Телеграм канал «AI для Всех»

Главная ошибка AI-стартапов — мыслить слишком мелко

Сэм Альтман на Startup School сформулировал парадокс:

AI позволяет маленькой команде делать то, для чего раньше требовалась целая компания. Но большинство основателей используют эту сверхсилу, чтобы собрать очередную обёртку над ChatGPT.

Если модель за один промпт повторяет продукт, который раньше строили годами, — это не значит, что создавать больше нечего.

Это значит, что нужно взяться за задачу на порядок сложнее.

Несколько мыслей из выступления:

1. Сейчас золотое время для стартапов

Стоимость разработки падает, циклы становятся короче, а доступ к знаниям — почти бесплатным. Несколько человек с AI-агентами могут замахнуться на проекты, которые недавно требовали сотен сотрудников.

2. Лучшие идеи сначала выглядят неправильными

Большие компании редко рождаются из модного консенсуса. Обычно основатель замечает экспоненту или технологический сдвиг, который остальные ещё не успели принять всерьёз.

Но одной «контринтуитивности» недостаточно. Убеждённость должна расти вместе с доказательствами: работающим продуктом, поведением пользователей и реальными результатами.

3. Огромная цель должна начинаться с маленького работающего шага

OpenAI говорил об AGI, но начинал как небольшая исследовательская лаборатория. Большое видение не требует сразу строить всю империю.

Нужно найти минимальный шаг, который проверяет главную гипотезу и создаёт реальное движение вперёд.

4. Связи между основателями накапливаются годами

Альтман рассказал, как когда-то помог Stripe нанять Грега Брокмана — задолго до того, как они вместе основали OpenAI.

Вывод простой: помогать сильным людям полезно без немедленного расчёта на отдачу. Невозможно заранее узнать, во что превратится одна встреча через десять лет.

5. AI должен расширять человеческую свободу, а не только создавать изобилие

Даже мир без болезней и материального дефицита будет антиутопией, если в нём не останется приватности, самостоятельности и осмысленной роли для человека.

Поэтому главный вопрос не только в том, насколько умными станут модели.

А в том, кто контролирует их действия — и сохраняет ли человек право принимать окончательное решение.

Главный вывод: AI резко снизил стоимость амбиции.

Теперь маленькая команда может поставить перед собой почти абсурдно большую цель.

Хочу закончить трансляцию с YC Summer School словами Live in the future, then build what’s missing.

Как продавать стартап: уроки с живого разбора Пита Казанджи

Кто именно должен купить ваш продукт — и почему ему было бы глупо этого не сделать?

Из нескольких совершенно разных компаний сложилась одна практическая система.

1. Ищите не широкий рынок, а сочетание боли и денег

У стартапа для hardware-команд было три сегмента:

• у небольших компаний есть деньги, но проблема недостаточно острая;
• у академических лабораторий проблема острая, но платить они не хотят;
• у enterprise есть и боль, и бюджет, но длинный цикл продажи и уже внедрённые системы.

Вывод — не выбирать между «маленькими» и «большими» абстрактно. Ищите сегмент, где одновременно присутствуют сильная боль, бюджет и достижимая первая сделка.

2. ICP — это организация плюс конкретный человек внутри неё

Платформа для мероприятий сначала описывала клиента как «компанию, которая проводит события». Это почти бесполезно.

После разбора ICP стал наблюдаемым:

• компания уже успешно проводит крупное ежегодное мероприятие и начинает региональную серию;
• она выросла из Luma/Eventbrite, но ещё не готова к тяжёлому Cvent;
• мероприятия проходят на площадках среднего размера;
• внутри нет полноценной event-команды, поэтому всё свалили на перегруженного EA или field marketer.

Искать таких клиентов можно не только через outbound: площадки, каталоги событий и платформы без onsite-операций становятся каналами дистрибуции.

3. У хорошего ICP есть внешние следы

Производитель лабораторного оборудования находил клиентов по публикациям, грантам и типам экспериментов. Если команда выращивает органоиды или занимается биопечатью, можно предположить конкретное оборудование и высокую стоимость неудачного эксперимента.

Вместо общего письма «мы автоматизируем лаборатории» можно прийти с гипотезой.

Сильный outbound начинается не со списка должностей, а с «выхлопа» реальной работы клиента: публикаций, вакансий, новых проектов, мероприятий, грантов, технологий и партнёрств.

4. Экономику нужно измерять, а не придумывать

AI-брокер по перевозке автомобилей говорил, что он значительно дешевле традиционных посредников. Но подтверждён был только один маршрут: конкурент взял бы около $1 300 комиссии, а стартап — около $300. Реальная экономия на этой перевозке составляла примерно $1 000.

Это уже сильное доказательство. Но из одного случая нельзя честно сделать заявление «экономим 75% ежемесячно».

Сначала измерьте результат у первого хорошего клиента. Затем используйте его имя, объём, скорость и подтверждённую экономию, чтобы продавать похожим компаниям из той же сети.

5. Не бойтесь ручной работы до того, как нашли повторяемую продажу

Другой стартап резко повышал эффективность рекламы брендов, продающих через Amazon, но клиенты отваливались на сложной установке пикселей и интеграций.

Ответ Казанджи был предельно простой: настройте всё за клиента и возьмите отдельную плату за onboarding.

«Это не масштабируется» — преждевременный страх.

6. В enterprise продавайте не замену системы, а маленький greenfield-проект

Молодой компании трудно убедить корпорацию выбросить уже внедрённую платформу. Намного проще войти через новый проект, команду или workflow, где ещё нечего заменять.

Так MongoDB исторически было легче попасть в новую application, чем убедить компанию перенести все базы данных сразу.

Правильный первый контракт уменьшает не только цену, но и необходимый уровень доверия.

Главный вывод воркшопа:

Founder-led sales — это не когда основатель навсегда становится продавцом. Это период, когда он лично выясняет, кто покупает, из-за какой боли, по какому сигналу, с каким доказательством и через какую маленькую первую сделку.

Нанимать отдел продаж стоит после того, как эти ответы стали повторяемыми. До этого момента продажи нельзя делегировать — потому что вы ещё не знаете, что именно нужно повторять.

Как ClawFather построил OpenClaw.

Питер Штайнбергер начал OpenClaw не с идеи «создать платформу для агентов», а с личного раздражения: он хотел отправлять задачи компьютеру с телефона. Первый прототип просто связывал WhatsApp с ноутбуком.

Но именно в этот момент агент перестал ощущаться как чат. Он получил доступ к реальному компьютеру, начал выполнять действия и иногда удивлять результатом. Первыми пользователями стали друзья, затем появился Discord, сообщество и стремительный рост проекта.

Главный вывод из выступления: ценность агента определяется не только моделью. Нужна среда, в которой он способен долго работать:

• сохранять контекст между сессиями;
• самостоятельно просыпаться по событиям;
• пользоваться инструментами;
• выполнять крупные задачи до результата;
• работать с голосом и другими форматами;
• переживать смену поставщика моделей;
• оставаться управляемым по стоимости и риску.

Отсюда и важная формула Питера:

> Your dependency business model is your business model.

Если продукт зависит от одного поставщика модели, он наследует его цены, ограничения, политику и внезапные изменения доступа. OpenClaw изначально был сильно оптимизирован под Claude Opus, поэтому изменения со стороны Anthropic болезненно ударили по продукту.

Есть и менее заметная проблема — экономика «всегда включенного» агента. Питер рассказал, что после истечения KV-кэша один heartbeat мог повторно отправить около 600 тысяч токенов. Поэтому настоящий always-on агент — это не бесконечно работающая модель, а грамотно спроектированная система событий, памяти, сжатия контекста и ограниченных запусков.

Еще один сильный сигнал — инфраструктура. Локальные тесты быстро занимают все доступные ресурсы, а единой удобной среды для переноса агентных нагрузок между Linux, macOS, Windows и облаком пока нет. Собственным парком машин Питер управляет вручную и прямо признает, что не должен тратить на это время.

Александr Ванг: в AI выигрывает не тот, у кого самая новая модель

На Startup School 2026 основатель Scale AI и руководитель AI-направления Meta Александr Ванг говорил о том, как строить компании, когда технологический фронтир меняется буквально каждый месяц.

Главная мысль: нельзя привязывать компанию к возможностям конкретной модели. Сегодняшнее преимущество быстро становится стандартной функцией. Поэтому продукт стоит строить вокруг устойчивой проблемы клиента, предполагая, что модели, цены и доступные возможности постоянно будут меняться.

Следующее узкое место AI — уже не только интеллект модели. Всё большее значение имеют данные, evals, обратная связь, инфраструктура и способность превращать вероятностный ответ в стабильно полезный результат.

Отсюда практический вывод: лучший способ учиться — как можно раньше внедрять продукт в реальную работу. Смотреть, где он ошибается, собирать сложные случаи и возвращать их в цикл улучшения. Ожидание «идеальной модели» лишь откладывает получение самой ценной информации.

Ванг также сделал акцент на плотности таланта и прямой ответственности. Небольшая команда сильных людей с ясной зоной владения может двигаться быстрее крупной организации, где энергия уходит на согласования.

И наконец, удешевление разработки должно увеличивать амбиции основателей. Если создать продукт стало проще, это не повод выпускать ещё одну тонкую оболочку над моделью. Это возможность взяться за более трудную и значимую проблему.

День 2. Патрик Коллисон на Startup School

Второй день начался с разговора Патрика Коллисона, сооснователя и CEO Stripe, и Харжа Тага́ра.

Сначала говорили о том, чему стоит учиться в эпоху AI. Коллисон сравнил знания в голове с L1-кэшем компьютера: даже если модель способна найти или вычислить ответ, уже усвоенное человеком знание доступно быстрее и позволяет совершать больше мыслительных итераций. По его словам, способность программировать, рассуждать, писать и ясно общаться по-прежнему высоко ценится. Сам он пока не использует автоматически сгенерированные ответы в почте и мессенджерах и считает человеческое письмо более точным и содержательным.

Затем разговор перешёл к учёбе и основанию компаний. Коллисон дважды уходил из университета ради стартапов и возвращался обратно. Он сказал, что бросать колледж необязательно: если человеку нравится учиться, нет ничего плохого в том, чтобы закончить образование. При этом уход из университета не является необратимым решением и, по его опыту, впоследствии почти никого не интересовал.

Коллисон также предостерёг студентов от идеи, что нынешний момент — последняя возможность создать компанию и избежать будущего «постоянного низшего класса». По его словам, люди регулярно воспринимают новые технологии как окончательное переустройство общества, но предпринимательские возможности в Кремниевой долине продолжают появляться десятилетиями.

Stripe родился после Startup School 2009 года. После мероприятия Патрик и Джон Коллисоны пошли за суши, а по дороге решили начать работать над платежной компанией. Они предполагали, что проект займет несколько месяцев; прошло почти 17 лет.

Идея Stripe казалась одновременно очевидной и неправдоподобной. Интернет-платежи были сложными и неудобными, но банки и партнеры с трудом воспринимали двух молодых основателей как серьезную финансовую компанию. По словам Коллисона, их удерживала конкретная проблема, которую пользователи действительно испытывали и хотели решить.

До публичного запуска Stripe прошло почти два года. Коллисон объяснил это требованиями к безопасности, банковским партнерам, движению денег, инфраструктуре и надежности. При этом компания не строила продукт в изоляции: первый реальный пользователь появился примерно через два месяца после начала работы. Функции добавлялись вслед за его запросами — просмотр платежей, возвраты и вывод средств. Число пользователей затем увеличивалось каждый месяц до публичного запуска.

Обсуждая стартапы в эпоху AI, Коллисон предположил, что прежний подход с поиском маленькой свободной ниши может стать более конкурентным. Поскольку создавать программное обеспечение стало дешевле, основателям, возможно, придется выбирать более амбициозные и менее очевидные направления.

Еще один его совет — думать не только о возможном провале, но и об успехе. Перед привлечением значительного капитала основателю стоит спросить себя, хочет ли он заниматься этой компанией 10, 17 или 30 лет. В любом бизнесе будет много рутинной работы, поэтому важна привлекательность всей области и долгосрочной миссии, а не только отдельных интересных задач.

Коллисон также не согласился с тем, что несколько крупных AI-лабораторий заберут всю экономическую ценность. Он привел исторический пример Google: даже организация с выдающимися специалистами, капиталом и инфраструктурой не может одновременно реализовать все возможные направления. По его ожиданиям, AI создаст не только несколько крупных победителей, но и тысячи новых компаний.

В заключение Коллисон поделился наблюдениями из данных Stripe. По его словам, число новых компаний на платформе выросло почти вдвое год к году — это один из крупнейших скачков, которые они наблюдали. При этом медианный новый бизнес работает лучше, чем год назад, а компании быстрее достигают первых уровней выручки.

Как Вашингтон сейчас думает об ИИ

На встрече YC Startup School Майкл Крациос — директор Управления научно-технической политики Белого дома — описал подход администрации США к ИИ.

Главный сигнал: Вашингтон хочет сохранить лидерство США, не задушив отрасль преждевременным регулированием.

По словам Крациоса, технологии развиваются слишком быстро для жестких порогов, закрепленных в законе. Пока правило принимают, оно уже может устареть. Поэтому предпочтительнее адаптивные ограничения, направленные на конкретные опасные возможности и применения, а не общие запреты для моделей.

Особенно важны три тезиса.

Первый — поддержка открытых моделей. Обсуждать киберугрозы и злоупотребления не означает намерение закрыть open-weight экосистему. Задача государства — пресекать действительно опасное или незаконное использование, сохраняя пространство для разработчиков.

Второй — единые национальные правила вместо десятков несовместимых законов штатов. Крупная компания выдержит сложный compliance в разных юрисдикциях. Для стартапа те же требования могут стать непреодолимым барьером.

Третий — политика в области ИИ выходит далеко за пределы регулирования моделей. Это одновременно научная и промышленная политика: вычислительная инфраструктура, оценка кибер- и биорисков, робототехника, квантовые технологии и автономные лаборатории, где ИИ помогает формулировать гипотезы и управлять физическими экспериментами.

Для стартаперов здесь есть важный парадокс.

Чем меньше государство вводит универсальных запретов заранее, тем больше ответственность конкретных компаний доказать, что их системы работают безопасно. Нужны не общие заявления про responsible AI, а проверяемые контроли: что системе разрешено, какие тесты она прошла, кто подтвердил действие, что произошло после него и можно ли полностью восстановить ход решения.

Похоже, американская ставка — не остановить развитие ИИ до появления идеальных правил, а сохранить скорость, одновременно создавая инфраструктуру для проверки действительно опасных возможностей.

Это благоприятная среда для стартапов. Но и более высокая планка ответственности для тех, кто переводит возможности моделей в реальные действия.

Дмитрий Долгов

Рабочее демо — это 1% работы. Продукт — это девятки после запятой.

AI для физического мира создавать принципиально сложнее, чем обычный софт.

В интернете можно следовать принципу move fast and break things: выпустить достаточно хорошую версию, собрать ошибки пользователей и быстро её улучшить.

Но когда AI управляет автомобилем, роботом или другим физическим объектом, цена ошибки совсем другая. Здесь нужно не ship fast, а ship safely. Безопасность нельзя добавить после запуска — она должна быть фундаментом системы с первого дня.

Долгов выделил четыре разрыва между обычным и физическим AI:

1. Цена ошибки. Неверный ответ чат-бота раздражает. Неверное действие машины может стоить жизни.

2. Задержка. Решение нужно принимать не через несколько секунд, а практически мгновенно.

3. Данные. Самые опасные ситуации случаются редко, поэтому реальных примеров недостаточно.

4. Валидация. В цифровом продукте крайние случаи могут найти пользователи. В физическом мире нельзя поручить клиентам тестирование безопасности.

Отсюда главный тезис: работающий прототип — лишь начало. Если система должна ошибаться не чаще одного раза на миллион, каждая следующая девятка надёжности требует примерно в десять раз больше усилий.

Поэтому ещё до разработки важно понимать: сколько девяток действительно требует ваш продукт?

Одна из ключевых технологий Waymo — симулятор. Он позволяет не только проверить действие автомобиля, но и исследовать контрфактические сценарии: что произошло бы, если бы машина затормозила раньше, выбрала другую траекторию или иначе отреагировала на участника движения.

Получается не одна модель, а целая обучающаяся система:

агент действует → симулятор моделирует последствия → критик проверяет решение → реальные поездки создают новые данные → данные улучшают симулятор и следующую версию агента.

Это, пожалуй, самый важный урок и для нынешней волны AI-агентов.

Недостаточно построить умного исполнителя. Нужны ещё среда, в которой он может безопасно практиковаться, и независимая система, способная оценить его работу.

Иными словами:

> Не просто создавайте AI-агента. Создавайте экосистему, которая учит его действовать, проверяет последствия и с каждым циклом делает всю систему надёжнее.

Отдельно запомнилась мысль Долгова о технологиях. Железо будет меняться, компоненты — дешеветь и превращаться в массовый товар. Поэтому главное преимущество команды — не умение идеально использовать одну сегодняшнюю технологию, а способность снова и снова осваивать следующие технологические волны.

Победит не тот, у кого сегодня самое эффектное демо. Победит тот, кто построит систему, способную безопасно учиться, проверять себя и становиться надёжнее после каждого реального действия.