постоянно остывать и нагреваться, и эффективность резко выросла. Затем он добавил механизм, который превращал движение поршня во вращение. Двигатель стал пригоден не только для шахт, но и для фабрик и транспорта.

Паровая машина стала основой индустриальной эпохи. Но важнее другое. Попытки повысить её эффективность привели к вопросу: почему тепло нельзя полностью превратить в работу? Через несколько десятилетий французский инженер Сади Карно доказал, что у любой тепловой машины есть предел эффективности и часть энергии неизбежно теряется.

Так сформировалась термодинамика и концепция энтропии. Важно, что здесь теория не предшествовала практике. Сначала возникла инженерная задача, а вот теория появилась уже позже — как ответ на неё.

Фило Фарнсуорт: человек, который изобрел телевидение в одиночку

Фило Фарнсуорт вырос на ферме в Айдахо, где умение чинить вещи было частью повседневной жизни. Если ломался насос, двигатель или холодильник, приходилось разбираться самому. Именно это дало ему практическое понимание того, как работают машины. Параллельно он читал научные журналы и следил за развитием радиосвязи.

К началу XX века радио уже передавало звук, а вот с изображениями ситуация была другой. Кино оставалось механическим: кадры сначала записывались на пленку, а уже затем показывались. Между съемкой и показом всегда была задержка, и это считалось нормой.

Фарнсуорт задал простой вопрос: а можно ли по другому? Он считал, что изображение можно передавать сразу, если отказаться от механического подхода.

Ключевая мысль была простой. Изображение можно разбить на строки и передавать их по очереди в виде электрического сигнала. По сути, это электронное сканирование изображения. Интересно то, что эта мысль пришла ему еще в 14 лет. Тогда он просто нарисовал схему и показал ее своему школьному учителю, который подтвердил, что принцип рабочий.

Несколько лет идея оставалась на бумаге, но ситуация изменилась, когда Фарнсуорт получил частные инвестиции — по сути, тогда это был ранний венчурный эксперимент. Он переехал в Сан-Франциско, открыл небольшую лабораторию и занялся реализацией идеи.

Через два года он показал первый работающий электронный телевизор. Камера построчно считывала изображение и превращала яркость каждой точки в электрический сигнал. Этот сигнал передавался по радио и воссоздавался на экране в том же порядке. Система оказалась устойчивой и пригодной для масштабирования.

Этот принцип лег в основу телевидения и позже повлиял на развитие вычислительных и сетевых технологий. Важно, что все это происходило вне университетов и крупных институтов, в условиях прямой конкуренции с хорошо финансируемыми лабораториями.

История Фарнсуорта важна не только самим изобретением. Она показывает, что крупные технологические прорывы часто возникают вне формальной науки, в пространстве, где практический эксперимент идет впереди теории и задает ей направление.

Таунс и Мейман: лазер как пример запоздалого признания

В 1951 году физик Чарльз Таунс предложил идею мазера — предшественника лазера. Это устройство усиливает излучение за счет того, что атомы начинают работать синхронно. Даже когда прибор удалось запустить, многие физики не верили, что это возможно. Как например, датский физик Нильс Бор считал, что такая точность противоречит существующей теории.

Таунс опирался не столько на формулы, сколько на инженерное понимание системы: коллективный эффект, обратная связь, подавление шума. То, что выглядело рабочим с точки зрения практики, не укладывалось в привычную теоретическую картину.

Из этой же логики в дальнейшем и выросла идея лазера. Вся физическая база была известна еще с 1920-х годов, но считалось, что реализовать это на практике почти невозможно. Решающий шаг сделал Теодор Мейман — инженер, работающий в небольшой лаборатории без серьезных бюджетов. В 1960 году он получил первый лазерный импульс.

Сначала лазер воспринимался как «решение без задачи». Сегодня именно он лежит в основе телекоммуникаций, микроэлектроники, медицины и промышленности.

Показательный пример того, как теория существовала десятилетиями, но без практического эксперимента она не приводила к результату.

Почему эта логика снова становится актуальной

Сегодня экспериментировать стало проще, чем раньше. Открытое программное обеспечение, доступное оборудование и глобальные сообщества заметно снизили порог входа.

Но одновременно с этим пространство для самостоятельной работы сужается. Растет роль формальных статусов, усиливаются закрытые экосистемы, появляются ограничения на ремонт и модификацию устройств.

История показывает, что крупные технологические прорывы начинаются не с готовой теории, а с практики — с попыток что-то собрать, проверить и улучшить без гарантии результата. Это не побочная активность, а основа инноваций.

Если смотреть на науку и технологии как на систему, следующий переход, скорее всего, тоже начнется не с новой концепции, а с очередной волны практических экспериментов. Объяснения и модели появятся позже.

Сейчас важно не то, у кого есть идеи, а у кого есть возможность их проверить.

Итог

Венчур — это работа с экспериментом. На ранней стадии почти никогда нет готового продукта или устойчивых метрик, есть гипотеза и команда, которая пытается понять, работает ли она в реальности.

Мы в Mento VC смотрим не столько на текущие показатели, сколько на глубину понимания проблемы и качество мышления фаундеров. Нас интересует, как команда принимает решения, насколько быстро она проверяет гипотезы и способна менять подход, если факты идут вразрез с первоначальной моделью. Ключевой вопрос — как команда работает с неопределенностью.

История технологий показывает, что крупные изменения начинаются именно так. Сначала появляется практическое решение, которое выглядит частным и локальным. Со временем оно формирует новый рынок и новую логику его работы.

Если вам близко то, как мы смотрим на технологии и венчур, и интересно познакомиться с Mento VC и присоединиться к фонду, напишите head of operations Кате → @katiatatulova

Читать материал в оригинале тут

Потребитель, AI и новая экономика инвестиций

2026-01-28T17:53:45.279Z

Привет! Меня зовут Саша Журавлев. Я основатель и управляющий партнер фонда Mento VC. Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле.

У a16z есть регулярная рубрика Charts of the Week. Это короткие аналитические заметки, в которых фонд через данные и графики показывает, как меняется экономика, потребление и технологии. Это не прогнозы и не эссе, а попытка зафиксировать то, что уже происходит в цифрах.

Andreessen & Horowitz (a16z — инвесторы в OpenAI, Databricks, Stripe, SpaceX, Coinbase и 50+ единорогов)

Этот выпуск показался мне особенно показательным. В нем хорошо видно, как потребительские привычки, инвестиции в AI и макроэкономика начинают сходиться в одной точке. Для инвестора это редкий случай, когда большие тренды можно увидеть не в абстракциях, а в конкретных цифрах.

Ниже адаптированный разбор ключевых графиков и выводов из этого выпуска.

Потребитель по-прежнему главный двигатель экономики

Если посмотреть на цифры за первую половину 2025 года, мы видим довольно любопытную картину. Инвестиции в AI-инфраструктуру дали экономике эффект, сопоставимый с потребительскими расходами. Не потому, что потребление вдруг ослабло, а потому, что масштаб вложений в AI стал по-настоящему системным.

AI-инвестиции впервые за долгое время сравнялись с потребительскими расходами по вкладу в рост ВВП

При этом важно не путать уровни. Потребитель по-прежнему остается основой экономики, ведь около 70% ВВП формируется за счет расходов людей. Это фундамент, который меняется медленно и предсказуемо.

Но если смотреть именно на рост, а не на структуру, AI сегодня играет ту роль, которую раньше играли крупные инвестиционные циклы. Он стал источником ускорения. Капитальные вложения в вычисления, дата-центры и инфраструктуру моделей занимают аномально большую долю частных инвестиций и именно они формируют динамику.

Эти инвестиции тянут за собой энергетику, промышленные компании, инфраструктуру: экономика начинает перестраиваться вокруг нового типа нагрузки и спроса.

Даже здравоохранение, которое традиционно считается одной из самых инерционных отраслей, но и там становится заметно влияние текущего AI-инвестиционного цикла. Это редкий и важный сигнал для экономики.

Контент, деньги и реальное поведение пользователей

Минутка забавной статистики.

По данным Consumer Edge, американские пользователи тратят на OnlyFans больше, чем на OpenAI и The New York Times вместе взятые. Речь не о качестве контента и не о сравнении бизнесов. Это про реальное поведение пользователей и про то, за что люди готовы платить регулярно.

Этот график иллюстрирует, насколько по-разному пользователи используют AI-модели. В сабреддитах Grok доля NSFW-упоминаний кратно выше, чем у Claude, Gemini, ChatGPT или Perplexity. Это косвенно показывает, где сегодня сосредоточен спрос на взрослый AI-контент и какие модели притягивают соответствующие сценарии использования.

С мая траты на OnlyFans начали немного снижаться. Параллельно AI-продукты стали свободнее работать с NSFW-запросами (Not Safe For Work — контент 18+, в первую очередь сексуального характера), и часть пользовательского внимания начала смещаться. Это видно и внутри AI-сообществ: Grok заметно лидирует по количеству NSFW-упоминаний, что хорошо показывает, где сейчас происходит активное тестирование границ продукта.

Исторически это уже знакомый нам паттерн. Такого рода контент «на грани» часто становится первым массовым драйвером новых технологий. Так было с VHS, кабельным ТВ и онлайн-видео. Развлекательные сценарии раньше других находят платежеспособный спрос и фактически финансируют развитие инфраструктуры, которая позже используется гораздо шире.

С венчурной точки зрения это понятный сигнал: пользователь голосует деньгами, и именно это чаще всего показывает, какие технологии готовы к масштабированию, а какие пока остаются на уровне идей.

App Store снова в игре

За последние три года App Store жил почти без роста. Количество новых iOS-приложений стагнировало, экосистема выглядела зрелой и предсказуемой.
Ситуация резко изменилась с появлением agentic coding (его еще называют vibe coding): AI-инструментов, которые позволяют быстро собирать рабочие приложения без классической инженерной команды.

Результат хорошо виден на графике. В декабре количество новых iOS-приложений выросло на 60% год к году, а в пересчете на последние 12 месяцев рост составил 24%.

Для контекста вот вам короткая историческая справка. В 2008 году Apple выпустила iPhone SDK. Тогда в App Store было около 500 сторонних приложений, но уже в первый уикенд число загрузок превысило миллион, а через год счет пошел на миллиарды.

Дальше сработал классический эффект платформы: больше приложений — больше внимания пользователей — еще больше приложений. В итоге это привело к экосистеме стоимостью в триллионы долларов, которой до этого просто не существовало.

AI сейчас открывает похожее окно возможностей: он снижает порог входа, ускоряет запуск продуктов и расширяет пространство для экспериментов. Мы с вами снова видим знакомый паттерн: новая технологическая платформа сначала взрывает инструменты создания, а уже потом рынки и бизнес-модели.

Будущее уже наступило. Просто не для всех

Недавно Microsoft опубликовал карту AI Diffusion. Это попытка оценить, какая доля людей трудоспособного возраста реально пользовалась генеративным AI во второй половине 2025 года. Не “слышали”, не “пробовали один раз”, а именно использовали.

Мы видим, что AI распространяется почти везде, но делает это с разной скоростью. В странах Global North проникновение растет почти вдвое быстрее, чем в Global South.

ОАЭ оказался неожиданным лидером рейтинга. Там AI использовали около 64% трудоспособного населения, почти на уровне Сингапура. Это хороший пример того, как государственная стратегия и инфраструктура могут резко ускорить внедрение технологий, даже без традиционного “тех-гигантского” бэкграунда.

США, при всей своей роли в создании AI-продуктов, прибавили всего около 2 процентных пунктов за полгода и даже опустились на одну строчку в рейтинге из-за резкого роста Южной Кореи. Это напоминание о том, что создавать технологию и массово внедрять ее — не одно и то же.

Важно понимать: измерять adoption сложно, и Microsoft честно об этом говорит. Это не абсолютная истина, а один из срезов, но даже в таком виде тренд считывается ясно.

Практически все страны OECD уже перешли порог 20% использования AI. Если текущая динамика сохранится, разница между “AI-have” и “AI-have-not” будет усиливаться не только на уровне технологий, но и на уровне продуктивности, доходов и конкурентоспособности экономик.

Алкоголь выходит из моды?

Крупнейшие мировые производители алкоголя накопили рекордные запасы. Совокупно у пяти публичных компаний на складах около $22 млрд алкоголя — это максимум за последние 10+ лет и все большая доля от их годовых продаж.

Самый показательный кейс у Rémy Cointreau: у компании около €1,8 млрд выдержанных спиртов, что почти в два раза больше ее годовой выручки и более 80% всей рыночной капитализации. То есть большая часть ценности бизнеса сегодня буквально «лежит в бочках».

Почему так произошло? Однозначного ответа нет. Часть запасов накопилась из-за перепроизводства после ковидного всплеска спроса, который оказался временным. Плюс накладываются изменения потребительских привычек, особенно у молодых, давление со стороны GLP-1 препаратов (лекарств для снижения веса и контроля аппетита, таких как Ozempic и Wegovy), торговые ограничения (например, в Китае) и общее охлаждение категории.

Вывод простой и важный: даже устойчивые, “вечные” категории могут резко проседать, если меняется поведение потребителей. Алкоголь как массовая привычка, по крайней мере на этом этапе, теряет темп и рынок это уже отражает в цифрах.

Итог

Получился довольно любопытный выпуск срезов и наблюдений о том, как реально ведет себя экономика, потребители и технологии прямо сейчас, а не в презентациях и прогнозах.

Где-то данные подтверждают интуицию, а где-то неожиданно ей противоречат. Но именно такие факты и материалы оживляют картину происходящего.

Надеюсь, вам было так же интересно читать и разбирать эти графики, как и мне!

Следить за инсайтами про AI и венчур простым языком можно в моем Telegram канале: Саша Журавлев | Mento VC

Ссылка на оригинал выпуска