Прайс в AI-продукте можно устанавливать по-разному: по числу обращений к модели или по количеству выполненных задач (например подготовленных отчетов, проверенных договоров или готовых изменений в коде).

От выбора зависит экономика стартапа: если цена привязана к токенам, клиент фактически оплачивает расходы на работу LLM. Но важны-то для клиента в первую очередь не токены или вычисления, а то, какая задача была решена.

Нашел интересную статью a16z с разбором трех подходов к монетизации AI-продуктов: оплаты за токены, кредитов за выполненные задачи и оплаты за результат.

В статье рассказывают, в каких случаях какой вариант подходит, а еще как сделать расходы понятными для клиента и при этом сохранить маржинальность.

Для инвесторов: помогает понять, создает ли стартап собственную ценность и насколько устойчивой останется его экономика при изменении стоимости моделей.

Перевели с командой и адаптировали текст для вас. Приятного прочтения!

Ваш продукт — не модель. Не оценивайте его в токенах.

Изначально токены хорошо подходили для расчета стоимости использования LLM: когда OpenAI запустила API в 2020 году, было логично брать плату за объем вычислений, необходимый модели для генерации ответа.

Но два года спустя запуск ChatGPT вызвал волну новых продуктов, построенных на базе этих моделей: и эти продукты уже не просто используют LLM, а выполняют за клиента целый комплекс задач. Они объединяют собственные данные, разные инструменты и интеграции в единый рабочий процесс.

Когда такой продукт берет плату в токенах, его цена отражает расходы на модель, а не ценность, которую получает клиент. При этом ценность самого продукта оказывается привязана к единице, стоимость которой постоянно снижается. По мнению авторов, AI-приложениям не стоит брать плату по тому же принципу, что и разработчикам моделей.

Авторы предлагают привязывать цену к наиболее понятному для клиента результату, который можно надежно измерить и связать с работой продукта.

• Если вы продаете доступ к модели, берите плату за токены.
• Если продукт выполняет конкретные задачи, оценивайте понятный клиенту объем работы — например, в кредитах, то есть во внутренних единицах, которые списываются за выполнение разных задач.
• Если продукт приносит конкретный и измеримый бизнес-результат, берите плату за этот результат.

Неправильно выбранную модель ценообразования потом сложно изменить. Если брать плату за токены, клиент начинает сравнивать AI-продукт со стоимостью самой модели. При этом цена не отражает ценность данных, инструментов и автоматизации, которые в него встроены. Клиенту сложно заранее оценить расходы, а компания рискует работать с низкой маржой.

Переход на кредиты сам по себе проблему не решает. Если количество кредитов рассчитывается только исходя из стоимости потраченных токенов, компания по-прежнему берет плату за свои расходы, а не за пользу, которую получает клиент.

Если же цена привязана к конкретной выполненной работе, клиент понимает, за что платит, и может заранее оценить расходы. При этом улучшение продукта выгодно обеим сторонам: клиент получает больше пользы, а компания может выполнять ту же работу эффективнее.

В опросе авторов участвовали 50 технических специалистов, отвечающих за закупку AI-продуктов: 27 предпочли кредиты, привязанные к конкретным задачам, и только 14 выбрали оплату в токенах.

1. Привязывайте цену к тому, что продаете

В некоторых случаях выбрать модель оплаты довольно просто: разработчики LLM продают доступ к ним и берут плату за токены. А продукты, которые дают конкретный и измеримый результат, могут брать плату непосредственно за него.

Сложнее определить цену для большинства AI-приложений: они не просто дают доступ к модели, но и не всегда обеспечивают результат, за который можно брать отдельную плату.

Например, AI-агент для отдела продаж продает не поисковые запросы и обращения к модели, а готовую информацию о потенциальном клиенте: чем занимается компания, кто принимает решения и с каким предложением к ней можно прийти. AI-инструмент для программистов продает не потраченные токены, а готовое изменение в коде. Платформа для работы с данными может брать плату за выполненный запрос, настроенную обработку данных или завершенную задачу. Клиенту не обязательно знать, сколько моделей и отдельных действий потребовалось для результата.

Для разных AI-продуктов ценность измеряется по-разному, поэтому единой модели оплаты не существует. Голосовой AI-сервис может сначала брать плату за минуты разговора, а затем перейти к оплате за обращения, которые AI решил без участия сотрудника. AI-помощник может брать фиксированную плату за каждого пользователя, а затем добавить оплату за использование, если разные задачи сильно отличаются по стоимости выполнения и пользе для клиента.

Основной вопрос звучит так: «Какую единицу ценности клиент уже понимает и можем ли мы стабильно ее измерять?»

2. Клиентам важно понимать, за что они платят

Клиенты все равно будут спрашивать о токенах, но обычно им важно другое: сравнить стоимость разных решений и контролировать расходы.

Во-первых, покупателям нужен общий ориентир. На первый взгляд, единая система расчета позволяет сопоставить специализированный AI-продукт с универсальным API или собственной разработкой, но такое сравнение некорректно. Каждый продукт использует разные модели, данные, инструменты и степень автоматизации. Поэтому одинаковый объем вычислений в разных продуктах может давать совершенно разные результаты.

Во-вторых, компании хотят понимать, на что уходят деньги. Финансовым и IT-командам нужно распределять расходы между отделами, проектами и клиентами. Если им приходится отдельно прогнозировать потребление каждого AI-продукта, технологии не упрощают работу, а создают новый уровень сложности.

Руководитель службы поддержки примерно знает, сколько обращений получает компания. Но он не может заранее рассчитать, сколько информации потребуется обработать AI, сколько раз ему придется повторить запрос и какой длины будет ответ. В результате, вместо единого расчета окупаемости приходится прогнозировать расходы на каждый AI-продукт отдельно.

При этом клиенту так или иначе нужна прозрачность. Показывайте, какие задачи выполнил продукт, на что ушли ресурсы и почему сложные задачи стоили дороже простых. Но не обязательно использовать внутренние технические затраты как основу для выставления счета. Финансовые и IT-команды должны получать понятные отчеты, чтобы планировать бюджет и распределять расходы.

Чтобы ценообразование было прозрачным, необязательно считать оплату в тех же единицах, в которых компания рассчитывает свои расходы.

В некоторых случаях стоимость токенов все же можно отдельно включать в счет. Например, если запросы к модели обходятся особенно дорого или их стоимость сложно предсказать. Но это должно быть дополнительной частью тарифа, а не основной единицей оплаты за продукт.

3. Кредиты должны показывать, за какую работу платит клиент

Для большинства AI-продуктов кредиты могут быть удобным способом учитывать задачи разной сложности и стоимости. Но сами по себе кредиты не делают тарификацию прозрачнее: важно, что именно получает за них клиент.

Плохая система просто пересчитывает токены в собственную, еще менее понятную валюту. Название меняется, но клиент по-прежнему платит за технические расходы продукта.

Хорошая система привязывает кредиты к понятным задачам и их сложности. Например, исправление небольшого бага требует меньше кредитов, чем разработка новой функции. Краткий разбор одного пункта договора — меньше, чем проверка всего документа. Добавление базовой информации о потенциальном клиенте — меньше, чем его полноценное исследование.

Хорошая система кредитов решает три задачи:

• Скрывает техническую сложность. Клиент платит за выполненную работу, а не за модели, запросы и вычисления внутри продукта.
• Понятно отражает сложность задач. Простая задача требует мало кредитов, стандартная — заранее известное количество, сложная — больше.
• Дает гибкость. Один пакет кредитов можно использовать для разных задач и AI-инструментов в рамках одного договора.

Главное, чтобы клиент сразу понимал, как работает система. Обычно компании могут оценить, сколько задач им нужно выполнить, но не знают, сколько вычислительных ресурсов для этого потребуется. Если принцип списания кредитов нельзя объяснить в нескольких предложениях, система слишком сложная.

4. Кредиты помогают сохранять маржинальность

Хорошо продуманная система кредитов не только упрощает оплату для клиента, но и помогает компании сохранять маржинальность.

В обычном SaaS каждый новый пользователь почти не увеличивает расходы компании. В AI-продуктах все иначе: работа каждого пользователя требует новых обращений к моделям, поиска и обработки данных, использования сторонних сервисов, а иногда генерации изображений и видео. Кроме того, деньги расходуются на повторные запросы и задачи, которые AI так и не смог выполнить.

Поэтому быстрый рост выручки еще не означает, что бизнес прибыльный. Значительная часть каждого заработанного доллара может сразу уходить поставщикам моделей, облачных сервисов и данных.

При формировании цены важно разделять два вопроса:

1. Сколько клиент готов заплатить за результат? От этого, а также от цен конкурентов зависит стоимость пакета кредитов.
2. Во сколько вашей компании обходится выполнение задачи? От себестоимости и сложности зависит, сколько кредитов будет списано.

Это разделение помогает сохранять маржинальность: если вы находите более дешевую модель, повторно используете уже полученные данные, улучшаете запросы к AI или оптимизируете инфраструктуру, ваши расходы снижаются, но цена для клиента не обязана снижаться вместе с ними.

Компания может сохранить часть полученной экономии, потому что клиент платит за выполненную работу, а не возмещает стоимость вычислений.

Показательный пример — Clay, сервис для автоматизации продаж и поиска клиентов. В 2026 году компания признала, что еще в 2022-м неправильно рассчитала стоимость кредитов в тарифе Pro. В результате несколько лет этот тариф приносил убытки.

В новой системе Clay разделила расходы на две части. Data Credits оплачивают данные из сторонних источников, а Actions — работу самой платформы: поиск информации, ее обработку и выполнение последовательности действий. Для моделей с предсказуемой себестоимостью действует фиксированная цена. А стоимость дорогих AI-моделей, расходы на которые могут сильно меняться, клиент оплачивает отдельно, по фактическому количеству токенов — и без наценки.

Иными словами, клиент отдельно платит за ценность платформы, сторонние данные и непредсказуемые расходы на LLM.

5. Переходите к оплате за результат, когда его ценность становится очевидной и легко измеримой

Кредиты подходят, когда продукт выполняет конкретную работу, но ее влияние на бизнес пока сложно точно оценить: например, AI может изучить потенциального клиента и подготовить первое сообщение, но сложно гарантировать, что это приведет к продаже.

Если же результат можно точно измерить и связать с работой продукта, логичнее брать плату непосредственно за него. Например, за решенное обращение в поддержку, найденного потенциального клиента, назначенную встречу, обработанную страховую заявку или возвращенные компании деньги.

Если влияние продукта на конечный результат нельзя точно измерить, лучше списывать кредиты за выполненные задачи. Если клиент покупает только доступ к модели, можно брать плату за токены.

При этом один продукт может сочетать несколько способов оплаты: фиксированную подписку за каждого пользователя, кредиты за выполненные задачи, отдельную оплату дорогих и непредсказуемых обращений к моделям и комиссию за конкретный бизнес-результат.

Несколько разных способов оплаты сами по себе не проблема: главное, чтобы клиент понимал, за что именно платит в каждом случае.

Покажите клиенту, за что он платит

Если брать плату за токены, цена продукта оказывается привязана к стоимости вычислений, которая постоянно снижается. При этом сам продукт со временем должен становиться полезнее, надежнее и глубже встраиваться в работу клиента.

Поэтому цену лучше привязывать к наиболее понятному результату, который можно измерить и связать с работой продукта.

Если задачи различаются по сложности, их можно оценивать в кредитах. А когда продукт приносит конкретный и измеримый бизнес-результат, лучше брать плату непосредственно за него.

Спасибо, что дочитали до конца!

А если у вас есть любые вопросы по фонду Mento VC или вы хотите инвестировать с нами, пишите нашей head of operations & partner Кате в телеграм @katiatatulova

Продолжение этой статьи. Досмотрел выступления портфельных компаний Sequoia о том, как они строят внутри себя AI-модели. Понравилось выступление основателя Harvey (AI-компании для юристов) и нарратив из Moneyball, который он продвигал:

«Если у нас получится с такой командой и таким бюджетом создать что-то не хуже, чем у крупных лабораторий вроде Open AI и Anthropic, мы изменим игру».

Еще недавно эта мысль не звучала вообще, или, по крайней мере, не так ярко. А теперь мы слышим ее на мероприятии top-tier фонда, и, кажется, дальше она только будет набирать силу.

Фаундер также рассказал, как решили проблему конфиденциальных данных и почему он верит, что любой стартап сегодня может конкурировать с крупнейшими AI-лабораториями - без миллиардного бюджета. Мы с командой перевели видео и собрали в статью, читайте ниже.

Подход Harvey к собственному AI

Компании, которые строят application layer (создают продукты поверх фундаментальных моделей), изначально находятся в неравных условиях с ведущими AI-лабораториями. У OpenAI, Anthropic, Google DeepMind очевидно больше денег, исследователей, вычислительных мощностей и данных.

Поэтому альтернативное название подхода Harvey звучит так: «Как построить AI-лабораторию с ограниченным бюджетом».

Неравные условия не означают, что application layer стартапы не могут создавать собственные модели в своей профильной области. Для этого не нужно самостоятельно строить полноценную AI-лабораторию и всю инфраструктуру для обучения и запуска моделей: можно использовать готовые модели, инструменты и исследовательские команды, которые уже появились на рынке.

Именно так собственный отдел построили Harvey, AI-платформа для юристов. Когда компания появилась четыре года назад, большей части современной инфраструктуры для обучения и запуска моделей еще не существовало. Создавать ее самостоятельно было слишком дорого и долго, поэтому команда сосредоточилась на развитии продукта и go-to-market (стратегии вывода продукта на рынок и привлечения клиентов).

Сегодня появились сильные open-source модели, инструменты для постобучения и готовая инфраструктура. В Harvey считают, что благодаря этой экосистеме application layer стартапы могут конкурировать с ведущими AI-лабораториями и создавать модели frontier-уровня.

Подход Harvey состоит из трех этапов:

1. Создать бенчмарки для оценки моделей и собрать данные для обучения.
2. Использовать эти данные для постобучения модели.
3. Подключить модель к продукту через внешнего инфраструктурного провайдера.

Первый шаг: создать бенчмарк

Бенчмарк - это набор заданий с понятными критериями оценки. Модель выполняет эти задания, а команда проверяет качество ответов. Так можно сравнить разные модели и понять, улучшился ли результат после постобучения.

Первым бенчмарком Harvey стал Legal Agent Bench. В него вошли задачи юристов из крупных фирм. Например, подготовка документов для создания фонда и поиск судебных решений.

Затем Harvey создала датасет для работы с договорами. В нем есть контракты, правки и примеры переговоров. На этих данных AI-агенты учатся проверять условия и предлагать изменения.

Третий датасет имитирует проверку компании перед покупкой. Он включает тысячи договоров, отчетов и других документов общим объемом до 80 млн токенов. Модель должна изучить их, найти риски и заметить несоответствия.

Но у Harvey была серьезная проблема: компания не могла использовать данные клиентов для обучения моделей, поскольку юридические документы содержат конфиденциальную информацию и защищены адвокатской тайной.

Как обучать модели без доступа к данным клиентов

Во многих отраслях данные клиентов нельзя использовать для обучения моделей из-за требований конфиденциальности, это проблема не только для юридической ниши.

В случае Harvey, в открытом доступе можно найти итоговый договор о покупке компании, но документы, которые юристы анализировали при подготовке сделки, их переписка и ход переговоров остаются конфиденциальными. Поэтому модель увидит только готовый результат, но не данные и процесс, которые к нему привели.

Создать такие данные вручную практически невозможно, потому что нельзя попросить юристов придумать полный комплект документов для вымышленной сделки: он может включать до десяти тысяч связанных между собой договоров.

Решение нашлось следующее: в Harvey сгенерировали документы для вымышленных юридических сделок. Они похожи на настоящие, но не содержат данных клиентов, поэтому их можно использовать для обучения моделей.

Сначала юристы Harvey задают, какие ошибки должна найти модель. Например, противоречия между договорами или недостающий документ. Затем AI создает полный набор документов для вымышленной сделки, в который заранее заложены именно эти ошибки.

Затем документы дорабатывают, чтобы они были похожи на материалы реальной сделки. Юристы закладывают в них логику проверки: что искать и каким должен быть результат. Модель изучает документы и готовит отчет о рисках. Команда точно знает, какие ошибки были добавлены, поэтому может проверить ответ модели.

Так Harvey решила проблему курицы и яйца: юридические фирмы не давали доступ к своим данным без доказательств эффективности модели, но доказать ее без этих данных было невозможно. Теперь Harvey может сначала показать результат на документах для вымышленных сделок.

Чем сложнее датасет, тем дороже проверка

Когда датасет готов, его нужно превратить в среду для обучения с подкреплением. В случае Harvey, ответы модели проверяют более тысячи автоматических тестов, часть из которых использует другие LLM в роли оценщика.

Чем больше датасет и количество обучающих прогонов, тем дороже обходится такая проверка. Например, оценка 3 200 прогонов с помощью Opus стоила бы около $18 000, с GPT-5.5 около $11 000, а с Sonnet около $7 400. Поэтому Harvey искали способы снизить стоимость оценки. Использование DeepSeek позволило сократить стоимость до $305, а при проверке сразу нескольких ответов одним запросом - до $18.

Зачем Harvey публикует датасеты в открытом доступе

Еще одним важным решением Harvey стала публикация части датасетов и бенчмарков в открытом доступе. Сначала этот шаг казался спорным, поскольку разработками компании могли воспользоваться другие команды.

Но без массового тестирования сложно понять, насколько качественно собран датасет. Открытая публикация позволила исследователям находить ошибки и предлагать улучшения, а ведущим AI-лабораториям использовать бенчмарки Harvey для оценки новых моделей. В результате Legal Agent Bench стал отраслевым стандартом для сравнения моделей на юридических задачах.

Почему сейчас выгодно постобучать модели

Еще недавно постобучение open-source моделей быстро теряло смысл: выходила новая базовая модель и превосходила результат нескольких месяцев работы. Теперь ситуация изменилась, открытые LLM стали достаточно сильными. Их можно дополнительно обучить под конкретную задачу и довести до уровня лучших закрытых LLM.

Например, Harvey дообучила GLM 5.1, языковую модель с открытыми весами, и ее результат в юридических задачах вырос с 85,3% до 91,3%.

Чтобы не строить всю исследовательскую инфраструктуру самостоятельно, Harvey работает с неолабами. Это небольшие специализированные AI-лаборатории, которые помогают компаниям дообучать и запускать модели.

Каждая лаборатория отвечает за отдельное направление: Fireworks помогает выбирать оптимальную модель для каждого запроса и обучать юридические модели, Trajectory занимается постобучением и непрерывным обучением, Applied Compute дообучила GLM 5.1 для юридических задач. Baseten работает над обработкой очень длинного контекста, а Engram над корпоративным поиском и памятью моделей.

Harvey работает сразу с несколькими неолабами, потому что у каждой своя специализация и подход к исследованиям. Так компания может одновременно запускать больше экспериментов и быстрее накапливать собственную экспертизу.

При этом Harvey не собирается открывать все данные, потому что главная ценность заключается в том, чтобы настраивать AI-систему под данные и задачи каждой юридической фирмы. Искусственно созданные датасеты Harvey может публиковать открыто. А данные клиентов и модели, настроенные под их задачи, остаются закрытыми.

Цель Harvey - создать собственную модель для юридических задач. Ее обучают на синтетических данных вместе с внешними AI-лабораториями. Она будет не заменять закрытые LLM, а работать вместе с ними и брать на себя задачи, с которыми справляется лучше.

Как подготовиться к постобучению

Application layer стартапы до сих пор часто представляют как чат-продукты, которые обращаются к одной модели через API. На практике Harvey работает в 60 странах, развивает несколько продуктов, а ее клиенты предпочитают разные LLM.

Даже работа с закрытыми моделями требует сложной инфраструктуры. Harvey использует несколько моделей от разных разработчиков и должна учитывать их доступность в каждой стране. Если один провайдер недоступен, система переключает запрос на другого, чтобы продукт продолжал работать без сбоев и соблюдал SLA (гарантированный уровень доступности сервиса). Добавление open-source и собственных моделей делает эту систему еще сложнее.

Поэтому еще до постобучения нужно создать систему для оценки и запуска новых моделей.

Перед выводом новой модели в продакшен Harvey проверяет ее на нескольких уровнях:

• проверяет модель на юридических бенчмарках, включая свои,
• сравнивает ответы разных моделей с помощью слепого тестирования экспертами,
• проверяет модель на ключевых сценариях использования продукта,
• проводит отдельную ручную проверку продукта,
• учитывает стоимость, задержку и доступность в нужных регионах.

Хороший результат на юридическом бенчмарке еще не гарантирует, что модель будет хорошо работать в конкретной функции продукта.

После запуска Harvey проводит A/B-тесты и отслеживает, как юристы используют новую модель, насколько стабильно она работает и сколько токенов расходует. Еще один важный источник информации Гейб в шутку называет «письмами от недовольных клиентов». Они помогают найти проблемы, которые не показали тесты.

Harvey проверяет все модели одинаково: и закрытые, и open-source, и дообученные внутри компании.

Такая система помогает понять, на каком этапе возникла проблема. Если модель не проходит бенчмарк, ее не запускают в продукте. Если она показывает хороший результат в тестах, но плохо работает в реальных сценариях, значит, бенчмарк не учел часть пользовательских задач или модель слишком под него подстроилась.

В результате возникает непрерывный цикл: модель запускают в продукте, собирают обратную связь, на ее основе улучшают обучающую среду и снова постобучают модель. С каждой итерацией она лучше справляется с задачами пользователей.

По мнению Гейба, со временем каждой компании придется выстроить собственную систему работы с AI: создавать данные, постобучать модели, запускать их в продукте и улучшать на основе обратной связи. Раньше такую инфраструктуру могли позволить себе только ведущие AI-лаборатории, но благодаря open-source моделям, неолабам и готовым инструментам она стала доступна стартапам.

Многие по-прежнему не верят, что такие компании смогут конкурировать с ведущими лабораториями. Но Гейб сравнивает Harvey с героями фильма «Человек, который изменил все»:

«Если мы победим с таким бюджетом и такой командой, мы изменим игру».

По его мнению, сегодня такая возможность есть не только у Harvey, но и у любых других стартапов, которые создают продукты на базе LLM. То есть почти у всех современных AI-стартапов.

Спасибо, что дочитали до конца!

А если у вас есть любые вопросы по фонду Mento VC или вы хотите инвестировать с нами, пишите нашей head of operations & partner Кате в телеграм @katiatatulova

Зачем компаниям строить собственный AI и как это делать?

Ответу на этот вопрос Sequoia Capital посвятила отдельное видео для фаундеров и AI-команд.

Речь в нем о sovereign AI — подходе, при котором компания сама развивает AI под свой продукт, а не подключает его к внешним моделям (GPT/Claude). Как пример: берет открытую базовую модель и адаптирует ее под свои данные, задачи и контекст.

Sequoia по шагам разбирает, кому и зачем нужен собственный AI, что стоит оставить внешним провайдерам, а что развивать внутри и как к этому подойти технически и организационно.

Короткое, но очень полезное видео, если вы, вдруг, еще об этом не задумались!

Перевели с командой все основные шаги и собрали в пошаговую инструкцию — она в самом конце. Надеюсь вам будет полезно 🙂

Centralized vs. decentralized intelligence

Начнем с того, что Sequoia противопоставляет два сценария развития AI:

• В первом интеллект становится централизованным: несколько крупнейших AI-компаний создают универсальные модели, а остальные бизнесы просто подключаются к ним по API и постепенно становятся от них зависимыми.
• Во втором сценарии базовые модели остаются фундаментом, но каждая компания строит поверх них собственный интеллект — на своих данных, под свою индустрию, продукт и пользователей.

Именно этот децентрализованный сценарий считается более здоровым: AI не концентрируется в одном «ядре», а распределяется между множеством компаний, каждая из которых контролирует важную для себя часть AI.

Поэтому все больше компаний хотят сами контролировать те части AI, которые критичны для их продукта.

Причины: стоимость, скорость, качество работы модели и контроль.

Разберем подробнее каждую:

1. Стоимость

Чем больше люди пользуются AI-продуктом, тем дороже компании обходится работа моделей. Для компаний с низкой или отрицательной маржой собственные модели могут быть уже не способом сэкономить, а необходимостью.

Парадоксально, но первыми на собственные модели переходят как раз компании, которые активнее всего используют AI: чем больше AI работает внутри продукта, тем сильнее растут расходы на него.

2. Скорость

В некоторых продуктах скорость ответа AI критически важна. Небольшая модель, заточенная под конкретную задачу, может работать лучше большой универсальной просто потому, что отвечает быстрее.

Особенно это важно в программировании и кибербезопасности.

3. Качество работы модели

Еще недавно компании выбирали открытые модели в основном тогда, когда были готовы немного пожертвовать качеством. Теперь же в некоторых задачах собственная модель, дообученная на данных компании, может работать лучше закрытых универсальных моделей.

4. Контроль

OpenAI и Anthropic могут быть отличными партнерами, но компании все чаще хотят меньше зависеть от внешних моделей.

Not your weights, not your product.

Если AI — ключевая часть продукта, полностью полагаться на чужую технологию становится рискованно.

Раньше основная гонка шла за application layer — или за то, кто создаст лучший продукт поверх модели и будет ближе к пользователю, контролируя конечный продукт. Создатели базовых моделей вроде OpenAI и Anthropic двигались к пользователю сверху вниз — от технологии к продукту, а прикладные компании вроде Cursor, Harvey или Ramp — снизу вверх, от потребностей клиента к AI-инфраструктуре.

Теперь эта гонка смещается глубже — к intelligence layer. Компании конкурируют уже не только за интерфейс, продукт и дистрибуцию, но и за то, кто будет владеть самим AI внутри продукта и сможет сделать его лучше под конкретную задачу.

Граница между «AI-лабораторией, которая создает интеллект» и «стартапом, который просто делает приложение поверх чужой модели» начинает стираться.

Самые интересные AI-лаборатории сегодня появляются внутри прикладных компаний. Harvey, Glean, Ramp и другие уже не просто строят продукты поверх готовых моделей, а проводят собственные исследования: разрабатывают свои способы оценки моделей, совершенствуют AI-инфраструктуру и ищут новые методы дообучения.

По сути, прикладные AI-компании сами постепенно превращаются в исследовательские лаборатории.

С чего начать: четыре шага к sovereign AI

Sequoia предлагает четыре этапа:

1. Strategy — определить, что в AI нужно контролировать самим.
2. Team — собрать отдельную команду под эту задачу.
3. Legibility — сделать AI-экспертизу компании заметной для рынка.
4. Technical roadmap — составить технический план: как перейти к собственному AI?

Разберем каждый.

Шаг 1. Решите, какие части AI контролировать самим, а какие — оставить внешним провайдерам

Переход к собственному AI — не выбор по принципу «все или ничего»: компания не обязана быть либо на 0%, либо на 100% sovereign.

Главный стратегический вопрос, который стоит себе задать:

Какие AI-функции настолько важны для нашего продукта, что мы должны контролировать их сами?

Для ответа Sequoia предлагает смотреть на четыре параметра:

1) Стоимость. Насколько расходы на эту AI-функцию заметны в общей себестоимости продукта?

Если обращений к модели много и компания начинает тратить на них слишком много, собственная модель становится экономически выгоднее.

2) Скорость. Насколько критично время ответа модели?

Если модель должна отвечать почти мгновенно, небольшая специализированная модель может оказаться лучше большой универсальной.

3) Качество ответов модели. Может ли модель работать лучше, если адаптировать ее под ваши данные и конкретную задачу?

Сегодня ответ все чаще оказывается «да».

4) Уникальные данные. Насколько ценные и специфичные данные есть у вашей компании для обучения модели?

Если у компании есть специфические данные, на которых можно заметно улучшать модель, собственный AI становится гораздо ценнее.

Как это выглядит на практике

В программировании можно увидеть оба подхода одновременно. Для полноценных AI-агентов компании пока чаще используют внешние модели: они уже хорошо справляются со сложными задачами без дополнительного обучения, а скорость ответа здесь не так критична.

С code autocomplete (AI-подсказками, которые автоматически продолжают код во время набора) все наоборот: запросов очень много, скорость особенно важна, а расходы на использование внешних моделей быстро растут. Поэтому для автодополнения кода компании чаще переходят на собственные модели.

В кибербезопасности компании могут переходить на собственные модели ради скорости, более высокого качества и возможности точнее дообучать их под свои задачи.

В биотехе главная причина — уникальные данные компании. Если они особенно ценны для обучения модели, собственный AI может дать больше преимуществ, чем универсальные внешние решения.

Шаг 2. Соберите отдельную команду

Следующий вопрос — кто должен возглавить внутреннюю AI-лабораторию? Это не обязательно руководитель с каким-то определенным бэкграундом. Профиль руководителя зависит от задач: для исследований нужен сильный research-бэкграунд, для прикладной разработки — engineering.

Важно не только кто будет руководить AI-направлением, но и как будет устроена сама команда. Обычно AI-отделы работают по модели hub-and-spoke: одна центральная группа помогает нескольким продуктовым. Но такая команда обычно становится как бы сервисом для остальных, а внутренней AI-лаборатории критически важны возможность экспериментировать, проводить исследования и искать новые решения.

Поэтому лучше собрать отдельную небольшую команду с нуля. Большой штат для этого не обязателен: например, Harvey публикует много собственных исследований командой всего из семи человек.

Шаг 3. Покажите рынку, что вы действительно умеете строить AI

Этот этап недооценен. Компания может делать сильные AI-разработки внутри, но если о них никто не знает, это почти не помогает ей на рынке. Клиенты выбирают не просто AI-продукт, а компанию, которой готовы доверить важную часть своей AI-инфраструктуры. Поэтому задача CEO — не только добиваться результатов, но и уметь понятно показывать их рынку.

Для этого компании создают отдельные AI Labs, публикуют исследования, делятся результатами тестов и показывают, как именно они улучшают свои модели. По сути, это технический маркетинг: нужно доказать рынку, что вы действительно умеете строить сильный AI, а не просто используете чужие модели.

На практике это значит:

• Регулярно публиковать исследования и технические разборы от имени компании,
• Выпускать посты о том, как вы решаете конкретные AI-задачи,
• Показывать результаты тестов и экспериментов, а при достаточном объеме - выделить это в отдельный AI Lab или research-направление.

Шаг 4. Составьте технический план: как перейти к собственному AI

Примерная последовательность выглядит так:

Strategy → Evals → Routers & Harnesses → Post-training → Mid-training / Pre-training → Online learning

То есть:

• Stratgy — решить, какие части AI вы хотите контролировать сами;
• Evals — определить, как измерять качество работы модели. Чем лучше evals построены в начале, тем проще принимать все последующие решения;
• Routers & Harnesses — настроить, какая модель используется для какой задачи и какой контекст, инструменты и инструкции она получает. Некоторым компаниям уже этого оказывается достаточно!
• Post-training — дообучать готовую модель под свои данные и задачи. Именно здесь собственные данные начинают превращаться в sovereign AI;
• Mid-training / Pre-training — при необходимости вмешиваться глубже в обучение модели (но большинству компаний начинать обучение модели с нуля не нужно);
• Online learning — сделать так, чтобы продукт сам помогал улучшать AI: пользовательские данные использовались для оценки и дообучения модели, а улучшенная версия снова возвращалась в продукт.

Как выглядит собственный AI stack (вся техническая система вокруг модели)

Удобно разделить на две части: production stack и development stack.

Production stack — это все, что отвечает за работу AI непосредственно внутри продукта. В его основе — модель и harness: система, которая определяет, какие инструкции, инструменты и данные получит модель перед тем, как ответить пользователю.

Особенно важен контекст, т.е. информация, которую модель получает о пользователе и задаче. Он может поступать из базы данных, внутренних знаний компании, подключенных через MCP сервисов и других систем памяти.

Development stack — это инструменты и процессы, с помощью которых компания улучшает работу своего AI.

Если вы используете только закрытые модели вроде GPT или Claude, все относительно просто: берете готовую модель, добавляете свои инструкции, контекст, логику работы и систему оценки качества.

У закрытых моделей есть очевидное преимущество: с ними очень легко начать. Вы получаете сильную готовую модель и можете быстро встроить ее в продукт. Но возможности для дальнейшего улучшения ограничены: вы не можете глубоко менять саму модель на основе собственных данных и опыта пользователей.

С собственными моделями все сложнее. Нужно выбрать базовую открытую модель, собирать данные для обучения, дообучать ее, постоянно оценивать качество работы и следить за тем, как оно меняется в реальном продукте.

Зато появляется гораздо больше контроля. Компания может взять уже сильную базовую модель и постепенно сделать ее заметно лучше именно на своих задачах — за счет собственных данных, дообучения и постоянной обратной связи от пользователей.

Именно в этом главный потенциал собственного AI: сложнее на старте, зато намного больше возможностей для улучшения.

Что из этого следует фаундеру?

Начать стоит с вопроса себе: где именно AI создает ваш moat, то есть устойчивое преимущество, которое сложно повторить конкурентам?

После этого можно двигаться по шагам:

1. Разделить свой продукт на отдельные функции.
2. Для каждой оценить стоимость, скорость, качество работы и ценность уникальных, имеющихся у вас данных.
3. Решить, какие функции можно оставить внешним провайдерам, а какие стоит контролировать самим.
4. Для самых важных функций протестировать открытые модели.
5. Сначала определить, как будете измерять качество их работы.
6. Затем настроите логику выбора моделей, контекст и инструменты вокруг них.
7. Только после этого переходить к дообучению моделей.
8. Собрать небольшую отдельную AI-команду, фокус которой будет только на исследованиях в этой области.
9. Публиковать исследования и показывать рынку свою техническую экспертизу.
10. В конечном счете выстроить систему, в которой пользовательские данные помогают постоянно улучшать ваш AI.

Спасибо, что дочитали до конца!

А если у вас есть любые вопросы по фонду Mento VC или вы хотите инвестировать с нами, пишите нашей head of operations & partner Кате в телеграм @katiatatulova

Вчера Марк Цукерберг опубликовал огромный манифест о том, каким он видит будущее с AI и сверхинтеллектом. Мне он показался интересным, поэтому мы с командой его изучили и перевели для вас. Приятного прочтения!

Будущее — для всех

Путь к благополучному будущему с AI

Нам повезло жить в невероятный момент истории: в ближайшие несколько лет люди получат доступ к сверхинтеллекту, превосходящему человеческие возможности. Мы сможем создавать и открывать совершенно новые вещи, строить новые бизнесы, воплощать новые идеи, осваивать новые знания, улучшать здоровье и качество жизни. По мере того как мы приближаемся к этому моменту, становится все важнее сформулировать принципы, по которым мы будем использовать сверхинтеллект — так, чтобы он улучшал нашу жизнь, работу, сообщества, укреплял свободу и безопасность.

Главные вопросы в наше время:

• Кто получит доступ к сверхинтеллекту?
• На что мы будем его направлять?
• Будет ли AI сосредоточен в руках нескольких организаций, а доступ к нему - ограничен? Или он станет инструментом, расширяющим возможности каждого?

Марк предлагает строить будущее с AI на трех принципах: 1) процветание возникает, когда больше возможностей получает каждый отдельный человек; 2) сверхинтеллект должен прежде всего помогать людям создавать новое; 3) безопасность обеспечивается тем, что власть и возможности не сосредоточены в одних руках.

Любая новая технология несет в себе и новые возможности, и новые вызовы. Сверхинтеллект станет одной из важнейших технологий в истории, поэтому и масштаб возможностей, и масштаб рисков, скорее всего, окажутся больше всего, с чем нам приходилось сталкиваться за свою жизнь. К этому нужно относиться очень серьезно.

При этом удивительно, насколько мрачно о будущем говорят многие из тех, кто сам разрабатывает AI. Марк не понимает, почему люди, которые верят, что AI уничтожит большинство рабочих мест и во многом сделает человечество ненужным, так торопятся своей работой приблизить это будущее. Не менее странной ему кажется идея, что AI настолько опасен, что единственный способ сделать его безопасным — сосредоточить контроль над ним в руках немногих. История показывает, что надежда на абсолютную власть с благими намерениями редко приводила к безопасным и благополучным результатам.

Человечество уже пережило немало изменений, которые полностью переписывали привычный уклад жизни. И каждый раз люди боялись, что кто-то останется за бортом. Но в итоге все больше людей стали жить дольше, богаче и свободнее. Марк считает, что с AI будет так же, и что благами будущего смогут пользоваться все, а свобода, открытый поиск знаний, предпринимательство и равенство возможностей помогут нам построить благополучное будущее.

Люди добивались наибольшего прогресса тогда, когда могли самостоятельно идти к своим целям. Новые идеи и большие прорывы редко рождаются только внутри устоявшихся институтов: они появлялись благодаря братьям из велосипедной мастерской, которые поверили, что человек может летать; ученику переплетчика без образования, который понял, как получать электричество; и парню из гаража, решившему, что персональные компьютеры должны быть доступны каждому. Марк считает, что так будет и дальше. Чем более мощные инструменты получают люди, тем больше возможностей у каждого из нас влиять на будущее.

Главным вкладом сверхинтеллекта станет не автоматизация, а способность создавать новое. Первые системы AI могли отвечать на вопросы и выполнять рутинные задачи. В ближайшем будущем AI все чаще будет помогать нам получать новые знания — от разработки лекарств, способных вылечить близкого человека, до поиска новых способов развивать бизнес. Количество вопросов, которые человек может задать за день, ограничено. А количество полезных вещей, которые сверхинтеллект способен придумать и создать, помогая нам достигать своих целей — нет.

Когда доступ к мощному интеллекту станет практически неограниченным, главным вопросом будет то, на что мы его направим. Некоторые считают, что сверхинтеллект или те, кто его контролирует, должны решать, что лучше для человечества. Марк с этим не согласен. История демократии и экономики показывает, что единого объективного ответа на вопрос, как людям лучше жить, не существует, и поэтому лучше позволить людям самим решать, что для них важно.

Марк считает, что лучше всего будет сделать сверхинтеллект доступным каждому. В каком-то смысле это продолжение того же пути, благодаря которому мощь суперкомпьютеров и интернета оказалась у нас на столах и в карманах. Вместо того, чтобы сосредотачивать сверхинтеллект в одних руках, его нужно сделать доступным как можно большему числу людей и дать каждому возможность самому решать, на что его использовать. Это может открыть новую эпоху, в которой у людей появится гораздо больше возможностей раскрывать свой потенциал, заниматься тем, что им действительно интересно, и сильнее, чем когда-либо прежде, менять к лучшему свою жизнь и мир вокруг.

---

Чтобы звучало не так абстрактно, вот несколько конкретных примеров, как Марк видит будущее сверхинтеллекта:

• У каждого появится очень мощный личный AI-агент, который будет понимать вас, ваши цели и все, что для вас важно. Он будет круглосуточно работать в ваших интересах: помогать с отношениями, здоровьем, карьерой, финансами, домашними делами, хобби и многим другим. Он освободит вам время на то, что вам действительно нравится, и поможет добиваться большего, чем вы смогли бы без него. У него будут надежные настройки конфиденциальности и безопасности, поэтому ему можно будет доверить личную информацию, зная, что никто другой не получит к ней доступ. Общаться с агентом можно будет через любое устройство, в том числе через очки, чтобы пользоваться его помощью и при этом оставаться включенным в происходящее и не выпадать из общения с близкими.

Например, агент Марка обращает его внимание на интересную информацию и помогает быстро проверять идеи на практике. Он следит за его сном, наблюдает за тренировками и дает рекомендации, помогая ему заботиться о здоровье. Его дочь любит печь, поэтому агент каждую неделю подбирает для них рецепты, которые они могут приготовить вместе на выходных, заказывает нужные ингредиенты, а во время готовки подсказывает, что можно сделать лучше.

• У каждого появятся мощные инструменты для творчества и воплощения своих идей. Восьмилетняя дочь Марка уже сейчас может за один вечер завайбкодить свою идею и собрать видео, на которое раньше ушли бы месяцы. Марк с дочкой вместе проектируют робота, пока исследователи создают новые кристаллические структуры для очков дополненной реальности. Он считает, что скоро у каждого появятся беспрецедентные возможности для создания нового.

• У каждого появятся мощные инструменты для создания новых бизнесов, и сама экономика станет более предпринимательской. Люди уже начинают получать возможность самостоятельно воплощать свои идеи, без необходимости привлекать инвестиции или собирать большие команды. Многие идеи, которые раньше было слишком сложно или дорого реализовать, теперь станут осуществимыми. А значит, появится гораздо больше новых проектов и компаний. Марк считает, что со временем это приведет не только к значительно более быстрому экономическому росту, но и к увеличению числа рабочих мест (а не к их сокращению).

• У каждого появится персональный преподаватель и наставник уровня PhD в любой области. Этот учитель будет обладать бесконечным терпением и готовностью помочь освоить все, что интересно. Ученики и студенты получат дополнительную помощь именно там, где она нужна — сегодня такая возможность часто есть только у тех, чьи родители могут за нее платить. У взрослых появится сверхинтеллектуальный помощник в обучении, который будет понимать, как именно научить конкретного человека новым профессиональным навыкам, языкам, новым увлечениям или чему угодно еще, что его интересует.

• Каждый сможет пользоваться результатами научного прогресса и сам вносить в него вклад. Например, Biohub — исследовательская организация Марка Цукерберга и Присциллы Чан, занимающаяся биомедициной и AI, — уже выпустила open source биологические модели, связанные с виртуальными клетками и белками. Они помогают ученым делать новые открытия и разрабатывать новые лекарства. Когда Марк и Присцилла начинали эту работу, их целью было помочь ученым научиться лечить или предотвращать все болезни в течение этого столетия. Теперь, благодаря развитию AI, они рассчитывают, что это произойдет гораздо раньше.

Поскольку существует множество редких заболеваний, а организм каждого человека устроен по-своему, лечение все чаще нужно подбирать индивидуально. Участие самих пациентов поможет быстрее развивать такие методы лечения и проводить испытания. Это также поможет уделять больше внимания редким заболеваниям, а не только самым распространенным.

За пределами биологии AI поможет развивать исследования во всех областях науки: неделями и месяцами выдвигать, проверять и уточнять гипотезы. Научные открытия, вероятно, станут одним из самых ценных для общества способов создавать новое.

• У каждого будет бесплатный или дешевый доступ к AI-инструментам. Чтобы каждый мог быть частью будущего, у всех должна быть возможность использовать сверхинтеллект, чтобы улучшать свою жизнь и влиять на мир вокруг. Марк планирует предлагать бесплатные версии моделей, которыми смогут пользоваться миллиарды людей. Для тех, кому потребуется больше вычислительных мощностей, будет работать динамический аукцион: он должен обеспечивать максимально низкую цену за используемые ресурсы и одновременно направлять мощности туда, где они приносят наибольшую ценность для людей. Так преимущества сверхинтеллекта смогут быть доступны как можно более широкому кругу людей.

Все эти направления исходят из идеи, что у человека должно быть больше возможностей самостоятельно влиять на свою жизнь и на мир вокруг. Если эти усилия окажутся успешными, у людей станет больше свободы действий, возможностей воплощать свои идеи, строить более глубокие отношения, улучшать свое здоровье и благосостояние, а также создавать вещи, которые сегодня мы даже не можем представить.

Но самое главное — будущее будут создавать сами люди, и оно будет отражать их различные ценности и взгляды.

---

Одновременно с этим, новые технологии приносят и новые риски. Марк сосредоточен на нескольких важных вопросах: как справиться с возможным сокращением рабочих мест и сделать так, чтобы строительство дата-центров приносило пользу местным сообществам; как снизить риски злоупотребления AI в кибербезопасности и биологии; как избежать государственного произвола и тотальной слежки; как сохранить лидерство США и других демократических стран; и, наконец, как сделать так, чтобы человечество сохранило контроль над сверхинтеллектом и он служил людям, а не создавал для них угрозу.

Распространенная точка зрения состоит в том, что все эти риски — прежде всего проблема технологии. То есть, если дать себе достаточно времени, технологию можно довести до нужного уровня и правильно настроить — добиться так называемого alignment, при котором поведение AI соответствует человеческим целям и ценностям. В итоге, согласно этой логике, можно получить единый сверхинтеллект, который действует во благо человечества. Марк считает сам такой подход в корне ошибочным.

Человечество неоднородно. У людей разные ценности, а значит, в важных вопросах они готовы идти на разные компромиссы. Не существует технологии, которую можно одновременно настроить в соответствии со всеми противоречащими друг другу интересами и ценностями. Любому единому сверхинтеллекту пришлось бы ставить одни ценности выше других. А значит, он в принципе не смог бы одинаково действовать во благо всех.

Вместо этого Марк предлагает смотреть на такие риски через вопрос баланса сил — примерно так же, как устроены демократические институты на Западе. Люди и организации с разными интересами естественным образом ограничивают и уравновешивают друг друга. По его мнению, именно такой подход чаще приводит к более благоприятным результатам. Поэтому лучший и наиболее реалистичный путь к благополучному будущему с AI — сделать сверхинтеллект доступным каждому.

Марк предлагает представить простой мысленный эксперимент. Допустим, AI-юрист есть только у одного человека. В суде это дало бы ему огромное и несправедливое преимущество — даже если по существу дела он неправ. А теперь представим, что такой юрист есть у каждого. Тогда судебные процессы могли бы стать гораздо справедливее и эффективнее, чем сегодня, ведь у сторон часто сильно отличаются уровень подготовки и доступные ресурсы.

По той же логике, если сверхинтеллект в сфере кибербезопасности будет только у одного человека, он, скорее всего, сможет взломать почти любую техническую систему — и мир станет намного менее безопасным. Но если такой AI будет доступен всем, он, наоборот, поможет постоянно находить уязвимости, усиливать защиту и обновлять системы, делая их безопаснее.

То же самое с бизнесом. Если сверхинтеллект будет только у одной компании, она сможет обойти всех конкурентов, а рынок станет менее динамичным и будет приносить пользу гораздо более узкому кругу людей. Но если доступ к сверхинтеллекту будет у всех, у каждого появятся инструменты для создания того, что сегодня еще невозможно. В результате экономика станет более динамичной, а ее рост будет приносить пользу гораздо большему числу людей.

Когда у людей есть достаточно возможностей и ресурсов, они естественным образом конкурируют и уравновешивают влияние друг друга — в экономике, обществе, политике и других сферах. Так же люди уравновешивают власть крупных институтов, включая компании и государства.

Но если возможности сверхинтеллекта окажутся сосредоточены в руках небольшой группы людей, компаний, правительств или самого AI, для всех остальных последствия будут хуже. Марк подчеркивает: дело здесь не в самой технологии, а в том, у кого сосредоточена власть. По его мнению, единого сверхинтеллекта, который мог бы одинаково действовать во благо всех, просто не существует.

Поэтому, как считает Марк, главное условие благополучного будущего — такой баланс сил, при котором больше возможностей остается у самих людей. Для этого сверхинтеллект должен быть доступен как можно более широкому кругу людей и усиливать их возможности.

Марк в первую очередь сосредоточен именно на создании сверхинтеллекта для каждого. Большинство других лабораторий разрабатывают AI прежде всего для компаний, государств и других крупных институтов. Поэтому, если именно они окажутся впереди, баланс сил сместится в пользу крупных организаций, а не отдельных людей. Марк подчеркивает, что миссия его компании с самого начала заключалась в том, чтобы давать людям больше возможностей и влияния. По его мнению, если именно этот подход станет определяющим, баланс сил будет складываться в пользу людей — а значит, и в пользу более благополучного будущего для всех.

---

Давайте подробнее разберем каждый из рисков:

Рост занятости и экономика

Людям всегда хочется новых впечатлений, и они постоянно находят новые задачи, которые нужно решать. В экономике существует естественный баланс: компании используют автоматизацию, чтобы эффективнее удовлетворять потребности людей, а сами люди осваивают новые навыки и начинают решать более сложные задачи. Когда этот баланс сохраняется, растут и производительность, и инновации, и количество рабочих мест. Многие боятся, что AI будет автоматизировать работу быстрее, чем мы будем успевать осваивать новые навыки и адаптироваться: тогда часть профессий исчезнет, а людям придется проходить сложный период переобучения и искать себе новое применение.

Но совсем не обязательно, что AI будет автоматизировать работу быстрее, чем помогать людям осваивать новые навыки и расширять свои возможности. Последние данные скорее указывают на то, что способности людей могут расти с той же скоростью, что и автоматизация, или даже быстрее. Тогда люди научатся делать много нового еще до того, как изменятся их нынешние профессии. Это позволит сохранить здоровый баланс.

Какой из этих сценариев реализуется, зависит от того, что будет развиваться быстрее: автоматизация или возможности людей создавать новое с помощью AI. Если впереди окажутся AI-лаборатории, которые в первую очередь автоматизируют интеллектуальный труд, Марк ожидает более болезненный переход и для людей, и для экономики. Но если у каждого будет доступ к сверхинтеллекту, который расширяет возможности человека, баланс сместится в другую сторону — в пользу людей и более благополучного будущего.

Есть несколько причин думать, что дефицита рабочих мест в будущем не будет. Каким бы умным ни стал AI, вычислительные мощности всегда будут ограничены, а значит, придется выбирать, на что их направлять. Если с помощью AI люди смогут создавать действительно ценные новые вещи, логичнее будет тратить вычислительные мощности на это, а не на автоматизацию уже существующих профессий. Чем больше сверхинтеллект будет использоваться как инструмент для создания нового, тем выше вероятность, что возможности людей будут расти быстрее автоматизации — и тем лучше окажется будущее для самих людей.

Люди постоянно придумывают новые способы сделать жизнь лучше, и вместе с этим — новые профессии, которые помогают воплощать эти идеи. Еще поколение назад не существовало разработчиков, создателей контента для соцсетей, специалистов по электромобилям или операторов дата-центров. В ближайшем будущем появятся профессии, которые сегодня еще почти не встречаются: например, люди, которые в одиночку смогут разрабатывать и выпускать игрушки, мебель или одежду на заказ; дизайнеры миров и впечатлений, создающие игры, истории и приключения; персональные биологи, использующие сверхинтеллект для разработки индивидуального лечения; и многое другое, чего мы пока даже не можем представить.

Во многом это продолжение уже знакомой исторической тенденции: до промышленной революции около 90% людей занимались сельским хозяйством, потому что им нужно было производить еду, чтобы выжить. Технологический прогресс постепенно освободил значительную часть человечества от необходимости тратить почти все время на базовое выживание и дал людям возможность больше заниматься тем, что они выбирают сами. На каждом этапе рост производительности позволял людям делать то, что раньше было невозможным, и одновременно уделять больше времени творчеству, культуре, отношениям и просто жизни.

Конечно, то, как мы работаем, будет меняться, как это уже происходило с появлением компьютеров, интернета и других новых технологий. Людям придется адаптироваться, и это будет непросто. Но если у каждого будет личный AI-агент, который помогает осваивать новые навыки и приспосабливаться к изменениям, этот переход пройдет гораздо легче.

Компании при этом могут стать меньше — как когда-то произошло при переходе от огромных корпораций к стартапам. Но это не значит, что количество рабочих мест уменьшится. Скорее, компаний станет больше, а людей в каждой из них — меньше. Марк ожидает, что с помощью личных AI-агентов небольшие команды смогут запускать и развивать компании такого масштаба, для которого сегодня нужны сотни или тысячи сотрудников. Малый бизнес, по его мнению, и дальше будет оставаться основой экономики — просто каждый такой бизнес сможет делать гораздо больше, чем сегодня.

Развитие AI-инфраструктуры совместно с интересами местных сообществ

Марк считает, что строительство новой AI-инфраструктуры должно приносить пользу тем регионам, где она появляется. Например, хорошо оплачиваемые рабочие места, инвестиции в школы и государственные службы, меры против роста цен на электричество и забота об окружающей среде. Рост налоговых поступлений тоже должен работать на местных жителей: давать больше ресурсов школам, полиции, пожарным и другим общественным службам.

В отличие от опасений по поводу сокращения интеллектуальных профессий, с рабочими специальностями ситуация обратная: сейчас не хватает плотников, электриков, строителей и других специалистов, которые нужны для масштабного строительства этой инфраструктуры. Поэтому Марк создал America's Workforce Academy — программу бесплатного обучения рабочим специальностям. В компании считают такой подход важным принципом устойчивого развития.

Марк утверждает, что его дата-центры проектируют так, чтобы они расходовали как можно меньше воды. К 2030 году компания планирует возвращать в местные водные системы больше воды, чем потребляет. А в регионах с особенно острым дефицитом воды — восстанавливать объем, вдвое превышающий собственное потребление.

Исторически города, в которые приходили железные дороги, автомагистрали, электричество и интернет, часто становились центрами бизнеса, исследований и промышленности. За этим следовали рост населения и экономики. Марк считает, что AI-инфраструктура может сыграть такую же роль — если строить ее вместе с реальными долгосрочными инвестициями в местные сообщества, чтобы у следующего поколения были причины оставаться там, строить карьеру и жизнь.

У развития такой инфраструктуры есть и более широкий аспект — национальные интересы и безопасность. По мнению Марка, американские регионы будут богаче и безопаснее, если США и их союзники сохранят лидерство в AI. При этом у США есть заметный недостаток по сравнению с тем же Китаем: строить новую инфраструктуру здесь сложнее и дольше. Поэтому Марк считает важным выработать такие условия сотрудничества с местными сообществами, которые позволят развивать инфраструктуру по всей стране и при этом приносить пользу самим регионам.

Защита от злоупотреблений AI: кибератаки, биотерроризм и другие угрозы

В свободном обществе у людей всегда будут инструменты, которые можно использовать и во благо, и во вред. Но у государства, а именно у правоохранительных органов и армии, обычно больше ресурсов, оружия и возможностей для сбора информации. С AI, считает Марк, должно работать так же: у тех, кто защищает общество, должно быть больше вычислительных ресурсов, чтобы получать от тех же моделей больше полезной информации, а в некоторых случаях — и доступ к более продвинутым моделям.

Конкретные способы защиты от кибератак, биотерроризма и других угроз могут отличаться, но общий принцип один: у тех, кто сдерживает злоумышленников, должно быть преимущество в ресурсах и возможностях.

Есть мнение, что лучший способ снизить риски — ограничить доступ обычных людей к наиболее мощным возможностям AI. Марк с этим не согласен. По его мнению, если дать людям сильные инструменты кибербезопасности, это поможет защищать огромное количество самых разных систем. А доступ к мощным научным инструментам позволит быстрее развивать науку и в долгосрочной перспективе снижать риски. Если ограничивать доступ людей к таким возможностям, AI будет все сильнее сосредотачиваться в руках элиты. Поэтому нужно быть особенно осторожными, особенно если другие страны выберут менее жесткий подход.

В кибербезопасности широко распространенные open source-системы часто оказываются более защищенными: чем больше людей ими пользуются и изучают их, тем быстрее находятся уязвимости, усиливается защита и выходят обновления. Даже в последние недели были случаи, когда компании вроде Hugging Face использовали общедоступные открытые модели, чтобы устранять уязвимости после инцидентов с безопасностью. Марк ожидает, что со временем широкое распространение AI-моделей с сильными возможностями в кибербезопасности сделает системы безопаснее, а не наоборот. Особенно когда сверхинтеллект позволит проверять большую часть мирового кода на безопасность.

Поэтому в долгосрочной перспективе, по его мнению, решение состоит в том, чтобы сделать инструменты безопасности широко доступными и не допустить концентрации всей силы в одних руках. В ближайшее время важно быстрее усиливать защиту критически важных систем. Он предлагает, чтобы компании, разрабатывающие самые передовые AI-модели, выделяли значительные технические ресурсы на помощь государству в защите критической инфраструктуры. Кроме того, такие компании могли бы передавать государству промежуточные версии моделей еще в процессе обучения, не дожидаясь их полной готовности. Так государство получало бы ранний доступ к самым мощным моделям и могло бы заранее привлекать сильных инженеров для поиска и устранения проблем безопасности.

AI-лаборатории также, по мнению Марка, должны сотрудничать с правоохранительными органами и помогать выявлять тех, кто пытается использовать их системы во вред. Он считает, что такой подход позволит быстрее и безопаснее внедрять новые модели, не замедляя их развитие и не откладывая надолго доступ обычных людей к технологии.

Есть и другой риск: AI, который помогает создавать новые лекарства, теоретически можно использовать и для создания опасных веществ. Получается сложный выбор: с одной стороны, AI может сильно ускорить развитие науки и приблизить лечение рака и других заболеваний; с другой — те же технологии могут создать новые риски. В идеале, считает Марк, нужно ускорять научный прогресс и одновременно снижать эти риски.

При этом он предлагает оценивать угрозу осторожно: чтобы уверенно понимать, насколько опасность велика, мы пока знаем слишком мало исторических примеров. Возможность создавать опасные вещества существует уже десятилетиями, но серьезной проблемой это становилось редко — возможно, в том числе потому, что здесь нет такой сильной финансовой мотивации, как в кибератаках. Но если начнут появляться реальные случаи причинения вреда, подход нужно будет пересматривать и усиливать меры защиты.

AI-лаборатории должны продолжать снижать биологические и химические риски своих моделей. Но Марк считает, что и государству нужно менять правила. Во-первых, стоит жестче контролировать производство и распространение опасных веществ, особенно учитывая что физические материалы контролировать проще, чем знания и информацию. Во-вторых, нужно ускорять разработку новых методов лечения и способов защиты от новых угроз. В том числе — упрощать и ускорять процедуры, по которым регуляторы проверяют и одобряют новые лекарства и методы лечения. Поскольку AI уже ускоряет разработку лекарств, эти процессы в любом случае придется менять, чтобы они успевали за темпом новых открытий.

В долгосрочной перспективе Марк предлагает не замедлять научный прогресс из-за возможных рисков, а развивать науку быстрее — в том числе чтобы быстрее находить способы защиты от новых угроз.

Как сохранить свободу и не допустить чрезмерной власти государства

Есть риск, что если государство получит слишком большое преимущество над отдельными людьми, это приведет к ограничению свобод и в крайнем случае — к тоталитаризму. Это одно из постоянных противоречий демократии: мы хотим сохранять личную свободу, но при этом государство должно иметь достаточно возможностей, чтобы обеспечивать безопасность.

Поэтому, считает Марк, сверхинтеллект должен прежде всего усиливать возможности самих людей. В либеральной демократии исходная логика такая: права принадлежат человеку, а ограничивать отдельные свободы допустимо только тогда, когда это действительно небходимо, ради общего блага. По той же логике у людей должен быть доступ к собственному AI сверхчеловеческого уровня, а ограничения на его использование должны вводиться только там, где без них действительно нельзя.

Конфиденциальность — важная основа свободы и самостоятельности человека. Марк считает, что у личных AI-агентов должен быть полностью приватный режим, в котором даже разработчик сервиса не сможет видеть данные пользователя или давать к ним доступ. При этом государству все равно нужны инструменты и ресурсы, чтобы обеспечивать безопасность и следить за соблюдением законов. Вместо ограничений для обычных пользователей Марк предлагает, чтобы AI-компании напрямую работали с государством над вопросами безопасности.

В частности, Марк предлагает давать государству доступ к новым AI-моделям еще до того, как их обучение полностью закончено, и подключать инженеров компаний к работе над безопасностью. Так государство сможет заранее находить новые угрозы и защищать критически важные системы. При этом обычным людям не придется дольше ждать доступа к новым AI-моделям, а у государства не окажется слишком большого преимущества в доступе к технологии.

Лидерство США в AI

Марк считает, что от того, какие страны будут лидировать в разработке и внедрении передового AI, во многом будет зависеть будущий баланс сил в мире — в том числе распространение демократических ценностей, уровень благосостояния и безопасности. По его мнению, важно, чтобы лидирующие AI-системы отражали демократические ценности, помогали экономике расти и укрепляли национальную безопасность. Лучший способ этого добиться — сделать такие системы широко доступными. Марк планирует вносить свой вклад, создавая передовых AI-агентов и модели, в том числе open source, и распространяя их среди миллиардов людей по всему миру.

При этом AI, вероятно, станет одной из самых конкурентных индустрий в истории. Новые разработки здесь очень быстро копируются и становятся стандартом — иногда всего за несколько месяцев. Но пользователи все равно стремятся работать с самыми сильными моделями. Поэтому даже преимущество в два месяца может иметь огромное значение. Из этого Марк делает вывод: отрыв лидера в AI может быть очень коротким, поэтому США важно одновременно ускорять собственные разработки и замедлять геополитических конкурентов.

На это, по его мнению, больше всего влияют три вещи: насколько быстро США могут строить физическую инфраструктуру, не создают ли внутренние правила лишние задержки для американских AI-компаний и насколько эффективно работают экспортные ограничения для иностранных разработчиков.

С инфраструктурой у США и их союзников есть сильная сторона — проектирование чипов. Но есть и слабая: энергетические мощности и физическую инфраструктуру здесь строят медленнее. Например, Китай вводит в эксплуатацию более 1 ГВт атомной мощности примерно раз в две недели. Поэтому, чтобы сохранять конкурентоспособность, США придется быстрее наращивать энергетические мощности и строить дата-центры. Экспортные ограничения на передовые чипы, по мнению Марка, уже помогли замедлить развитие иностранных AI-лабораторий, поэтому он считает правильным продолжать такую политику.

При этом любые правила, которые задерживают выпуск американских моделей даже на месяц, могут ослабить позиции США и дать иностранным разработчикам шанс вырваться вперед. Одновременно важно, чтобы правительство США заранее знало о появлении новых возможностей AI и имело достаточно ресурсов для защиты критически важных систем. В некоторых случаях государству также может быть полезно получить временное преимущество в доступе к самым новым технологиям.

Марк предлагает государству и ведущим AI-компаниям постоянно работать вместе.

Иногда у американских разработчиков может быть запас лидерства в несколько месяцев, и тогда есть смысл потратить больше времени на снижение рисков. В других случаях задержка всего на месяц может стоить США лидерства. Поэтому ранний доступ государства к новым моделям должен помогать укреплять безопасность, не задерживая публичный выпуск технологий без необходимости.

Также Марк считает важным, чтобы США и их союзники лидировали в open source AI, поскольку в будущем открытые модели могут составлять значительную часть всего мирового использования AI.

Сейчас у иностранных разработчиков здесь есть определенные преимущества: американские компании сталкиваются с большим количеством ограничений на использование данных для обучения моделей. Если США хотят, чтобы их open source-модели со временем стали лучшими в мире, эти барьеры, по мнению Марка, нужно ломать. При этом он не считает эффективным ограничивать доступ к иностранным open source-моделям. Цель должна быть другой: сделать американские открытые модели настолько сильными, чтобы они сами выигрывали конкуренцию. Если запрещать людям и компаниям пользоваться лучшими open source-моделями только потому, что они созданы за пределами США, качество доступного AI снизится. Кроме того, AI будет сильнее сосредотачиваться в руках ограниченного числа компаний, а не становиться доступнее людям.

Чтобы США могли лидировать в open source, Марк предлагает пересмотреть правила в нескольких областях, в том числе использование данных для обучения и дистилляцию моделей. Дистилляция — это подход, при котором одна AI-модель учится на результатах работы другой. Марк считает, что возможность моделей учиться друг у друга — важная часть open source-экосистемы. Все AI-модели в конечном счете основаны на человеческих знаниях, поэтому нужно разрешать учиться на доступной им информации, в том числе на результатах работы других моделей. Если США слишком сильно ограничат себя в этом вопросе, сохранить лидерство будет сложно.

Если смотреть шире, Марк считает, что общее отставание США в AI почти наверняка станет более серьезной и долгосрочной угрозой национальной безопасности, чем любая отдельная проблема, которая может возникнуть по мере развития технологии.

При правильном сотрудничестве государства и частных компаний, по его мнению, США смогут одновременно сохранять лидерство в AI, распространять по миру технологии, основанные на индивидуальной свободе и демократических принципах, и укреплять национальную безопасность.

Как сохранить контроль над AI

Главный вопрос — как людям сохранить контроль над самим AI? Риск в том, что со временем AI может получить слишком много возможностей и влияния: в лучшем случае он перестанет действовать в интересах людей, а в худшем — станет для человечества угрозой.

Марк считает, что для этого не должно существовать одного единственного сверхинтеллекта, сосредоточенного в одних руках. Вместо этого у как можно большего числа людей и компаний должны быть свои AI-агенты, настроенные под их цели. Такие агенты будут конкурировать друг с другом и уравновешивать влияние друг друга — примерно так же, как сегодня конкурируют люди и компании в экономике. Дополнительную защиту, по мнению Марка, даст и то, что самые сильные AI-модели будут разрабатывать несколько независимых лабораторий с разными подходами и ценностями. Тогда ни одна из них не получит слишком большого влияния, а их системы смогут уравновешивать друг друга.

Да, выпуск мощных AI-моделей несет риски. Но еще опаснее ситуация, когда ведущие AI-лаборатории создают самые сильные модели и оставляют их только себе. Даже если компании объясняют это безопасностью и ответственностью, результат может быть опасным: один сверхмощный AI окажется сосредоточен в одних руках, а у других систем не будет возможности его уравновесить.

Создание личных AI-агентов требует и другого подхода к alignment — то есть к тому, как настраивать AI, чтобы его поведение соответствовало нужным целям и ценностям. Сегодня многие AI-лаборатории понимают alignment как способ заставить модель следовать единому набору правил и ценностей. Марк приводит пример одной из ведущих моделей, которая отказалась помогать написать письмо родителям будущих учеников школы, потому что сама посчитала стандартизированные тесты неэтичными.

Марк предлагает другой подход. AI-агент должен следовать прежде всего целям и ценностям самого человека, а не ценностям компании, которая его создала. Конечно, должны оставаться ограничения, связанные с законом и безопасностью. Но в остальном задача звучит как помогать людям следовать своим разным целям и взглядам, а не навязывать всем единый набор ценностей.

На практике люди не будут пользоваться AI-агентами, если не смогут доверять им личную информацию и важные задачи. А доверия в свою очередь не будет, если агент действует не в интересах самого человека, а следует ценностям компании, которая его создала.

Чтобы миллиарды людей начали пользоваться личными AI-агентами, нужно решить проблему alignment — научиться настраивать их под цели и интересы конкретного человека. Но если миллиарды людей действительно начнут постоянно пользоваться такими агентами и внимательно следить за их работой, это будет означать, что задачу уже удалось решить. По мнению Марка, этого будет достаточно, чтобы разные AI-системы уравновешивали друг друга и не позволяли слишком большой силе сосредоточиться в одних руках.

Нужно найти способ сделать личных AI-агентов полезными и заслуживающими доверия, чтобы ими пользовалось много людей, а возможности AI были распределены между ними. Именно такой баланс, по мнению Марка, и должен сделать будущее безопаснее.

Как сохранить контроль над сверхинтеллектом

Здесь возникает сложная проблема: когда AI научится самостоятельно улучшать самого себя, лабораториям придётся направлять значительные вычислительные мощности на этот процесс, иначе они начнут отставать. Такое самоулучшение может, например, сделать AI гораздо эффективнее: теоретически он сможет получать в 100 раз больше возможностей при тех же энергозатратах.

Есть несколько способов сохранить баланс сил, даже если AI научится самостоятельно улучшать самого себя. Самый простой — если сразу несколько лабораторий достигнут такого уровня примерно одновременно. Если хотя бы часть этих сверхинтеллектов будет действовать во благо людей, они смогут сдерживать и уравновешивать друг друга. Но Марк признает, что рассчитывать на это нельзя: нет гарантии, что сверхинтеллект, которым напрямую не управляют люди, действительно будет действовать в наших интересах.

Чтобы люди сохраняли контроль, большая часть возможностей AI должна оставаться направлена на достижение человеческих целей. Это значит, что ведущие AI-лаборатории и облачные компании должны вместе создать достаточно вычислительных мощностей. Тогда часть ресурсов можно будет направлять на самоулучшение AI, чтобы не отставать в гонке, а большую часть — по-прежнему использовать для задач и целей самих людей.

Как уже говорилось выше, чтобы миллиарды людей начали пользоваться личными AI-агентами и доверять им, нужно научиться настраивать их под интересы конкретного человека и создать систему, в которой разные AI уравновешивают друг друга. Но AI, который самостоятельно улучшает самого себя, по определению уже начинает двигаться к собственным целям. Поэтому все лаборатории должны внимательно следить за тем, чего такие системы пытаются добиться и насколько люди все еще способны ими управлять. Если появятся признаки опасного поведения, лаборатории должны координироваться и менять подход. При этом сам по себе факт, что AI или кто-то другой следует собственным целям, еще не означает угрозу — даже если эти цели не полностью совпадают с интересами многих людей. Главное, чтобы общий баланс сил все равно оставался в пользу людей. Основная идея Марка здесь в том, что разные интересы и конфликты между ними — это нормально, а лучший способ сохранить человеческие ценности — дать самим людям больше возможностей и контроля.

---

Из этого подхода — давать людям больше возможностей, использовать AI для создания нового и не допускать концентрации силы в одних руках — следуют несколько важных выводов для государственной политики:

• Марк сосредоточится на том, чтобы сделать личный сверхинтеллект доступным миллиардам людей и малому бизнесу — чтобы каждый мог достигать своих целей и создавать то, что хочет видеть в мире. Для этого будут обучать передовые модели и делать их максимально доступными: простыми в использовании, бесплатными или как можно более дешевыми, обеспеченными достаточными вычислительными мощностями и широко распространенными. Также появится полностью приватный режим, в котором даже компания не сможет видеть данные пользователя или давать к ним доступ. И отдельное внимание уделят alignment — то есть настройке AI под цели самого человека.

• Open source помогает делать технологии доступнее людям и не дает им сосредоточиться в руках небольшого числа компаний — а это важно и для безопасности, и для экономики. Марк по-прежнему активно поддерживает open source, в том числе открытые AI-модели. Сейчас эта экосистема хорошо развивается, и Марк считает, что ограничивать ее было бы ошибкой.

• Поскольку решения о выпуске сверхинтеллекта могут иметь очень серьезные последствия, Марк считает важным, чтобы их контролировал не один человек. По его мнению, ни он сам, ни кто-либо другой не должны единолично решать, как и когда такие системы выпускать. Поэтому компания вводит систему, при которой независимый совет директоров будет утверждать критерии безопасности для новых моделей и проверять, соответствует ли им каждый выпуск. Хотя контроль над компанией остается у Марка Цукерберга, руководители всех ведущих AI-лабораторий сегодня в целом имеют очень широкие полномочия в вопросах выпуска моделей. Марк предлагает другим компаниям создать похожие механизмы контроля и считает, что со временем такой подход было бы полезно распространить на всю индустрию.

---

Мы живем в невероятное время. Создание сверхинтеллекта может стать самым значительным технологическим прорывом, который мы увидим за свою жизнь.

Чем ближе мы к этому подходим, тем важнее понимать, на каких принципах должен строиться сверхинтеллект и как именно он должен приносить пользу людям. Марк исходит из трех идей: больше возможностей у самих людей — основа процветания; главная задача AI — помогать создавать новое; а безопасность требует такого баланса сил, при котором преимущество остается у людей.

Если именно эти ценности будут определять развитие AI, Марк с оптимизмом смотрит на ближайшие десятилетия. На протяжении истории люди постепенно получали все больше возможностей самостоятельно решать, как им жить и каким делать мир вокруг. Сверхинтеллект может дать такие возможности каждому — и помочь построить лучшее будущее для всех.

Спасибо, что дочитали до конца!

А если у вас есть любые вопросы по фонду Mento VC, пишите нашей head of operations & partner Кате в телеграм @katiatatulova

How Sequoia works? Именно так называется подкаст у Uncapped with Jack Altman.

И это одно из самых интересных видео про процессы в венчурном фонде, которое я видел. Меня так зацепило, что я попросил всех в команде посмотреть это видео и потом сделали отдельный звонок, где час обсуждали его все вместе.

Не хочется вам выделять тут что-то одно или спойлерить, поэтому мы просто выделили самые интересные моменты из видео и собрали все в одну статью.

Приятного прочтения!

Как устроен процесс инвестирования

Начнем с того, что этот процесс в Sequoia разложен на пять шагов:

• sourcing (найти),

• picking (выбрать),

• winning (выиграть сделку),

• building (помочь построить или вырастить компанию),

• harvesting (выйти).

Их формула звучит так – freedom within frameworks, свобода внутри рамок. Пять шагов создают общий «скелет», который знает каждый сотрудник компании: но в рамках этих шагов каждый работает так, как удобно именно ему.

В Sequoia сильно поощряют то, насколько разные люди работают по-разному: каждый сотрудник фонда выбирает тот подход в работе, который ему органичнее. Один партнер может часами изучать куда идет рынок, рисовать таблицы и искать пустые ниши. Другой будет работать с охватом и возьмет за принцип: чем с большим количеством компаний он пообщается, тем выше шанс найти ту самую.

«Если собрать правильных людей вместе – в итоге все срабатывает».

Вся эта система работает на базе AI-платформы. Амбициозно скажу, но она примерно такая же, как у нас в Mento VC – только в другом масштабе. Платформа – это сеть из большого количества AI-агентов, которая видит все существующие и рано отмечает различные сигналы роста. Именно такая AI-модель дает каждому партнеру возможность увидеть почти любую компанию, которую он захочет.

А магия рождается в том, что каждый партнер использует платформу своим способом, органично своему подходу и стилю работы.

Цифры доходности

Было очень любопытно услышать конкретные цифры: GP в видео поделились, что каждый фонд в Sequoia делает 45-55 инвестиций. Из них нужно, чтобы шесть сделали 10x и больше, а три из этих шести заработали фонду от $100 млн до $1 млрд.

Их лучший фонд, 12-ый, инвестировал в Airbnb, Unity и Dropbox – и сделал три выхода больше $1 млрд. Еще десяток компаний принесли примерно по $100 млн. Процент списаний этого фонда был в районе 50%: то есть, даже в лучшем фонде такого крупного игрока, как Sequoia, половина портфеля просто списалась.

«Когда думаешь про выбор компаний, достаточно быть правым наполовину».

Мы с командой забрали себе эту мысль, чтобы приложить к математике своего второго фонда, который начнет инвестировать в 2027 году.

И тут же второй их принцип, который меня зацепил: мало выбрать правильную компанию, надо еще вложить в нее достаточно много. Пример: фонд на $500 млн, инвестирует в стартап чеком $1 млн, стартап делает 10x. Фонд заработал $10 млн. Но чтобы математика инвестиции сошлась, нужны компании, которые вернут в 100 раз больше! Получить $1 млрд с единственного чека в миллион – это крайне сложно.

Поэтому, следуя принципам Sequoia, когда ты по-настоящему веришь в компанию – нужно увеличивать долю. Как говорят сами партнеры: нужна conviction, то есть убежденность, сопряженная с риском.

Карта самых сильных инженеров планеты

В компаниях, куда Sequoia инвестирует, работают одни из лучших инженерных команд всего рынка. И вот этим сотрудникам они задают один вопрос: просят назвать свой топ-5 самых сильных инженеров, которых они знают. И затем фонд собирает эти данные – и так уже происходит 10 лет! То есть, у фонда есть карта всех самых сильных инженеров на планете.

«Представь, что ты собирал эти данные больше 10-ти лет назад, и записывал все ответы… теперь они лежат в CRM, став картой талантов всей Долины. Page rank* для людей».

*page rank – алгоритм, из которого вырос механизм ранжирования страниц в Google

И дальше они этой картой пользуются так: каждый новый стартап прогоняют через собранную базу и сразу видят, насколько команда сильная, входит ли в топ рынка.

«Я не могу вспомнить почти ни одной компании, ставшей миллиардным бизнесом без команды сильных инженеров».

В пример приводят ServiceNow: когда они инвестировали в 2009-м, почти весь код был написан одним человеком, Фредом Лудди. А OpenEvidence, медицинскую AI-компанию, по их словам, невозможно было бы собрать средними инженерами, там нужна была команда уровня all-star. Поэтому для Sequoia сила инженеров – это самый релевантный ранний сигнал, который видно заранее и почти нельзя подделать.

Это натолкнуло меня на вопрос, а какие данные можем мы как фонд начать собирать сегодня, чтобы через десять лет они превратились в такой же page rank и принесли нам много пользы? Ответа у меня пока нет, но точно вижу в этом подходе большую силу.

Founder-market fit

...Или соответствие личности фаундера тому рынку, который он выбрал. Когда Alfred приходит на встречу, главный вопрос, на который он пытается ответить: был ли этот человек создан именно для этой компании и для проблем именно этого рынка? Потому что «рынок определяет, насколько большой компания может стать, а фаундер – насколько большой она станет».

Например, Трэвис Каланик и Uber, Брайан Чески и Airbnb, Тони Сюй и DoorDash – во всех случаях основатель как будто идеально «сшит» со своей компанией. Его нельзя просто взять и переставить руководить другим бизнесом.

Для Sequoia есть две главные переменные – рынок и фаундер, причем в рынке их волнует не то, какой он сегодня, акаким он будет через 10-20 лет? Оценивая компанию, они все время держат в голове вопрос: почему именно этот человек должен строить именно этот бизнес, именно на этом рынке?

Майндсет: GP ≠ CEO

Сами партнеры Pat и Alfred, являясь в фонде главными лицами, принимающими решения, не считают себя CEO.

Логика такая: CEO обычной компании целится в консистентность – чтобы продукт был одинаковым каждый раз (как ресторан, где блюдо всегда одного вкуса), и чтобы это качество держалось. А Sequoia, по их словам, видят свой бизнес совсем другим: бизнесом, основанном на исключениях (outliers).

«Наша цель не стабильность, а поймать две-три-четыре исключительные компании в год. Нельзя собрать команду outliers, если указываешь им, что делать».

Задача ловить настолько исключительные компании – это не про повторяемость. Чтобы разглядеть редкие компании, нужны и люди редкие, исключительные, каждый по-своему гениальный. Такими людьми нельзя командовать, единственный вариант – не мешать им становиться лучшей версией себя.

И вот главная мысль, дословно: «стабильность на уровне партнерства позволяет нам волатильность на уровне отдельного партнера». Проще говоря: именно потому, что фонд крепкий как целое, а партнеры доверяют друг другу, каждый из них может позволить себе рисковать. Маленькая команда с высоким доверием друг к другу дает право на смелые ставки.

А без таких смелых ставок не поймать те редкие компании, ради которых все и затевается.

Спор важнее согласия

Когда в Sequoia решают, заходить в компанию или нет, все партнеры ставят ей оценку от 0 до 10. И «пятерку» ставить нельзя: обязательно 6 и выше – «за», 4 и ниже – «против».

Дальше они записывают эти голосования по каждой сделке и, разобрав данные, однажды пришли к неожиданному выводу, что согласны все между собой или спорят – не имеет значения. Гораздо важнее наличие крайней убежденности.

«Консенсус или его отсутствие не важны вообще. Важно только наличие убежденности».

Если все поставили по «шестерке», значит, по-настоящему стартап не впечатлил никого. Такую сделку Sequoia, скорее всего, пропустят. А если трое поставили «девятку», а трое «единицу» – полный раскол, никакого согласия – вот тогда стоит обдумать сделку. Потому что наличие тех, кто по-настоящему верит, сигнал куда сильнее, чем сомнения остальных.

Логика простая: они в бизнесе редких компаний, а лучшие из них на раннем этапе 1) выглядят странно, 2) раскалывают мнения. Если же все дружно согласны – значит, компания понятная и похожая на уже известное. Вероятность миллиардного возврата мала. «Будущее не может быть похоже на прошлое».

Отношения с фаундерами

Еще зацепило, как фонд убеждает фаундера выбирать именно их. Хорошие компании нарасхват, и за право лидировать сделку конкурируют несколько top-tier фондов. Мне импонирует особое отношение Sequoia к самой роли инвестора: Pat прямо говорит основателям, что у него две задачи: «одна перед моими LP… а вторая, личная – помочь вам стать абсолютно лучшей версией себя».

Он использует слово «любовь» применительно к стартапу и его продукту, имея в виду искреннее желание разобраться в человеке и его бизнесе, и хотеть ему помочь.

«...но нельзя сначала халтурить, а потом выпрыгнуть из торта с признаниями в любви».

Если ты по-настоящему «любишь» основателя и то, что он строит – он это почувствует, особенно если видел такое отношение к себе с самого первого контакта. Впечатление складывается из каждой точки касания: как ты разобрался в личности основателя и его бизнесе, какие задаешь ему вопросы, как глубоко доверяешь ему.

«Мы не отказываем, мы просто пока не инвестируем»

И напоследок: искренний интерес и прозрачность работают даже когда ты отказываешь. Sequoia дают самые качественные отказы: часто партнеры звонят фаундерам и в деталях объясняют, что думают, какие видят риски и ограничения.

Любой их отказ означает в первую очередь «не сейчас», т.е. «в текущих условиях мы пока не заходим, и вот почему...»

«Это всегда скорее "не сейчас". Мы никогда не отказываем, мы просто не инвестируем. В данный момент».

После совместного обсуждения интервью всерьез задумались с командой, как мы можем улучшить процесс отказов стартапам?

Все описанные в статье и интервью принципы актуальны и сегодня, а также близки мне и команде. Если и вам импонирует такой подход, и вы хотите инвестировать с нами – пишите нашей head of operations & partner Кате в телеграм @katiatatulova

Спасибо, что дочитали до конца!

Дон Валентайн (1932-2019) – основатель Sequoia Capital, один из первых инвесторов Apple, Oracle, Cisco, Nvidia. Сегодня эти компании стоят в сумме больше $3,5 трлн.

Ниже собраны двенадцать его принципов в инвестициях, опубликованные в блоге 25iq. Автор блога – Трен Гриффин, бывший стратег Microsoft, который много лет собирал и систематизировал мудрость великих инвесторов.

Формат статьи необычный: Гриффин собрал цитаты Валентайна из разных источников и выстроил из них 12 тематических блоков. Каждый пункт начинается с прямой цитаты Валентайна, а дальше Гриффин добавляет свой комментарий: объясняет мысль, связывает с идеями других инвесторов (Баффетт, Мангер, Говард Маркс), иногда вставляет личные истории.

Мы с командой Mento VC перевели и адаптировали этот материал – читайте ниже, если хотите глубже понять мышление человека, построившего венчурную индустрию.

Да, статье 11 лет, но что вы мне сделаете? 😀 Вся эта информация очень сильно актуальна и сегодня.

«Дон Валентайн стоял у истоков двух переломных событий: создания кремниевого чипа (того самого микрочипа, который сегодня есть в каждом телефоне и компьютере) и зарождения индустрии венчурного капитала. Начав с нуля, Валентайн стал легендарным продавцом в Fairchild Semiconductor и National Semiconductor (компании-пионеры полупроводниковой отрасли, из которых выросла вся Кремниевая долина), а в 1972 году основал Sequoia Capital». Он «был одним из первых инвесторов в Apple, Atari, LSI Logic, Cisco Systems, Oracle и Electronic Arts».

1. «Венчур – это умение задавать правильные вопросы. Поскольку мы сами не знаем, какой ответ правильный, нам очень важен процесс, через который предприниматель пришел к тому, что считает готовым оффером. То, чем мы занимаемся, построено на интуитивных решениях, и тот факт, что мы инвестируем в технологические компании, не обязывает сам процесс принятия решений быть научным...» (здесь Валентайн дает ответ на вопрос, который ему часто задавали: раз вы работаете в сфере технологий, значит и решения принимаете на основе данных и моделей? Его ответ: нет, это интуиция и опыт – научная сфера не равно научный метод принятия решений)

«Через сократический диалог мы видим, какие возможности лучше других и почему». (метод Сократа – разбор идеи через серию наводящих вопросов, когда собеседника подводят к выводам не утверждениями, а уточнениями)

«Искусство рассказывать историю безумно важно. Этому стоит научиться, потому что именно за историю тебе дают деньги. Деньги идут к тому, кто умеет ее рассказать».

Майкл Мобуссин (инвестиционный стратег, автор книг о принятии решений в условиях неопределенности) в одной из своих презентаций замечает, что «лучшие инвесторы делают две вещи: во-первых, смотрят на процесс, а не на результат. Во-вторых, всегда стараются, чтобы теория вероятности была на их стороне». Если пройтись по заметкам автора про великих инвесторов, все они фокусируются на процессе принятия решений. Такой великий венчурный капиталист, как Дон Валентайн, рано понял, как важно иметь надежно выстроенную систему в инвестиционном процессе.

Когда работаешь в бизнесе, где успех – это одна большая ставка из многих (как в венчуре), тратить кучу ресурсов на таблицы и финмодели бессмысленно, потому что все цифры в них – это догадки. Лучший способ оценить потенциал возможности перед тобой – узнать историю. Крис Сакка (один из первых инвесторов в Twitter и Uber) говорил об этом так: «Хорошие истории всегда побеждают хорошие таблицы. Прежде чем собирать хоть один слайд питч-дека, расскажи свою историю вслух – кому угодно, кто готов слушать. Снова и снова. Вот и готов твой питч-дек».

Рассказывать истории – как выступать на публике: чем больше практикуешься, тем лучше получается. Если по ходу приходится заглядывать в шпаргалку, эффект будет заметно слабее. Говори от себя, и тогда скажешь в десять раз меньше, а запомнишься в два раза сильнее. Иногда встречаешь фаундера, у которого есть идея, но он не может выразить ее достаточно убедительно, чтобы получить финансирование и собрать команду. В таком случае ему нужен либо кофаундер-рассказчик, либо собственное желание освоить это ремесло.

2. «Меня всегда поражала индустрия дисковых накопителей. Без нее компьютер – бесполезная коробка. Чтобы уместить такой объем памяти в крошечном корпусе и сделать это почти даром, надо быть блестящим инженером в электронике, блестящим в магнитных технологиях и блестящим в механике. Но рынок так и не вознаградил эту отрасль финансово, несмотря на всю ее гениальность».

Причину этой «загадки», описанной Валентайном, лучше всего объясняет Чарли Мангер (легендарный инвестор, давний партнер Уоррена Баффетта): «бывают чудесные изобретения, которые не приносят владельцу никакой прибыли, а наоборот, заставляют вкладывать все больше денег в бизнес, который так и остается убыточным. Вся выгода от прорыва утекает к потребителям».

По сути, Мангер здесь говорит о важности конкурентного преимущества. Если бизнес не создает барьер для входа, конкуренты заполняют рынок до тех пор, пока прибыль не упадет до уровня альтернативной стоимости капитала.

Валентайн говорит о том же: многие вещи, для создания которых требуется гениальность, дают обществу огромную пользу. Но самим создателям почти ничего. Например, авиакомпании и заводы приносят миру куда больше ценности, чем зарабатывают сами.

3. «Мы всегда смотрели на рынок. На его размер, динамику, природу конкуренции в нем. Потому что наша цель всегда была одна – строить большие компании. Если не идешь на большой рынок, большую компанию ты почти наверняка не построишь».

«Великие рынки рождают великие компании». «Мы никогда не хотели создавать рынки сами, это слишком дорого. Нам интересно рано заходить в уже растущий рынок».

«Мне нравятся возможности, где рынок настолько огромный, что даже менеджмент не сможет все испортить».

Создают ли стартапы новые большие рынки? Бывает, но Валентайн говорит, что для него это слишком дорого. Тут стоит вспомнить мысль Уоррена Баффета: «Когда отрасль с репутацией сложной экономики встречается с управленцем с репутацией гения, свою репутацию обычно сохраняет отрасль». Валентайн смотрит на это под другим углом. По его логике, даже средняя команда побеждает на огромном рынке, в который зашли рано, а первоклассная команда в той же ситуации сделает еще больше.

4. «Ключ к великим инвестициям – исходить из того, что прошлый опыт больше не актуален, и делать то, чего раньше не существовало, делать все совершенно иначе. Я всегда спрашивал фаундеров, какую самую безумную вещь они сделали в жизни. И в глубине души знал, что выберу того, чей поступок окажется самым дерзким».

«Важна способность и готовность отличаться от других. Великие компании строят непохожие люди с непохожими продуктами».

Чтобы оставить след во вселенной, нужно пойти против общепринятого мнения в чем-то по-настоящему важном, и оказаться правым. Это работает и в инвестициях, и в бизнесе. Партнер Дона Валентайна Майкл Мориц однажды сказал: «В венчурном бизнесе опасно слишком далеко отрываться от толпы, но нестандартный подход часто окупается. Дон Валентайн, основатель Sequoia Capital, говорил мне: доверяй своей интуиции – это позволяет не скатываться в шаблонное мышление и не пытаться угодить другим».

5. «Проблема предпринимателя-новичка в том, что он не знает, чего он не знает. После провала он уже знает, чего не знает – и может разнести в клочья тех, кому это еще предстоит выучить».

Известная цитата Конфуция: «Истинная мудрость – знать, чего ты не знаешь». Но важное следствие из этой цитаты: есть вещи, которые ты не можешь знать в принципе, потому что будущее непредсказуемо. Не менее знаменитая цитата Дональда Рамсфелда (министр обороны США): «Есть известные известные – то, о чем мы знаем, что знаем. Есть известные неизвестные – то, о чем мы знаем, что не знаем. Но есть еще и неизвестные неизвестные – то, о чем мы даже не знаем, что не знаем». Риск возникает, когда не понимаешь, что делаешь. А большие проблемы – когда не знаешь, чего именно ты не знаешь.

6. «Больше всего меня всегда раздражали со-инвесторы, которые в совете директоров предпочитали поучать менеджмент, а не слушать его».

«Мир технологий расцветает, когда людям дают свободу быть разными, креативными и непослушными».

В совете директоров нужны те, кому нравится помогать другим добиваться успеха. Те, кто любит слушать самих себя, – катастрофа. Они как люди в спортзале, которые не могут оторваться от зеркала во время тренировки. Можно сказать, что чем больше человеку нужно делать селфи, тем хуже из него член совета директоров.

7. «В бизнесе есть всего два важных показателя, и понять это можно за две минуты, не тратя два года на бизнес-школу. Высокая валовая маржа и кэшфлоу. Остальные метрики можно забыть. Когда у тебя высокая маржа, ты можешь вкладывать эту прибыль обратно в рост, и расти с той скоростью, которую позволяет рынок».

«Все компании, которые умирают, умирают по одной причине. У них кончаются деньги».

Деньги – как кислород или вода. Без них ты мертв. В бизнесе можно пережить многое, но не то, что у тебя кончился кэш. Особенно в подписочных моделях: прибыль на бумаге может быть, а денег на счету – нет. Расходы копятся уже в первый месяц, а выручка приходит медленно и долго. «Единственный непростительный грех в бизнесе – остаться без денег», как говорил Гарольд Дженин (легендарный CEO ITT Corporation, превративший компанию в один из крупнейших конгломератов мира). Бывают периоды истории, когда рынки залиты деньгами, но доступ к капиталу всегда может исчезнуть в одно мгновение.

8. «Эти папки стоят денег. Потратьте их на что-то более полезное».

Дон Валентайн верил в контроль расходов и подкреплял слова делом. Принесешь ему отчет в дорогой папке – услышишь что-то вроде того, что это деньги на ветер. Знаменитые скряги вроде Тома Мерфи (легендарный CEO Capital Cities/ABC) не против тратить деньги, если траты окупаются. Люди часто недооценивают, как важно, чтобы стоимость привлечения клиента себя окупала. Привлекать клиентов дешево – прекрасный способ упростить себе путь к прибыли. И наоборот, если ты переплачиваешь за привлечение клиента, эту проблему уже не решить. Стоимость привлечения и стоимость обслуживания клиента могут убить бизнес наповал.

9. «Мы не тратим время на то, где человек учился, насколько он умный и все такое. Нам важно, как он видит рынок на который идет, какого масштаба проблему решает и что может получиться, если его союз с Sequoia сработает».

Одна из самых приятных вещей в венчуре в том, что человек без диплома все равно может добиться успеха. Это не значит, что регалии бесполезны, особенно в начале пути, но история показала, что обязательными они не являются. А лучший актив на этом рынке – уже однажды принести инвестору крупную прибыль. Особенно тому, кто сейчас рассматривает твое предложение.

10. «Одна из моих задач в совете директоров – следить, чтобы менеджмент не распылялся на лишнее, и приучать его держать ухо востро».

Стартапу легко потерять фокус. Вокруг полно блестящих новых штук, о которых так любят писать журналисты, и они тянут внимание на себя. Держать руку на пульсе того, что реально происходит в бизнесе, и не отвлекаться – критически важно. Важность паранойи прочно ассоциируется с Энди Гроувом из Intel, который однажды сказал: «Способность вовремя почувствовать, что ветер сменился, и успеть перестроиться, пока не разбил корабль – определяет будущее компании».

Тесть автора любил шутить: «То, что ты параноик, еще не значит, что за тобой не охотятся». У Гроува есть и другая мысль: «Успех в бизнесе несет в себе семена собственного разрушения. Чем ты успешнее, тем больше людей хотят откусить кусок твоего бизнеса – потом еще кусок, и еще, пока ничего не останется». Чем ты крупнее и прибыльнее, тем больше мишень у тебя на спине.

11. «Возьмите Kodak – лидер своего рынка, а теперь его нет. Как компания стоимостью $100 миллиардов может исчезнуть? Ответ: легко и быстро».

Когда ставка на бизнес с эффектом снежного кома срабатывает – рост может быть взрывным. А когда эффект снежного кома исчезает, потери приходят так же резко и стремительно. Другими словами, это палка о двух концах: успех может исчезнуть так же быстро, как появился. Падение всегда заметнее взлета, потому что на наших глазах нечто огромное обращается в ничто. А вот сам взлет почти никто не замечает заранее. Когда эффект снежного кома только начинает работать, ранний успех незаметен, и потому удивляет. Это явление называют эмерджентностью: когда целое вдруг оказывается несоизмеримо больше суммы своих частей.

12. «Я просто следую закону Мура* и делаю пару догадок о его последствиях».

«Кремний, софт и хранение данных идут рука об руку. В случае софта нужно просто быть изобретательнее в том, что ты делаешь с приложением. Все эти вещи движутся вперед, подпитывая друг друга.»

*Закон Мура – наблюдение Гордона Мура (сооснователь Intel) о том, что число транзисторов на чипе примерно удваивается каждые два года, а значит, вычислительная мощность за те же деньги растет в том же темпе. Железо каждые два года становится вдвое мощнее за те же деньги, и компании в твоем портфеле автоматически получают попутный ветер.

Партнер Валентайна по Sequoia Майкл Мориц однажды сказал: «В 1986 году успешным венчурным капиталистом в Кремниевой долине мог бы стать и шимпанзе». Иметь закон Мура попутным ветром все эти годы – огромное преимущество. Недооценить его силу легко, потому что эффект нелинейный. А люди плохо понимают нелинейные явления – потому что почти все в жизни линейно».

Спасибо, что дочитали до конца!

Мы в Mento VC инвестируем совместно с top-tier фондами, и уже не раз заходили в сделку совместно с Sequoia. Все описанные в статье принципы актуальны и сегодня, а также близки мне и команде.

Если и вам близок такой подход, и вы хотите инвестировать с нами – пишите нашей head of operations & partner Кате в телеграм @katiatatulova

В этот раз выступление совпало с историческим моментом: три крупнейшие частные tech-компании мира объявили о выходе на биржу практически одновременно. SpaceX уже вышел на биржу 12 июня 2026 – крупнейшее IPO в истории ($75 млрд при оценке $1,75 трлн). Anthropic и OpenAI подали конфиденциальную заявку S-1.

По расчетам Coatue, эти три IPO вернут инвесторам больше капитала, чем весь венчурный рынок за предыдущее десятилетие.

🔗 Видео выступления

Мы с командой Mento VC собрали главное из выступления и перевели – читайте ниже.

Рынок единорогов возвращается

Тезис, с которого Томас начинает: рынки вернулись, то есть снова чувствуют себя прекрасно. Совокупная стоимость всех частных tech-компаний с оценкой от $1 млрд (юникорнов) с сентября 2024 года выросла в среднем на 70%. Для многих в этом нет ничего удивительного.

Но что интереснее – компании, которые уже торгуются на бирже, сделали точно такой же рывок вверх. Если посмотреть на долю юникорнов относительно NASDAQ (главный американский индекс публичных технологических компаний) – она сильно росла с 2015 года, но за последние несколько лет вышла на плато.

Единороги растут, но публичные компании вроде Palo Alto Networks растут не медленнее – поэтому разрыв между частным и публичным рынком больше не увеличивается.

AI забирает все больше

Уже не первый год AI наращивает свою долю в венчурном финансировании, и тренд не замедляется.

Меньше единорогов, больше денег на каждого

Но состав этого финансирования изменился. «Фабрика единорогов» – то есть скорость, с которой появляются новые компании стоимостью больше $1 млрд – достигла пика в 2021 году, когда ставки были нулевыми, а деньги – дешевыми. Сейчас новых единорогов появляется даже меньше, чем до пандемии.

Если совместить оба факта, получается, что общий объем денег в венчуре не упал – он просто сконцентрировался в меньшем числе компаний. Финансирование на одного единорога выросло в 5 раз с 2021 года. Меньше компаний поднимают раунды, но каждая – значительно больше.

Далее Лафонт берет компании, которые стали единорогами в разные годы, и смотрит – что с ними стало через 5 лет? Два варианта «успеха»: либо компания подняла новый раунд (значит, в нее верят), либо вышла на биржу / была куплена (экзит).

• Когорта до 2021: 73 компании, 80% либо подняли новый раунд, либо вышли на экзит. Хороший результат.
• Когорта после 2021 или ZIRP (zero interest rate policy, политика нулевых процентных ставок): 479 компаний, менее 60% подняли раунд или вышли. Почти в 7 раз больше компаний при худших результатах.
• Когорта 2024 или AI-компании: 82 компании, ключевой вопрос – на какую когорту они будут похожи?

Концентрация капитала: топ-10 забирает почти все

Но деньги идут в очень узкую группу AI-лидеров. Топ-10 компаний забирает непропорционально большую долю всего финансирования. Это логично: Anthropic и OpenAI поднимают раунды по десяткам миллиардов долларов – таких сумм в венчуре раньше не было.

Magnificent 8

Лафонт предлагает новый «индекс будущего» – Magnificent 8, частные компании, которые определят следующее десятилетие:

• SpaceX – космос и телеком
• Stripe – финтех-инфраструктура
• Anthropic – AI-модели
• Databricks – данные и AI
• Revolut – цифровой банкинг
• ByteDance – интернет и контент
• Anduril – оборонные технологии
• OpenAI – AI-модели

Совокупная капитализация – почти $4 трлн.

Томас отмечает разнообразие сфер: космос, финтех, AI, оборона, интернет. Целый спектр технологий нового поколения. Если бы можно было купить акции всех восьми компаний разом как один пакет – он купил бы не задумываясь.

Каждая из этих компаний обогнала по динамике роста традиционный Mag 7 – «великолепную семерку» публичного рынка (Apple, Microsoft, Google, Amazon, Meta, Tesla, Nvidia), которая последние годы считалась главным двигателем фондового рынка.

Волна IPO: SpaceX, Anthropic, Stripe

Одной из главных проблем последних лет в венчуре был дисбаланс экосистемы: деньги в стартапы уходили, но почти не возвращались – IPO замораживались, крупных поглощений не было. Еще в 2024 году Лафонт показывал на All-In Summit, что в стартапы вкладывают в разы больше, чем возвращается обратно.

Сейчас ситуация меняется. 2026 год показывает хороший тренд по экзитам, все еще не на уровне 2021-го, но движение в верную сторону. И это еще без учета трех крупнейших событий.

Три IPO, которые изменят все:

• SpaceX – вышел на биржу 12 июня 2026, крупнейшее IPO в истории ($75 млрд при оценке $1,75 трлн)
• Anthropic – подала конфиденциальную заявку S-1 (конфиденциальная заявка означает, что компания подала документы на IPO, но пока не раскрывает их публично)
• OpenAI – также на пути к IPO

Суммарно только эти три компании дадут больше ликвидности, чем вся экосистема за предыдущие 10 лет.

Даже до этих мега-IPO соотношение вложенного и возвращенного капитала значительно улучшилось. С выходом SpaceX, Anthropic и OpenAI на биржу баланс будет восстановлен окончательно.

Для инвесторов это переломный момент: капитал наконец возвращается, а значит будет реинвестирован в новые фонды и новые компании.

Рост OpenAI и Anthropic: ничего подобного рынок не видел

Далее Лафонт показал один из самых впечатляющих графиков выступления – динамику выручки OpenAI и Anthropic, начиная с января 2025 года. За полтора года они последовательно обогнали по выручке компании, которые строились десятилетиями:

• Workday – крупнейшая HR-платформа, выручка ~$8 млрд/год
• ServiceNow – автоматизация бизнес-процессов, ~$13 млрд/год
• Adobe – Photoshop, PDF, креативные инструменты, ~$24 млрд/год
• Salesforce – крупнейшая CRM в мире, ~$38 млрд/год
• Google Cloud (~$59 млрд) и Azure (~$75 млрд) – облачные платформы Google и Microsoft

...достигнув совокупной выручки порядка ~$85 млрд/год.

По прогнозам Coatue, к концу года совокупная выручка OpenAI и Anthropic может превысить AWS (Amazon Web Services), а к 2028 году – весь Microsoft.

Крупнейшие tech-компании мира (Amazon, Microsoft, Google) не просто наблюдают за ростом AI. Они сами его финансируют, вкладывая сотни миллиардов долларов в AI-инфраструктуру: дата-центры, чипы, вычислительные мощности. Объем этих инвестиций после появления ChatGPT не имеет аналогов в истории технологий.

SpaceX: почему чем больше запусков, тем дороже компания?

Первое, что бросается в глаза: чем больше ракет SpaceX запускает, тем дороже стоит компания. Логично: если твой бизнес – запускать ракеты, то чем чаще ты это делаешь, тем больше зарабатываешь и тем выше твоя стоимость.

Но Лафонт обращает внимание на кое-что менее очевидное.

Контринтуитивный момент: стоимость на один запуск растет.

Если разделить оценку компании на количество запусков, видно: раньше этот показатель был стабильным, а потом резко пошел вверх. Рынок платит больше за каждый запуск, когда компания запускает чаще. Почему?

Эволюция бизнес-модели SpaceX

Coatue выделяет четыре фазы:

Фаза 1: Испытания. Компания учится запускать ракеты. Клиенты в основном государство, каждый запуск – разовый контракт, выручка непредсказуема.

Фаза 2: Первая спутниковая сеть. SpaceX запускает Starlink – собственную сеть из тысяч спутников для раздачи интернета. Появляется подписная модель, и чем больше спутников – тем больше подписчиков, тем стабильнее выручка.

Фаза 3: Масштабирование. SpaceX начинает запускать спутниковые сети не только для себя, но и для других: например, для корпораций, правительств, военных. Каждый крупный клиент хочет свою собственную сеть, чтобы не зависеть от чужой инфраструктуры.

Фаза 4: Платформа. SpaceX перестает быть просто компанией, создающей ракеты. Появляются новые направления: дата-центры в космосе, проекты на Луне и Марсе. По сути SpaceX становится платформой – как Amazon начинался с книг, а стал инфраструктурой для всех продаж в интернете.

А платформы, как мы знаем, оцениваются сильно выше.

Все телеком-операторы мира – от AT&T до Vodafone – вместе зарабатывают $200–400 млрд прибыли в год на мобильной связи и интернете. Starlink претендует на этот рынок с продуктом, который во многом лучше: интернет работает в любой точке планеты, не нужны вышки, нет зон без покрытия. Еще пару лет назад это вообще не было бизнесом SpaceX, а теперь компания заходит в рынок на сотни миллиардов долларов.

Шансы на 10x: контринтуитивная статистика

Лафонт показал статистику, которая удивила даже ведущих All-In:

• Компания стоит $1 млрд – шанс вырасти в 10 раз (до $10 млрд): 8%
• Компания стоит $10 млрд – шанс вырасти в 10 раз (до $100 млрд): 8–13%
• Компания стоит $100 млрд – шанс вырасти в 10 раз (до $1 трлн): 31%

Казалось бы, должно быть наоборот: чем больше компания, тем сложнее расти. Но данные показывают обратное – у самых крупных компаний шансы на кратный рост в 4 раза выше, чем у мелких. Почему? Чтобы дорасти до $100 млрд, компания должна доказать, что у нее доминирующий бизнес и устойчивая прибыль. И именно эти качества двигают ее дальше.

Обычно путь от $500 млрд до $1 трлн занимает годы. Но недавно три публичные компании прошли этот путь в один и тот же год, а две – за считанные недели. Это Samsung, Micron и SK Hynix – три производителя чипов памяти для AI.

Все три перешли отметку $1 трлн за три недели в мае 2026. И это не стартапы без выручки: Samsung существует с 1938 года, Micron с 1978-го. Все три зарабатывают миллиарды и торгуются по одним из самых низких мультипликаторов в S&P 500.

Но не все великие компании взлетают мгновенно. Лафонт приводит в пример Cerebras – производителя чипов для AI, в котором он сам был членом совета директоров. Компания годами тяжело разрабатывала технологию – а потом получила огромный контракт с OpenAI, кратно выросла и вышла на IPO.

И это не единичный случай: вся отрасль производства полупроводников сейчас на историческом подъеме. На графике Semis – от semiconductors, то есть производители чипов: Nvidia, TSMC, Micron и др. С 2024 года акции компаний в этой сфере растут значительно быстрее, чем рынок в целом (индекс NASDAQ).

С появлением AI-агентов объем памяти на одного пользователя, по прогнозам Coatue, вырастет в 5 раз за ближайшие 5 лет. Именно это объясняет взрывной рост производителей чипов памяти, тех самых Samsung, Micron, SK Hynix.

Где выручка в AI-экосистеме?

Прогноз Coatue: в начале 2026 года объем AI-рынка составлял ~$140 млрд, к концу года вырастет до $300 млрд, а в 2027-м удвоится до $600 млрд.

Лафонт выделяет три источника выручки в AI:

1. Подписки обычных пользователей. Люди платят за ChatGPT, Claude и другие AI-сервисы, как за Netflix или Spotify. Больше подписчиков × цена подписки = выручка.

2. Реклама. Meta и Google уже используют AI для создания примерно 25% рекламы, которую видят пользователи. Со временем эта доля дойдет до 100%, а это рынок в $150 млрд.

3. AI для бизнеса. Компании покупают AI-инструменты для своих сотрудников: например, Claude Code пишет код, Codex автоматизирует рутину. Корпорации платят за то, что AI делает их команды продуктивнее.

Лафонт подчеркивает: нынешняя эпоха отличается от предыдущих тем, что трансформируется почти каждый сектор экономики одновременно:

• Телеком. Starlink через несколько лет позволит звонить и выходить в интернет из любой точки мира, без вышек и перебоев связи. Это угроза для всех традиционных операторов: AT&T, Vodafone, МТС.
• Чипы. Производители полупроводников растут значительно быстрее рынка, потому что AI требует все больше вычислительных мощностей.
• Энергетика. Дата-центры для AI потребляют огромное количество электричества: настолько, что в некоторых штатах США (например, в Пенсильвании) это уже влияет на цены на электроэнергию и заставляет строить новые электростанции.
• Автопромышленность. Электромобили и технология автопилота ставят под вопрос будущее традиционных брендов. Лафонт приводит пример Ferrari: их попытка выпустить электрический суперкар была встречена рынком холодно.
• Здоровье и потребление. GLP-1 препараты (Ozempic и аналоги) меняют то, как люди едят, пьют и относятся к здоровью, а это удар по всей пищевой и алкогольной индустрии.

Лафонт завершает выступление четырьмя ключевыми тезисами:

1. Рынок единорогов выровнялся и процветает: деньги начали возвращаться к инвесторам, и за это нужно благодарить AI.

2. Лидеры рынка растут быстрее, чем когда-либо, а значит, цена ошибки тоже выше: если ты не инвестировал в победителя, ты отстал надолго.

3. AI меняет все. Не только софт, но и телеком, автопром, энергетику, здравоохранение. Ни один сектор экономики не останется прежним.

4. И все это – еще стадия ДО появления суперинтеллекта. Мы пока видим только начало.

Ведущие All-In подвели итог фразой: «Power law rules our lives». Power law – это базовый закон венчура: из сотен компаний в портфеле 90% прибыли приносят 5–10 победителей.

Спасибо, что дочитали до конца!

А если вам близко, как мы смотрим на венчур, и вы хотите инвестировать с нами в будущее с AI – пишите нашей COO Кате в телеграм @katiatatulova

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

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

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

Читайте наш перевод с пояснениями ниже.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Спасибо, что дочитали до конца!

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

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

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

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

Как мы искали «кланы»

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

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

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

Почему фонды могут инвестировать вместе?

Между фондами всегда есть два вида связей:

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

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

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

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

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

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

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

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

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

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

2. Sequoia + Lightspeed

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

6. Khosla + Founders Fund (aka PayPal Mafia)

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

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

Но самое интересное здесь даже не цифры, а люди.

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

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

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

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

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

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

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

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

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

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

8. Coatue + private equity (Blackstone, Dragoneer)

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

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

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

Что все это значит?

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

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

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

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

Спасибо, что дочитали до конца!

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

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

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

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

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

Полный перевод документа можно прочитать ниже.

Преамбула

Оригинальная статья была написана в августе 2025 года.

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

В этот момент появляется человек. Он вручную выполняет платеж.

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

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

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

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

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

Зачем нужна новая инфраструктура

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

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

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

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

Три типа агентных транзакций

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

Внутри этих категорий три типа взаимодействий.

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

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

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

Проблемы

Традиционные рельсы становятся слишком медленными и дорогими

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

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

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

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

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

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

Арбитраж диспутов непрозрачен

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

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

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

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

Идентификацией сложно управлять

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

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

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

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

Платежи быстро становятся глобальными

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

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

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

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

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

Существующие системы контроля рисков ломаются

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

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

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

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

Интернет построен под ввод от человека

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

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

Возможности

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

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

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

Управляемые кошельки

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

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

Правила и контроли

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

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

Инструменты авторизации

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

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

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

Мониторинг и трассировка

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

Любые типы платежей

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

Существующие игроки

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

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

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

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

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

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

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

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

Дистрибуция

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

Y Combinator

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

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

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

PayPal-модель

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

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

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

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

AP/AR как точка входа

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

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

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

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

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

Риски

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

Зрелость рынка

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

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

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

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

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

Существующие решения

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

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

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

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

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

Спасибо, что дочитали до конца!

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

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