Автор: Глубокий Размышляющий Круг
Заметили ли вы противоречивое явление? С одной стороны — повсюду истории успеха в области ИИ, новости о финансировании летают повсюду, и каждый день появляются новые AI-продукты. С другой — реальные трудности предприятий: исследования IBM показывают, что 75% решений на базе ИИ не приносят ожидаемой рентабельности инвестиций (ROI), а отчет MIT еще более печален — 95% AI-проектов не дают никаких измеримых результатов. В чем же заключается этот огромный разрыв? Почему казалось бы такие блестящие технологии ИИ так трудно реализовать на практике?
Несколько дней назад я посмотрел видео, в котором Бен делится глубоким анализом бизнес-моделей ИИ к 2026 году. Сам Бен управляет AI-агентством (AI-агентство) и бизнесом по разработке AI-программ уже более двух лет, и его наблюдения нашли у меня много откликов. Он указывает на один важный факт, который многие игнорируют: те AI-бизнесы, которые действительно зарабатывают и приносят ценность клиентам, зачастую не являются самыми яркими и «крутыми» чисто продуктовыми компаниями, а скорее — теми, что выглядят «скучными» — предоставляют услуги в сочетании с продуктами. Этот взгляд полностью перевернул мое представление о старте AI-бизнеса.
Почему большинство решений на базе ИИ терпят неудачу
В видео Бен приводит поразительные данные. Несмотря на стремительный рост использования ChatGPT и активные попытки компаний внедрить разные AI-решения, реальные бизнес-цели достигают немногие. Согласно исследованиям MIT, только 5% пилотных проектов AI, продаваемых поставщиками, в конечном итоге внедряются в производственную среду. Deloitte обнаружил, что лишь 15% организаций заявляют о значительной, измеримой ROI от AI. А отчет PWC показывает, что 76% компаний еще не увидели влияние на прибыль. Эти цифры просто ужасны.
Но одновременно мы видим совершенно противоположные примеры. Компания Clara сообщает, что их AI-помощник помог снизить издержки на обслуживание клиентов на 40%, при этом уровень удовлетворенности клиентов остался на том же уровне. Intercom еженедельно решает более миллиона диалогов поддержки клиентов. Freshworks использует AI для сокращения времени обработки заявок в IT-поддержке на 76%. Почему одни компании получают такие потрясающие результаты, а другие — остаются ни с чем?
Бен выделяет три ключевых фактора, и я считаю, что он очень точно их сформулировал. Первый — кастомизация и реинжиниринг процессов. AI способен автоматизировать рабочую силу, но только тогда, когда он действительно встроен в реальные рабочие процессы и создает ROI, а не просто добавляется как еще один инструмент в стек. Это обычно требует определенной степени кастомизации, интеграции или даже полного переосмысления существующих процессов. Рабочая сила тесно связана с уникальными данными компании, крайними случаями, инструментами и определением «что хорошо». Исследование McKinsey подтверждает это: из 25 свойств, которые тестировались, именно редизайн и кастомизация рабочих процессов для генеративного AI оказывают наибольшее влияние на реальную EBIT (прибыль до налогов и процентов).
Я очень хорошо это понимаю. Многие компании думают, что купив AI-инструмент, сразу увидят эффект, как при покупке Excel. Но так не работает. У каждой компании разные структура данных, бизнес-процессы и определения качества. Без глубокой кастомизации AI — это как новый сотрудник, который ничего не знает о компании и не сможет выполнять работу. Поэтому «готовые к использованию» AI-продукты часто показывают плохие результаты, а решения с глубокой настройкой действительно создают ценность.
Второй фактор — обучение команд и изменение мышления. Бен подчеркивает, что AI — это новая технология, и в отличие от традиционного программного обеспечения, которое детерминировано (при одинаковых входных данных дает одинаковый результат), AI — вероятностное (probabilistic). Людям нужно переучиться критически оценивать выводы AI, а не слепо доверять им. Многие при первой ошибке считают, что решение не зрелое, не понимая сути новой технологии. Если команда не научится правильно использовать AI, оценивать его выводы, проверять их и понимать, что есть хороший результат, внедрение внутри компании просто «зависнет».
Бен приводит хороший пример: их AI-решение для SEO — продукт, который можно внедрить, но без обучения команды, как правильно пользоваться системой и взаимодействовать с AI, оно не будет правильно применяться. Это очень важно, потому что это раскрывает одну из скрытых истин: AI — не магия, он требует обучения и взаимодействия. Как при переходе с командной строки на графический интерфейс, пользователи должны научиться новым способам взаимодействия. Сейчас переход с классического софта на AI — тоже путь обучения.
Третий фактор — постоянная эксплуатация и человеческий контроль. Поскольку AI-решения обычно обещают не только повысить производительность, но и дать конкретные результаты, за их работу должны отвечать люди, управляющие системами. Работая и меняясь, бизнес развивается, AI развивается очень быстро. Всё это требует постоянного мониторинга качества, участия человека (human in the loop), обработки крайних случаев, корректировки подсказок и логики, а также обеспечения соответствия бизнесу.
Бен сравнивает AI с умным стажером, которому нужно постоянно давать наставления и руководить, чтобы он давал результат, а не с автоматизированным софтом, который можно «заслать» и забыть. Я полностью согласен. Многие компании ожидают, что AI будет работать как SaaS — установил и забыл. Но AI — это скорее как нанять сотрудника, которого нужно постоянно управлять, давать обратную связь и корректировать. Исследование Gartner подтверждает: регулярная оценка и оптимизация AI-систем увеличивают вероятность получения высокой ценности в три раза.
Что делают успешные AI-бизнесы
А как же успешные AI-компании обеспечивают выполнение этих условий? Ответ очень прост и важен: они обычно добавляют слой услуг (service layer) поверх AI-решений или AI-программ. Это и есть тот «скучный», но чрезвычайно эффективный бизнес-модель, о которой многие не задумываются. Все успешные AI-компании, использующие AI-оригинальные продукты, все чаще предлагают консультации, обучение и кастомную интеграцию.
Бен подробно анализирует основные бизнес-модели. Первая — все больше AI-стартапов и AI-продуктовых компаний создают отделы консультаций. Forward deployed engineers (инженеры по внедрению) или solution engineers (инженеры решений) — одни из самых востребованных и ценных специалистов в AI-стартапах. Десятки стартапов из Y Combinator используют таких инженеров, чтобы обеспечить реальное внедрение. Эти инженеры помогают оптимизировать и интегрировать продукт в конкретный бизнес, иногда консультируют по приоритетам и переработке процессов, иногда обучают команду работе с AI.
Я посмотрел на список этих YC-компаний: Harvey AI, Strata AI, Sakana, Collectwise, Furai — все активно нанимают таких специалистов. Даже крупные компании вроде n8n, Relevance AI или Make.com имеют свои отделы для крупных клиентов и партнерскую сеть для меньших. Например, успех n8n во многом связан с YouTube-блогерами, которые обучают бизнесменов использовать эти инструменты. Это показывает: даже лучший продукт нуждается в обучении и сервисе, чтобы раскрыть весь потенциал.
В зависимости от программного обеспечения, есть разные подходы: одни больше ориентированы на кастомные услуги, другие — на обучение и развитие навыков, третьи — на консультации. Иногда это комбинация. Но для почти всех этих AI-оригинальных бизнесов слой услуг — необходимая часть для достижения реальной ROI. Это полностью меняет мое понимание бизнес-моделей. В эпоху SaaS самые успешные модели — полностью самообслуживаемые и масштабируемые. Но в эпоху AI даже лучшие продукты требуют поддержки и сервиса.
Вторая модель — AI-first service agencies (AI-агентства, ориентированные на услуги), например, маркетинговые или лидогенерирующие агентства, которые используют AI внутри своих процессов для автоматизации предоставляемых клиентам услуг. Бен упоминает Called IQ — агентство по развитию лидов, использующее AI для автоматизации контента, email-рассылок и outreach в LinkedIn, через менеджеров по работе с клиентами или GTM-инженеров. Эти агентства имеют преимущество: они сами — операторы AI, поэтому обычно не требуют обучения клиента. Но это тоже сервисный бизнес, предоставляющий консультации и стратегии, реализуемые через менеджеров, которые все больше становятся технически подкованными — именно поэтому появляется новая востребованная позиция — AI GTM-инженер.
Это очень умная модель. Вместо того чтобы убеждать клиента менять свой подход, проще дать ему результат. Клиент не учится пользоваться AI, он просто видит рост продаж или больше лидов. Такой подход полностью скрывает сложность AI за сервисом, клиент платит за результат, а не за инструмент. Это объясняет, почему многие традиционные сервисные компании, внедряя AI, могут значительно повысить прибыльность: их издержки снижаются, а цены остаются прежними.
Третья модель — AI-агентства по автоматизации (AI automation agencies), которые не просто создают решения, а становятся стратегическими партнерами бизнеса, предоставляя полный спектр услуг: аудит AI, кастомные внедрения, обучение команд. В таких компаниях очень ценны delivery managers (менеджеры по реализации), обладающие бизнес-знаниями, техническими навыками и коммуникативными способностями. Они могут постоянно консультировать, перерабатывать процессы, выявлять узкие места, обучать команду и управлять операторами AI.
Бен делится своим опытом: когда он начинал, их фокус был только на внедрении, что часто приводило к тому, что решения не использовались или не принимались. Потом они внедрили стратегию, обучение и привлекли таких менеджеров — и показатели внедрения и ROI выросли в разы. Этот переход очень важен: он показывает, что техническая реализация — лишь часть успеха, главное — обеспечить правильное использование и результат.
Четвертая ценная роль — AI officers (AI-офицеры) или fractional AI officers (частичные AI-офицеры), обладающие бизнес-остроумием и пониманием AI, — помогают компаниям трансформироваться, предлагая консультации, кастомные решения и обучение. Эти специалисты — с разными названиями, но по сути — люди с очень ценным набором навыков, способные приносить реальную ROI.
Границы между продуктами и услугами стираются
Ключевое мнение Бена — даже если сейчас можно за несколько часов построить отличное программное обеспечение с Claude Code, чтобы создать AI-продукт, чаще всего (не всегда, но чаще) потребуется значительные инвестиции в предоставление услуг. Многие воспринимают продукты и услуги как противоположные, но в AI это скорее спектр. Есть полностью self-service AI SaaS, а есть полностью кастомизированные решения, похожие на AI-трансформационные агентства.
Я полностью согласен с этим. Бен говорит, что большинство AI-бизнесов, планирующих стартовать к 2026 году, независимо от модели, должны добавлять слой услуг. Даже если у вас есть полностью self-service продукт, вам все равно потребуется инвестировать в обучение и поддержку. С появлением таких инструментов, как Claude Code, создание продукта становится все более демократичным. В эпоху SaaS создание продукта было сложно, а сейчас — главное — уметь развернуть AI и обеспечить его работу.
Этот инсайт очень глубокий. Он означает, что технологический барьер снижается, а сервисный — растет. Раньше ценность была в умении писать код, потому что это было сложно. Сейчас — писать код уже недостаточно, потому что AI помогает вам писать код. Истинная ценность — в понимании потребностей клиента, проектировании правильных решений и их правильной интеграции и эксплуатации. Всё это требует сильных сервисных навыков, а не только технических.
Бен говорит, что многие мечтают построить AI-продукт, оставить его минимальным и продавать тысячам людей. Но для большинства без многолетнего опыта, связей с венчурными фондами или в Кремниевой долине, реальность такова: даже если предоставление услуг — не конечная цель, это самый быстрый путь к реальной ROI сегодня. И услуги — лучший способ масштабировать. Когда один и тот же рабочий процесс, интеграции, обучение и ROI повторяются у разных клиентов, это сигнал, что их можно стандартизировать и превратить в продукт.
Это — самый важный вывод. Хороший продукт строится на доказательствах, а не на предположениях. Компания Andreessen Horowitz (A16Z) опубликовала статью о росте, основанном на продукте, и о росте, основанном на услугах в эпоху AI. Они видят ту же тенденцию: компании, которые обеспечивают максимальную ROI и долгосрочный доход, — это AI-бизнесы с сервисной моделью. Хотя вначале прибыль может быть ниже, а объем работы — больше, такие компании быстрее находят соответствие продукту и рынку.
Бен приводит пример своего AI-SEO софта. Они создавали кастомные SEO-системы для клиентов, чтобы понять, что действительно работает, какие интеграции нужны, как сделать так, чтобы люди эффективно использовали их. В процессе они все больше превращали эти решения в продукт. Но даже после работы с более чем сотней компаний, им приходится вкладывать много в обучение и поддержку, чтобы получать реальные результаты.
Глубокие размышления о бизнес-моделях AI
После рассказа Бена я стал лучше понимать суть AI-бизнеса. Мы переживаем не только технологические изменения, но и фундаментальную смену бизнес-моделей. В классической эпохе SaaS масштабируемость была ключом. Самые успешные компании — те, что могут обслуживать максимум клиентов при минимальных издержках. Поэтому SaaS так популярен: после разработки продукта обслуживание одного клиента стоит почти столько же, сколько и тысячи.
Но AI меняет правила игры. Ценность AI — не в самом программном обеспечении, а в его применении к конкретным бизнес-сценариям. У каждой компании разные данные, процессы и цели, поэтому один и тот же AI-инструмент в разных бизнесах работает по-разному. Вот почему кастомизация и слой услуг так важны. Мы больше не можем мыслить в рамках классического софта.
AI-бизнес — это скорее гибрид консалтинга и софта. Он требует аналитики и кастомизации, как в консалтинге, и масштабируемости, как в софте. Те, кто пытаются идти только по продуктовой дорожке, сталкиваются с проблемами внедрения, потому что их продукты технологически продвинуты, но клиенты не знают, как их использовать или интегрировать. А те, кто только услуги, — не могут масштабироваться и зарабатывать большие деньги.
Самые успешные модели — это баланс между продуктом и услугой. Бен говорит, что все успешные кейсы — это сочетание. Они используют продукт для основных функций и масштабируемости, а услуги — для правильного внедрения и использования. Такой гибридный подход — долгосрочно более устойчивый, потому что он реально создает ценность для клиента.
Я заметил еще одну тенденцию: высокоценные позиции в AI — это люди с комбинированными навыками. Уже не только инженеры или только бизнесмены, а те, кто понимает и технику, и бизнес. Forward deployed engineers должны знать бизнес-процессы, AI-инженеры — техническую реализацию и маркетинг, delivery managers — бизнес, технологии и коммуникации, AI officers — все вместе. Это отражает суть AI-бизнеса: глубокое слияние технологий и бизнеса.
С точки зрения стартапов, мой совет — не сразу делать масштабируемый продукт. Лучше начать с предоставления услуг, чтобы понять потребности клиентов, найти повторяющиеся модели. Когда вы решите проблему 10 клиентам, вы узнаете, что можно превратить в продукт. Такой путь — более надежный и успешный, хотя кажется «скучным».
Я также размышляю, почему классический продуктовый подход в эпоху AI не работает. Основная причина — вероятностная природа AI. Традиционный софт — детерминированный, при одинаковых входных данных дает одинаковый результат. AI — вероятностный, и результат зависит от множества факторов: данных, подсказок, контекста. Это создает неопределенность, и AI нельзя просто «запустить и забыть». Требуется постоянное управление, настройка и оптимизация.
Это объясняет, почему слой услуг так важен. Он обеспечивает не только техническую поддержку, но и постоянное улучшение и настройку. Как говорит Бен, AI — это как умный стажер, которого нужно постоянно учить, давать обратную связь, исправлять ошибки и обучать новым навыкам. Этот процесс — не разовая акция, а постоянный цикл. Поэтому компании, которые продают только продукт без сервиса, редко добиваются успеха, потому что они перекладывают ответственность за постоянную оптимизацию на клиента, а большинство клиентов не готовы или не хотят это делать.
Взгляд в будущее и рекомендации
Исходя из анализа Бена и моих собственных размышлений, у меня есть несколько прогнозов. В краткосрочной перспективе (следующие 2-3 года) доминирующей моделью останутся сервис-ориентированные AI-бизнесы. Технологии еще очень быстро развиваются, и стандартизация еще не достигнута. В этом этапе компании, предлагающие глубокую кастомизацию и постоянную поддержку, получат максимум ценности.
В среднесрочной перспективе (3-5 лет) мы увидим, что некоторые успешные модели начнут превращаться в продукты. Те, кто выявил повторяющиеся паттерны в процессе оказания услуг, начнут их формировать в функционал продукта. Но полностью self-service AI-продукты все равно останутся меньшинством, большинство успешных AI-компаний сохранят слой услуг. Как сейчас на рынке корпоративных решений — Salesforce, у которых есть крупные партнерские сети и профессиональные сервисы.
Долгосрочно (более 5 лет) AI станет более зрелым и надежным, пользователи — более опытными в взаимодействии с AI. Тогда появятся полностью продуктовые решения. Но я считаю, что слой сервиса никогда полностью не исчезнет, потому что бизнес — это сложность и многообразие. Даже при высокой интеллектуальности AI, компании все равно потребуется помощь в интеграции и адаптации под свои уникальные процессы.
Для тех, кто хочет войти в AI-сферу, мой совет — развивать комбинированные навыки. Не ограничивайтесь только техникой или только бизнесом. Учите автоматизацию (n8n, Make.com), программирование (Claude Code), а также развивайте бизнес-интуицию, умение выявлять боли и проектировать решения. Такой гибридный набор навыков станет очень ценным.
Бен советует постепенно становиться AI-оператором или AI-офицером внутри компании. Начинайте автоматизировать свои процессы, расширяйте автоматизацию на другие отделы, показывайте команде, как использовать AI. Это сделает вас незаменимым и создаст ценные навыки для AI-эпохи. Я полностью поддерживаю этот совет: AI не заменит человека, который умеет его использовать, — его заменит тот, кто не умеет.
Для предпринимателей — мой совет: начинайте с AI-агентства или fractional AI-officer. Это поможет вам развить три навыка: консультации, внедрение и обучение. Инструменты можно освоить за несколько недель, а навыки — в практике. Большинство компаний отстают в AI, и если вы будете чуть впереди, они захотят с вами работать долго. Обычно достаточно 2-4 клиентов, чтобы получать ежемесячно 10-20 тысяч долларов постоянного дохода.
Если у вас уже есть AI-агентство, инвестируйте в предоставление полного комплекса услуг: консультации, обучение, внедрение. Многие компании сосредоточены только на внедрении, а добавление аналитики, воркшопов и обучения — это то, что реально приводит к ROI. Можно заключать долгосрочные контракты, что важно для стабильных доходов.
Если вы — существующая сервисная компания, например, маркетинговое агентство или лидогенератор, то у вас есть отличная позиция. Не бойтесь переключаться на AI-агентство или создавать AI-продукт — если внутри вы используете AI для своих услуг, это даст вам конкурентное преимущество и высокую прибыльность. Главное — понять, что AI снижает издержки, а не полностью меняет бизнес-модель.
Если вы — стартап с продуктом, то Бен советует серьезно вложиться в слой услуг — в течение нескольких месяцев или лет — и только потом масштабировать продукт. Это особенно важно, потому что многие AI-стартапы терпят неудачу не из-за плохого продукта, а из-за преждевременного масштабирования без достаточной поддержки и сервиса. Доказывайте ценность через услуги, находите соответствие продукту и рынку, а потом расширяйтесь.
В заключение хочу сказать, что к 2026 году в области AI еще нет настоящих экспертов. Все учатся, все ищут. Это — вызов и возможность одновременно. Те, кто готов учиться, практиковаться и делиться знаниями, смогут стать лидерами. Как говорит Бен, важно использовать этот огромный разрыв в принятии — сегодня прыгнуть в AI. Не ждать, пока все станет идеально, — тогда окно возможностей закроется.
Я уверен, что ближайшие годы станут ключевыми для формирования бизнес-моделей AI. Те, кто найдут оптимальный баланс между продуктом и услугой, кто реально создает ценность для клиентов, а не гонится за хайпом, и кто развивает комбинированные навыки, — станут победителями этого времени. А «скучный» слой услуг + продуктов — именно тот, что может стать самым устойчивым и ценным AI-бизнесом.
