OpenAI активно захватывает уровень приложений? a16z: возможности за «желтым кирпичным путем», предприниматели всё ещё имеют шансы позади

a16z партнер отметил, что уровень приложений ИИ — это не единое поле боя, стартапам следует избегать прямого нападения крупных моделей на горизонтальные инструменты и сосредоточиться на вертикальных отраслях. Эта статья основана на твит-посте.
(Предыстория: Google инвестирует в платформу маршрутизации ИИ OpenRouter, оценка — 1,3 миллиарда долларов, рост за год — 240%)
(Дополнительный фон: Сам Альтман обсуждает с основателем a16z: OpenAI делает рискованные ставки на инфраструктуру, Sora — важный стратегический инструмент)

Содержание статьи

Переключить

• Распространяющаяся тревога: поглощение приложений крупными моделями?
• Ловушка желтого кирпича: путь к гибели горизонтальных инструментов
• Возможности в стране Оз: вертикальные рабочие потоки и конкурентные преимущества
• Преимущество в стоимости: маршрутизация моделей и дообучение
• Панель управления: ценность соответствия и управления

Это именно тот вопрос, на который пытается ответить партнер a16z Джо Шмидт в этой статье. Он использует метафору «желтого кирпича» из «Узника страны Оз», деля возможности применения ИИ на две категории: первая — основные направления, в которые активно заходят крупные модели, такие как генерация кода, писательство, создание изображений, универсальные агенты и горизонтальные офисные помощники; вторая — «другие места в стране Оз», то есть те вертикальные сценарии, которые глубоко интегрированы в отраслевые процессы, зависят от сложных рабочих потоков, данных, соответствия нормативам, управляемости и системной интеграции.

По его мнению, настоящие возможности для стартапов — во второй категории.

От продаж до страхования Джо Шмидт многократно подчеркивает один и тот же принцип: компании готовы платить не за более умное окно чата, а за систему, которая отвечает за бизнес-результаты. Она должна уметь понимать хаос клиентских данных, обрабатывать многопользовательские одобрения и крайние случаи, нести ответственность за соответствие нормативам и аудит, а также при постоянных обновлениях модели помогать клиентам с миграцией, маршрутизацией и оптимизацией затрат.

Это и есть ключевое для следующего поколения корпоративного программного обеспечения: базовые модели станут все мощнее и заменяемее, но по-настоящему незаменимы останутся данные, процессы, управляемость и операционная память, сформированные вокруг конкретных отраслей и рабочих потоков. Возможности компаний по применению ИИ заключаются не в борьбе за «желтый кирпич» с моделями, а в проникновении в более сложные, грязные, медленные, но более приближенные к реальной бизнес-ценности области.

В последнее время я постоянно слышу от основателей и потенциальных сотрудников один и тот же вопрос: что еще можно делать на уровне приложений ИИ? Или OpenAI и Anthropic в конечном итоге уничтожат все?

За этим вопросом стоит типичная тревога по поводу ИИ. Кто-то уже пришел к выводу: чтобы не оказаться навсегда в роли низкоуровневых компонентов, единственный долгосрочный путь — либо внутри лабораторий крупных моделей, либо в стартапах в области роботов, передовых технологий или смежных фронтирных областях — то есть заниматься тем, что «лаборатории не смогут достичь». Потому что если все виды софта будут поглощены, либо Codex или Claude возьмут на себя соответствующие задачи, либо в будущем модели станут ненужными, лучший выбор — бежать как можно быстрее!

Я признаю, что сам почти являюсь сторонником гиперусиления ИИ, и считаю, что они говорят правду лишь наполовину. Лаборатории крупных моделей действительно начинают проникать в большие части уровня приложений. Но «уровень приложений» — это не однородный набор возможностей. Главное — понимать: вы идете по «желтому кирпичу» или в другие места в стране Оз.

Примечание: «желтый кирпич» — это дорога, ведущая в сердце Зеленого города, к «Магу» в «Узнике страны Оз».

Под «желтым кирпичом» мы понимаем путь, по которому идут лаборатории крупных моделей и вкладывают в него огромные ресурсы. Генерация кода, писательство, создание изображений — эти задачи изначально подходят для лабораторий, потому что с ростом базовых возможностей моделей их качество улучшается прямо пропорционально вложениям: каждый доллар в предобучение и дообучение напрямую повышает качество продукта.

Но в других местах страны Оз — более сложные, зачастую более вертикальные задачи. Они не сводятся к простому предоставлению горизонтальных инструментов для бизнес-пользователей, которые смогут решить проблему, подключившись к стандартным инструментам и базовым навыкам работы с компьютером. Здесь ценность больше связана с инфраструктурой вокруг моделей: инструментами, которые делают выводы надежными, соответствующими нормативам и способными интегрироваться в бизнес-процессы. Базовые возможности моделей, конечно, важны, но уже не все.

Мы это видим прямо сейчас. OpenAI и Anthropic фактически признают: они не смогут решить все задачи универсальным ИИ-коллегой. Они объявили о масштабных совместных проектах по внедрению и настройке моделей для бизнеса. Если бы они считали, что следующая версия модели решит все проблемы, они бы не вкладывали миллиарды в такие проекты.

Распространяющаяся тревога: поглощение приложений крупными моделями?

Итак, если вы хотите зарабатывать на приложениях ИИ, не идите по «желтому кирпичу», а стройте в других местах страны Оз. Вот опыт, который мы и наши инвесторы получили на практике.

Если вы создаете компанию, «желтый кирпич» — самый очевидный, но и самый опасный путь. Возьмите мощную модель, подключите готовые интерфейсы, например Google Drive, Slack, Salesforce, Notion, GitHub, и создайте сверху интеллектуальный слой оркестровки. Кажется, магия.

Проблема в том, что это именно то, что делают лаборатории крупных моделей через Cowork и Codex. Очевидно, что у них есть модели, что дает им более высокую прибыльность, больший контроль и возможность устанавливать цены для всех downstream участников. Но, что важнее, они контролируют архитектурные решения, определяющие, для каких задач подходит продукт. Пока они активно используют схему «модель + вызов инструментов», которая идеально подходит для горизонтальных задач с небольшим числом шагов. Даже если стартапу удастся превзойти Codex или Claude Code, лаборатории крупных моделей сохраняют огромные возможности распространения и сильный бренд.

Если вы — компания по применению ИИ, использующая ту же стратегию: подключение к тем же интерфейсам, без собственных подсистем или конфигураций, без каналов распространения — вы, скорее всего, идете по пути в никуда.

Но для стартапов ситуация не безнадежна. За пределами «желтого кирпича» есть большие возможности. Стартапы могут находить клиентов и решать сложные задачи.

Эти компании создают интеллектуальные системы: модели интегрированы в сложные инструменты, автоматизацию и сети интеграции — то есть в софт. Это делает их по сути вертикальными игроками. Они могут сосредоточиться на рабочих потоках с несколькими шагами, участниками и ролями, проектировать подсистемы для разных ролей и вертикальных сценариев, решая задачи, недоступные горизонтальным платформам: сбор контекста из разных систем, маршрутизация задач между участниками, требующими одобрения на разных этапах.

Такие задачи часто связаны с наследственными системами, требуют определенности и не допускают неопределенности, а иногда и напрямую связаны с ключевыми бизнес-результатами. Лаборатории крупных моделей, конечно, понимают ценность этих задач: поэтому создают свои аутсорсинговые команды и развивают сервисы по усиленному обучению для крупных клиентов.

Один из аргументов против — до сих пор инвестиции в модели и лаборатории не оправдывают себя, и продолжат усиливаться, поглощая рынок приложений.

Лаборатории крупных моделей, безусловно, будут совершенствоваться. Но я считаю, что компании в других местах страны Оз смогут долгое время защищать свои позиции несколькими способами.

Многие важные для бизнеса знания не лежат в открытых данных: неписаные отраслевые практики, стандарты без документации, знания, хранящиеся только в головах специалистов. Они не доступны в интернете. Независимо от вложений в вычислительные ресурсы, их невозможно заменить, просто погрузившись в эти рабочие потоки.

Здесь работают два «фронтальных» механизма: один — межклиентский, когда, увидев больше вариантов одной и той же проблемы, модель учится на этом и становится лучше; другой — внутри клиента, когда знания о причинах решений, неявных исключениях и внутренней экспертизе проявляются только при реальном взаимодействии с системой.

Ловушка желтого кирпича: путь к гибели горизонтальных инструментов

Даже если клиентские данные нельзя использовать между разными клиентами, компании могут использовать модели для распознавания типов проблем у разных клиентов и на этой основе проектировать будущие рабочие потоки. Если компания уже обработала сотни случаев юридических изменений, тысячи циклов страховых проверок или десятки тысяч активных продаж, она понимает структуру проблем лучше, чем любой новичок, запустивший новую подсистему.

Теоретически, горизонтальный интеллект может иметь такую же инфраструктуру обучения. Но причина, по которой он этого не делает, — не только недостаток фокуса, но и пользовательский опыт. Запечатлеть знания можно только через интерфейсы, которые предоставляете пользователю. Вертикальные игроки проектируют эти интерфейсы вокруг конкретных рабочих потоков и информации, которая им действительно нужна, а горизонтальные инструменты — нет. Наборы оценок, системы аннотаций, классификация крайних случаев — все это можно объединить в вертикальную «полевую» базу данных и дополнительно использовать для дообучения. Без масштабной среды производства, которая раскрывает эти данные, трудно создать такой «фронтальный» механизм. Он зависит от прав собственности на данные, объема накопленной продукции и структуры контрактов с клиентами, но сам по себе механизм распознавания паттернов продолжает развиваться.

Внутри лабораторий крупных моделей уже идет маршрутизация: вызов разных моделей для разных запросов, интеграция на уровне базовых моделей. Но они не умеют маршрутизировать между поставщиками, сложно оценивать конкурирующие модели для конкретных задач или использовать лучшие открытые дообученные модели в узких сегментах.

Компании в других местах страны Оз выбирают наиболее подходящую модель для каждой задачи, а не используют одну и ту же модель от лаборатории. Они берут на себя работу, которую никто не хочет делать: переоценку новых моделей при каждом релизе, перенастройку подсказок для крайних случаев, внедрение без нарушения производства. Лаборатории крупных моделей этого не делают. Они продают вам модель и говорят: «Мигрируйте». Компании в стране Оз берут на себя эти издержки. Клиенты получают лучшие интеллектуальные возможности рынка и непрерывность при обновлениях.

Передача каждого запроса Opus 4.7 — самый быстрый способ уйти в убытки. Лучшие компании в стране Оз маршрутизируют задачи между моделями разного уровня: самые сложные — к передовым моделям, большинство — к средним, а в проверенных случаях используют меньшие или дообученные модели.

Некоторые уже дообучают модели под конкретные задачи, снижая стоимость API и повышая эффективность. Лаборатории крупных моделей устанавливают «минимальную цену» — минимальный уровень интеллекта за X долларов. Компании в стране Оз продают обратное: минимальную стоимость при выполнении конкретных рабочих задач. Это возможно только при полном понимании, какой уровень интеллекта нужен для каждой задачи. Лаборатории не могут знать все особенности вертикальных отраслей. В итоге это приводит к более низким и управляемым ценам за результат.

Создание панели управления для клиента в конкретной вертикали — очень ценное преимущество. Эта панель — место, где собираются права, аудит, разрешения и действия ИИ.

Она строится на конкретных сценариях и требованиях. Разные отрасли и роли требуют разных ограничений. Поскольку эти компании имеют инструменты, рабочие потоки и данные, с которыми взаимодействуют ИИ, они могут обеспечить более надежные результаты, чем горизонтальные платформы. Они также берут на себя регуляторные сложности: законы, правила, стандарты, требования по конфиденциальности и безопасности. Если горизонтальные платформы не превращаются в сотни вертикальных решений, они не смогут убедительно это сделать. CIO нуждается в партнере, который берет на себя ответственность за соответствие нормативам.

Все это сводится к одному — к фокусу.

Этот фокус может быть в конкретной отрасли: страхование, право, бухгалтерия; или в глубокой специализации по функциям: продажи, обслуживание, финансы. В любом случае, это требует команды, которая долго работает с одним типом клиентов, понимает их рабочие процессы, крайние случаи и регуляции. Лаборатории крупных моделей для этого не созданы. Они должны обслуживать всех и везде, и именно поэтому изначально строили «желтый кирпич». Такой компромисс мешает им глубже проникать в другие области страны Оз: можно быть везде, но не везде — в чем-то глубоко.

Как понять это на практике? Вот советы от CEO 11x Прэбхав Джайна.

Возможности в стране Оз: вертикальные рабочие потоки и конкурентные преимущества

Создать компанию, способную противостоять ударам лабораторий крупных моделей, можно, исходя из конкретных результатов, которые важны клиентам. Для нас это — помощь в генерации лидов и расширении продаж.

Отсюда вопрос становится очень конкретным: какие действия мы хотим полностью контролировать и действительно способствовать росту продаж? Разбить каждое действие на задачи. Какие задачи подходят для ИИ, а какие — нет? Какие требуют глубокого отраслевого знания, а какие — нет? Лаборатории крупных моделей тоже создают рабочие потоки, но когда их шагов много, входы запутаны, состояние трудно объяснить или есть реальные ограничения — простое улучшение модели не решит проблему. Тогда снова приходится обращаться к классической разработке программного обеспечения, и в этом плане лаборатории не имеют преимущества перед узкоспециализированными приложениями.

Например, наши задачи включают: поиск потенциальных клиентов по кастомным сигналам, дополнение информации о клиентах, глубокое исследование аккаунтов, сбор контекста из CRM, подготовку информации для разных каналов, интеллектуальную оценку квалификации потенциальных клиентов, системы доставки писем. Некоторые из них — задачи для ИИ, некоторые — нет. Эти задачи требуют глубокого инженерного подхода, а не однократного подсказки.

Ключевое понимание в аналогии с «Страной Оз»: в реальных рабочих потоках примерно половина задач — не для ИИ, и эта половина не дает лабораторным моделям преимущества. В них способность писать детерминированный софт не превосходит вашу. А вторая половина — для ИИ — тоже требует, чтобы вы ориентировались на желаемый результат, подгоняли модель, обучали и ограничивали ее.

Отраслевые знания часто не входят в стандартные обучающие датасеты. Их нужно строить снизу вверх, из вертикальных отраслевых данных и конкретных функций, и подавать в модель в нужный момент рабочего потока. Например, когда наш ИИ по телефону определяет, подходит ли входящий лид, он должен понять: для конкретной отрасли и конкретного профиля клиента, что есть хорошая продажа. Это — работа для приложения, и эта способность будет расти в геометрической прогрессии.

Еще важнее, что эти знания постоянно устаревают, поскольку сама компания развивается. Поэтому постоянное обновление рабочих потоков и контекста — это и есть источник конкурентных преимуществ. Например, когда мы начали делать массовую рассылку по электронной почте, «ИИ пишет письма» только начинало появляться. Сегодня мы уже можем отличить, какие письма — AI, а какие — человек, и это понимание меняется каждые несколько месяцев. Наш ИИ должен постоянно адаптироваться к рынку, а барьер входа — именно в этом. И хотя динамика есть, мы за последние месяцы повысили отклик на 4 раза и создали сотни миллионов долларов в продажах для клиентов.

Настоящая ценность — в решении сложных задач. Иначе получается, что мы просто делаем тонкую упаковку.

Разбор сложных бизнес-задач быстро показывает хаос. Вот пример из области GTM: если вы уже работаете с компанией, то не должны связываться с конкретным контактом внутри нее. Но это не так просто.

Может быть, у вас есть доменное имя этой компании в CRM. А что делать, если у нее есть десятки дочерних компаний? Или в CRM указано имя материнской компании? Или в Salesforce есть устаревшее поле, из-за которого вы отправляете холодное письмо CEO существующего клиента? Реальные данные — хаос. Люди с этим борются, а модели — нет. Чтобы навести порядок, нужно проектировать специальные ИИ-решения, ориентированные на конкретные формы проблем, а не просто подключать универсальный помощник к CRM. На основе наших данных мы обнаружили, что качество и актуальность наших данных превосходит собственные, поэтому по умолчанию используем свои данные в качестве якоря.

Ограничения — это недооцененная ценность. Даже внутри одного продукта каждое применение требует своих правил. Для нас, например, потенциальный клиент в регулируемой финансовой сфере — совсем другое, чем средний SaaS-клиент. Эти требования передаются по цепочке: как писать ИИ, кому можно обращаться, какие данные использовать, что говорить по телефону, как фиксировать решения.

«Один размер подходит всем» — эта идея не выдержит конкуренции. Ограничения должны строиться под конкретные сценарии и клиентов, постоянно пересматриваться и аудитироваться. Это полностью ложится на плечи приложений. Поэтому нужны инженеры по внедрению и стратегии, которые подстраивают систему под каждого клиента.

Преимущество в стоимости: маршрутизация моделей и дообучение

Например, мы работали с крупной компанией из топ-1000, которая использовала голосовые звонки с согласия клиента для работы с их большим сегментом SMB. Вначале показатели были низкими. Мы быстро итеративно учились, как за 10 секунд до звонка вызвать у клиента интерес. Поведение SMB-руководителей сильно отличается от крупных B2B-покупателей или потребителей. Сейчас мы генерируем для них больше сделок за день, чем их команда за месяц.

Это — лишь пример. Страхование — еще один пример, показывающий то же самое. Вот как CEO FurtherAI Аман Гур понимает «отход от желтого кирпича».

Когда мы начали внедрять ИИ в страховые процессы, мы постоянно слышали гипотезу: модель — это и есть интеллект, а рабочий поток — просто инфраструктура вокруг модели.

Но чем больше мы работаем с страховыми компаниями, тем больше убеждаемся, что все наоборот.

В страховой индустрии много интеллекта уже заложено в рабочие процессы. Две страховые компании могут пройти один и тот же путь: подача документов, проверка, расчет стоимости, одобрение. Сам путь — простая часть. Главное — все, что внутри этого пути: какие риски требуют повышения, какие сигналы о потерях важны, при конфликте правил — какое правило приоритетнее, когда нужен человек для подписи, какие внешние данные запрашивать, как фиксировать окончательное решение.

Эти логики не записаны в чистом правиловом движке. Они разбросаны по стандартным операциям, менеджерским проверкам, философии оценки рисков, специфике каждой компании и многолетней практике. Многие из них не представлены в виде моделей, которые можно прямо прочитать.

Вот почему мы не верим в идеи о моделях, которые всегда начинают с нуля, или в жесткие рабочие потоки, которые ломаются при реальной сложности. Мы строим рабочие потоки для ИИ, потому что они обеспечивают повторяемость, аудит и контроль затрат; ИИ — для обработки вариативности и восстановления процесса при отклонениях; человек — для решений, требующих суждения и ответственности.

Изначально эта система автоматизирует ручной труд. Но со временем каждое обновление становится сигналом, каждое исключение — обратной связью, а исправления — дополнением к операционной памяти компании.

Это превращает рабочий поток из скрипта в операционный мемориал.

Именно этого не могут достичь лаборатории крупных моделей. Они продолжают выпускать новые модели и универсальные ИИ, и правильно делают. Но они не будут долго учиться в производственных потоках страховых компаний, чтобы понять, почему аккаунт был повышен, почему отказано в риске или почему эксперт отменил рекомендации — и при этом был прав.

Это понимание достигается только через многократное выполнение одних и тех же рабочих потоков в реальной среде. Первый запуск не создает барьер. Барьер — это цикл использования, накопленный за время эксплуатации.

Для нас это — смысл «отхода от желтого кирпича».

Панель управления: ценность соответствия и управления

Насколько сложной должна быть эта система? Какие инструменты нужны для ее поддержки?

Возьмем горизонтальный ИИ, ищущий в Google Drive: это одна операция, с высокой терпимостью к ошибкам. Пользователь читает резюме, ошибся — спрашивает снова.

А что если задача — многошаговое изменение юридических красных линий по прецедентам за последние три года: десятки шагов, несколько инструментов, требующих проверки партнером, и даже возможных судебных разбирательств? Обе ситуации выглядят как «один ИИ делает работу», но только вторая требует глубокой разработки, которую создают команды с многолетним опытом.

Вы создаете систему для клиента, или добавляете инструмент поверх существующей системы?

Система должна иметь полный рабочий поток: сбор данных, управление, фиксацию результатов. Когда клиент описывает, как происходит работа, он указывает на эту систему. Инструменты — это лишь слой интеллекта, добавляемый к уже существующему рабочему процессу.

Инструментальные продукты могут приносить доход, но лаборатории крупных моделей скорее заберут их себе, потому что клиент не зависит от вас как от оркестровщика. Высокая средняя цена — признак системного продукта, потому что он заменяет реальных людей и за это платит. Но это не абсолютное правило. Нужно спросить себя: если крупная модельная лаборатория выпустит продукт, который кажется вам прямым конкурентом, нужен ли он клиенту? Если да — вы строите систему. Если нет — вы — инструмент, даже при высокой цене.

Результат лабораторий — это бенчмарки, а у компаний в стране Оз — это показатели в бизнес-отчетах клиентов.

Клиенты не заботятся о том, сколько баллов вы набрали в SWE-Bench или MMLU. Их интересует: ваш ИИ заключил сделку, правильно ли он изменил контрактные красные линии, выдал ли правильную страховку. Если клиент ориентируется на конкретные рабочие сценарии, а не на универсальные показатели — вы в стране Оз. Если он платит за универсальные возможности — вы продаете то, что можно получить через Claude или Codex.

Лучшие компании по ИИ работают как хедж-фонды: выигрывают на альфе, а альфа — это показатели в бизнес-отчетах, а не в бенчмарках.

Мы увидим одновременно и победителей на «желтом кирпиче», и тех, кто выйдет за его пределы. Модели продолжат побеждать, потому что у них есть модели и хорошо налаженная система распространения.

Компании в других местах страны Оз тоже смогут выигрывать, если у них есть рабочие системы: интерфейсы для реального выполнения задач, поток данных и их захват. Эти компании собирают данные, управляют рабочими потоками и обеспечивают управление. По мере развития сложных рабочих потоков в вертикальных сферах они станут ядром клиентского опыта, который невозможно повторить горизонтальными платформами. Когда новые модели от существующих игроков и новых участников будут появляться, эти компании станут тем слоем, который интегрирует модели и доставляет их клиентам. Базовые модели — заменяемы, системы — нет.

Следующее поколение корпоративных приложений будет строиться вне «желтого кирпича».