К содержанию
hegai.media
Новости

Почему AI‑стартапы начинают ломаться после нескольких корпоративных клиентов

Почему AI‑стартапы начинают ломаться после нескольких корпоративных клиентов

Автор эссе о разработке AI‑продуктов описал типичную проблему B2B‑стартапов. Первые клиенты нередко получают сильно кастомизированный продукт, а исключения и специальные правила со временем оказываются зашиты прямо в код. Когда заказчиков становится больше, это приводит к разрастанию отдельных веток логики, а онбординг постепенно превращается в долгую разработку.

Как пишет Hacker News, с такой ситуацией автор столкнулся в собственном сервисе бронирования лимузинов в США, где AI‑агент отвечает на звонки клиентов. Правило, запрещающее подтверждать бронь без авторизованного депозита, было реализовано сразу в трёх частях системы: в workflow бронирования, инструменте агента и панели валидации. Все версии появились в разное время и автоматически не проверялись на согласованность.

В тексте также приводятся данные ChartMogul. Медианный показатель net revenue retention у AI‑native компаний составляет 48%, у обычных B2B SaaS этот показатель достигает 82%. При этом среди клиентов с платежами выше 250 долларов в месяц retention у AI‑компаний поднимается до 85%. Автор связывает это с глубокой интеграцией в процессы заказчика. Она помогает удерживать клиентов, но одновременно увеличивает риск накопления сложных кастомных внедрений, которые трудно поддерживать.

В качестве решения предлагается разделить архитектуру продукта на три слоя: semantic layer для описания сущностей и их состояний, kinetic layer для бизнес‑действий и встроенных правил, rulebook layer для клиентских настроек и параметров. Этот подход автор связывает с ontology в Palantir и принципами domain‑driven design, которые Evans описал в 2003 году.

Ключевые факты

  • Автор управляет сервисом бронирования лимузинов в США, где AI отвечает на телефонные звонки клиентов

  • Правило подтверждения брони без депозита оказалось реализовано в трёх разных частях системы

  • ChartMogul оценивает медианный net revenue retention AI‑native компаний в 48% против 82% у обычных B2B SaaS

  • Для клиентов с платежами выше 250 долларов в месяц retention AI‑компаний в данных ChartMogul составляет 85%

Вопросы и ответы

Почему AI‑продукты начинают «ломаться» после первых корпоративных клиентов?

Первые заказчики часто получают кастомные исключения прямо в коде, и со временем это разрастается в отдельные ветки логики. В сервисе автора правило запрета брони без депозита оказалось реализовано сразу в трёх местах системы: в workflow бронирования, инструменте AI‑агента и панели валидации.

Что говорят метрики retention у AI‑native компаний по сравнению с обычным B2B SaaS?

По данным ChartMogul, медианный net revenue retention у AI‑native компаний составляет 48% против 82% у обычных B2B SaaS. Но у клиентов с платежами выше 250 долларов в месяц retention AI‑компаний поднимается до 85%.

Как предлагается избежать хаоса из кастомных правил и исключений?

Автор предлагает разделять архитектуру на три слоя: semantic layer для сущностей и состояний, kinetic layer для бизнес‑действий и встроенных правил, и rulebook layer для клиентских настроек. Подход связывается с ontology в Palantir и domain‑driven design Эрика Эванса.

Контекст по теме