Всем привет!
Меня зовут Александр, я COO в SaaS-платформе аналитики данных. Делюсь полезными материалами, которые считаю стоят внимания. В основном про AI, изменение процессов, тренды и продуктовое видение.

У себя в телеграм-канале делюсь сжатыми и структурированными саммери статей.

AI стал стратегическим приоритетом практически для каждой компании: OpenAI утверждает, что 10% мировых систем теперь используют их продукты, и многие крупные компании приняли решения на уровне CEO для интеграции AI.

Разработчики используют этот невероятный спрос, но AI компании ведут себя по-другому по сравнению с традиционными SaaS-бизнесами, и большая часть общепринятых знаний о том, что работало для SaaS, не кажется справедливым для AI. Когда мы встречаемся с основателями, у них постоянно возникают вопросы о том, как выглядят крупные AI компании, где ожидать готовых продуктов и как построить компанию с долговечной ценностью. Основываясь на этих разговорах, мы синтезировали несколько выводов о том, как корпоративные AI стартапы адаптируются, растут и развиваются.

1. Яркие демо легко. Значимые продукты сложно.

После запуска ChatGPT в 2022 году распространенной фразой было то, что весь AI софт будет быстро превращен в продукт, потому что это были "GPT обертки" — подразумевая, что эти продукты тривиально создавать и они легко будут поглощены быстро улучшающимися возможностями моделей.

Почти три года спустя ясно, что это не так. Создание яркого AI демо относительно просто с современными инструментами, но последняя миля продуктовой работы исключительно сложна. В реальном мире пользователи ведут себя непредсказуемо, клиентские данные беспорядочны, а успех зависит от обработки длинного хвоста сценариев, которые может выбрать пользователь.

Демо всегда были упрощенными версиями финального продукта, но разрыв между демо и продуктом еще шире с AI продуктами из-за постоянно развивающихся моделей и их недетерминированных выходных данных. Инциденты вроде галлюцинации бота поддержки Air Canada иллюстрируют вызовы развертывания AI в реальных корпоративных производственных средах, а также финансовые и репутационные риски ошибок. Это особенно верно в областях, где точность и доверие являются главным приоритетом, таких как бухгалтерский учет и юриспруденция. Вы не можете вайбкодить ваши бухгалтерские отчеты или юридические документы.

В результате AI компании стали заинтересованными как в максимизации возможностей передовых моделей, так и в их ограничении для корпоративного уровня надежности. Они тщательно проводят оценки на последних моделях, организуют последовательности действий через разные модели, строят существенную поддерживающую структуру поверх базовых моделей и устанавливают продуктовую дорожную карту, которая нитью проходит между тем, что возможно сегодня и что будет возможно завтра. Команды часто переключаются между моделями в зависимости от того, насколько хорошо они выполняют конкретную задачу, и должны идти на компромиссы на основе качества модели, стоимости, скорости и масштабируемости. Во многих случаях они также дообучают свои собственные меньшие модели, которые живут рядом с большими моделями в производстве. Результатом является надежный продуктовый опыт, который не может доставить ни один отдельный API вызов.

Кроме того, для того чтобы любой AI продукт был ценным, он должен понимать контекст и логику бизнеса, которому он служит. Модели не делают этого из коробки. В результате AI компании инвестируют значительные инженерные и внедренческие ресурсы в то, чтобы заставить свои продукты работать в рамках уникальных политик, культуры и систем каждого отдельного клиентского случая. Это сложная, детальная клиентская работа, которую нужно сделать, но которую горизонтальные модельные компании не делают и, вероятно, не будут делать сами.

Учитывая сложности оркестрации через постоянно меняющийся состав моделей, понимание того, как двигаться к тому, что скоро будет возможно, и решение длинного хвоста проблем, необходимых для принуждения AI работать в реальных производственных средах, все это необходимо для построения устойчивого прикладного AI бизнеса — того, который не легко превращается в реальное решение горизонтальными поставщиками моделей.

2. Теперь требуется больше, чем когда-либо, чтобы прорваться: 10x — это новые 3x.

Достижение $1 миллиона в ARR в первые 12 месяцев монетизации раньше было классическим бенчмарком для корпоративных стартапов для успешного привлечения Series A. Но основываясь на выборке Series A AI компаний, которые мы видели за последние 18 месяцев, это теперь ниже медианы. Аналогично, основываясь на базовых данных платежей, Stripe показал, что AI клиенты достигают $5 миллионов в ARR значительно быстрее, чем их исторические SaaS коллеги. AI компании просто растут быстрее.

Самые быстрорастущие AI софтверные компании сегодня растут более чем в 10 раз год к году, и есть даже отклонения за пределы этого, с компаниями вроде Cursor, становящимися одними из самых быстрорастущих софтверных компаний всех времен через продуктовый выход на рынок.

Почему это происходит? Во-первых, мы видели заметный сдвиг в корпоративном поведении в покупке софта. Ценностное предложение AI очевидно для предприятий и создало большую когорту желающих покупателей AI софта с выделенными AI бюджетами. Это приближает циклы продаж и, следовательно, ускорило рост доходов для этих AI-нативных компаний. Другими словами, покупатели активно ищут и втягивают AI софт в свои организации, в отличие от предыдущих поколений софта, которые часто требовали продажного толчка.

Во-вторых, когда компании действительно покупают, они тратят больше, чем тратили на софт в прошлом. Это потому, что AI софт часто продает сам результат работы, вместо продажи софта, чтобы помочь людям делать работу. Это означает, что AI компании заменяют трудовые бюджеты, размер которых превышает традиционные софтверные бюджеты, давая AI компаниям значительно большие размеры контрактов, чем у их исторических софтверных коллег.

3. Барьер входа снизился: ожидайте поток приложений.

Стоимость создания падает — с $30 до менее $5 за миллион токенов менее чем за два года. Только в этом месяце OpenAI снизила цену своей модели o3 на 80%. Эта "LLMфляция" превосходит даже исторические снижения стоимости вычислений во время революции ПК и пропускной способности во время бума доткомов.

В то же время агентные IDE вроде Cursor (которые значительно ускоряют продуктивность разработчиков) и платформы текст-в-приложение вроде Lovable и Replit (которые позволяют нетехническим пользователям создавать приложения на естественном языке) породили продуктовые категории, которые кардинально ускоряют темп создания новых приложений.

Эти два фактора уже начали обрушать стоимость и сложность создания софта, открывая возможность создавать длинный хвост инструментов, которые ранее были неэкономичны для построения, и расширяя возможности растущего количества менее технических пользователей.

Часть этого софта будет персональным софтом, как пользовательские планировщики отпусков или персональные дашборды здоровья. Другие добавят ощутимую корпоративную ценность. Компании наконец смогут превращать в продукт длинный хвост рабочих процессов и локальных решений, которые готовый софт не мог обслужить, и которые, следовательно, приходилось покрывать человеческим трудом или хрупкими RPA решениями. С AI есть способ превратить эту локальные задачи в выделенные инструменты. AI открывает обширный набор новых возможностей — создавая новые рынки, открывая категории, которые раньше доминировали человеческим трудом, и расширяя рынки, которые исторически были слишком маленькими.

4. Скорость важна как никогда.

Десятки компаний пытаются продавать одинаково звучащие решения тому же корпоративному покупателю, и эти покупатели перегружены. Они хотят покупать AI от заслуживающих доверия игроков, и есть невероятная ценность в том, чтобы быть первым, кто утвердится как такой поставщик.

Для этого скорость и быстрый запуск имеют значение. Мы видели, как раннее быстрый запуск подталкивает компании к становлению лидерами категорий быстрее, чем когда-либо прежде. Первопроходцы смогли масштабировать продуктовую часть, генерировать мнение, заключать крупных клиентов, достигать быстрого роста доходов и устанавливать доминирование бренда — часто до того, как последователи успели адекватно ответить.

В кодинге быстрая продуктовая скорость Cursor катапультировала его в такой бренд, что теперь он используется как отдельное существительное, с крупными компаниями вроде Canva даже ожидающими владения для получения технических ролей. Аналогично, компании вроде Decagon, ElevenLabs, Hebbia и Harvey смогли использовать ранний запуск для установления премиального корпоративного бренда, усиливая клиентский запуск на своих соответствующих рынках.

Эта скорость также позволила этим компаниям оставаться впереди кривой против устаревших решений и поставщиков моделей. Во многих корпоративных категориях сегодня софтверные решения и поставщики моделей действительно запустили похожие предложения на ведущие стартапы. В кодинге, например, Microsoft имеет GitHub Copilot и OpenAI имеет Codex, но это не остановило быстрый запуск Cursor. Софтверные решения часто разделяют свой фокус между основным устаревшим бизнесом или многими конкурирующими исследовательскими и продуктовыми приоритетами, и в результате AI-нативные стартапы, которые остаются супер сфокусированными на доставке лучшего продукта, все еще получают лучшее принятие.

5. Чтобы поддержать это раннее преимущество, устойчивость в конкурентном преимуществе все еще имеют значение.

Чистая скорость исполнения и скорость поставки — один способ прорваться, но компаниям нужно поддержать это преимущество, чтобы закрыть дверь быстрым последователям и устаревшим решениям. AI сам по себе не является устойчивое конкурентное преимущество (Moat) : это способ доставлять ценность клиентам.

На жестко конкурентном AI рынке компаниям все еще нужно строить долговечные продукты. Устойчивое конкурентное преимущество все еще имеют значение. Они могут делать это несколькими способами.

Становиться системой учета: Наиболее классический преимущества в корпоративном софте — это становление основной системой учета организации, или источником истины для критических данных. AI открыл новые возможности на разных рынках (особенно вертикальных рынках), потому что это отличный способ получить клиентскую скорость и продемонстрировать четкую ценность за короткий промежуток времени. Но в конечном итоге система записи все еще является доминирующей бизнес-моделью для обеспечения долговечной ценности.

Это не означает, что не стоит преследовать AI-ниши. Некоторые AI компании, такие как Eve, Salient и Toma используют AI решения, чтобы захватывать данные в точке создания (через голосовые звонки или поглощение неструктурированных данных) способами, которые традиционный софт не мог. Затем они строят нисходящие рабочие процессы из этой точки создания, с конечной целью созревания в основную систему записи в своих отраслях.

Создать эффект «замыкания» в рабочих процессах: Как только компания способна заставить пользователей встроить продукт в их ежедневные рабочие процессы, это создает операционную и поведенческую мышечную память, которая делает переключение психологически и культурно разрушительным. Хотя обычно говорят, что AI софт выполняет работу автономно и поэтому лишен классических GUI-основанных пользовательских интерфейсов, все еще есть тяжелый цикл взаимодействия человек-AI, поскольку люди все еще часто наблюдают и аудируют работу, выполняемую AI сегодня. Decagon, например, строит AI агентов, которые автономно отклоняют тикеты поддержки, но все еще имеет надежные продуктовые рабочие процессы для людей для мониторинга, настройки или анализа работы, которую эти AI агенты делают, и умные способы эскалации к человеческим агентам при необходимости. Привыкание пользователей к UI/UX их продукта создало мощные устойчивые преимущества рабочих процессов, делая клиентов маловероятными для переключения на новые инструменты.

Строить глубокие вертикальные интеграции: Многие корпоративные клиенты живут и зависят от сложной сети бизнес-софтверных систем, многие из которых имеют ограниченные API и не говорят друг с другом. В результате AI компании, надеющиеся обслуживать этих клиентов, должны часто глубоко подключаться и интегрироваться в эти системы, чтобы обеспечить ценность. Инвестирование в эти интеграции помогает строить долговечность в клиентской базе, встраивая продукт в основной операционный рабочий процесс клиента, делая его трудным для извлечения без нарушения других систем.

В здравоохранении, например, Tennr сильно инвестировал в интеграцию с длинным хвостом устаревших факсовых и здравоохранительных систем для упрощения предпациентских направлений между поставщиками. В логистике HappyRobot строит соединения в самодельные TMS (системы управления грузовиками) платформы для развертывания своих AI голосовых агентов для грузовых звонковых операций. И Glean получает большую часть своей ценности от критических интеграций через основные корпоративные инструменты. Эти глубокие, часто клиент-специфичные интеграции ключевые для заставления AI решений работать в реальном мире и могут служить как мощные конкурентные преимущества.

Укреплять клиентские отношения: Корпоративные покупатели все еще люди. Доверительные отношения часто имеют больше значения, чем любая конкретная функция или цена поставщика, особенно поскольку AI поставщики все больше действуют как стратегические AI партнеры для клиентов, которых они обслуживают. Многие компании в сфере искусственного интеллекта теперь пользуются вниманием покупателей так, как это редко удавалось традиционным поставщикам программного обеспечения, помогая формировать дорожные карты клиентов и стратегию в области ИИ, а не просто продавать инструменты.

Это одно из самых интересных времен для создателей продуктов, поскольку AI открывает новые рынки и расширяет существующие возможности. Эти наблюдения отражают то, что мы видим через AI стартапы сегодня, и предназначены для руководства основателям, стремящимся построить долговечные компании.