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

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

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

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

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

1. Координация: почему индивидуальный AI без общего управления приводит к хаосу внутри организаций
2. Сигнал: как находить ценность в растущем объеме AI-генерируемой информации
3. Предвзятость: почему AI склонен соглашаться с пользователем и как это влияет на решения
4. Преимущество: где возникает реальное конкурентное преимущество и почему специализация важнее универсальности
5. Результаты: разница между экономией времени и ростом выручки
6. Внедрение: почему технология не работает без изменения процессов и управления
7. Без промптов: как AI переходит от реактивной модели к проактивной

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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 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.

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

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

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

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.

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.

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!

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

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

На днях фонд a16z объявил о привлечении $15 млрд нового капитала. В этот же день вышло большое эссе, посвященное a16z — подробный разбор того, как фонд видит себя сегодня и какую роль он стремится играть.

Andreessen Horowitz (a16z) — один из самых влиятельных венчурных фондов в мире. Фонд инвестирует в технологические компании от ранних стадий до late stage, с фокусом на AI, software, crypto, biotech и defense. Среди наиболее известных компаний, в которые инвестировал a16z: OpenAI, Databricks, Stripe, SpaceX, Coinbase, Airbnb, GitHub, Slack, Instagram, Facebook (Meta), Twitter, Roblox, Lyft, Pinterest, Anduril, Figma, Deel, Wise, Clubhouse.

Автор текста — инвестор и аналитик, который много лет работал рядом с a16z: был эдвайзером a16z crypto, общался с партнерами фонда, LP и фаундерами портфельных компаний. Он сразу обозначает свою вовлеченность и пишет из позиции личного опыта.

Текст помогает лучше понять, как a16z мыслит, принимает решения и выстраивает свою стратегию — не со стороны, а изнутри логики самого фонда.

Пока я читал этот текст, у меня было странное, но приятное ощущение: многие идеи и логика, которые там описаны, очень созвучны тому, что мы интуитивно выстраиваем в Mento VC — без намеренного ориентира на a16z и без попытки кого-то копировать.

И еще одна личная мысль. Мне особенно приятно осознавать, что примерно треть нашего портфеля — это совместные инвестиции с a16z, по сути с самым сильным и влиятельным игроком в венчуре в США сегодня. Эти компании — наш общий трек-рекорд, и для нас это не только знак качества, но и способ учиться у лучших и становиться к ним чуть ближе по уровню мышления и амбиций.

Этот материал будет полезен фаундерам, которые выбирают инвестора, инвесторам, которые думают о долгой стратегии, и всем, кто хочет лучше понять, каким становится венчур сегодня.

Ниже — адаптированный перевод ключевых фрагментов статьи. В конце ссылка на оригинал.

a16z: брокеры власти

«Я живу в будущем, поэтому настоящее для меня — уже прошлое.
Мое присутствие — это подарок. Целуй меня в зад».
 — Канье Уэст, Monster

Andreessen Horowitz слышит обратную связь.

Фонду говорят, что он слишком громкий. Советуют «помолчать» и не лезть в политику. Спорят с его последними инвестициями. Смеются над цитатами папы римского в X. И не верят, что такие гигантские фонды могут приносить внятную доходность LP.

a16z все это слышит. И слышит уже почти два десятилетия.

Например, в 2015 году, когда журналист The New Yorker Тэд Френд завтракал с Марком Андриссеном, работая над профилем Tomorrow’s Advance Man. Незадолго до этого Френд поговорил с конкурентом из венчура, который хотел вставить свое слово: фонды a16z слишком большие, доли владения слишком маленькие, и чтобы получить совокупную доходность 5–10x по первым четырем фондам, весь портфель должен стоить $240–480 млрд.

«Когда я начал вместе с Андриссеном разбирать эти расчеты, — пишет Френд, — он отмахнулся, показал жест в духе “да ладно” и сказал: “Бла-бла-бла. У нас есть все модели. Мы охотимся на слонов — идем за самой крупной добычей”».

Держите этот образ в голове. Он поможет заранее понять реакцию Марка на ту реакцию, которая у вас сейчас возникнет на следующий абзац.

Сегодня a16z объявляет о привлечении $15 млрд по всем своим стратегиям. Общий объем активов под регуляторным управлением (RAUM) превышает $90 млрд.

В год, когда венчурный фандрейзинг оказался сосредоточен в руках нескольких крупных игроков, a16z привлек больше средств, чем два следующих фонда вместе — Lightspeed ($9 млрд) и Founders Fund ($5,6 млрд), собранные в 2025 году.

На фоне худшего рынка венчурного фандрейзинга за последние пять лет a16z поднял более 18% от всего объема средств, привлеченных венчурными фондами в США в 2025 году. При том что среднему фонду требовалось около 16 месяцев, чтобы закрыть раунд, a16z прошел весь процесс чуть больше чем за три месяца.

Если смотреть на фонды a16z по отдельности, сразу четыре из них попали бы в топ-10 крупнейших фандрейзингов 2025 года среди всех венчурных фирм:

• Late Stage Venture (LSV) V занял бы 2-е место,
• Fund X AI Infra и Fund X AI Apps разделили бы 7-е,
• а American Dynamism (AD) II оказался бы на 10-м.

Можно спорить, что это слишком большие деньги для венчурного фонда, чтобы рассчитывать на по-настоящему высокую доходность. В ответ, как описывает автор, a16z просто отмахивается: «Бла-бла-бла». Фонд охотится на слонов — идет за самой крупной добычей.

Сегодня, с учетом всех стратегий, a16z является инвестором в 10 из 15 самых дорогих частных компаний мира: OpenAI, SpaceX, xAI, Databricks, Stripe, Revolut, Waymo, Wiz, SSI и Anduril.

За последнее десятилетие фонды a16z инвестировали в 56 единорогов — больше, чем любая другая венчурная фирма.

AI-портфель a16z охватывает 44% всей совокупной стоимости AI-единорогов, что также является максимальным показателем среди всех игроков рынка.

В период с 2009 по 2025 год a16z возглавил 31 ранний раунд в компаниях, которые в итоге выросли до оценки $5 млрд и выше. Это на50% больше сделок, чем у двух ближайших конкурентов.

У фонда есть все модели. И теперь — подтвержденный трек-рекорд.

Ниже приведена совокупная стоимость портфеля первых четырех фондов a16z — именно тех, которые, по расчетам конкурирующего венчурного инвестора, должны были стоить $240–480 млрд, чтобы оправдать ожидания.

Фактически же фонды a16z I–IV в сумме достигли $853 млрд совокупной стоимости бизнеса на момент выхода или по последней post-money оценке.

И это — только на момент выходов. Один лишь Facebook с тех пор добавил более $1,5 трлн к своей капитализации.

Этот паттерн повторяется снова и снова. a16z делает ставку на будущее — на первый взгляд безумную, но со временем оправданную.

В 2009 году, сразу после финансового кризиса, a16z привлек $300 млн в Fund I, сделав ставку на операционную платформу для поддержки фаундеров — внутреннюю команду, которая помогает портфельным компаниям с наймом, маркетингом, PR, юридическими и операционными вопросами. Тогда эту идею считали неработающей. Сегодня почти у каждого крупного венчурного фонда есть своя версия такой команды.

В том же году a16z инвестировал $65 млн в покупку Skype у eBay за $2,7 млрд — сделку, которую рынок считал невозможной из-за юридических рисков. Менее чем через два года Microsoft купил Skype за $8,5 млрд.

В 2010 году фонд привлек $650 млн в Fund II и сделал крупные поздние инвестиции в Facebook, Groupon и Twitter, поставив на открытие окна IPO — шаг, который тогда вызывал резкую критику. Через несколько лет все три компании вышли на биржу с оценками $17,8 млрд, $104 млрд и $31 млрд соответственно.

К январю 2012 года, когда Марк и Бен привлекли $1 млрд в Fund III и еще $540 млн в параллельный opportunities-фонд (отдельный фонд для дополнительных и более гибких инвестиций вне основного фонда), критика сместилась к знакомой теме — масштабу. Фонды a16z составили 7,5% всех венчурных средств, привлеченных в США в 2012 году, на фоне слабого рынка венчура в целом.

Кейс Harvard Business School 2014 года ссылается на отчет Kauffman Foundation за 2012 год, в котором отмечалось:

«Венчурный капитал показывает слабую доходность уже более десяти лет».

По данным Cambridge Associates, в 2012 году венчурные инвестиции принесли в среднем 8,9%, тогда как S&P 500 — 20,6%.

Легендарный венчурный инвестор Билл Дрейпер формулировал это так:

«В Кремниевой долине формируется общее мнение: слишком много фондов гонятся за слишком малым числом по-настоящему выдающихся компаний».

Фраза, которая звучит удивительно знакомо и сегодня.

В 2016 году The Wall Street Journal опубликовал статью Andreessen Horowitz’s Returns Trail Venture-Capital Elite. Ведущий подкаста Acquired Дэвид Розенталь назвал ее «очевидным заказным материалом от конкурирующих венчурных фирм». На тот момент фондам a16z было семь, шесть и четыре года соответственно. В статье отмечалось, что AH Fund I входил в топ-5% венчурных фондов, AH Fund II — в верхний квартиль, а AH Fund III находился чуть ниже верхнего квартиля, то есть показывал доходность выше средней или около средней по рынку, но не входил в число лидеров.

Оглядываясь назад, это выглядит иронично, потому что AH III оказался фондом-монстром. По состоянию на 30 сентября 2025 года его Net TVPI составляет 11,3x (отношение общей стоимости фонда к вложенному капиталу после комиссий). С учетом параллельного фонда показатель составляет 9,1x Net TVPI.

В AH III входят Coinbase, который принес LP a16z $7 млрд валовых выплат по фондам, где он присутствовал, а также Databricks, Pinterest, GitHub и Lyft (но не Uber — наглядный пример того, что один пропущенный актив может перевесить множество удачных инвестиций). Этот фонд считается одним из самых результативных крупных венчурных фондов в истории.

С третьего квартала 2025 года Databricks — сейчас крупнейшая позиция a16z — привлек капитал по оценке $134 млрд, что делает результаты Fund III еще сильнее (при условии, что остальные позиции не снизились в цене). На данный момент a16z уже распределил $7 млрд чистыми LP из AH III и AH III Parallel, при этом сопоставимый объем стоимости остается нереализованным.

Значительная часть этой нереализованной стоимости сосредоточена в Databricks — компании в сфере big data, которая в 2016 году, когда The Wall Street Journal фактически списывал a16z со счетов, была еще очень небольшой и находилась в нескольких месяцах от оценки в $500 млн. Сегодня Databricks составляет 23% совокупной чистой стоимости активов (NAV) a16z по всем фондам.

Если провести рядом с a16z хоть немного времени, название Databricks будет звучать постоянно. Помимо того что это крупнейшая позиция фонда (и, вероятно, одна из трех крупнейших по абсолютному размеру инвестиций во всем венчурном рынке), ее история — самый наглядный пример того, как a16z работает в своей лучшей форме.

Databricks и формула a16z

Прежде чем говорить о Databricks, важно понять несколько принципов, по которым устроен a16z.

Первое. a16z основан и управляется инженерами — фаундерами с инженерным бэкграундом. Это влияет и на устройство фонда (ориентация на масштаб и сетевые эффекты), и на выбор рынков и компаний.

Второе. Один из главных инвестиционных грехов в логике a16z — вложиться во «второго игрока». Пропущенного лидера можно догнать позже. Инвестиция во второго почти всегда закрывает путь к первому — даже если будущий победитель еще не появился.

Третье. Когда a16z считает, что нашел лидера категории, его типичный шаг — дать компании больше капитала, чем она сама планировала привлечь. За это фонд часто критикуют.

Эти принципы сформировались в самые ранние годы a16z.

В начале 2010-х, всего через пару лет после основания Andreessen Horowitz, Big Data была главной темой рынка. Доминирующей технологией тогда был Hadoop. Он использовал модель MapReduce (разработанную в Google), распределяя вычисления по кластерам из дешевых стандартных серверов вместо дорогого специализированного оборудования. Hadoop фактически «демократизировал Big Data», и вокруг него быстро вырос целый рынок компаний.

Cloudera, основанная в 2008 году, привлекла $900 млн в 2014 году — в тот год, когда инвестиции в Hadoop-компании выросли в пять раз и достигли $1,28 млрд. Hortonworks, выделившаяся из Yahoo!, в том же году вышла на IPO.

Большие данные. Большие деньги.
И a16z не инвестировал ни в одну из этих компаний.

Бен Хоровиц — буква «z» в a16z — Hadoop не любил. По образованию инженер и бывший CEO LoudCloud / OpsWare, он считал Hadoop невыигрышной архитектурой: сложной в программировании и управлении и плохо подходящей для будущих задач. В MapReduce каждый шаг вычислений записывал промежуточные результаты на диск, что делало систему крайне медленной для итеративных нагрузок вроде машинного обучения.

Поэтому Бен просто проигнорировал весь хайп вокруг Hadoop. И, по словам Джен Кха, Марк тогда постоянно на него давил. Hadoop был во всех заголовках, и Марк говорил примерно так: «Мы это упустили. Мы облажались. Мы реально промахнулись».

А Бен стоял на своем: «Я не считаю, что это следующий архитектурный сдвиг».

И только когда появился Databricks, Бен сказал: «Вот это — возможно, оно». И после этого поставил на компанию все.

Когда появился Databricks, Бен сказал: «Это может быть оно» — и поставил на него все. Проект возник как раз вовремя и буквально по соседству, в UC Berkeley.

Сооснователь Databricks Али Годси бежал с семьей из Ирана в 1984 году и вырос в Швеции. Он рано начал программировать на Commodore 64, что в итоге привело его в UC Berkeley.

В Беркли Али присоединился к AMPLab, где вместе с семью другими исследователями работал надSpark — open-source движком для обработки больших данных, выросшим из диссертации Матея Захарии. Spark побил мировой рекорд по скорости сортировки данных и получил академические награды, но как проект почти не использовался.

В 2012 году команда решила построить компанию поверх Spark. Так появился Databricks.

Команда Databricks считала, что для старта им нужны небольшие деньги. Однако Бен оценивал ситуацию иначе:

«Когда я с ними встретился, они сказали: “Нам нужно привлечь $200 тысяч”.
А я уже тогда понимал, что у них есть Spark, а конкурент — Hadoop.
Вокруг Hadoop уже бежали хорошо профинансированные компании,
Spark был open source — а значит, время работало против них. Часы уже тикали».

Бен также понимал, что академический бэкграунд влияет на масштаб амбиций: для университетской среды запуск компании с продажей на десятки миллионов долларов уже считается большим успехом. Это подталкивало команду мыслить слишком осторожно.

Поэтому a16z отказался от небольшого чека и предложил сразу крупное финансирование. Логика была простой: если строить компанию, то всерьез и с прицелом на лидерство, а не как побочный проект.

Команда решила уйти из академии. a16z увеличил размер инвестиции и возглавил Series A Databricks при post-money оценке $44 млн, получив 24,9% компании.

Этот первый эпизод — запрос на $200 тыс. и инвестиция на порядок больше — задал характер отношений. a16z инвестировал не из расчета «попробовать», а из убеждения.

Али Годси позже прямо говорил, что без a16z и лично Бена Databricks, скорее всего, не существовал бы. Фонд поверил в компанию раньше и сильнее, чем сама команда.

На третьем году выручка Databricks составляла всего $1,5 млн, и перспективы оставались неочевидными. При этом именно Бен был тем, кто последовательно исходил из того, что компания может стать очень крупной, задолго до того, как в это поверили сами основатели.

Эта вера имела практические последствия. В 2016 году, когда Databricks пытался выстроить партнерство с Microsoft, интро на уровне топ-менеджмента застревали в корпоративной бюрократии. Прямое подключение Бена резко изменило ситуацию: диалог с руководством Microsoft запустился, и процесс перешел в активную фазу.

Похожим образом в 2017 году, при найме сильного руководителя по продажам, возникли разногласия вокруг условий на случай продажи компании. Участие Бена помогло зафиксировать восприятие Databricks как бизнеса с потенциалом десятков миллиардов долларов, что сняло ключевое напряжение в переговорах.

Бен сформулировал это предельно жестко: команда сильно занижала масштаб возможности.

«Вы катастрофически занижаете масштаб возможности. Мы — Oracle в облаке. Salesforce стоит в 10 раз больше, чем Siebel. Workday будет стоить в 10 раз больше, чем PeopleSoft. Мы будем стоить в 10 раз больше, чем Oracle. Это $2 трлн, а не $10 млрд. Зачем ему вообще смена контроля? Мы не собираемся менять контроль».

В его логике Databricks был «Oracle в облаке». Если Salesforce стал в десять раз больше Siebel, а Workday — в десять раз больше PeopleSoft, то Databricks должен был стать в десять раз больше Oracle. Речь шла не о десятках миллиардов, а отриллионах долларов. В такой картине мира разговоры о смене контроля выглядели просто неуместно.

Особенно впечатляет это в ретроспективе. В тот момент Databricks оценивался примерно в $1 млрд при $100 млн годовой выручки. Сегодня компания стоит $134 млрд при выручке более $4,8 млрд.

Как объяснял Али Годси, a16z умеет видеть полный потенциал компании, даже когда сама команда погружена в операционную реальность: сделки не закрываются, конкуренты выигрывают, деньги заканчиваются, рынок не знает о продукте, сотрудники уходят. В такой ситуации сложно мыслить категориями будущего масштаба. Но именно на уровне совета директоров a16z снова и снова возвращал разговор к большой картине и долгосрочной роли компании.

В итоге они оказались правы — и их вера принесла результат. a16z участвовал во всех двенадцати раундах Databricks и возглавлял четыре из них. Компания стала одной из ключевых причин успеха AH Fund III, откуда начались первые инвестиции, и продолжает вносить значимый вклад в доходность более поздних Late Stage Venture Funds I, II и IV.

По словам Али, для Марка и Бена на первом месте всегда стояла миссия компании, а не расчет доходности. Финансовый результат был следствием, а не целью. В основе — искренняя вера в технологии и желание менять мир через них.

И если не понять эту установку Марка и Бена, невозможно понять и сам a16z.

Что такое a16z?

a16z — это не традиционный венчурный фонд. На поверхности это и так очевидно: фонд только что закрыл крупнейший венчурный фандрейзинг по всем своим стратегиям со времен Vision Fund SoftBank на $98 млрд в 2017 году и Vision Fund II в 2019-м. В этом нет ничего «классического». Но даже Vision Fund был именно фондом. a16z — нет.

Разумеется, a16z привлекает капитал и должен зарабатывать доходность. И в этом он, на данный момент, показывает исключительные результаты. Ниже будут приведены данные по доходности фондов a16z.

Но сначала — что такое a16z на самом деле?

a16z — это культ технологии. Все, что он делает, направлено на то, чтобы ускорять развитие технологий и через это улучшать будущее. В основе лежит убеждение, что технология — это высшее проявление человеческих амбиций и достижений, двигатель прогресса и способ реализовать наш потенциал. Из этого вытекает все остальное. a16z верит в будущее и строит себя исходя из этого.

a16z — это Firm, а не просто фонд. Это бизнес, компания, изначально спроектированная так, чтобы масштабироваться и становиться сильнее по мере роста. У такой структуры есть свойства, которые нехарактерны для классического венчурного фонда. Это различие помогает объяснить один из парадоксов венчура: индустрия продает самый масштабируемый продукт в мире — деньги — самым масштабируемым компаниям — технологическим стартапам, — но при этом считает, что сама не должна масштабироваться.

Формула Firm > Fund принадлежит партнеру a16z Дэвиду Хаберу, человеку с классическим финансовым бэкграундом и глубоким интересом к инвестиционным фирмам как бизнесам. По его словам, задача фонда — максимизировать carry с минимальным числом людей и за минимальное время. Задача Firm — создавать устойчивые источники конкурентного преимущества и усиливаться с масштабом, а не ослабевать.

a16z управляется инженерами и предпринимателями. Традиционные управляющие капиталом чаще думают в логике распределения: как получить большую долю из уже существующего рынка. Инженеры и фаундеры мыслят иначе — они стремятся создавать новые рынки и увеличивать общий масштаб, строя и масштабируя более эффективные технологические системы.

«Лично я выбираю третью позицию, — писал Марк. — Я утверждаю, что рынок — самый важный фактор успеха или провала стартапа».

Почему? Он объяснял это так:

В хорошем рынке — там, где много реальных клиентов и большой спрос, — рынок сам вытягивает продукт из стартапа. Даже если продукт еще сырой, рынок помогает ему сформироваться. И наоборот: в плохом рынке можно иметь лучший продукт в мире и выдающуюся команду — и все равно проиграть. Рынок просто не даст вам шанса.

В честь Энди Раклеффа из Benchmark Capital, который четко сформулировал эту мысль, Марк приводит «закон Раклеффа о стартапах»:

Убийца стартапов номер один — отсутствие рынка.

Сам Энди формулирует это так:

— Когда сильная команда встречает плохой рынок — побеждает рынок.
— Когда слабая команда встречает хороший рынок — побеждает рынок.
— Когда сильная команда встречает хороший рынок — происходит что-то особенное.

Именно это, как считает автор, Марк и Бен увидели в венчурном капитале:

отличный рынок, масштаб которого почти никто не понимал, и при этом — удивительно слабые команды, уровень которых тоже мало кто осознавал.

a16z — это своего рода временной суверен. Институт, работающий на будущее. В своих самых амбициозных представлениях фонд видит себя на одном уровне с крупнейшими финансовыми институтами и даже государствами. a16z говорил, что хочет стать JP Morgan информационной эпохи, но это, возможно, даже занижает масштаб амбиций. Если государства работают с территориями, то a16z работает с будущим как с отрезком времени. Венчур — лишь инструмент, который оказался самым эффективным способом влиять на будущее и зарабатывать на этом.

a16z создает и продает власть. Он наращивает собственную силу через масштаб, культуру, сеть контактов, организационную инфраструктуру и успешные кейсы, а затем передает эту силу портфельным компаниям — через продажи, маркетинг, найм, работу с регуляторами и государством. По словам основателей, a16z делает все, что находится в пределах его возможностей — а этих возможностей немало.

Если исходить из идеи, что технология «поглощает рынки куда большего масштаба, чем раньше», и что все становится технологией, логичным результатом будет компания, которая продает способность побеждать сотням и тысячам компаний, из которых однажды и сложится экономика.

Проблема в том, что такие компании начинают маленькими и хрупкими. У них нет ресурсов нанимать лучших рекрутеров, лоббировать справедливые правила, выстраивать доверие с государствами и корпорациями или доносить свою идею до мира так, чтобы ее услышали. Делать это в одиночку — слишком дорого.

Но если распределить эти возможности на сотни компаний и триллионы будущей стоимости, маленькие компании получают ресурсы больших. Они могут выигрывать или проигрывать по качеству продукта, а не по доступу к власти. Они получают шанс реализовать будущее таким, каким оно должно быть.

Идея проста: объединить гибкость стартапа с мощью института, работающего на будущее.

Именно это a16z пытается сделать — с тех пор, как сам был стартапом.

Почему Марк и Бен создали a16z

В июне 2007 года Марк написал блог-пост под названием The Only Thing That Matters в рамках Pmarca Guide to Startups. Формально он был написан как совет технологическим стартапам, но, если смотреть из сегодняшнего дня, читается как инструкция по созданию a16z. В тексте Марк отвечал на вопрос: что из трех ключевых элементов стартапа важнее всего — команда, продукт или рынок?

Предприниматели и венчурные инвесторы скажут: команда. Инженеры скажут: продукт.

«Лично я займу третью позицию, — писал Марк, — я утверждаю, что рынок — самый важный фактор успеха или провала стартапа».

Почему? Он объясняет так:

В сильном рынке — рынке с большим числом реальных потенциальных клиентов — сам рынок вытягивает продукт из стартапа…

И наоборот, в плохом рынке у вас может быть лучший продукт в мире и абсолютно убийственная команда — и это не будет иметь никакого значения. Вы все равно провалитесь…

В честь Энди Рахлеффа, ранее партнера Benchmark Capital, который четко сформулировал эту идею для меня, позвольте представить Закон успеха стартапов Рахлеффа:

Убийца №1 компаний — отсутствие рынка.

Энди формулирует это так:

Когда отличная команда встречается с плохим рынком — выигрывает рынок.
Когда слабая команда встречается с отличным рынком — выигрывает рынок.
Когда отличная команда встречается с отличным рынком — происходит что-то особенное.

Я думаю, что Марк и Бен увидели в венчурном капитале именно это: отличный рынок (масштаб которого никто по-настоящему не осознавал), заполненный слабыми командами (и этого тоже никто не осознавал).

В период с 2007 по 2009 год Бен и Марк пытались понять, что делать дальше. Они были очень успешными технологическими предпринимателями и, несмотря на успех, у них был большой внутренний азарт и желание что-то доказать. А благодаря этому успеху у них были и деньги, позволяющие сказать «да пошло оно все».

Но как именно?

Будучи предпринимателями, а затем ангельскими инвесторами, Марк и Бен сталкивались с большим количеством плохих венчурных инвесторов — и им показалось, что будет интересно с ними посоревноваться.

«Для Марка дело было не в деньгах, по крайней мере с моей точки зрения, — рассказывал мне Дэвид Хабер. — Он богат с двадцати лет. В начале, скорее всего, речь шла о том, чтобы дать по носу Benchmark или Sequoia».

У венчурного капитала было еще одно важное свойство, которое очень немногие осознавали в разгар рецессии после глобального финансового кризиса: возможно, это был лучший рынок на Земле. И для Марка это имело огромное значение.

Конечно, не весь венчур был плохим. Те самые два фонда, которым Марк хотел «врезать» — Sequoia и Benchmark — были отличными (Марк даже цитировал Энди Рахлеффа), хотя и имели привычку смещать фаундеров. А для основателей, которые хотели сохранить контроль, Питер Тиль в 2005 году запустил Founders Fund и как раз инвестировал фонд 2007 года — FF II, который впоследствии принес $18,60 чистых денег (DPI) на каждый вложенный доллар, как писал Марио.

Но по сравнению с сегодняшним днем венчур в целом был ленивой, закрытой, клановой и «ручной» индустрией.

Есть история, которую Марк любит рассказывать. В 2009 году, когда они с Беном думали о запуске a16z, Марк встретился с генеральным партнером одного из топовых фондов, который сравнил инвестирование в стартапы с тем, как брать суши с конвейера.

По словам Марка, тот сказал ему:

Венчур — это как суши-ресторан с лентой. Ты просто сидишь на Sand Hill Road, стартапы сами подъезжают к тебе. Если ты один пропустил — неважно, потому что сразу за ним едет следующий. Ты просто смотришь, как суши плывут, и время от времени протягиваешь руку и берешь кусок.

Это было нормально, если цель — просто поддерживать статус-кво, «пока амбиции индустрии были ограничены», — объяснял Марк Джеку Альтману в подкасте Uncapped.

Но амбиции Марка и Бена ограничены не были. В их фирме не существовало большего греха, чем «упустить» — не проинвестировать в действительно великую компанию. Это имело огромное значение. Потому что они видели: крупнейшие технологические компании будут становиться намного, намного больше по мере роста рынка.

«Десять лет назад в интернете было около 50 миллионов пользователей, и лишь немногие имели широкополосный доступ», — писали Бен и Марк в инвестиционном меморандуме Andreessen Horowitz Fund I в апреле 2009 года.

Сегодня в сети около 1,5 миллиарда человек, и многие из них имеют широкополосное подключение. В результате крупнейшие победители — как на потребительской стороне, так и в инфраструктуре — могут быть гораздо больше, чем самые успешные технологические компании предыдущего поколения».

Одновременно с этим запуск компаний стал гораздо дешевле и проще, а значит — компаний будет больше.

«Стоимость создания нового технологического продукта и выхода на рынок хотя бы в бета-версии за последние десять лет резко снизилась, — писали они потенциальным инвесторам, — и теперь часто составляет $500 000–$1,5 млн против $5–15 млн десять и более лет назад».

И, наконец, сами амбиции компаний выросли: они перестали быть просто «инструментальными» бизнесами и начали напрямую конкурировать с существующими игроками. Это означало, что каждая индустрия станет технологической — и каждая индустрия в результате станет больше.

Именно поэтому рынок в тот момент был настолько привлекательным. Он продолжает:

С 1960-х и примерно до 2010 года у венчура был один и тот же плейбук. Компании в основном были «инструментальными» — по сути, поставщиками инструментов. Picks and shovels. Мейнфреймы, персональные компьютеры, смартфоны, ноутбуки, софт для доступа в интернет, SaaS, базы данных, роутеры, свитчи, диски, текстовые редакторы — все это инструменты.

Примерно в районе 2010 года индустрия изменилась навсегда. Крупнейшими победителями в технологиях все чаще становятся компании, которые напрямую заходят в существующие отрасли и начинают конкурировать с действующими игроками.

Отсюда и вопрос: переплачивал ли a16z за компании в первые годы — или платил разумную цену с учетом того, кем они могли стать? Задним числом легко сказать второе. Важно, что a16z так считал заранее.

Логика была простой: если около 15 компаний в год, доходящих до $100 млн выручки, создают почти всю рыночную капитализацию своего поколения (power law), значит нужно оказаться в максимальном числе потенциальных победителей и иметь возможность увеличивать ставку на тех, кто выигрывает.

Чтобы реализовать это, имея всего двух инвестиционных партнеров, a16z пришлось строить фирму принципиально иначе, чем классический венчур.

Поэтому, обозначив базовые параметры первого фонда — $250 млн, из которых $15 млн вложили сами партнеры, — Марк и Бен сформулировали стратегию a16z в одном абзаце (цитата из Инвестиционного меморандума AH Fund I):

XI. Стать венчурной фирмой из топ-5. Мы ставим цель создать новую венчурную фирму, входящую в топ-5. Мы начинаем с двух управляющих партнеров, с которыми лучшие предприниматели уже хотят работать. Это, вместе с активной деятельностью фирмы, должно привести к высококачественному потоку сделок. Далее мы намерены инвестировать в лучшие из этих возможностей, используя гибкую модель финансирования, специально выстроенную для поддержки современных стартапов. Фирма будет структурирована таким образом, чтобы предоставлять портфельным компаниям фонда масштабируемые сервисы, которые позволят нам поддерживать большое количество инвестиций на ранней стадии. Наконец, мы планируем направлять основную часть капитала фонда и нашего времени на технологические компании с наибольшим потенциалом роста и, как следствие, обеспечивать превосходную инвестиционную доходность.

Именно эту стратегию они реализуют до сих пор, несмотря на то что фирма давно выросла далеко за рамки двух партнеров и амбиций «топ-5».

Три эпохи a16z

С самого первого фонда ключевым конкурентным преимуществом a16z была сильная вера в будущее — асимметричное убеждение в том, куда движется рынок. Именно из этого отличия выросли все остальные.

Со временем то, как a16z использовал это преимущество, менялось — вместе с ростом амбиций, ресурсов, размеров фондов и влияния фирмы.

Первая эпоха (2009–≈2017)

В первой эпохе a16z исходил из простой идеи: если софт «съедает мир», то лучшие софтверные компании станут намного дороже, чем это закладывает рынок. Это позволило фонду пройти путь от новичка до топ-5, сделав три ключевые ставки.

Платить дороже за сделки

a16z заходил в компании по оценкам, которые многим казались завышенными. Но логика была в том, что рынок недооценивал будущий масштаб лучших компаний — и это давало арбитраж.

Строить операционную инфраструктуру, которую другие считали избыточной

Сервисные команды, рекрутинг, executive briefing centers выглядели лишними затратами. Но если портфельные компании должны были становиться лидерами категорий и продавать крупным корпорациям, им требовалась инфраструктура уровня «настоящих компаний».

Считать технических фаундеров самым дефицитным ресурсом

По мере удешевления запуска стартапов именно сильные инженеры — даже без классического менеджерского опыта — становились ключевыми создателями ценности. a16z целенаправленно привлекал и поддерживал таких основателей, задолго до того, как «founder-friendly» стал стандартом.

В эту первую эпоху фокус был прост: инвестировать в правильные компании и зарабатывать по мере того, как они реализовывали тот масштаб, в который a16z верил раньше рынка.

AH III, в который вошли и Coinbase, и Databricks, выделяется особенно, но важно отметить стабильность результатов в целом.

Как отмечал CIO VenCap Дэвид Кларк — LP a16z с фонда AH III, — для LP хорошим результатом считаются стабильные фонды с [net] TVPI около 3x, с редкими фондами на 5x+. Именно такие результаты a16z и показывает. По его словам, a16z — один из немногих фондов, способных обеспечивать такую доходность в масштабе и на протяжении длительного времени. Это видно и по приведенным выше цифрам.

Если в эту эпоху a16z был готов переплачивать и заходить в нетипичные для венчура сделки, чтобы заработать репутацию, которая должна была окупиться со временем, то на короткой дистанции эта стратегия почти ничего не стоила.

Вторая эпоха (2018–2024)

Во второй эпохе a16z исходил из того, что победители в технологиях становятся гораздо крупнее, дольше остаются частными и что технологии проникают в большее число отраслей, чем рынок привык учитывать.

Эта логика позволила a16z перейти от фонда из топ-5 к системному лидеру.

Более крупные фонды

В первую эпоху a16z привлек $6,2 млрд через 9 фондов. Во вторую — всего за пять лет — $32,9 млрд через 19 фондов.

Классическая венчурная логика утверждала, что доходность ухудшается по мере роста фондов. a16z придерживался противоположной позиции: если крупнейшие исходы становятся больше, то для сохранения значимых долей через несколько раундов требуется больше капитала.

Ключевые ошибки — пропустить победителя или владеть слишком малой долей в тех, кто выигрывает. Как любил повторять Марк: потерять можно лишь 1x, а апсайд практически не ограничен.

Децентрализация и специализация

Во второй эпохе a16z начал уходить от единой структуры и строить отдельные вертикали:

• в 2018 году был запущен первый отдельный криптофонд CNK I под руководством Криса Диксона;
• в 2019 году был создан фонд Late Stage Ventures (LSV) под управлением Дэвида Джорджа, а LSV I на $2,26 млрд стал крупнейшим фондом a16z на тот момент;
• далее появились отдельные фонды Seed ($478 млн), Games ($612 млн) и первый кросс-стратегический фонд 2022 года ($1,4 млрд), позволявший LP инвестировать пропорционально во все стратегии.

Каждый фонд мог использовать централизованные ресурсы фирмы (Investor Relations и др.), но при этом создавал собственную platform-команду — маркетинг, операции, финансы, ивенты, работу с регуляторами — под нужды конкретных фаундеров.

Более долгий горизонт владения

В эту эпоху ведущие технологические компании стали дольше оставаться частными, привлекая капитал не только через primary-раунды, но и через secondary-сделки, обеспечивая ликвидность сотрудникам и ранним инвесторам. Практика, которая раньше казалась нетипичной, стала стандартом для компаний вроде Stripe, SpaceX и Uber.

Для LP это усложнило цикл ликвидности, но для a16z стало преимуществом: фонд получил возможность размещать больше капитала в высококачественных компаниях на частном рынке, перенося будущую доходность из публичных рынков в private.

Статус Registered Investment Adviser (RIA)

Чтобы реализовать эту стратегию, a16z получил статус Registered Investment Adviser (RIA) — то есть зарегистрированного инвестиционного консультанта.

Это дало фонду более гибкий мандат: возможность инвестировать не только в частные компании, но и в публичные акции, криптоактивы и secondary-сделки, выстраивая сквозную стратегию владения активами на всем жизненном цикле компании.

В рамках второй эпохи LSV привлек $14,3 млрд из общих $32,9 млрд, собранных a16z. Крипто-направление также разделилось на отдельные фонды для ранних и поздних стадий.

Ключевые сделки Late Stage Ventures

LSV I: Coinbase, Roblox, Robinhood, Anduril, Databricks, Navan, Plaid, Stripe, Waymo, Samsara

LSV II: Databricks, Flock Safety, Robinhood (выход в паблик и реинвест в Databricks), Stripe, Deel, Figma, WhatNot, Anduril, Devoted Health, SpaceX

LSV III: SpaceX, Anduril, Flock Safety, Navan, OpenAI, Stripe, xAI, Safe Superintelligence, Wiz, DoorDash

LSV IV: SpaceX, Databricks, OpenAI, Stripe, Revolut, Cursor, Anduril, Waymo, Thinking Machine Labs, Wiz

Если рассматривать эти инвестиции как ставку на громкие имена, в чем a16z раньше нередко упрекали, — то выбор был явно не худший. При этом, по данным Cambridge Associates на Q2 2025, фонд LSV I входит в топ-5% своего винтажа, а LSV II и LSV III — в верхний квартиль своих групп.

По состоянию на 30 сентября 2025 года:

• LSV I показывал 3,3x net TVPI;
• LSV II — 1,2x net TVPI (вероятно выше сейчас после недавних раундов Databricks и SpaceX);
• LSV III — 1,4x net TVPI (также ожидается рост после крупной secondary-сделки SpaceX при оценке около $800 млрд).

Ставка a16z заключалась в том, что исходы для этих ключевых компаний будут намного крупнее, чем ожидает большинство рынка (хотя не все — см. Founders Fund и SpaceX, Thrive и Stripe). Это позволило фонду размещать больше капитала в лучших частных технологических компаниях, пока они оставались private.

Важно и то, что a16z начал показывать: венчурную доходность можно получать и на growth-стадии, при правильных условиях. По анализу одного из LP фонда, фирмы с сильной практикой ранних стадий способны сохранять венчурные мультипликаторы и более высокие IRR, продолжая инвестировать на поздних стадиях. Более глубокие отношения с компаниями при этом усиливают влияние фонда.

Во второй эпохе ключевым было владеть максимально возможной долей победителей. Этому помогало раннее знакомство с компаниями и наличие отдельных late-stage фондов, позволявших удваивать ставки или исправлять ошибки ранних инвестиций (хотя речь по-прежнему не шла о контрольных пакетах).

Это тоже был арбитраж, но во второй эпохе a16z, вероятно, делал больше для операционного успеха отдельных компаний.

Доходность фондов второй эпохи еще только формируется, но она опережает траекторию фондов первой эпохи на сопоставимом этапе — тех самых, о «недоходности» которых в свое время писал The Wall Street Journal.

Фонды 2018 года сейчас показывают 7,3x net TVPI, фонды 2019 года — 3,4x net TVPI, фонды 2020 года — 2,4x net TVPI, фонды 2021 года — 1,4x net TVPI, фонды 2022 года — 1,5x net TVPI.

Во второй эпохе особенно выделились криптофонды a16z. CNK I уже вернул LP 5,4x net DPI, а CNK IV на $3 млрд, привлеченный в 2022 году в сложный момент рынка, сейчас отражается на уровне 1,8x net TVPI.

Две главные истории этой эпохи — LSV и crypto — отражают две ставки a16z на будущее.
LSV — ответ на то, что компании дольше остаются частными и требуют больше капитала.
Crypto — ставка на новые отрасли, из которых могут прийти инновации и доходность.

Обе ставки потребовали от a16z расширить свою роль. Для поздних компаний — воссоздавать преимущества публичного рынка в private-среде. Для криптоиндустрии — активно участвовать в формировании правил игры, включая работу в Вашингтоне.

Так началась третья эпоха a16z. На этом масштабе просто находить победителей уже недостаточно — нужно формировать среду, в которой они смогут побеждать.

Как сформулировал Бен: пришло время брать на себя лидерство.

Третья эпоха a16z: время брать на себя лидерство

На этом этапе легко представить, как аналитик конкурирующего фонда пишет журналисту Тэду Френду что-то вроде: «Чтобы вернуть 5–10x совокупной доходности с новых фондов на $15 млрд, вам пришлось бы сделать всю технологическую индустрию США в разы больше, чем она есть сегодня».

На что Марк и Бен, по всей видимости, отвечают: да.

Именно таков явный план фирмы. Вот в чем логика.

С 2015 года a16z профинансировал больше единорогов на ранних стадиях, чем любой другой инвестор. При этом разрыв между a16z и фондом на втором месте — Sequoia — примерно такой же, как между вторым и двенадцатым местом.

Источник: Илья Стребулаев, профессор Стэнфорда

«Количество компаний, профинансированных на ранних стадиях, которые в итоге становятся единорогами» — разумеется, довольно специфичный и удобный способ определить, кто “лучший”. Чаще всего в венчуре ссылаются на доходность — мультипликаторы, IRR или просто объем денег, возвращенных инвесторам. Кто-то смотрит на hit rate или на стабильность результатов. Способов ранжировать фонды много.

Но именно этот показатель хорошо совпадает с тем, как a16z смотрит на мир. Как я неоднократно слышал, проводя время с командой a16z crypto: сделать ставку на категорию, где строят много умных предпринимателей, и ошибиться — это нормально. А вот выбрать неправильную компанию внутри категории или по какой-то причине упустить будущего победителя — нет.

Как сформулировал Бен:

«Мы понимаем, что построение компании — это крайне рискованное занятие, поэтому нас не беспокоят инвестиции, которые не сработали, если мы приняли решение через правильный процесс и корректно оценили риски. Зато нас очень беспокоит ситуация, когда мы неправильно оценили, был ли предприниматель лучшим в своей категории.

Если мы выбрали неправильную новую категорию — это не проблема. Если мы выбрали неправильного предпринимателя — это большая проблема. Если мы упустили правильного предпринимателя — это тоже большая проблема. Упустить компанию поколения из-за конфликта или отказа от сделки — гораздо хуже, чем инвестировать в лучшего предпринимателя в категории, которую мы в итоге неверно оценили».

Исходя из собственного понимания того, что важнее всего, a16z, таким образом, стал лидером венчурной индустрии.

«И что дальше?» — спрашивает Бен. — «Что вообще значит быть лидером индустрии?»

В эссе в X, посвященном привлечению $15 млрд, он отвечает:

«Как лидер венчурного капитала в США, мы считаем, что судьба новых технологий в стране отчасти лежит на наших плечах. Наша миссия — сделать так, чтобы Америка выиграла следующие 100 лет технологического развития».

Это довольно необычное заявление для венчурного фонда.

Но если принять базовые предпосылки — что технологии являются двигателем прогресса, что дальнейшее лидерство США зависит от технологического превосходства, и что a16z является крупнейшим и самым влиятельным инвестором в новые американские технологические компании, обладающим ресурсами и силой, чтобы дать им честный шанс в борьбе с инкамбентами, — эта позиция выглядит не такой уж неразумной.

Чтобы выиграть следующие 100 лет технологий (что для a16z по сути равно выиграть следующие 100 лет вообще), фонд, по его словам, должен победить в ключевых новых архитектурах — AI и crypto — а затем применить эти технологии в самых важных областях: биологии, обороне, здравоохранении, общественной безопасности и образовании, а также встроить их в саму государственную систему.

Это та же ставка a16z на будущее, но с новым уровнем ответственности: ценность будет реализована только если фонд возьмет на себя роль лидера.

Это означает влияние на технологическую политику, работу с разрывом между частными и публичными рынками и адаптацию к новым способам создания компаний. a16z считает, что плохое регулирование — главная угроза для новых технологий, и венчур больше не может оставаться вне политики: стартапы не могут защищать себя сами, а incumbents делают это активно.

Опыт с крипто показал, что участие в регуляторной повестке работает. Теперь у a16z есть постоянное присутствие в Вашингтоне, включая работу с AI и другими направлениями.

При этом фонд исходит из простого факта: он не знает, какими будут следующие великие компании. С AI они могут строиться по другим правилам и с гораздо меньшими командами. Чтобы не потерять связь с реальностью, a16z запустил Speedrun — способ оставаться близко к самым ранним паттернам.

На этом масштабе недостаточно просто выбирать победителей.

Нужно создавать условия, в которых они смогут появляться и побеждать.

Но у такого подхода есть и риск. Когда все больше компаний могут говорить, что их поддерживает a16z, а порог входа становится ниже, бренд фонда перестает быть однозначным знаком качества. Например, a16z получил волну критики в Twitter из-за того, что Speedrun поддержал проект Doublespeed: сам он называет себя инфраструктурой для AI-креаторов, тогда как со стороны его воспринимают как фабрику аккаунтов и сервис по производству спама.

Формулировка «получил финансирование от Марка Андриссена» выглядит забавно, потому что Марк не принимает решения по чекам Speedrun меньше $1 млн — каждый такой чек составляет примерно 0,001% от AUM a16z. Но именно в этом и проблема.

Автор не раз видел упоминания этой «компании с поддержкой a16z» в Twitter, прежде чем догадался, что это участник Speedrun, и специально проверил. Большинство людей этого делать не будет — для них это просто «a16z-backed компания».

Похожий, но более громкий кейс — Cluely: стартап, обещавший «помочь жульничать во всем». a16z возглавил раунд на $15 млн через свой AI Apps Fund.

Суть: любая компания с лейблом a16z автоматически воспринимается как осознанная ставка фонда, даже если на самом деле это небольшой эксперимент или ранний чек. Это усиливает эффект масштаба — и репутационные риски.

Многие справедливо задавались вопросом, почему a16z — фирма, которая активно говорит о формировании будущего Америки, — одновременно инвестирует в стартап, где вирусность важнее этики. Не подтачивает ли наличие Cluely в портфеле легитимность всех остальных компаний — по крайней мере в глазах «очень онлайн»-аудитории?

Вполне возможно. Лично мне это тоже не понравилось. Ощущения были неправильные. Выглядело неуместно.

НО. Внутри логики a16z это было последовательно.

Потому что помимо самого продукта Cluely предлагал гипотезу о принципиально новом способе построения компаний в эпоху AI: когда возможности базовых моделей быстро выравниваются и превращаются в коммодити, единственным по-настоящему важным фактором становится дистрибуция. А если ради дистрибуции требуется немного провокации — ну что ж.

Если ты принимаешь новую модель того, как строятся компании, то $15 млн и небольшой скандал в Twitter — это невысокая цена за место в первом ряду и возможность наблюдать один из самых нетривиальных подходов.

В более широком смысле, в том бизнесе, в котором работает a16z, иногда выглядеть глупо — это цена, которую платят, чтобы не повторить путь Kodak. Нужно быть готовым рисковать. И риск — это не только деньги. На масштабе a16z капитал — самый дешевый из возможных рисков.

Можно также возразить, что в большой картине мира небольшие всплески негатива в X (который, к слову, сам является портфельной компанией a16z) вообще не имеют значения. Именно так это формулировала Кэтрин Бойл, GP a16z и сооснователь направления American Dynamism, когда я спросил ее об этом:

«Можно сказать, что да, иногда мы ловим негатив в Twitter из-за компаний, которые кому-то не нравятся — в каком-нибудь пузыре Сан-Франциско или Нью-Йорка. Типа: “Нам не нравится American Dynamism”, “Нам не нравится crypto”.

Но масштаб всей машины таков, что этот крошечный всплеск в конкретный момент просто не имеет значения».

Лучшие институциональные аналоги — это масштабируемые системы. Например, Соединенные Штаты Америки. Нас волнует, когда США делают что-то неловкое на мировой арене? Нет. Это не влияет на США как систему — точно так же, как отдельные эпизоды не влияют на Католическую церковь.

Мы думаем категориями столетий, а не твитов.

Можно не соглашаться с a16z во всем, но не уважать смелость этой фирмы невозможно.

Показательно, что когда я спрашивал некоторых инвесторов a16z, что они думают о компаниях, вокруг которых были скандалы в Twitter, в ответ чаще всего слышал пустое: «Кто?»

Единственное, что по-настоящему имело значение для доходности a16z, — это победители: найти их рано, выиграть сделки и со временем владеть как можно большей долей. Спросите любого инвестора a16z про Databricks — Databricks знают все.

Теперь, в третьей эпохе — эпохе It’s Time to Lead — столь же важным становится умение помогать этим компаниям расти, даже когда они уже очень большие.

Именно это, как мне кажется, Бен имеет в виду под фразой Step Into the Void Between Private and Public Company Building. И это, на мой взгляд, самое важное переосмысление того, чем a16z является сегодня — и как фонд вообще может рассчитывать на 5–10x доходность, управляя $15 млрд.

«Раньше, — говорил Бен, — венчурные инвесторы помогали компаниям дойти до $100 млн выручки, а дальше передавали их инвестбанкам для следующего этапа жизни в статусе публичной компании». Этот мир больше не существует. Компании остаются частными намного дольше и в куда большем масштабе — а значит, венчур, во главе с a16z, должен расширять свои возможности, чтобы соответствовать этим потребностям.

В рамках этого a16z недавно привлек бывшего CEO VMware Рагху Рагурама в роли “тройной угрозы”: GP в AI Infra вместе с Мартином Касадо, GP в Growth-команде с Дэвидом Джорджем и Managing Partner — личного «consigliere» Бена, помогающего ему управлять фирмой. Вместе с Джен Кха Рагху возглавляет новые инициативы, направленные на поддержку компаний по мере их роста.

Это означает работу с национальными правительствами по всему миру, чтобы помогать портфельным компаниям масштабироваться и продавать в их регионах; стратегические партнерства с корпорациями вроде Eli Lilly (вместе с которой был запущен $500-миллионный Biotech Ecosystem Fund); и расширение сети инвесторов по всему миру. Это также означает развитие Executive Briefing Center — пространства, где крупные компании могут напрямую встречаться с релевантными портфельными стартапами a16z.

Даже для больших компаний есть вещи, которые не имеет смысла строить каждой по отдельности, но которые логично централизованно создать на уровне a16z и распределять по портфелю. Просто так вышло, что эти вещи лежат на уровне государств, триллионных корпораций и триллионов долларов капитала.

Если это сработает, компании смогут оставаться частными дольше, не жертвуя легитимностью, связями и доступом к капиталу, которые раньше были доступны только публичным компаниям.

А значит, они смогут вырастать до куда больших масштабов именно на частных рынках — там, где a16z и работает.

Это, в свою очередь, дает a16z возможность размещать больше капитала с разумным шансом на высокую доходность — а значит, накапливать еще больше ресурсов и силы, которые фонд может передавать портфельным компаниям и, все чаще, всей новой технологической индустрии, чтобы быстрее и эффективнее внедрять технологии в экономику и делать будущее лучше.

Разумеется, рисков много. Больше денег — больше проблем. Лидеры ловят стрелы первыми.

Но, как я это вижу, a16z играет в игру другого масштаба и другой сложности, чем кто-либо до него — со всеми возможностями и уязвимостями, которые это влечет.

Больше масштаба — больше точек уязвимости. Чем дольше компании остаются частными, тем сложнее обеспечивать ликвидность для инвесторов, а значит, и реинвестировать в новые фонды и новые компании.

Но в конечном счете важны две группы: фаундеры и инвесторы — клиенты фирмы и ее капитал.

Единственные стороны, которые действительно имеют значение: LP и фаундеры

То, как фаундеры и LP относятся к a16z, лучше всего видно по их действиям: у кого фаундеры берут деньги и кому LP продолжают их доверять. В этом смысле их выбор — сжатое отражение всего, что обсуждалось выше.

Если лучшие фаундеры верят, что инфраструктура, связи и ресурсы a16z помогут им построить бизнес большего масштаба, они выбирают этот фонд среди других или, как минимум, считают важным иметь его в числе инвесторов. Аналогично, если LP уверены, что a16z продолжает находить и поддерживать сильнейших фаундеров, они готовы инвестировать в фонд и удерживать капитал даже в периоды напряженности с ликвидностью.

Показательная ситуация произошла во время венчурного спада, когда рынок был обеспокоен доступом к ликвидности и будущим статусом эндаументов. На этом фоне a16z предложил своим LP выкупить их доли в отдельных активах, включая ранние позиции в Stripe и крупную долю в Databricks. Несмотря на неблагоприятный момент, все LP отказались от предложения: они предпочли сохранить участие именно в этих компаниях, даже если ликвидность была нужна.

Это хорошо иллюстрирует венчурную логику: венчур — не про быстрый выход, а про рост стоимости со временем. Продавать лучшие активы рано — значит лишать себя основного источника доходности.

Долгосрочные отношения LP с a16z это подтверждают. Среди инвесторов фонда есть участники, которые вошли еще в первый фонд в 2009 году и с тех пор участвовали почти в тридцати фондах. Для них a16z — одна из ключевых и самых продолжительных позиций в портфеле.

Такие LP считают, что рост размеров фондов оправдан. Рынок вырос, компании дольше остаются частными и достигают значительно больших масштабов. В этих условиях экзиты на десятки миллиардов долларов, пусть и редкие, стали частью реальной венчурной математики. При этом a16z часто удается удерживать доли выше средних, что делает экономику крупных фондов рабочей.

В итоге именно поведение фаундеров и LP служит главным подтверждением того, что модель a16z масштабируется и продолжает работать.

Исключительно в иллюстративных целях… но вообще-то вполне реализуемо.

По словам Энн, ключевым фактором для LP является не просто размер фондов a16z, а уровень владения и способность фонда помогать компаниям выходить на по-настоящему большой результат. Именно это делает LP спокойными по поводу масштабов фондов.

Эта способность обеспечивать крупные исходы объясняет и другое: даже самые востребованные фаундеры готовы принимать условия a16z по более низкой оценке, чем у конкурентов. Только в 2025 году было несколько сделок, где a16z заходил по цене ниже, чем другие топ-фонды в том же раунде. Имена называть нельзя, но речь идет как минимум о четырех широко известных технологических компаниях.

По сути, фаундеры оценивают ресурсы и поддержку, которые дает a16z, настолько высоко, что фонд может — по крайней мере иногда — инвестировать ниже рыночной цены. Это сильный сдвиг по сравнению с ранними годами, когда конкуренты злились на a16z за завышенные оценки и даже дали фонду насмешливое прозвище. Теперь ситуация обратная: сотрудничество с a16z имеет реальную, осязаемую ценность, за которую компании готовы «платить» большей долей, чем другим инвесторам.

Именно поэтому, хотя формально есть две важные стороны — фаундеры и LP, — в конечном итоге все сводится к одной. Если лучшие фаундеры хотят работать с a16z, лучшие LP последуют за ними.

Улучшает ли a16z результаты своих портфельных компаний?

Вот в чем главный вопрос. Его можно условно представить формулой:

доля созданной стоимости, связанная с a16z × масштаб этой стоимости

И самая сложная часть здесь в том, что, чтобы максимально повлиять на первый множитель, нужно быть особенно полезным в тот момент, когда второй еще очень мал.

Если помогать маленьким компаниям становиться большими, возникает другое следствие — лояльность. Такая, при которой фаундеры готовы рекомендовать тебя другим фаундерам и спокойно говорить о тебе людям, которые потом пишут большие тексты вроде этого.

Когда автор статьи попросил Erik Torenberg познакомить его с несколькими фаундерами из портфеля a16z, тот в течение нескольких часов связал его с основателями компаний с совокупной капитализацией более $200 млрд, включая Databricks и Flock Safety.

Эти примеры показательные: уже через 48 часов после этих контактов Databricks объявила о привлечении $4 млрд при оценке $134 млрд, а Flock Safety сыграла ключевую роль в задержании подозреваемого по резонансному делу, связанному с Brown и MIT. Для автора это стало наглядным ощущением масштаба влияния a16z.

Главный вопрос — действительно ли a16z меняет судьбу компаний. Чтобы поверить в ставку третьей эпохи фонда, нужно верить, что его участие делает бизнесы заметно более ценными. Ответ, по мнению автора, — да.

Пример Databricks показателен: поддержка a16z — от ранних продаж до партнерств и помощи в построении команд — сыграла существенную роль в росте компании. Даже при консервативных оценках вклад фонда выглядит достаточным, чтобы оправдать его инвестиции в собственную платформу.

Фаундеры описывают одинаковый стиль работы a16z: фонд не вмешивается в операционку, но при необходимости быстро мобилизует все ресурсы. Это модель «не мешать — и быть рядом в нужный момент».

Задача a16z — не управлять компаниями, а давать им легитимность и силу. Через найм, продажи, связи с корпорациями и государствами имя фонда становится сигналом доверия, особенно там, где венчур мало понимают.

В итоге a16z продает не просто капитал, а доступ, влияние и репутацию, помогая компаниям вырасти до масштаба, где они больше не зависят от чужого имени.

Маркетинг

Именно поэтому a16z логично выстраивает одну из самых сильных New Media-команд на рынке.

Не все внимание одинаково ценно. Задача New Media — делать так, чтобы внимание что-то значило. Команда ведет полноценное внутреннее медиа: развивает собственные каналы (X, YouTube, Instagram, Substack), помогает с запусками и активно встраивается в работу портфельных компаний в ключевые моменты.

Во время репутационных сложностей a16z не ограничивается советами, а включается напрямую. Как отмечал Garrett Langley из Flock Safety, команда a16z буквально заходит в Slack компании, помогает с позиционированием, контентом и публичными выступлениями. Поддержка бренда уровня a16z важна и для рынка, и для сотрудников.

Но a16z подключается не только в кризисах. На ранних стадиях — тоже. Fei-Fei Li, фаундер World Labs, рассказывает, что перед запуском продукта команда a16z предложила нестандартный формат: анонс, снятый на 3D LED-сцене с генерацией окружения в реальном времени силами самого продукта. Они помогли не только с видео, но и с ивентом, документалкой и интро к инфлюенсерам.

Результат — вирусный запуск и зачатки маркетинговой машины, которой у компании тогда еще не было. Поддержка такого уровня — от креативной идеи до реального билдинга компании — редкость даже по меркам венчура.

Автор признает предвзятость, но считает команду одной из сильнейших в индустрии. Erik Torenberg давно строит медиа как стратегическое преимущество для венчура, и именно поэтому работал над Age of Miracles. Когда речь зашла о команде, даже автора удивило, что Эрику удалось привлечь Alex Danco.

Если письмо — это способ влиять, то привлечение Alex Danco и Elena Burger дает a16z редкое преимущество. Пока компании ищут людей, умеющих рассказывать истории, a16z собирает таких специалистов и распределяет их по портфельным стартапам.

То же с сообществами. David Booth — один из немногих, кто глубоко понимает, как они работают. Теперь, с ресурсами a16z, он может масштабировать этот подход и усиливать сетевой эффект всего фонда.

Автор признает, что a16z не всегда угадывал с медиа-инициативами, но по их логике фонд должен часто пробовать и ошибаться. Уровень людей, которых a16z сумел собрать в платформенных командах, выглядит таким, что отдельные компании просто не смогли бы повторить его самостоятельно.

Затраты на сторителлинг и бренд для a16z распределяются сразу на весь портфель и становятся несущественными. Если это помогает вырастить хотя бы одну компанию масштаба Databricks или Coinbase, расходы полностью оправданы.

Это та же экономическая логика венчура: потери ограничены, а апсайд огромен, просто примененная ко всей деятельности фонда. Поэтому a16z выгоднее централизованно строить функции, нужные многим компаниям, чем каждой делать это по отдельности.

Найм

Если говорить совсем практично, то почти каждый фаундер, с которым я общался, говорил одно и то же: a16z сильнее всего влияет на компании в двух местах — найме и продажах.

Найм был ключевой частью ценностного предложения a16z с самого начала. Еще в первые годы Марк и Бен привели в фонд Шеннон Шилтц (Каллаган) из Opsware. Именно она убедила Бена нанять Джеффа Стампа на роль Talent Lead — и вместе они построили Talent-команду, уровень которой просто недоступен для большинства фондов ранних стадий.

«Масштаб и качество — совершенно другие», — говорит Али, сравнивая Talent-команду a16z с командами других фондов.

«Это разница между “мы иногда помогаем вам с наймом” и полноценным рекрутинговым департаментом, для которого закрытие кандидатов и наполнение воронки — основная работа и KPI».

Фаундеры на всех стадиях рассказывали мне, что Talent-команда a16z полезна от самого старта и до очень поздних этапов.

Сооснователь и президент Cursor Оскар Шульц писал мне по почте, что «размер a16z позволяет помогать сразу по нескольким направлениям», и самые ценные из них — это найм инженеров и ресерчеров, а также executive-найм.
«У более мелких фондов просто нет ресурсов, чтобы дать нам адекватную картину рынка талантов».

Ресурсом могут быть не только команды, но и сами партнеры фонда. В недавнем разговоре между GP a16z по AI Infra Мартином Касадо и CEO Cursor Майклом Труэллом они обсуждали, что Мартин тратит вечера и выходные на рекрутинг для Cursor.

«Пусть члены борда делают звонки, пока не сдадутся», — шутил Труэлл. — «Пользуйтесь их временем».

Касар Юнис, фаундер и CEO Applied Intuition с оценкой около $15 млрд, рассказывал:

«Многие наши ранние сотрудники, включая президента компании, пришли через a16z. Наш второй человек в финансах — тоже из a16z. У нас даже работали бывшие сотрудники самого фонда, включая Мэтью Колфорда, который раньше занимался public policy в a16z».

Сооснователь и CEO Deel Алекс Буазиз отмечал, что по мере роста компании и увеличения ее значимости для фонда доступ к ресурсам a16z только расширялся:

«С самого начала работы с a16z Шэннон Барбур ощущалась как часть нашей собственной команды по найму. Мы тесно работали с ней и с Джеффом Стампом по executive-ролям. Когда мы искали CFO, Бен лично интервьюировал всех кандидатов — это было довольно впечатляюще. CFO, которого мы хотели нанять (Джо Кауфман), — очень сильный и требовательный человек, и Бен с Анишем помогали мне его закрыть: Аниш писал ему, Бен писал ему».

Когда Deel перешел рубеж $1 млрд ARR и начал готовить борд к публичному уровню, «a16z помогли нам нанять двух из трех независимых директоров: Фрэнсиса деСузы (бывший COO Google Cloud, член совета Disney) и Тодда Форда (ex-CFO Coupa, член борда HashiCorp). Они помогали с поиском, глубоким дилидженсом, рекомендациями, интро — и реально тратили время, как настоящий стратегический партнер».

Продажи

В продажах a16z дает сопоставимую ценность — от ранних этапов до поздних стадий, как напрямую, так и через свой бренд и связи.

Для компаний, работающих с государством и обороной, имя a16z часто становится решающим фактором доверия. Фонд целенаправленно выстраивает отношения с нужными ведомствами и офисами и делает точные интро туда, куда стартап сам бы не добрался. В гос- и оборонном сегменте рекомендации a16z воспринимаются всерьез.

В коммерческих продажах эффект масштаба еще заметнее. Платформенные GTM-команды a16z (команды по выходу на рынок: продажи, партнерства и дистрибуция) помогают стартапам выходить на сотни CTO и C-level клиентов, фактически работая как расширение их собственной команды продаж.

На поздних стадиях эти команды встраиваются внутрь компаний: помогают системно, без микроменеджмента и постоянных запросов со стороны фаундеров. Поддержка становится частью процесса, а не разовой помощью.

Глубокая вовлеченность в крупнейшие портфельные компании дает a16z два ключевых преимущества:

1. она измеримо ускоряет рост бизнеса,
2. она знает компании настолько хорошо, что может уверенно увеличивать ставки — и капиталом, и репутацией — когда приходит время.

Так «вера» a16z в свои компании подкрепляется не только словами, но и реальными продажами.

Вера в компанию

Qasar Younis (фаундер и CEO Applied Intuition) высоко оценивает опыт работы с a16z: Marc Andreessen входит в совет директоров компании — редкий случай — и фонд подключается каждый раз, когда это нужно, открывая свои связи.

При этом он отмечает важное: настоящая проверка инвестора — как он ведет себя в момент проблем, а не когда все идет гладко.

Именно поэтому особенно показателен опыт Garrett Langley и Alex Bouaziz. В период PR-кризисов a16z не отходил в сторону, а активно включался: ранее это было видно на примере Flock Safety, а для Deel прошлый год также стал серьезным испытанием на доверие и поддержку.

Но, как объясняет Алекс, дело было не только в публичной позиции.

По его словам, a16z прямо сказали: «Мы знаем, кто ты, как ты работаешь, твой бэкграунд и твои ценности. Мы на твоей стороне». Поддержка была быстрой и публичной, но не менее важной была работа за закрытыми дверями: партнеры фонда напоминали ключевым людям, что они хорошо знают Алекса и бизнес Deel. Когда человек уровня Бена Хоровица глубоко погружен в компанию и несколько лет живет с ней в одном контексте, его слово имеет большой вес.

Алекс подчеркивает, что другие инвесторы тоже выражали поддержку, но уровень вовлеченности a16z был иным. Фонд не ограничился сочувствием: он помогал разбирать ситуацию, находить правильные решения, подключать нужных людей и лично включался в работу. В момент, когда вокруг компании поднялся шум, лучшего партнера, по его словам, быть не могло.

Автор статьи задается риторическим вопросом: какой смысл иметь настоящую легитимность, если ты не готов использовать ее, чтобы защищать свои портфельные компании?

Дальнейшие события подтверждают эту позицию. Deel превысил $1 млрд ARR и привлек $300 млн от нового инвестора — Ribbit Capital — по post-money оценке $17,3 млрд, что на $5 млрд выше оценки Series D до всей истории в феврале 2025 года. a16z, как и во всех предыдущих раундах, принял участие в сделке, включая secondary.

По словам Алекса, a16z проявляли исключительную лояльность: каждый раз, когда на рынке появлялись вторичные продажи или инвесторы хотели выйти, фонд выкупал максимально возможный объем акций. a16z настолько глубоко знал компанию, что был готов наращивать позицию, в то время как остальной рынок просто не имел достаточного контекста — Deel долгое время не привлекал новый капитал.

Был и другой показательный эпизод. В определенный момент Deel понадобились деньги для приобретения другой компании. Раунд C не планировался как классический фандрайзинг: основателю был нужен капитал под конкретную стратегическую сделку. В такой ситуации, отмечает Алекс, принципиально важно иметь инвестора, к которому можно прийти с тезисом «это изменит игру» — и который способен быстро принять решение и вложить крупную сумму, порядка $100 млн, без затяжных переговоров.

В результате всей этой последовательной поддержки a16z сегодня владеет «двадцатью с лишним процентами» Deel через разные фонды. Эта доля была заработана не только деньгами, но и верой в компанию и конкретной тактической работой.

Автор делает вывод: это и есть валидация модели a16z — знать свои компании глубже всех, работать с ними плотнее всех и быть готовыми идти ва-банк там, где другие не могут, одновременно помогая бизнесу вырасти больше, чем он смог бы самостоятельно.

По разговорам с фаундерами ясно, что сотрудничество с a16z оказывает прямое и материальное влияние на бизнес. Как и в случае с политической и институциональной деятельностью фонда, это влияние бывает как прямым, так и косвенным. Даже фаундеры вне портфеля выигрывают от изменений, которые a16z принес в венчурную индустрию.

Это приводит к еще одному эффекту: a16z фактически заставил другие фонды тратить свои management fees не только на внутренние нужды, но и на реальную помощь стартапам.

Как отмечает Касар Юнис из Applied Intuition, многое из того, что a16z продвигал в первые годы, сегодня стало стандартом рынка: фокус на фаундерах, технические партнеры, наличие платформы. Раньше многие топ-фонды гордились тем, что «выписали чек и исчезли», и недоступность считалась преимуществом. Сегодня логика изменилась: фаундеры прямо спрашивают, что еще фонд может дать, кроме денег.

Автор называет это «фирменным почерком a16z».

Одна из частых претензий к фонду — большие объемы management fees. Но, как подчеркивает автор, ключевой вопрос не в том, что a16z их зарабатывает, а в том, как именно они их используют. Эти средства направляются на строительство инфраструктуры и возможностей, в которые почти никто другой в индустрии не готов инвестировать.

По словам Дэвида Хабера, одним из ранних структурных преимуществ a16z было то, что Марк и Бен уже были финансово независимы и не нуждались в зарплатах. Это позволило им играть в долгую: вкладывать комиссии в платформу и создавать накопленные конкурентные преимущества. Вместо повышения зарплат и бонусов фонд системно инвестировал в развитие самой фирмы.

Автор подчеркивает экономику этого подхода: можно потратить миллиарды инвесторского капитала на создание машины, помогающей портфельным компаниям выигрывать, и она окупится многократно за счет одной крупной истории вроде Databricks — а затем снова и снова на Coinbase, Applied Intuition, Deel, Cursor и других.

Именно поэтому сегодня почти каждый крупный венчурный фонд пытается построить аналогичную платформу. В результате фаундеры получают доступ не просто к капиталу, а к целым системам поддержки — деньгам, связям, экспертизе и влиянию, которые помогают им конкурировать с инкамбентами и реализовывать технологическое будущее.

В этом, по мнению автора, и заключается главный смысл происходящего.

Будущее фонда будущего

Когда кто-то приходит работать в a16z — а сейчас это происходит довольно часто, при штате более 600 человек, — он обязан подписать Culture Doc фирмы.

Хотя этот документ читают все сотрудники, Кэтрин Бойл считает, что «мы не относимся к нему с тем уважением, которого он заслуживает».

«Там есть одна строка, — говорит она, — пункт номер три: “Мы верим в будущее и делаем на него ставку всей фирмой”. Я обожаю эту формулировку». Вот как она ее понимает:

«Все в Кремниевой долине неправильно это трактуют. Это означает, что мы никогда не выбираем негативный сценарий. Именно поэтому иногда мы выглядим глупо по сравнению с другими фондами, которые готовы ставить на негатив. В нашем culture doc прямо написано, что мы никогда не ставим против будущего».

«Я вообще считаю, что этот пункт должен быть первым. Ни одна другая фирма не может сказать о себе такое. Другие рассылают меморандумы в духе: “надвигается макрокризис”. Фраза “мы верим в будущее и ставим на него весь фонд” — это буквально причина, по которой Марк и Бен создали эту фирму».

«Марк и Бен не боятся выглядеть глупо. Но если ты когда-нибудь поставишь против будущего в любой категории — тебя уволят».

Искренняя, безоговорочная вера в будущее в лучшем случае звучит наивно, а в худшем — как чушь.

Несколько лет назад, до того как автор заглянул внутрь a16z, он сам считал это как минимум частично чушью. Это же «охотники на слонов» — им просто хотелось побеждать. В будущее можно так же удобно завернуться, как и в американский флаг.

Со стороны кажется, что a16z пытается построить одну из крупнейших финансовых институций в мире. Отчасти так выглядит потому, что именно этим она и занимается. Более $90 млрд регуляторных активов под управлением — это очень реальные деньги.

Когда фонды a16z обсуждались в контексте крупных финансовых институтов — таких Firm с большой буквы, как Apollo и Blackstone, — Дэвид Хабер отмечал, что по сравнению с ними a16z все еще небольшая. Blackstone управляет $1 трлн. Apollo скоро будет там же.

a16z еще многому предстоит научиться у таких фирм — про накопление конкурентных преимуществ, масштаб, стимулы, внутренние процессы и управление глобальной финансовой институцией. На поверхности между тем, чем эти фирмы являются сегодня, и тем, кем a16z хочет стать, есть сходства.

Но есть и ключевое различие.

Apollo и Blackstone по сути ни во что не верят. Это финансовые институты, созданные для генерации доходности. И в этом нет ничего плохого. Экономике нужно то, что они делают, и делают они это очень хорошо — на высшем уровне.

a16z верит. a16z строит компанию, цель которой — создать великое будущее через технологии, используя финансы как средство для этого. Компанию, которая растет и накапливает силу и, как любой нормальный технологический бизнес, становится лучше по мере роста. Компанию, способную концентрировать все больше ресурсов и власти ради будущего, в которое она верит, даже если пока не до конца понимает, каким именно оно будет.

Это работа предпринимателей — придумывать детали. a16z предоставляет веру.

В конце разговора автор спросил Али, что, по его мнению, больше всего неправильно понимают в фирме, с которой он работает уже больше десяти лет. Али даже не пришлось задумываться.

«Бен и Марк — верующие», — сказал он. — «Если это не очевидно по их блогам, то, по-моему, они до крайности верят в технологии. «Они искренне считают, что технологии могут изменить мир. И в каждом стартапе, с которым они работают, они видят именно это — максимальный масштаб того, чем он может стать».

История a16z до сегодняшнего дня — это история о том, как все считали, что Марк и Бен делают венчур “глупым способом”, потом проходило лет десять, появлялись результаты, становилось понятно, что они были правы, и конкуренты пытались делать то же самое — но уже без всего того, что успело накопиться у a16z за десятилетие чужого неверия.

И затем это повторялось снова.

Конечно, это работало, когда фонды были по $300 млн, даже по $1 млрд. Но на таком масштабе — уже не сработает.

Конечно, это работало в первые годы социальных сетей. Но не сработает в крипто. Или в American Dynamism. Или в AI.

И тем не менее — по крайней мере пока — в основном срабатывает.

Итог от меня

Эта статья для меня про то, каким венчур стал на самом деле. Сегодня фонд больше не может быть просто источником капитала. Он либо реально помогает фаундерам выигрывать, либо ничем не отличается от десятков других.

В Mento VC мы изначально строим фонд именно так: как долгосрочного партнера для фаундеров, а не инвестора «на раунд». Да, в меньшем масштабе, чем a16z, но с тем же фокусом — на будущее, системность и работу вдолгую, а не на быстрые и удобные решения.

История a16z хорошо показывает, что такой подход может работать десятилетиями. И что играть в эту игру имеет смысл только осознанно.

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

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

Ссылка на оригинал статьи

Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле. За первые полтора года мы собрали портфель, в котором большинство команд получили поддержку ведущих международных фондов, а многие вышли на устойчивый рост с многомиллионной выручкой. Среди них Artisan, ClerkChat, FinalRound, Rork и другие.

В декабре фонд Andreessen Horowitz (a16z) традиционно публикует серию материалов Big Ideas. Это не единый прогноз и не один автор. Каждый блок готовят отдельные инвестиционные команды фонда. Инфраструктура, рост, bio + health, speedrun, apps, American Dynamism и crypto. Каждая команда делится теми проблемами и возможностями, которые, по их мнению, стартапы будут решать в 2026 году.

В итоге получается не обзор трендов, а набор практических гипотез от инвесторов, которые ежедневно работают с компаниями на разных стадиях и в разных секторах. От базовой инфраструктуры и AI до биотеха, финтеха, крипто и прикладных продуктов.

Мы внимательно разобрали все три части Big Ideas 2026 и собрали единый конспект. Ниже разбор ключевых идей, которые, на мой взгляд, полезно понимать основателям, продуктовым командам и инвесторам. В конце статьи оставлю ссылки на оригинальные материалы для тех, кто захочет углубиться.

Содержание

Часть 1. Какие задачи стартапы будут решать в 2026
Часть 2. Где AI начинает влиять на экономику, а не только на продукты
Часть 3. Деньги, доверие и правила игры в мире AI

Часть 1. Какие задачи стартапы будут решать в 2026

Первая часть Big Ideas 2026 собрана из идей четырех команд a16z: Infrastructure, Growth, Bio + Health и Speedrun. Все они смотрят на один и тот же вопрос с разных сторон: что именно становится узким местом по мере того, как AI перестает быть экспериментом и начинает использоваться повсеместно.

Infrastructure

Данные, безопасность и инфраструктура для AI-агентов

Сегодня основное ограничение для AI — это не сами модели, а данные. Большая часть корпоративной информации по-прежнему хранится в разрозненном виде: документы, переписка, видео, логи. Модели становятся сильнее, но вынуждены работать с неполным, устаревшим или противоречивым контекстом.

Поэтому в 2026 году особенно важными будут компании, которые умеют наводить порядок в данных, поддерживать их в актуальном состоянии и собирать целостную картину для AI. На практике это означает, что ценность все чаще сосредотачивается не в модели, а в управлении данными вокруг нее.

Похожая ситуация складывается и в безопасности. AI постепенно берет на себя рутинную часть киберзащиты, снижая объем ручной работы и поток бесполезных уведомлений. Наибольшую пользу дают решения, которые действительно разгружают команды, а не просто находят больше потенциальных проблем.

Еще одно важное изменение касается инфраструктуры. Системы, которые десятилетиями проектировались под работу людей, плохо подходят для AI-агентов. Агенты создают другую нагрузку: параллельные действия, цепочки задач и высокие требования к стабильности. В ответ на это появляются платформы, изначально рассчитанные на автономные AI-системы.

Growth

От интерфейсов к выполнению задач

Команда Growth обращает внимание на то, что привычные системы учета и хранения данных постепенно отходят на второй план. AI сокращает расстояние между намерением и результатом. Продукты все чаще не фиксируют информацию, а сразу выполняют работу.

На этом фоне интерфейс перестает быть главным элементом продукта. Ценность смещается туда, где происходит реальное действие. Вертикальные AI-продукты переходят на следующий уровень и начинают организовывать совместную работу разных ролей и участников, а не просто помогать с анализом данных.

Важный момент здесь в том, что продукты все чаще проектируются не для человека, а для AI. Машине не нужен визуальный интерфейс, ей важны стабильность, предсказуемость и четкая логика взаимодействия.

Bio + Health

Новый рынок: люди без диагноза

Команда Bio + Health выделяет отдельную аудиторию — Healthy MAUs. Это люди, у которых нет явных проблем со здоровьем, но есть запрос на регулярное наблюдение и профилактику.

Медицина постепенно выходит за рамки лечения и начинает работать с профилактикой. AI снижает стоимость мониторинга и делает возможными подписочные сервисы, персональные рекомендации и постоянный контакт с пользователем.

Это направление пока остается недооцененным, но именно здесь может появиться один из самых крупных рынков ближайших лет.

Speedrun

Контент, обучение и персонализация

Видео перестает быть просто форматом для просмотра. AI начинает работать с контекстом и последовательностью событий, превращая видео в среду для обучения, симуляций и интерактивных сценариев.

«Можешь принять синюю таблетку и продолжать смотреть галлюцинирующие видео с AI-котами. А можешь принять красную — и увидеть видеомодель мира, где кот подчиняется причинно-следственным связям».

Смысл шутки: сейчас AI часто генерирует красивые, но логически сломанные видео. «Красная таблетка» — это AI, который не просто рисует, а понимает, как устроен мир.

Одновременно продукты все меньше ориентируются на абстрактного «среднего пользователя» и все чаще подстраиваются под конкретного человека. Персонализация перестает быть дополнительной функцией и становится базовой логикой.

В образовании это приводит к появлению AI-native университетов, где AI используется не как вспомогательный инструмент, а как основа всей системы. Такие модели позволяют адаптировать обучение в процессе и готовить людей к работе с AI как с полноценным партнером.

Первая часть Big Ideas 2026 показывает простую картину. AI постепенно становится средой, внутри которой по-новому собираются данные, продукты, инфраструктура и целые рынки.

Часть 2. Где AI начинает влиять на экономику, а не только на продукты

Как AI выходит за пределы софта и начинает двигать реальный мир и бизнес-модели

Вторая часть отчета собрана командами American Dynamism и Apps. Здесь меньше про интерфейсы и больше про физический мир, экономику и масштаб. Про то, где AI перестает быть «фичей» и становится основой новых рынков.

American Dynamism

AI возвращает производство, индустрию и науку в центр экономики

• Индустриальная база становится AI-native. Энергетика, производство, логистика и инфраструктура перестраиваются вокруг симуляций, автономных систем и AI-управления. Это не «оцифровка прошлого», а новые способы строить системы с нуля.
• Фабрика снова в фокусе. AI сокращает циклы проектирования, помогает работать с регуляцией, управлять сложными проектами и автоматизировать опасные задачи. Производство начинает работать как конвейер, но для сложных и кастомных объектов.
• Наблюдаемость выходит в физический мир. Камеры, сенсоры и дроны дают непрерывное понимание того, что происходит в городах, на заводах и в инфраструктуре. Следующий уровень автономии невозможен без этого слоя.
• Электро-индустриальный стек. Софт, AI, материалы, электроника и энергия сходятся в одну систему. Тот, кто умеет собирать этот стек целиком, будет определять темп следующей промышленной эпохи.
• Автономные лаборатории. AI ускоряет научные открытия: от гипотез до экспериментов и интерпретации результатов. Наука начинает масштабироваться как софт.

Apps

AI усиливает бизнес-модели, а не просто автоматизирует процессы

• Лучшие AI-продукты усиливают экономику клиента
  Они помогают зарабатывать больше, принимать лучшие решения и выигрывать чаще, а не просто снижать издержки.
• ChatGPT как новый канал дистрибуции
  Появляется эффект «AI-app store»: продукты растут не только за счет маркетинга, но и через встроенные экосистемы.
• Голосовые агенты выходят в прод
  Они берут на себя звонки, записи, поддержку и операции. Это уже не эксперименты, а рабочие инструменты с понятным ROI.
• Приложения без промптов
  AI начинает работать проактивно: понимает контекст, предлагает действия и встраивается в поток работы без явного управления со стороны пользователя.
• Финансы и страхование ждут пересборки
  Настоящие изменения начнутся не с добавления AI поверх старых систем, а с перестройки инфраструктуры под AI-логику.
• AI выходит за пределы Кремниевой долины
  Большая часть ценности создается в «медленных» и традиционных отраслях. Там, где сложные процессы, люди и физический мир.
• Новый слой оркестрации
  Компании переходят от отдельных AI-инструментов к многоагентным системам, которые планируют, координируют и исполняют работу вместе.

Итог второй части

AI становится двигателем индустрии, науки и бизнес-моделей. Не надстройкой над существующим софтом, а способом по-новому строить фабрики, компании, рынки и целые отрасли. Если первая часть была про среду и фундамент, то вторая — про масштаб и реальный мир.

Часть 3. Деньги, доверие и правила игры в мире AI

В третьей части Big Ideas 2026 a16z отходят от продуктов и отраслей и смотрят глубже. Не на то, что именно строят компании, а на то, как вообще будет работать экономика и координация в мире, где AI действует автономно.

Когда AI перестает быть помощником и начинает выполнять действия сам, возникает базовый вопрос: как таким системам доверять и как их между собой согласовывать?

AI-агенты и новая логика координации

AI-агенты уже не просто отвечают на запросы. Они планируют, договариваются, выполняют задачи и взаимодействуют друг с другом. Фактически это новые участники процессов, только не люди.

Чтобы такие системы могли работать в масштабе, им нужны:

• четкие правила
• идентификация
• способы подтверждать свои действия

И здесь появляется практическая роль крипто-инфраструктуры. Не как инвестиционного актива, а как технического слоя для доверия и правил взаимодействия.

Финансы становятся частью логики продукта

Раньше деньги были отдельным слоем. Есть продукт, а есть платежка, бухгалтерия и договоры где-то рядом, сейчас эта граница начинает исчезать.

AI-системы все чаще сами инициируют платежи, распределяют вознаграждения, считают стоимость действий и принимают решения с учетом денег. Финансы становятся частью того, как продукт работает, а не тем, что подключают в конце.

Из-за этого меняются и инструменты. Для таких сценариев нужны способы быстро и автоматически проводить расчеты между системами и странами, без ручной обработки. Поэтому в отчете много внимания уделяется stablecoins и токенизации — не как модным словам, а как удобной технической базе для таких операций.

Почему проверяемость важнее объяснений

По мере роста автономности AI все меньше важно, красиво ли система объясняет результат. Гораздо важнее, можно ли проверить, что она действовала корректно.

Поэтому растет интерес к технологиям, которые позволяют:

• подтверждать вычисления
• сохранять приватность
• проверять результат без раскрытия данных

Это критично для финансов, государства, медицины и любых систем с высоким уровнем ответственности.

Коллективные решения и рынки прогнозов

Отдельное внимание в отчете уделяется рынкам прогнозов. Проще говоря, это системы, которые помогают собирать мнение большого числа людей о будущем событии и превращать его в числовой сигнал.

Идея в том, что ни один эксперт не видит всей картины целиком, особенно в сложных и быстро меняющихся ситуациях. Агрегированное мнение множества участников часто оказывается точнее индивидуальных оценок.

В сочетании с AI такие рынки начинают играть новую роль. AI может анализировать данные, находить закономерности и формировать гипотезы, а рынки прогнозов помогают проверять эти гипотезы через коллективное мнение.

В итоге появляется инструмент для принятия решений в условиях неопределенности. Не как замена человеческому мышлению, а как способ лучше ориентироваться там, где нет однозначных ответов.

Пару месяцев назад я публиковал перевод и адаптацию материала a16z про эпоху прогнозирования. Ссылка тут, если интересно копнуть глубже.

Третья часть Big Ideas 2026 говорит о простом. Чтобы AI мог масштабироваться, нужны новые правила доверия, денег и координации. AI и крипто здесь сходятся не из-за моды, а потому что вместе они дают инфраструктуру для сложных, автономных систем. Без этого следующий этап развития просто не заработает.

Итог

Big Ideas 2026 хорошо показывают, как именно меняется логика технологий и бизнеса. Речь уже не о новых инструментах, а о пересборке среды, в которой появляются продукты, компании и рынки.

Для нас этот материал важен тем, что он совпадает с нашей инвестиционной оптикой. Мы фокусируемся на компаниях, где AI является фундаментом продукта и операционной модели и создает долгосрочную ценность для бизнеса и пользователей, а не краткосрочный эффект.

Сейчас мы подходим к финалу фандрейзинга Mento VC Fund I. Мы работаем с командами, которые уже сегодня строят продукты на пересечении AI, данных, продуктивности и будущего работы. В нашем портфеле уже 21 компания, и все они работают в этой логике, создавая решения, которые встраиваются в реальные процессы и масштабируются вместе с бизнесом.

Спасибо, что дочитали до конца. Этот год вышел по-настоящему насыщенным и богатым на интересные события.

С наступающим и до новых материалов в 2026 году!

Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле. За первые полтора года фонд собрал портфель, в котором большая часть команд получила поддержку ведущих международных фондов, а многие вышли на устойчивый рост с многомиллионной выручкой. Среди них Artisan, ClerkChat, FinalRound, Rork и другие.

На днях OpenAI опубликовала отчет The State of Enterprise AI 2025. Это подробный срез того, как AI используется внутри компаний сегодня. Не в экспериментах и демо, а в реальных рабочих процессах, продуктах и операционных системах.

Этот отчет важен не только из за масштаба данных. Он охватывает более одного миллиона корпоративных клиентов и основан на агрегированной статистике реального использования AI.

Гораздо важнее другое: в отчете зафиксирован переход от AI как инструмента индивидуальной продуктивности к AI как базовой корпоративной инфраструктуре.

История технологий показывает одну и ту же закономерность: основная экономическая ценность возникает не в момент появления технологии, а тогда, когда она встраивается в масштабируемые бизнес процессы. Судя по данным OpenAI, корпоративный AI как раз входит в эту фазу.

Мы с командой внимательно разобрали отчет целиком, включая все разделы, графики и кейсы. Ниже — разбор ключевых наблюдений и структурных сдвигов, которые, на мой взгляд, особенно важны для основателей, продуктовых команд и инвесторов, работающих с технологиями следующего цикла. В конце статьи вы найдете ссылку на первоисточник.

Содержание статьи

1. Вступление
2. AI перестает быть экспериментом
3. От чатботов к рабочим инструментам
4. AI в повседневной работе
5. Где AI растет быстрее всего
6. AI выходит за пределы США
7. Разрыв в использовании AI
8. AI и бизнес результаты
9. Как выглядит зрелое внедрение AI
10. Итог

Вступление

Большая часть экономически значимой деятельности происходит внутри компаний, а не в потребительских продуктах. Именно поэтому корпоративная среда исторически становится тем местом, где технологии общего назначения раскрывают свою реальную ценность.

Enterprise AI — одна из самых сложных технических задач для современных моделей. Он требует надежности, безопасности и устойчивости при масштабировании. Но именно здесь возникает основной экономический эффект, который затем определяет развитие всей экосистемы.

Еще один важный акцент. В течение последних лет наибольшее внимание было приковано к потребительским сценариям использования AI. Однако история технологий, от паровых машин до полупроводников, показывает одну и ту же динамику. Основная ценность появляется позже, когда базовые возможности превращаются в масштабируемые прикладные сценарии внутри организаций.

По данным OpenAI, корпоративный AI сейчас как раз входит в эту фазу. Компании начинают использовать его не как дополнение, а как инфраструктуру, на которой строятся процессы, продукты и операционные решения.

Именно в этом контексте стоит рассматривать все последующие цифры и графики отчета. Они описывают не всплеск интереса, а структурный сдвиг в том, как компании работают с AI.

AI перестает быть экспериментом

В корпоративной среде AI все меньше воспринимается как вспомогательный инструмент или технологический эксперимент. Данные OpenAI показывают, что компании переходят к регулярному и встроенному использованию AI в повседневной работе.

За последний год масштабы корпоративного использования AI выросли кратно. Речь идет не только о росте числа компаний, но и о том, насколько глубоко AI встроен в рабочие процессы сотрудников и команд. Средний пользователь стал обращаться к AI чаще, а сами сценарии использования стали сложнее и длиннее.

Важно подчеркнуть, что этот рост отражает не всплеск интереса или моду на новую технологию. Он указывает на смену фазы. Компании переходят от пробных запусков и пилотов к системному использованию AI как части операционной модели.

Еще один показательный момент — рост количества рабочих мест, где AI используется регулярно. Сегодня OpenAI обслуживает миллионы корпоративных рабочих мест, и число лицензий корпоративных продуктов растет значительно быстрее, чем в предыдущие годы. Это означает, что AI перестает быть инициативой отдельных энтузиастов и становится инструментом, доступным и ожидаемым на уровне всей организации.

При этом меняется и характер взаимодействия с AI. Сотрудники используют его не только для разовых запросов, а для многошаговых задач, которые встраиваются в рабочий день. Это важный сигнал. Когда технология начинает экономить время не эпизодически, а постоянно, она перестает быть экспериментом по определению.

Ключевой вывод этого этапа простой: корпоративный AI выходит из стадии тестирования и начинает закрепляться как базовый рабочий инструмент.

От чатботов к рабочим инструментам

Дальше возникает вопрос: за счет чего именно происходит этот переход?

Данные OpenAI показывают, что ключевую роль здесь играют не отдельные диалоги с чатботами, а появление повторяемых и стандартизированных рабочих инструментов.

В корпоративной среде AI все чаще используется через Custom GPTs и Projects. Это настраиваемые интерфейсы, которые позволяют формализовать знания, инструкции и действия и использовать их для выполнения многошаговых задач.

Простыми словами, AI начинает работать не как собеседник, а как часть процесса.

Рост этого слоя использования выглядит показательно.

Это означает, что значительная часть взаимодействий с AI происходит не в свободной форме, а внутри заранее заданных сценариев.

Важно и то, какие задачи решаются с их помощью. Наиболее распространенные Custom GPT либо упаковывают институциональные знания в повторно используемые ассистенты, либо автоматизируют рабочие процессы за счет интеграции с внутренними системами компаний.

В некоторых организациях это уже перешло на уровень культуры. Например, в BBVA регулярно используются тысячи Custom GPT, встроенных в повседневную операционную работу.

Banco Bilbao Vizcaya Argentaria (BBVA) — одна из крупнейших банковских компаний в Испании. Находится на первом месте среди финансовых учреждений в Мексике, на втором в Испании, Турции и Перу, на третьем месте в Венесуэле и на четвёртом месте в Колумбии. Banco Bilbao Vizcaya Argentaria, S.A.

Параллельно быстро масштабируются API-сценарии. Компании интегрируют модели напрямую в продукты и внутренние системы, переходя от экспериментов к промышленным внедрениям. Среднее потребление reasoning-токенов на одну организацию выросло в сотни раз за год, что указывает на системное использование более интеллектуальных моделей в реальных бизнес-сценариях.

Отдельного внимания заслуживает развитие AI-ассистированной разработки. Инструменты вроде Codex начинают использоваться не как вспомогательные, а как полноценные элементы developer-процессов.

В сумме эти изменения показывают сдвиг от разговорного интерфейса к операционному слою. AI перестает быть точкой входа для отдельных запросов и становится инструментом, через который выполняются повторяемые задачи, автоматизируются процессы и масштабируется экспертиза внутри организаций.

AI в повседневной работе

По мере того как AI встраивается в процессы, мы видим следующий важный эффект. Он перестает быть абстрактной технологией и начинает менять повседневную рутину сотрудников.

Согласно данным OpenAI, 75 процентов корпоративных пользователей отмечают, что AI улучшил скорость или качество их работы.

В среднем сотрудники экономят 40–60 минут рабочего времени в день, а в ряде функций этот эффект еще выше. Для аналитиков, инженеров и коммуникационных команд экономия достигает 60–80 минут в день.

Это особенно заметно за пределами технических ролей. Нетехнические команды все чаще используют AI для задач, которые раньше выполнялись только инженерами или аналитиками. Количество запросов, связанных с кодингом, растет во всех функциях. За последние месяцы за пределами инженерии, IT и исследований этот показатель увеличился в среднем более чем на треть.

Эффект от AI зависит от того, как активно его используют. Сотрудники, которые работают с AI чаще и решают с его помощью больше разных задач, экономят заметно больше времени. Те, кто выигрывает более 10 часов в неделю, обычно используют несколько инструментов и применяют AI в самых разных сценариях.

В результате меняется сама работа команд. Задачи, которые раньше выполняли только специалисты, все чаще берут на себя обычные сотрудники. AI постепенно становится частью повседневной работы, а не отдельным инструментом для отдельных ролей.

Эффект от AI заметно различается от человека к человеку. Он напрямую зависит от того, насколько активно и регулярно сотрудники используют AI в своей работе. Одни применяют его время от времени, для отдельных задач. Другие встраивают AI в повседневные процессы и используют его для самых разных сценариев.

Данные OpenAI показывают простую зависимость: чем интенсивнее использование AI, тем больше экономия времени. Это хорошо видно на уровне отдельных сотрудников.

Где AI растет быстрее всего

По мере того как AI становится частью повседневной работы компаний, проявляется еще одна важная особенность. Темпы внедрения AI заметно различаются в зависимости от отрасли и региона.

За последний год компании в целом перешли от пилотов к полноценному внедрению AI, и рост наблюдается практически во всех секторах. При этом скорость этого роста и масштаб использования существенно отличаются.

Данные OpenAI показывают, что медианная отрасль выросла более чем в шесть раз за год, а даже самые медленно растущие сегменты превышают двукратный рост. Это означает, что AI внедряется широко, но не одинаково быстро.

На этом фоне выделяются отрасли, где рост идет особенно активно. Технологические компании, здравоохранение и промышленность показывают самые высокие темпы внедрения. В то же время финансы и профессиональные услуги остаются крупнейшими по масштабу использования, но растут более умеренно.

Проще говоря, скорость роста и текущий масштаб — это разные вещи. Одни отрасли уже широко используют AI, другие только догоняют, но именно там сейчас происходит самое быстрое внедрение.

При этом отрасли отличаются не только темпами роста, но и тем, для каких задач они используют AI.

Технологические компании используют AI в первую очередь для клиентских продуктов: ассистентов, поиска и автоматизации, а также для ускорения разработки.

В профессиональных услугах AI чаще выступает внутренним инструментом, помогает с кодом, контентом и ассистентами для ускорения работы команд.

В финансовом секторе AI обычно начинают с клиентской поддержки прежде чем переходить к более сложным задачам, это наиболее понятный сценарий.

AI выходит за пределы США

На раннем этапе корпоративное внедрение AI было сосредоточено в основном в США. Сегодня эта картина быстро меняется. По данным OpenAI, рост корпоративного AI за пределами американского рынка заметно ускоряется.

Среди крупнейших рынков Австралия, Бразилия, Нидерланды и Франция растут быстрее глобального среднего уровня.

При этом США по-прежнему остаются одним из самых активных рынков по объему использования. Но важно другое. Германия, Великобритания и Япония уже входят в число крупнейших рынков ChatGPT Enterprise за пределами США, как по числу клиентов, так и по объему сообщений.

Отдельно стоит отметить рост международного использования API. За последние шесть месяцев он превысил 70%, а Япония стала крупнейшим рынком корпоративных API-клиентов вне США.

Корпоративный AI перестает быть чисто американской историей. Он масштабируется глобально и становится рабочим инструментом для компаний в самых разных странах и отраслях.

Разрыв в использовании AI

По мере распространения AI, проявляется одна простая вещь. Доступ к AI стал массовым, но не глубина его использования.

Данные OpenAI показывают, что активные пользователи работают с AI в разы интенсивнее, используют больше функций и решают с его помощью более широкий круг задач.

Важно, что этот разрыв возникает даже внутри одной и той же роли. Люди с одинаковыми задачами получают разный эффект просто потому, что используют AI по-разному.

Еще один важный момент — глубина использования. Пользователи, которые применяют AI для большего числа разных задач, экономят значительно больше времени.

Данные показывают простую зависимость: чем шире набор задач, в которых используется AI, тем выше суммарная экономия времени. При этом даже среди активных корпоративных пользователей часть не использует самые продвинутые инструменты.

Даже среди monthly active users заметная доля никогда не работала с анализом данных, reasoning или поиском. У daily active users этот разрыв сокращается, но полностью не исчезает.

Та же логика работает и на уровне компаний.

Организации с более высокой зрелостью AI используют его значительно глубже, особенно в стандартизированных рабочих процессах. У большинства компаний при этом остается заметный потенциал для роста.

В итоге AI усиливает различия не за счет самой технологии, а за счет того, как с ней работают.

AI и бизнес-результаты

Тут мы переходим от общих закономерностей к практике. AI начинает давать измеримый эффект там, где он встроен в конкретные бизнес-процессы, а не используется как универсальный инструмент «на все случаи».

Кейсы OpenAI важны не потому, что показывают отдельные успехи, а потому что иллюстрируют одну и ту же логику в разных отраслях. AI работает там, где у него есть понятная задача, доступ к данным и место в существующем процессе.

Дальше — несколько примеров компаний, которые используют AI именно таким образом.

Intercom*: как голосовой AI начал реально экономить деньги

Intercom давно использует AI для клиентской поддержки в чатах и письмах. Не так давно они подключили AI к телефонным звонкам.

Главная проблема была в скорости. В звонках даже короткие задержки приводят к тому, что люди кладут трубку или просят соединить с живым оператором. Чтобы это исправить, Intercom запустил голосового AI-ассистента Fin Voice, который отвечает почти без пауз и может вести нормальный разговор.

Эффект оказался заметным сразу. Задержки сократились почти вдвое, больше половины звонков AI закрывает сам, а если разговор все-таки передается человеку, он решается быстрее примерно на 40 процентов. Так как разговор с оператором стоит компаниям дорого, такое внедрение уже экономит сотни миллионов долларов в год.

Lowe’s: AI как помощник для сотрудников в магазинах

Lowe’s — одна из крупнейших сетей товаров для дома в США. Тысячи магазинов, десятки тысяч сотрудников и огромный ассортимент. В такой среде главная проблема это быстро найти правильную информацию: про товар, наличие, аналоги или инструкции для клиента.

Раньше сотрудникам приходилось искать ответы в разных системах или звать более опытных коллег. Это занимало время и напрямую влияло на качество обслуживания в магазине.

Чтобы упростить работу сотрудников, Lowe’s внедрила AI-ассистента для персонала магазинов. Он помогает продавцам прямо во время общения с покупателями — подсказывает информацию о товарах, инструкции и рекомендации. Важно, что AI используется как внутренний рабочий инструмент, а не как интерфейс для клиентов.

Эффект оказался практичным. Сотрудники стали быстрее обслуживать покупателей и увереннее ориентироваться в ассортименте. Новые сотрудники быстрее входят в работу, даже без глубокого знания всех категорий товаров. В результате магазины повышают качество сервиса и эффективность работы без увеличения штата.

Этот кейс показывает, что AI может давать ощутимый бизнес-эффект не только в цифровых продуктах, но и в офлайн-рознице, если он встроен в повседневную работу сотрудников.

Indeed: как AI улучшает поиск работы

Indeed — одна из крупнейших платформ по поиску работы в мире. Каждый день миллионы людей ищут вакансии, а компании подбирают кандидатов. Для Indeed важнее всего качество совпадений: пользователи хотят видеть подходящие вакансии, а работодатели получать отклики от нужных людей.

Раньше поиск во многом строился на ключевых словах и фильтрах. Это работало, но часто давало неточные результаты и увеличивало количество лишних шагов.

Чтобы улучшить качество совпадений, Indeed встроила AI прямо в поиск и рекомендации.

Модели помогают лучше понимать смысл вакансий и резюме, учитывать навыки, контекст и намерения пользователей, а не только формальные совпадения по словам. В результате пользователи быстрее находят подходящие вакансии, а работодатели получают более релевантных кандидатов.

Кейс Indeed показывает, что максимальный эффект от AI появляется тогда, когда он встроен в основу продукта, а не добавлен как отдельная функция.

BBVA: как AI помогает банку работать быстрее

BBVA — международный банк с большим объемом клиентских запросов и строгими требованиями к безопасности. Во многих процессах сотрудники тратили много времени на поиск информации и работу с документами.

BBVA внедрила AI как внутренний помощник для сотрудников. Он помогает быстрее находить данные, готовить документы и отвечать клиентам, не заменяя человека в принятии решений.

Решение на базе ChatGPT Enterprise автоматизировало более 9 000 запросов в год. Это позволило BBVA перераспределить нагрузку, эквивалентную работе трех сотрудников, на более ценные задачи, также AI обеспечил 26% годовой экономии, запланированной для подразделения юридических услуг.

В результате сотрудники быстрее обрабатывают запросы, снижается нагрузка на команды, а качество работы становится более стабильным. Кейс BBVA показывает, что AI эффективно работает даже в регулируемой банковской среде, если он встроен в повседневные процессы.

Oscar Health: AI в медицинской поддержке

Oscar Health — медицинская страховая компания в США. Для нее важно быстро и точно отвечать на вопросы клиентов, при этом не нарушая требования к безопасности и качеству медицинской информации.

Компания использует AI для поддержки клиентских команд. Он помогает отвечать на типовые вопросы, находить нужную информацию в базе знаний и готовить ответы для операторов, не принимая медицинские решения самостоятельно.

Их платформа моментально отвечает на 58% вопросов о льготах и обрабатывает 39% таких обращений полностью без участия человека.

В результате клиенты быстрее получают ответы, снижается нагрузка на сотрудников поддержки, а качество сервиса становится более стабильным. Кейс Oscar Health показывает, что AI может эффективно работать в чувствительных сферах, если используется как помощник, а не как замена экспертов.

Moderna: AI в научной и исследовательской работе

Moderna — биотехнологическая компания, где большая часть работы связана с анализом данных, исследованиями и подготовкой сложной документации. Эти процессы требуют точности и занимают много времени у ученых и специалистов.

Moderna начала использовать AI как помощника для исследовательских и операционных команд. Он помогает работать с научными материалами, обобщать данные, готовить документы и ускорять внутренние процессы, не вмешиваясь в сами научные решения.

В результате сотрудники быстрее обрабатывают информацию и готовят материалы, а время от идеи до следующего шага в исследовании сокращается. Кейс Moderna показывает, что AI может быть полезен не только в поддержке и продуктах, но и в науке, если он встроен в ежедневную работу команд.

Как выглядит зрелое внедрение AI

Если посмотреть на все кейсы вместе, становится заметно несколько общих паттернов. Результат от AI появляется не из-за самой технологии, а из-за того, как именно ее внедряют.

Во-первых, такие компании встраивают AI в существующие процессы, а не используют его как отдельный инструмент. AI становится частью поддержки, продукта, разработки или внутренних операций, а не экспериментом «для отдельных задач».

Во-вторых, они стандартизируют использование. Вместо разрозненных запросов появляются повторяемые сценарии, инструкции и рабочие инструменты, которыми пользуются целые команды, а не отдельные энтузиасты.

В-третьих, AI используется там, где эффект можно измерить. Это либо экономия времени и денег, либо рост качества сервиса, либо ускорение ключевых процессов. AI не внедряют ради новизны, его привязывают к конкретным бизнес-метрикам.

Наконец, такие компании инвестируют в обучение и привычки сотрудников. Они помогают людям понять, как использовать AI в повседневной работе, и делают это частью нормального рабочего процесса.

Именно это отличает устойчивое внедрение от разовых экспериментов. AI начинает работать тогда, когда он встроен в систему, а не добавлен поверх нее.

Итог

Если смотреть на происходящее в целом, становится ясно, что AI быстро перестает быть абстрактной технологией. Он проявляет себя там, где решает конкретные задачи бизнеса и встраивается в реальные процессы.

Для нас в Mento это ключевой ориентир. Мы инвестируем в AI-компании и в первую очередь смотрим не на сам факт использования AI, а на ту пользу и ценность, которую он приносит бизнесу.

Поэтому важно обращать внимание на то, есть ли у продукта практический смысл и место на рынке. Если разные компании готовы платить за эту технологию, описывают похожие сценарии использования и говорят о понятной и ощутимой боли, для нас это гораздо более надежный сигнал, чем любая внутренняя техническая проверка.

Именно поэтому отчет OpenAI важен не как прогноз или набор цифр, а как срез реального применения AI сегодня. Он показывает, где технология уже работает, какие подходы дают результат и какие паттерны с наибольшей вероятностью будут определять следующий этап развития рынка.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур, до конца года еще можно присоединиться к нашему фонду Mento VC — напиши Кате → @katiatatulova

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

Почитать оригинал отчета можно тут