Зачем компаниям строить собственный AI и как это делать?

Привет! Меня зовут Саша Журавлев. Я венчурный инвестор и основатель фонда Mento VC. Мы инвестируем в технологические компании на стадиях Seed / Series A в США, а в своем телеграм-канале ^[1] рассказываю, как вижу рынок и принимаю инвестиционные решения.

Зачем компаниям строить собственный AI и как это делать?

Ответу на этот вопрос Sequoia Capital посвятила отдельное видео ^[2] для фаундеров и AI-команд.

Речь в нем о sovereign AI — подходе, при котором компания сама развивает AI под свой продукт, а не подключает его к внешним моделям (GPT/Claude). Как пример: берет открытую базовую модель и адаптирует ее под свои данные, задачи и контекст.

Sequoia по шагам разбирает, кому и зачем нужен собственный AI, что стоит оставить внешним провайдерам, а что развивать внутри и как к этому подойти технически и организационно.

Короткое, но очень полезное видео, если вы, вдруг, еще об этом не задумались!

Перевели с командой все основные шаги и собрали в пошаговую инструкцию — она в самом конце. Надеюсь вам будет полезно 🙂

Centralized vs. decentralized intelligence

Начнем с того, что Sequoia противопоставляет два сценария развития AI:

• В первом интеллект ^[3] становится централизованным: несколько крупнейших AI-компаний создают универсальные модели, а остальные бизнесы просто подключаются к ним по API и постепенно становятся от них зависимыми.

• Во втором сценарии базовые модели остаются фундаментом, но каждая компания строит поверх них собственный интеллект — на своих данных, под свою индустрию, продукт и пользователей.

Именно этот децентрализованный сценарий считается более здоровым: AI не концентрируется в одном «ядре», а распределяется между множеством компаний, каждая из которых контролирует важную для себя часть AI.

Поэтому все больше компаний хотят сами контролировать те части AI, которые критичны для их продукта.

Причины: стоимость, скорость, качество работы модели и контроль.

Разберем подробнее каждую:

1. Стоимость

Чем больше люди пользуются AI-продуктом, тем дороже компании обходится работа моделей. Для компаний с низкой или отрицательной маржой собственные модели могут быть уже не способом сэкономить, а необходимостью.

Парадоксально, но первыми на собственные модели переходят как раз компании, которые активнее всего используют AI: чем больше AI работает внутри продукта, тем сильнее растут расходы на него.

2. Скорость

В некоторых продуктах скорость ответа AI критически важна. Небольшая модель, заточенная под конкретную задачу, может работать лучше большой универсальной просто потому, что отвечает быстрее.

Особенно это важно в программировании и кибербезопасности.

3. Качество работы модели

Еще недавно компании выбирали открытые модели в основном тогда, когда были готовы немного пожертвовать качеством. Теперь же в некоторых задачах собственная модель, дообученная на данных компании, может работать лучше закрытых универсальных моделей.

4. Контроль

OpenAI и Anthropic могут быть отличными партнерами, но компании все чаще хотят меньше зависеть от внешних моделей.

Not your weights, not your product.

Если AI — ключевая часть продукта, полностью полагаться на чужую технологию становится рискованно.

Раньше основная гонка шла за application layer — или за то, кто создаст лучший продукт поверх модели и будет ближе к пользователю, контролируя конечный продукт. Создатели базовых моделей вроде OpenAI и Anthropic двигались к пользователю сверху вниз — от технологии к продукту, а прикладные компании вроде Cursor, Harvey или Ramp — снизу вверх, от потребностей ^[4] клиента к AI-инфраструктуре.

Теперь эта гонка смещается глубже — к intelligence layer. Компании конкурируют уже не только за интерфейс, продукт и дистрибуцию, но и за то, кто будет владеть самим AI внутри продукта и сможет сделать его лучше под конкретную задачу.

Граница между «AI-лабораторией, которая создает интеллект» и «стартапом, который просто делает приложение поверх чужой модели» начинает стираться.

Самые интересные AI-лаборатории сегодня появляются внутри прикладных компаний. Harvey, Glean, Ramp и другие уже не просто строят продукты поверх готовых моделей, а проводят собственные исследования: разрабатывают свои способы оценки моделей, совершенствуют AI-инфраструктуру и ищут новые методы дообучения.

По сути, прикладные AI-компании сами постепенно превращаются в исследовательские лаборатории.

С чего начать: четыре шага к sovereign AI

Sequoia предлагает четыре этапа:

1. Strategy — определить, что в AI нужно контролировать самим.

2. Team — собрать отдельную команду под эту задачу.

3. Legibility — сделать AI-экспертизу компании заметной для рынка.

4. Technical roadmap — составить технический план: как перейти к собственному AI?

Разберем каждый.

Шаг 1. Решите, какие части AI контролировать самим, а какие — оставить внешним провайдерам

Переход к собственному AI — не выбор по принципу «все или ничего»: компания не обязана быть либо на 0%, либо на 100% sovereign.

Главный стратегический вопрос, который стоит себе задать:

Какие AI-функции настолько важны для нашего продукта, что мы должны контролировать их сами?

Для ответа Sequoia предлагает смотреть на четыре параметра:

1) Стоимость. Насколько расходы на эту AI-функцию заметны в общей себестоимости продукта?

Если обращений к модели много и компания начинает тратить на них слишком много, собственная модель становится экономически выгоднее.

2) Скорость. Насколько критично время ответа модели?

Если модель должна отвечать почти мгновенно, небольшая специализированная модель может оказаться лучше большой универсальной.

3) Качество ответов модели. Может ли модель работать лучше, если адаптировать ее под ваши данные и конкретную задачу?

Сегодня ответ все чаще оказывается «да».

4) Уникальные данные. Насколько ценные и специфичные данные есть у вашей компании для обучения ^[5] модели?

Если у компании есть специфические данные, на которых можно заметно улучшать модель, собственный AI становится гораздо ценнее.

Как это выглядит на практике

В программировании можно увидеть оба подхода одновременно. Для полноценных AI-агентов компании пока чаще используют внешние модели: они уже хорошо справляются со сложными задачами без дополнительного обучения, а скорость ответа здесь не так критична.

С code autocomplete (AI-подсказками, которые автоматически продолжают код во время набора) все наоборот: запросов очень много, скорость особенно важна, а расходы на использование внешних моделей быстро растут. Поэтому для автодополнения кода компании чаще переходят на собственные модели.

В кибербезопасности компании могут переходить на собственные модели ради скорости, более высокого качества и возможности точнее дообучать их под свои задачи.

В биотехе главная причина — уникальные данные компании. Если они особенно ценны для обучения модели, собственный AI может дать больше преимуществ, чем универсальные внешние решения.

Шаг 2. Соберите отдельную команду

Следующий вопрос — кто должен возглавить внутреннюю AI-лабораторию? Это не обязательно руководитель с каким-то определенным бэкграундом. Профиль руководителя зависит от задач: для исследований нужен сильный research-бэкграунд, для прикладной разработки — engineering.

Важно не только кто будет руководить AI-направлением, но и как будет устроена сама команда. Обычно AI-отделы работают по модели hub-and-spoke: одна центральная группа помогает нескольким продуктовым. Но такая команда обычно становится как бы сервисом для остальных, а внутренней AI-лаборатории критически важны возможность экспериментировать, проводить исследования и искать новые решения.

Поэтому лучше собрать отдельную небольшую команду с нуля. Большой штат для этого не обязателен: например, Harvey публикует много собственных исследований командой всего из семи человек.

Шаг 3. Покажите рынку, что вы действительно умеете строить AI

Этот этап недооценен. Компания может делать сильные AI-разработки внутри, но если о них никто не знает, это почти не помогает ей на рынке. Клиенты выбирают не просто AI-продукт, а компанию, которой готовы доверить важную часть своей AI-инфраструктуры. Поэтому задача CEO — не только добиваться результатов, но и уметь понятно показывать их рынку.

Для этого компании создают отдельные AI Labs, публикуют исследования, делятся результатами тестов и показывают, как именно они улучшают свои модели. По сути, это технический маркетинг: нужно доказать рынку, что вы действительно умеете строить сильный AI, а не просто используете чужие модели.

На практике это значит:

• Регулярно публиковать исследования и технические разборы от имени компании,

• Выпускать посты о том, как вы решаете конкретные AI-задачи,

• Показывать результаты тестов и экспериментов, а при достаточном объеме – выделить это в отдельный AI Lab или research-направление.

Шаг 4. Составьте технический план: как перейти к собственному AI

Примерная последовательность выглядит так:

Strategy → Evals → Routers & Harnesses → Post-training → Mid-training / Pre-training → Online learning

То есть:

• Stratgy — решить, какие части AI вы хотите контролировать сами;

• Evals — определить, как измерять качество работы модели. Чем лучше evals построены в начале, тем проще принимать все последующие решения;

• Routers & Harnesses — настроить, какая модель используется для какой задачи и какой контекст, инструменты и инструкции она получает. Некоторым компаниям уже этого оказывается достаточно!

• Post-training — дообучать готовую модель под свои данные и задачи. Именно здесь собственные данные начинают превращаться в sovereign AI;

• Mid-training / Pre-training — при необходимости вмешиваться глубже в обучение модели (но большинству компаний начинать обучение модели с нуля не нужно);

• Online learning — сделать так, чтобы продукт сам помогал улучшать AI: пользовательские данные использовались для оценки и дообучения модели, а улучшенная версия снова возвращалась в продукт.

Как выглядит собственный AI stack (вся техническая система вокруг модели)

Удобно разделить на две части: production stack и development stack.

Production stack — это все, что отвечает за работу AI непосредственно внутри продукта. В его основе — модель и harness: система, которая определяет, какие инструкции, инструменты и данные получит модель перед тем, как ответить пользователю.

Особенно важен контекст, т.е. информация, которую модель получает о пользователе и задаче. Он может поступать из базы данных, внутренних знаний компании, подключенных через MCP сервисов и других систем памяти ^[6].

Development stack — это инструменты и процессы, с помощью которых компания улучшает работу своего AI.

Если вы используете только закрытые модели вроде GPT или Claude, все относительно просто: берете готовую модель, добавляете свои инструкции, контекст, логику ^[7] работы и систему оценки качества.

У закрытых моделей есть очевидное преимущество: с ними очень легко начать. Вы получаете сильную готовую модель и можете быстро встроить ее в продукт. Но возможности для дальнейшего улучшения ограничены: вы не можете глубоко менять саму модель на основе собственных данных и опыта ^[8] пользователей.

С собственными моделями все сложнее. Нужно выбрать базовую открытую модель, собирать данные для обучения, дообучать ее, постоянно оценивать качество работы и следить за тем, как оно меняется в реальном продукте.

Зато появляется гораздо больше контроля. Компания может взять уже сильную базовую модель и постепенно сделать ее заметно лучше именно на своих задачах — за счет собственных данных, дообучения и постоянной обратной связи от пользователей.

Именно в этом главный потенциал собственного AI: сложнее на старте, зато намного больше возможностей для улучшения.

Что из этого следует фаундеру?

Начать стоит с вопроса себе: где именно AI создает ваш moat, то есть устойчивое преимущество, которое сложно повторить конкурентам?

После этого можно двигаться по шагам:

1. Разделить свой продукт на отдельные функции.

2. Для каждой оценить стоимость, скорость, качество работы и ценность уникальных, имеющихся у вас данных.

3. Решить, какие функции можно оставить внешним провайдерам, а какие стоит контролировать самим.

4. Для самых важных функций протестировать открытые модели.

5. Сначала определить, как будете измерять качество их работы.

6. Затем настроите логику выбора моделей, контекст и инструменты вокруг них.

7. Только после этого переходить к дообучению моделей.

8. Собрать небольшую отдельную AI-команду, фокус которой будет только на исследованиях в этой области.

9. Публиковать исследования и показывать рынку свою техническую экспертизу.

10. В конечном счете выстроить систему, в которой пользовательские данные помогают постоянно улучшать ваш AI.

Спасибо, что дочитали до конца!