Продавать инструменты или продавать результаты? ИИ-компании движутся к двум совершенно разным будущим.

Автор: Variant

Адаптация: TechFlow

TechFlow: Компании в сфере ИИ разделяются на два вида: одни продают инструменты юридическим фирмам, другие сами становятся такими фирмами. В этой рамочной статье Variant объясняется, почему в некоторых отраслях следует делать ставку на усиление (augmentation), а в других — на автоматизацию; ключевыми факторами являются ответственность, стоимость верификации и зависимость от межличностных отношений. Для основателей стартапов и инвесторов это практический критерий для оценки потенциала роста ИИ-компаний.

Первая волна ИИ-компаний сосредотачивалась преимущественно на усилении рабочих процессов. Многие из них уже стали одними из самых успешных бизнес-моделей в истории корпоративного SaaS. К 2026 году возможности моделей достигли критической точки, и стартапы сменили тактику. Вместо продажи инструментов действующим игрокам они начинают напрямую вытеснять их за счет автоматизации. Многие из таких компаний выглядят уже не как типичный SaaS, а скорее как само программное обеспечение, предоставляемое по подписке.

Противостояние между усилением и автоматизацией укладывается в классическую рамку Криса Диксона: сильные технологии против слабых технологий. Слабые технологии аналоговые: они используют новые инструменты для воспроизведения старых практик, часто просто делая их более эффективными. Сильные технологии «исходят из первых принципов, максимально используют имеющиеся ресурсы и проектируют технологию такой, какой она должна быть».

Возьмем пример с юридическими услугами. Harvey продает ежемесячную SaaS-подписку юридическим фирмам, тогда как его конкурент Crosby сам является юридической фирмой. ИИ выполняет юридическую работу, а человеческие адвокаты подключаются только там, где человеческое участие необходимо в первую очередь: выстраивание и поддержание клиентских отношений, проверка результатов и несение ответственности в случае ошибок.

Компании, продающие инструменты для усиления, не стремятся перевернуть структуру клиентов или организаций, ведь именно они обеспечивают им стабильный доход. Компании, делающие ставку на автоматизацию, подразумевают необходимость глобальных изменений рынка. Подобно консалтинговым или сервисным компаниям, ИИ-стартапы в области автоматизации предпочитают продавать результат, а не количество рабочих мест, объем токенов или подписку.

Крис отмечает, что обе категории сильных и слабых технологий могут оказаться успешными, разница лишь во временнóм горизонте: оба пути уже приносят масштабные результаты и будут приносить их далее. Вопрос состоит в том, какой из путей лучше соответствует специфике конкретных задач, состоянию рынка и эволюционному статусу технологических возможностей.

В Variant мы используем простую рамку для определения того, какие рабочие процессы подходят для автоматизации, а какие — для усиления. Если двигаться дальше по этому вектору, становится ясно, какие вертикальные компании могут возникнуть и где откроются возможности масштаба венчурного финансирования. Мы выделяем три измерения:

1. Ответственность: насколько опасно и дорого обходится ошибка ИИ?
2. Верификация: насколько быстро и дешево пользователь может проверить качество выполненной работы?
3. Отношения: насколько сильно опыт зависит от межличностного взаимодействия?

Работы, требующие высокой ответственности, дорогостоящей верификации и сильно зависящие от межличностных связей, идеально подходят для усиления. Эта концепция наглядно раскрывается на примере противопоставления Crosby и Harvey. Внутренние юрисконсульты крупных корпораций полностью соответствуют всем трем параметрам фрейма: высокая ответственность, высокие затраты на проверку (множество открытых задач), сильная зависимость от отношений. Инструменты усиления типа Harvey или Claude Cowork логичны в таком контексте. Зато Crosby ориентирован на более стандартные и регулярные юридические услуги, например составление коммерческих договоров, где уровень ответственности обычно ниже, результаты проще верифицировать, связь с клиентом слабее, а клиенты чаще всего — стартапы.

При построении автономных систем на публичных блокчейнах мы усваиваем аналогичные принципы: смарт-контракты могут реагировать только на верифицируемые события. Всё, что нельзя проверить автоматически, должно передаваться людям для обработки вне сети, обычно через механизмы управления. Крипто-токены подчиняются схожим правилам: они исключительно эффективно поощряют измеримые количественные показатели (вычислительную мощность, стейкинг, ликвидность) и крайне слабо справляются с поощрением субъективного качества. Именно поэтому криптография успешно запустила финансовые рынки, но пока не смогла заменить Airbnb или Uber. Этот вывод всё чаще применяется для оценки того, где истинно автономные системы способны достичь масштаба.

В настоящее время по-настоящему автоматизированные решения ограничены в охвате применения и размерности доступного рынка. Стартапы, делающие ставку на автоматизацию рабочих процессов, как правило, лучше всего подходят для узких входных ниш, реализуя продукты либо для стартапов, либо для специфических рынков, менее восприимчивых к изменению устоявшихся моделей.

Старт с узкой ниши позволяет избежать «зоны поражения» больших AI-лабораторий, которые сосредоточены на горизонтальном расширении для усиления крупного устоявшегося рынка.

С течением времени мы полагаем, что решения в области автоматизации постепенно будут разъедать рынки, сильнее зависящие от личных отношений и несущие высокую ответственность, поскольку возможности моделей расширяются, стоимость верификации снижается, взаимодействие человека и ИИ преодолевает «долину ужаса», а культурное принятие растет. При таком сценарии первоначальное преимущество в данных, полученное благодаря захвату входной ниши, начнет работать как сложный процент, позволяя стартапу расти вместе с самим рынком.

Баланс между автоматизацией и усилением, а также их долгосрочная привлекательность будут продолжать дифференцироваться в разных отраслях. Возьмем образование. Alpha School представляет собой вертикально интегрированную частную школу с использованием ИИ, которая заменяет преподавателей «курсоводами» для создания практически полностью автоматизированного учебного процесса. Хотя мы признаем, что ИИ-ассистированное обучение будет чрезвычайно важно, мы считаем, что чрезмерная автоматизация и жесткая вертикализация не выйдут за пределы узкого сектора из-за опасений родителей относительно отношений с учителями и опасений школ перед возложением ответственности. Значительная часть нашей образовательной системы состоит из консервативных (и преимущественно государственных) структур, которые вряд ли скоро изменятся. Даже ведущие частные учреждения сталкиваются с ловушкой инноватора. Следовательно, решения, сфокусированные на усилении, кажутся более перспективными для достижения масштабных результатов, хотя им придется конкурировать с действующими игроками рынка.

Сфера рекрутинга указывает на противоположный тренд: мы отдаем предпочтение автоматизации. В этом вертикальном сегменте аналоги Harvey и Crosby выглядят так: Juicebox продает софт для поиска кандидатов (sourcing) рекрутерам, тогда как Prism сам выступает в роли рекрутера — получает от вас должностную инструкцию (brief) и доставляет готовых к собеседованию кандидатов, беря комиссию только в случае заключения контракта. Его ключевые этапы легко верифицируются (конверсия в ответы, результаты собеседований, уровень найма), а уровень ответственности относительно низок. Рекрутинг сильно завязан на личные связи, но этот процесс находится ближе к началу воронки (поиск кандидатов и их конвертация в собеседования). Это функция, которую компании часто передают на аутсорсинг, поэтому первыми клиентами становятся стартапы: им проще купить готовый результат, чем строить собственный отдел. Крупнейшие предприятия располагают штатными рекрутерами и выберут инструменты усиления, поскольку мало кто хочет автоматизировать собственные процессы. Целевая аудитория — стартапы. Это узкая ниша, позволяющая автоматизированному решению интегрироваться в насыщенный данными процесс, непрерывно улучшаться и масштабироваться вместе с рынком.

Компании в сфере ИИ делятся на два типа: создатели решений для усиления и разработчики автоматизации. Оба направления расширяют человеческую автономию, но разными путями. Первые дают человеку больший рычаг влияния внутри существующих институтов: больше знаний, больше производственных мощностей, больше контроля. Вторые демократизируют доступ: экспертные услуги, ранее доступные только корпорациям, теперь доступны каждому. Освобожденное время тратится на более амбициозные задачи. Главная новая возможность заключается не просто в продаже программного обеспечения, а в становлении самой услугой.