
a16z: OpenAI и другие компании не уничтожат все возможности на уровне приложений — отбросьте тревогу, связанную с ИИ
Автор: Джо Шмидт IV
Перевод и адаптация: TechFlow
Вступление от TechFlow: В чём главная тревога стартаперов в сфере ИИ? Уничтожат ли OpenAI и Anthropic все возможности на прикладном уровне? Партнёр a16z предлагает ответ в рамках теории «Жёлтой кирпичной дороги»: лаборатории крупных моделей будут доминировать лишь в решении горизонтальных, одношаговых задач; настоящие перспективы — в узкоспециализированных сценариях, многошаговых рабочих процессах и сферах с жёсткими требованиями к соблюдению нормативов. Эта статья обязательна к прочтению как для разработчиков ИИ-стартапов, так и для инвесторов.
Недавно мне задавали один и тот же вопрос снова и снова — как основатели, так и потенциальные сотрудники: «Есть ли ещё что-то, что можно сделать на прикладном уровне ИИ, или OpenAI и Anthropic уничтожат всё?»
За этим вопросом стоит особая форма «тревоги ИИ». Некоторые приходят к выводу, что единственное место, где можно избежать вечного пребывания в нижнем эшелоне, — это либо работа внутри крупной исследовательской лаборатории, либо выход на передовые направления вроде робототехники и «жёстких технологий» — теоретически любые области, «до которых не дотягиваются лаборатории». Если каждый программный продукт будет поглощён — либо напрямую Codex или Claude, либо будущими моделями, делающими вашу работу излишней, — тогда бегите!
Слушайте: я, как и почти все, являюсь самым ярым сторонником ИИ, и считаю, что они правы наполовину. Лаборатории действительно поглощают огромную часть прикладной поверхности. Однако «прикладной уровень» — это не однородная возможность. Правильная модель рассуждения заключается в том, находитесь ли вы на «Жёлтой кирпичной дороге» или в других местах Страны Оз.
«Жёлтая кирпичная дорога» — это наш термин для обозначения пути, по которому движутся лаборатории и на который они вкладывают колоссальные ресурсы. Лаборатории наиболее эффективны при решении таких задач, как генерация кода, письмо или создание изображений, поскольку качество решений этих задач улучшается по мере повышения базовых возможностей моделей: каждый доллар, потраченный на предварительное обучение и дообучение, повышает качество продукта. Между тем в «других местах Страны Оз» живут более сложные, зачастую узкоспециализированные проблемы, которые нельзя решить просто предоставлением бизнес-пользователям универсального инструмента в сочетании со стандартными инструментами и компьютерами. Ценность здесь создаётся скорее за счёт «подмостков», окружающих модель — архитектурных решений, обеспечивающих достоверность, соответствие нормативным требованиям и практическую применимость её выводов в конкретной отрасли, а не только за счёт первичных возможностей самой модели (хотя они по-прежнему важны!).
Мы наблюдаем это прямо сейчас: OpenAI и Anthropic фактически сообщают рынку, что не могут решить все задачи с помощью универсальных ИИ-коллег. Они объявили о запуске масштабных совместных предприятий по предварительной интеграции, направленных на создание целых компаний, специализирующихся на настройке и адаптации их моделей под нужды корпоративных клиентов. Если бы следующий релиз модели мог решить все проблемы, никто не вложил бы десятки миллиардов долларов в такие проекты.
Поэтому, если вы хотите разбогатеть, создавая ИИ-приложения, — избегайте «Жёлтой кирпичной дороги» и стройте решения в «других местах Страны Оз». Ниже мы приводим то, чему научились сами и чему научились наши портфельные основатели относительно того, что работает.
Жёлтая кирпичная дорога
Если вы собираетесь основать компанию, «Жёлтая кирпичная дорога» — самый очевидный, но и самый опасный путь. Возьмите высокопроизводительную модель, подключите несколько готовых коннекторов (например, Google Drive, Slack, Salesforce, Notion, GitHub), а поверх них разверните какой-нибудь слой оркестрации агентов. Как волшебно!
Проблема в том, что именно этим занимаются лаборатории с помощью Cowork и Codex. Очевидно, что у них есть доступ к моделям, что даёт им лучшую маржу, контроль и возможность навязывать ценовую политику всем downstream-участникам. Но, возможно, самое главное — они определяют архитектурные решения, формирующие спектр задач, которые их продукты способны решать. До сих пор они осторожно подходят к комбинированию моделей и вызовов инструментов — именно этот паттерн необходим для горизонтальных, малошаговых задач, характерных для этой «дороги». Даже если стартапу удастся каким-то образом превзойти Codex или Claude Code, у лабораторий остаются огромные каналы распространения и самый мощный бренд в сфере ИИ.
Если вы — ИИ-стартап, использующий те же коннекторы, без вложенных подагентов или настраиваемых компонентов и без собственных каналов распространения, то, скорее всего, вы идёте по пути, ведущему в никуда.
Другие места Страны Оз
Для стартапов вовсе не всё так мрачно. За пределами «Жёлтой кирпичной дороги» существуют огромные возможности, где у стартапов есть чёткий путь к завоеванию клиентов и решению сложных задач.
Эти компании строят опыт взаимодействия с агентами, в котором модели вплетены в сложную сеть инструментов, автоматизации и интеграций (иными словами — программного обеспечения), что по умолчанию делает их узконаправленными. Они могут сосредоточиться на многошаговых и многопользовательских рабочих процессах, используя подагентов, специально адаптированных под роли и отраслевые задачи — области, недоступные для горизонтальных платформ Anthropic и OpenAI: сбор контекста из разных систем и его маршрутизация нескольким лицам, которым требуется утвердить решение на разных этапах. Это часто включает один или несколько унаследованных систем, требует детерминированных результатов, не допускает неопределённости и зачастую связано с конкретными ценными бизнес-результатами. Лаборатории прекрасно понимают, насколько ценны такие задачи: именно поэтому они создают собственные магазины конфигураций под аутсорсинг и почему существует целая категория высокотехнологичных услуг в области усиленного обучения.
Почему «другие места Страны Оз» не захватит Волшебник
На приведённые выше аргументы можно возразить, что до сих пор ставка на то, что модели/лаборатории не станут совершенствоваться, была крайне невыгодной сделкой. Вероятно, они и дальше будут улучшаться и в конечном итоге поглотят рынок этих прикладных сервисов.
Да, лаборатории будут совершенствоваться, однако я считаю, что «другие места Страны Оз» обладают несколькими способами защиты от этого на протяжении времени:
Данные и циклы обучения:
Большая часть того, что вы интегрируете в свою систему, отсутствует в любых обучающих наборах — это неформальные отраслевые нормы, незадокументированные стандарты и «тактические знания», существующие лишь в головах практиков. Всё это отсутствует в открытой сети. Никакие объёмы вычислительных ресурсов на обучение не заменят присутствия в тех рабочих процессах, где эти знания реально применяются. Здесь действуют два взаимодополняющих цикла: первый — межклиентский: вы накапливаете шаблоны по мере того, как видите больше вариантов одной и той же проблемы; второй — внутренний для клиента: причины конкретных решений, неозвученные исключения, собственные эвристики компании — всё это проявляется лишь через реальное взаимодействие с системой.
Даже если клиентские данные нельзя использовать между клиентами, прикладные компании могут использовать межклиентские шаблоны типов задач для построения правильной архитектуры будущих решений. Компания, уже запустившая своих агентов сто раз для юридической редактуры, тысячу раз для страховой экспертизы или десять тысяч раз для активностей SDR, интегрирует форму проблемы таким образом, что новый участник рынка не сможет этого повторить — даже если он запустит абсолютно новый агент с нуля.
Горизонтальные агенты теоретически могут построить такую же инфраструктуру обучения. Но они этого не делают — не только из-за отсутствия фокуса, но и из-за требований к пользовательскому опыту: сбор таких знаний полностью зависит от интерфейса рабочего процесса, который вы предоставляете пользователям, а узкоспециализированные игроки могут формировать эти интерфейсы вокруг содержимого, которое должно проявляться в их рабочих процессах. Горизонтальные инструменты так поступить не могут. Наборы для оценки, разметка выводов и классификация пограничных случаев могут накапливаться в вертикально-специфичный «цикл данных», служащий топливом для дообучения, и новый участник рынка не сможет его воссоздать без сопоставимого производственного опыта. Возможность этого зависит от прав на данные, объёма накопленного производственного опыта и структуры клиентских контрактов, но в любом случае распознавание шаблонов будет происходить.
Управление изменчивостью и сложностью моделей: Лаборатории уже осуществляют внутреннюю маршрутизацию — используют разные категории моделей для разных запросов, применяя ансамбли на нижнем уровне. Однако они не могут выполнять маршрутизацию между поставщиками, оценивать модели конкурентов для конкретных подзадач или использовать открытые дообученные модели для узких участков задачи, где они дают наилучший результат. Компании «других мест Страны Оз» выбирают правильную модель для каждой подзадачи на всём рынке моделей, а не только ту, которую выпустила их «родная» лаборатория. Они также выполняют работу, которую никто другой не хочет делать: при каждом обновлении заново проводят оценку, повторно калибруют промпты для пограничных случаев клиентов и внедряют изменения без нарушения производственной среды — каждый раз при выходе новой модели. Лаборатории не делают этого за клиентов: они просто продают вам следующую модель и говорят, что нужно мигрировать. Компании «других мест Страны Оз» берут на себя всю работу по миграции. Клиент получает самый передовой ИИ со всего рынка, а также бесперебойную преемственность при каждом обновлении.
Оптимизация затрат: Запуск каждого запроса через Opus 4.7 — самый быстрый путь к отрицательной валовой марже. Лучшие компании «других мест Страны Оз» реализуют маршрутизацию по уровням моделей: передовые модели используются для самых сложных задач, модели среднего уровня — для большей части работы, а меньшие, специализированные или дообученные модели — там, где компания выиграла право на их применение. Некоторые из них сегодня даже дообучают свои собственные модели, оптимизируя их для узких фрагментов работы, значимых для клиентов, предлагая услуги за долю стоимости вызовов передовых API. Лаборатории ориентируются на нижнюю строку отчёта: минимальный ИИ за X долларов. Компании «других мест Страны Оз» продают обратное — минимальную стоимость в долларах для достижения конкретного уровня ИИ, реально требуемого рабочим процессом. Это возможно только в том случае, если вы точно знаете, какой уровень требуется для каждой подзадачи, чего лаборатории структурно не могут знать в каждой отрасли. Это напрямую транслируется в более низкую и контролируемую цену результата.
Управление и соблюдение нормативов: Стать «управляющей плоскостью» для ИИ-решений клиента в его отрасли имеет огромную ценность — это точка концентрации полномочий, аудита, определения того, что агенты могут делать и что они действительно сделали. Эта управляющая плоскость строится на основе «ограждений», специфичных для конкретного применения, которые выглядят совершенно по-разному в разных отраслях и типах работ. Поскольку такие компании владеют инструментами, рабочими процессами и данными, с которыми взаимодействуют агенты, они могут гарантировать детерминированные результаты — чего трудно добиться с помощью горизонтальных инструментов. Кроме того, они берут на себя регуляторную сложность для конечного заказчика — правила FRCP и адвокатских ассоциаций в юриспруденции, HIPAA в здравоохранении, нормативы SEC и FINRA в финансах, государственные страховые регуляторы и т.д. Горизонтальные игроки не могут делать это убедительно, если одновременно не становятся сотней различных вертикалей. CIO хочет партнёра, который в договоре гарантирует соблюдение нормативных требований к предоставляемым агентам.
Всё это сводится к одной вещи: фокусу. Это может быть либо узкая отрасль (страхование, юриспруденция, бухгалтерия), либо глубоко проработанная функция (продажи, поддержка клиентов, финансы). В любом случае такая работа требует команды, полностью сосредоточенной на одной группе клиентов — их рабочих процессах, пограничных случаях и нормативных требованиях. Лаборатории не созданы для этого. Их задача — быть повсюду и обслуживать всех, вот почему они изначально и построили «Жёлтую кирпичную дорогу». Та же самая дилемма не позволяет им войти в «другие места Страны Оз» — вы можете быть везде одновременно или достигнуть превосходства в одном деле. Обоих сразу не бывает.
Пример из сферы продаж — практические рекомендации от CEO 11x Technology
Как практически применять эти идеи? Ниже приведены некоторые практичные советы от CEO 11x Prabhava Jaina.
Фокус на результате
Тактический путь к созданию компании, устойчивой к действиям лабораторий, начинается с конкретного результата, который действительно важен вашим клиентам. Для нас это — помощь компаниям в генерации большего числа лидов. Отсюда задачи становятся тактическими. Какие именно действия, ведущие к генерации лидов, мы хотим взять под полный контроль? Разбейте каждое действие на задачи. Какие из них можно автоматизировать с помощью агентов, а какие — нет? Какие требуют сложных отраслевых знаний, а какие — нет? Лаборатории тоже будут выпускать рабочие процессы, но когда процесс состоит из множества шагов, имеет хаотичные входные данные, трудноинтерпретируемые состояния или ограничения реального мира, одного лишь улучшения моделей недостаточно для достижения цели. Работа переходит к традиционной разработке программного обеспечения, где у лабораторий перед сфокусированными прикладными компаниями никаких преимуществ нет. Например, вот некоторые из задач, с которыми мы сталкиваемся: поиск потенциальных клиентов на основе пользовательских сигналов, дополнение информации о потенциальных клиентах, углублённое исследование аккаунтов, извлечение контекста из CRM, генерация сообщений для конкретных каналов, агенты для квалификации потенциальных клиентов и системы доставки электронных писем. Это не задачи, которые можно решить единовременно — для их выполнения требуется глубокая инженерная работа.
Ключевое прозрение в аналогии со Страной Оз заключается в том, что примерно половина неавтоматизированной части любого реального рабочего процесса не даёт лабораториям никаких преимуществ. В написании детерминированного программного обеспечения под уровнем моделей они не сильнее вас. А та половина, которая автоматизируется агентами, всё равно требует от вас тонкой настройки, дообучения и ограничения моделей под конкретный желаемый результат. Отраслевые знания обычно отсутствуют в общих обучающих данных. Эти навыки создаются с нуля для конкретной отрасли или функции и вводятся в модель в нужный момент рабочего процесса. Когда наш агент квалифицирует входящие лиды по телефону, мне необходимо дообучать его на основе образцов успешных продажных диалогов в данной отрасли и для данной роли. Это работа прикладной компании, и она даёт эффект сложного процента.
Что ещё важнее, эти навыки постоянно устаревают, поскольку бизнес постоянно развивается. Поэтому ваша способность поддерживать эволюцию этих рабочих процессов и контекста и есть настоящее конкурентное преимущество. Например, когда мы запустили продукт масштабированной внешней рассылки по электронной почте, «ИИ»-письма только начали появляться. Сегодня же люди уже научились чётко различать письма, написанные ИИ, и письма, написанные людьми, причём эта способность меняется каждые несколько месяцев. Наши агенты должны постоянно адаптироваться к динамике рынка — именно здесь и формируется защитный ров. Фактически, несмотря на постоянные изменения на рынке, наша доля положительных ответов за последние месяцы выросла в четыре раза, а клиенты получили сотни миллионов долларов новых возможностей для продаж.
Фокус на сложных задачах
Именно сложные задачи действительно высвобождают коммерческую ценность. В противном случае вы рискуете построить лишь тонкий обёрточный слой.
Разберите любую достаточно сложную бизнес-задачу — хаос проявится очень быстро. Вот пример из GTM-сферы, который на первый взгляд кажется простым: если компания уже является клиентом, вы не должны связываться с контактными лицами этой компании. Но на практике всё намного сложнее. Возможно, в вашей CRM указан домен этой компании. А как быть с компанией, имеющей десятки дочерних структур? Что, если в CRM записан домен материнской компании? А если в Salesforce поле соответствия устарело, и холодное письмо попадает CRO уже существующего клиента? Данные реального мира хаотичны. С ними с трудом справляются даже люди. Модели не могут чудесным образом преодолеть этот барьер. Чтобы привнести порядок в хаос, нужны агенты, специально разработанные для конкретной формы задачи, а не универсальный «помощник», указывающий на CRM. На самом деле, согласно нашим данным, мы осознали, что качество и актуальность наших данных значительно выше, чем у клиентов, поэтому по умолчанию используем собственные данные.
«Ограждения» нужны не только для предотвращения негативных последствий. Именно ради них клиенты и платят вам деньги.
«Ограждения» сильно недооценены. Даже в рамках одного и того же продукта каждый сценарий использования требует своих «ограждений». Для нас потенциальный клиент из регулируемой финансовой сферы требует совершенно иных гарантий, чем клиент из среднего сегмента SaaS. Эти гарантии пронизывают всё: как агент составляет тексты, с кем он может связываться, к каким данным может получить доступ, что может сказать по телефону и как регистрируется каждое решение.
Система «один размер подходит всем» рухнет перед этими различиями. «Ограждения» должны создаваться под конкретный сценарий использования, настраиваться под клиента и подвергаться постоянному аудиту. Эта работа целиком ложится на прикладные компании. Именно поэтому у нас есть штатные инженеры по внедрению (FDE) и стратеги по техническому внедрению, которые тонко настраивают решения под потребности каждого клиента. Например, мы сотрудничаем с компанией из списка Fortune 1000, проводя с её обширной клиентской базой малого и среднего бизнеса голосовые звонки с предварительным согласием. В первых итерациях показатель ответов был низким — нам пришлось быстро итерировать и учиться, как вовлечь эту конкретную аудиторию в течение первых 10 секунд разговора. Поведение владельцев малого бизнеса кардинально отличается от поведения крупных B2B-покупателей или потребителей. Сегодня мы создаём для них больше возможностей для продаж за день, чем весь их отдел продаж по данному сегменту за месяц.
Пример из страхования — практические рекомендации от CEO FurtherAI
Продажи — один пример. Страхование — другой, иллюстрирующий ту же идею с другой стороны. Ниже приведены размышления CEO FurtherAI Амана Гура о том, как строить решения «вне дороги»:
Когда мы начали разворачивать ИИ в реальном страховом бизнесе, нам постоянно встречалось одно и то же предположение: «модель и есть интеллект, а рабочий процесс — всего лишь каркас вокруг неё».
Сотрудничая со всё большим числом страховых компаний, мы всё увереннее приходим к выводу, что это представление ошибочно.
В страховой отрасли значительная часть интеллекта находится именно в самом рабочем процессе. Две страховые компании могут отправлять заявку на страхование по внешне одинаковому пути: подача, проверка, расчёт предложения, принятие решения. Но сам путь — это простая часть. То, что отличает компании, — это всё, что происходит внутри этого пути: какие риски требуют согласования с вышестоящим руководством, какие сигналы потерь имеют значение, какая из двух конфликтующих правил о рисках имеет приоритет, когда требуется ручное подписание, какие внешние данные следует использовать и как фиксируется окончательное решение.
Эти логики не существуют в виде чистого движка правил. Они разбросаны по стандартным операционным процедурам, проверкам менеджеров, принципам андеррайтинга, специфическим риск-предпочтениям компании и многолетнему операционному опыту. Большая часть этого содержимого не зафиксирована в форме, доступной для прямого чтения моделями.
Вот почему мы не верим в чистые агенты, которые каждый раз рассуждают с нуля, и не верим в жёсткие рабочие процессы, которые рушатся при столкновении с хаотичной реальностью. Мы строим «агентизированные рабочие процессы». Рабочий процесс даёт повторяемость, аудируемость и контроль над затратами. Агенты справляются с изменчивостью и восстанавливают работу при сбое идеального пути. Люди сохраняют участие на этапах, где требуется ответственность за принимаемые решения.
В первый день это автоматизирует ручную работу. Но со временем каждый случай согласования становится сигналом, каждый исключение — обратной связью, каждая ручная коррекция — показателем неполноты операционного руководства. Со временем рабочий процесс перестаёт быть скриптом и начинает становиться «операционной памятью» страховой компании. Это область, до которой лабораториям трудно добраться. Они продолжат выпускать лучшие модели и лучшие универсальные агенты — и это хорошо. Но им не хватит времени, чтобы погрузиться в производственные рабочие процессы страховой компании и понять, почему тот или иной аккаунт был направлен на согласование, почему тот или иной риск был отклонён или почему андеррайтер отклонил руководство по рискам — и был прав.
Такое понимание может возникнуть только после тысяч запусков рабочего процесса в производственной среде. Рабочий процесс, который вы поставляете в первый день, — это ещё не защитный ров. Защитный ров создаётся циклами, возникающими в ходе реального использования.
Для нас именно это и есть смысл построения решений «вне дороги».
Как определить, находитесь ли вы в «других местах Страны Оз»?
Тест на инструменты и шаги: Сколько шагов требует данная работа и насколько сложные инструменты необходимо создать для её поддержки? Сравните горизонтальный ИИ-поиск в Google Drive — один шаг, один инструмент, высокая толерантность к ошибкам (пользователь может прочитать резюме и при необходимости задать вопрос заново) — и многошаговую юридическую редактуру с опорой на трёхлетние прецеденты юридической фирмы: десятки шагов, охватывающих множество инструментов, выводы, требующие одобрения партнёров и, возможно, судебной защиты. Оба случая выглядят как «агенты выполняют работу», но только второй требует глубокого программного обеспечения, разрабатываемого сфокусированной командой в течение нескольких лет.
Тест на систему: Вы создаёте систему, которую клиент использует для выполнения своей работы, или инструмент, размещаемый поверх уже существующих систем клиента? Система владеет рабочим процессом «от начала до конца» — сбор данных, управление, регистрация завершения — это то, на что клиенты указывают, описывая, как на самом деле происходит работа. Инструмент же просто добавляет «ум» к уже существующему рабочему процессу клиента. Сценарий с инструментом может приносить реальный доход, но лаборатории могут его забрать, поскольку клиент не зависит от вас как от оркестратора. Высокий ACV (средний контракт с клиентом) обычно сигнализирует о системе, потому что система заменяет реальных людей и оплачивается за это, хотя это и не гарантия. Задайте себе вопрос: если лаборатория выпустит продукт, который, по её утверждению, напрямую конкурирует с вами, клиенту всё ещё нужен ваш инструмент? Если да — вы строите систему. Если нет — вы создаёте инструмент, даже если ваш ACV высок.
Тест на хедж-фонд / отчёт о прибылях и убытках: Эффективность лабораторий оценивается по бенчмаркам, а эффективность «других мест Страны Оз» — по отчёту о прибылях и убытках клиента. Ваш клиенту наплевать, какой балл ваша модель набирает на SWE-Bench или MMLU — его волнует, закрыл ли ваш агент сделку, правильно ли отредактировал контракт или правильно ли принял решение по страховому полису. Если клиент фокусируется на результатах конкретного рабочего процесса, а не на общих показателях способностей, вы находитесь в «других местах Страны Оз». Если клиент платит за общие способности, то то, что вы ему продаёте, он может получить, подписавшись на Claude или Codex. Лучшие бизнесы на основе агентов должны работать как хедж-фонды — побеждать за счёт «альфа» в отчёте о прибылях и убытках клиента, а не за счёт бенчмарк-баллов.
Оба типа могут (и будут) побеждать
Мы увидим огромных победителей как на «Жёлтой кирпичной дороге», так и вне её. Модели будут побеждать, поскольку у них есть модели и каналы распространения для горизонтальных инструментов, которые они разрабатывают.
«Другие места Страны Оз» смогут победить, если они обладают рабочими системами — интерфейсами, через которые компании фактически выполняют свою работу, и данными, которые в них циркулируют и фиксируются. Эти компании владеют сбором данных, системой исполнения рабочих процессов и системой управления. По мере зрелости более сложных рабочих процессов в узких отраслях они будут накапливаться в единый ключевой опыт, от которого клиенты зависят. Когда новые поколения моделей будут выходить от существующих игроков и новых участников рынка, компании станут тем слоем, который интегрирует их и доставляет клиентам. Базовые модели заменяемы; рабочие системы — нет.
Следующее поколение корпоративного программного обеспечения будет строиться вне «дороги».
Если вы занимаетесь этим — свяжитесь с нами: [email protected].













