---
title: 78% клиентов ждут AI от подрядчика. Получают его 6%
metaTitle: 78% клиентов ждут AI, получают 6%
description: YC и Sequoia описывают новый тип компаний: клиент покупает готовый результат услуги, а не инструмент или почасовую работу подрядчика.
date: 2026-08-30
updated: 2026-09-20
tags: [agentic-ai, ai-adoption, enterprise, services]
cover: cover.webp
coverAlt: Белый куб на бирюзовой подставке, вокруг на полу разбросаны белые инструменты
draft: false
sources:
  - https://www.ycombinator.com/library/Rk-how-to-build-an-ai-native-services-company
  - https://sequoiacap.com/article/services-the-new-software/
  - https://www.thomsonreuters.com/en/institute/future-of-professionals-2026/report
  - https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf
  - https://www.generalcatalyst.com/stories/the-future-of-services
  - https://www.artificiallawyer.com/2026/03/31/how-do-ai-native-law-firms-work/
  - https://techcrunch.com/2026/08/12/openai-backed-thrive-holdings-raises-2b-to-bring-ai-to-the-enterprise/
---

## Появился новый тип компании: она продаёт не софт, а саму услугу

78% корпоративных заказчиков профессиональных услуг - юристов, аудиторов, налоговых консультантов - считают важным или обязательным, чтобы подрядчик использовал AI и за счёт этого повышал качество работы. Так ответили участники опроса Thomson Reuters «Future of Professionals Report 2026»: 1816 специалистов права, налогов, аудита, бухгалтерии, комплаенса и рисков в 62 странах, поле март-апрель 2026 года, публикация - июнь. Реально получают такое качество от большинства или всех своих подрядчиков только 6% заказчиков.

Разрыв между 78 и 6 - это и есть рынок, на который метят компании нового типа. Они не продают инструмент, который клиент включает сам. Они продают готовый результат: заполненную декларацию, подписанный контракт, оформленный полис. Внутри работают агенты - программы на основе AI, которые делают задачу от начала до конца сами, без человека на каждом шаге. Снаружи клиент видит только результат и его цену.

Y Combinator, акселератор стартапов, который помогает запускать технологические компании, 3 июня 2026 года выпустил разбор этой модели - «How to Build an AI-Native Services Company». Автор - Чарли Уоррен, приглашённый партнёр YC. Это позиция акселератора, а не замер рынка, и это стоит держать в уме: YC ставит на определённый тип компаний и говорит от их лица.

Ставка выглядит крупной. По подсчётам Sequoia Capital - венчурного фонда, вложившегося в десятки известных технологических компаний, - в статье Жюльена Бека «Services: The New Software» от 5 марта 2026 года: на каждый доллар, который бизнес тратит на софт, приходится шесть долларов, потраченных на услуги людей. General Catalyst, ещё один крупный фонд, в материале «The Future of Services» от 28 августа 2025 года даёт похожую картину другими цифрами: сервисные отрасли США дают больше 6 триллионов долларов выручки в год, весь софтверный рынок - 370 миллиардов.

Как это работает на практике, показывает General Legal - юрфирма из набора Y Combinator зимы 2026 года, специализирующаяся на коммерческих контрактах. По словам сооснователя Дж. П. Молера в интервью изданию Artificial Lawyer от 31 марта 2026 года, фирма берёт с клиента фиксированную цену - 500 долларов за контракт. Рамочное соглашение, на подготовку которого у юриста крупной фирмы уходит 8-10 часов, здесь занимает 2,2 часа. Маржа - доля, которая остаётся у компании от выручки после прямых затрат на работу, - составляет 40-50% с контракта. Один юрист в такой модели ведёт от 300 до 600 контрактов в год.

Bloomberg Law 14 июля 2026 года добавил цифры о самой компании: General Legal привлекла 11,5 млн долларов инвестиций, годовая выручка в пересчёте - 2 млн долларов, в штате 14 юристов, почти все - выходцы из крупных фирм, и все получили долю в компании.

## Какую работу заберут первой

YC выделяет четыре признака работы, которую заберут в первую очередь.

Первый - её уже отдают на аутсорс, то есть передают стороннему подрядчику, а не делают своим штатом. Заказчик в этой модели изначально смотрит на результат, а не на то, как его получили.

Второй - на уровне отдельной задачи почти не требуется человеческое суждение. Суждение здесь не размазано по каждому шагу, а собрано в нескольких контрольных точках.

Третий - работа в целом сложная. Простым инструментом или шаблоном её не закрыть, нужна связка из множества шагов.

Четвёртый - отрасль зарегулирована. Звучит как минус, но YC называет это плюсом: регуляторная планка держит новых конкурентов на расстоянии и одновременно защищает тех, кто уже прошёл этот порог.

Подходящие рынки YC называет прямо: налоги, аудит, страхование, ипотека, части здравоохранения, части логистики. Общий знаменатель - бумажная и процедурная работа с понятными правилами внутри, которую сейчас делают дорогие специалисты вручную.

Один совет стоит отдельно и звучит жёстко: осторожно с оборудованием и работой на объекте. Там, где компания владеет физическими вещами и обслуживает их руками, вся эта софтверная математика с высокой маржой перестаёт работать - выезд и ремонт стоят денег независимо от того, сколько ума добавил AI.

![Четыре подставки разной высоты, на каждой белый офисный предмет: стопка документов, штамп, калькулятор, лоток для бумаг](fig-what-goes-first.webp)

## Модель больше не преимущество

Ещё недавно доступ к более сильной модели сам по себе был конкурентным преимуществом. Свежие данные показывают, что это больше не так.

Stanford HAI - исследовательский институт при Стэнфорде, который ежегодно выпускает главный отраслевой отчёт по AI, - в выпуске «AI Index Report 2026» от апреля 2026 года посчитал, как модели справляются с задачами по налогам, обработке ипотеки, корпоративным финансам и юридическому рассуждению. Результат - от 60 до 90% правильных ответов в зависимости от задачи.

Разброс зависит от задачи. На TaxEval v2 результаты пятнадцати моделей в графике Stanford HAI лежат между 74,20% и 77,11% - разница 2,91 процентного пункта. На CaseLaw v2 диапазон шире: 62,06-73,42%, или 11,36 пункта. Поэтому модель нужно проверять на конкретных задачах сервиса.

При этом Stanford HAI фиксирует и обратную сторону: агенты всё ещё проваливают примерно одну попытку из трёх. Это не мелкий брак. Строить платный сервис на голой модели без слоя проверки и повторных попыток нельзя.

Отсюда тест на выживание, который формулирует YC: по мере того как модели становятся сильнее, ваша услуга либо становится сильнее вместе с ними, либо модель вас обесценивает. Компания, чьё единственное преимущество - доступ к конкретной модели, обречена: завтра эту же модель получит любой конкурент. Преимущество должно быть в том, что построено вокруг модели, а не в самой модели.

![Ровный ряд одинаковых белых цилиндров: все одной высоты, ни один не выделяется](fig-model-test.webp)

## Продукт - это операция

Если услугу пересобирают вокруг AI, ей начинают управлять как программным продуктом, а не как командой людей. Это меняет то, какие цифры руководитель смотрит каждый день.

Пропускная способность - сколько работы система обрабатывает за период - и время цикла - сколько уходит на одну единицу работы от начала до конца - становятся продуктовыми метриками. YC советует следить за ними так же внимательно, как за посещаемостью сайта, ежедневно, а не раз в квартал на совете директоров.

Себестоимость услуги - все прямые расходы на то, чтобы её оказать, - складывается из трёх частей. Первая - плата за работу моделей, она растёт вместе с объёмом обращений. Вторая - хостинг: аренда серверов и инфраструктуры, на которой всё это крутится. Третья - люди, которые остаются в процессе. У каждой части должно быть своё число, свой тренд во времени и свой ответственный человек, а не одна размытая строка «расходы на AI» в отчёте.

Люди в процессе - отдельный разговор. Если выручка растёт ровно в такт числу нанятых сотрудников, бизнес построен неправильно: значит, AI в нём ничего толком не автоматизировал, а просто добавил ещё один инструмент к ручному труду. Люди должны масштабироваться нелинейно - выручка растёт быстрее штата.

YC предлагает честную проверку для любого руководителя такой компании: люди у вас в процессе потому, что работа правда требует их суждения, или потому что ими закрывают дыры в продукте? Второй ответ - тревожный звонок. Он означает, что маркетинг обещает автоматизацию, а по факту услугу всё ещё тянут вручную под вывеской AI.

Есть и обратная ловушка - на старте, а не в зрелости. Пилотов, то есть пробных проектов с новым клиентом, на старте легко набрать много: интерес к теме высокий, продавать легко. Обслуживать их все нечем, и компания застревает на ручном труде, латая каждый пилот отдельно вместо того, чтобы строить систему. Первых пилотных клиентов YC советует жёстко ограничить парой штук, пока процесс не устоялся.

![Жёлтый конвейер, по нему едут одинаковые белые кубы, малиновый пол, бирюзовая стена](fig-operation.webp)

### Разброс качества - угроза самому бизнесу

Для сервисной компании нового типа разброс качества - когда один и тот же запрос иногда даёт хороший результат, а иногда посредственный - не мелкий недостаток, а угроза существованию бизнеса. Клиенты увольняют подрядчика за непредсказуемый результат гораздо быстрее, чем за то, что он немного дороже или чуть медленнее конкурентов.

Здесь снова всплывает цифра Stanford HAI: агенты и сегодня проваливают примерно треть попыток. Для разового чата с моделью это терпимо - человек просто перезадаст вопрос. Для платной услуги, поставленной на поток, треть провалов означает треть недовольных клиентов, если нет отдельного слоя, который ловит и чинит эти провалы до того, как результат попадёт к заказчику.

![Полка с ровным рядом одинаковых белых чашек, под ней на полу разбитые чашки и осколки](fig-variance.webp)

## Продавать результат, а не места

Так же сильно, как процесс, для сервиса на AI важна модель ценообразования. YC настаивает: продавать нужно результат, а не рабочие места сотрудников и не расход моделей в токенах.

Рабочих вариантов два. Первый - цена за единицу: за декларацию, за обращение клиента, за оформленный кредит. Клиент платит за каждую готовую штуку, и цена не зависит от того, сколько внутри было ручного труда. Второй - цена за результат целиком: не за контракт как документ, а за подписанную сделку.

Два способа ценообразования YC советует обходить стороной. Наценка к себестоимости - когда компания считает расходы на AI и людей и накидывает сверху процент - навсегда отдаёт клиенту весь выигрыш от подешевевшей технологии: модель дешевеет, дешевеет и цена, а маржа не растёт. Лобовой демпинг - намеренная продажа себе в убыток ради доли рынка - делает всю категорию работы дешёвой в глазах рынка и режет её будущую цену для всех, включая саму компанию.

Panacea, компания из набора Y Combinator весны 2026 года, показывает третий путь. Она делает регуляторное сопровождение для биотех-компаний, которые выводят новые препараты на рынок: нанимает бывших консультантов регулятора с многолетним опытом и сажает их работать поверх собственной AI-платформы. Берёт цену по этапам проекта с оплатой по завершении этапа, а не по часам, потраченным консультантом.

Разница в стимулах здесь принципиальная. У почасового консультанта нет причины ускоряться с помощью AI - скорость режет его же выручку: чем быстрее он закончит, тем меньше часов выставит клиенту. При оплате по этапу с фиксированной ценой стимул разворачивается на противоположный: чем быстрее и чище команда закрывает этап, тем выше её собственная маржа.

На этом и держится экономика новых сервисных компаний. Традиционные сервисные фирмы годами упираются в потолок маржи - около 30%. Ставка компаний, о которых пишет YC, - подтянуть маржу ближе к софтверной, к 50% и выше, причём на рынке, который в два-три раза больше софтверного. Это оценка и ставка YC, а не отраслевой замер: подтверждённых цифр по всему рынку пока нет.

![Слева два пустых белых офисных кресла, справа на малиновой тумбе один белый шар](fig-per-outcome.webp)

## Привинтить AI к старой фирме не работает

Раз ставка настолько крупная, естественный соблазн - купить готовую традиционную сервисную фирму и привинтить AI сверху, вместо того чтобы строить с нуля. YC называет это почти всегда ловушкой.

Причина простая. Соответствие продукта рынку - момент, когда предложение компании реально нравится клиентам и они готовы за него платить, - не покупается вместе с фирмой. У старой сервисной компании уже есть свои метрики, свой найм, свои ожидания от результата, и всё это годами настраивалось под другую модель работы - почасовую, с людьми в центре процесса. Перестроить эти ожидания сложнее, чем построить новую компанию с нуля. Единственная разумная причина покупать старую фирму, по мнению YC, - быстро получить регуляторную лицензию, которую иначе пришлось бы годами оформлять самим.

Thrive Holdings - самый заметный пример именно такой попытки. В августе 2026 года компания привлекла 2 млрд долларов при оценке в 12 млрд. Её модель - скупать традиционные сервисные бизнесы и перестраивать их вокруг AI. По данным TechCrunch от 12 августа 2026 года, у компании уже больше 70 бизнесов на платформе.

Цифры, которые Thrive рассказывает о себе, впечатляют: бухгалтерское направление объединяет больше 50 фирм и больше 2000 специалистов; их налоговый агент обработал больше 7000 деклараций с точностью 98%, а время подготовки декларации в участвующих фирмах упало больше чем на 30%; в IT-направлении скорость закрытия заявок выросла в 36 раз. Все эти цифры - собственные данные компании о себе, а не независимая проверка, и это стоит держать в голове, читая их.

General Catalyst, фонд, вкладывающийся в похожие сделки, ставит купленным сервисным бизнесам конкретную цель: перевести рост с однозначных цифр на 10-20% в год и удвоить маржу, целясь в 30-40%. Разница с тем, о чём говорит YC для компаний, построенных с нуля, заметна сразу: там ориентир - 50% и выше. Купленная и перестроенная фирма движется явно медленнее и осторожнее, чем фирма, спроектированная вокруг AI с первого дня.

Для руководителя, который сейчас выбирает подрядчика или решает, что делать со своей сервисной функцией, вывод складывается из двух цифр, уже прозвучавших в этом тексте. Спрос на AI-качество у клиентов есть: 78% считают его важным или обязательным. Предложения почти нет: получают его только 6%. Третья цифра из того же опроса Thomson Reuters показывает, что решает разницу между теми, кто выигрывает, и теми, кто топчется на месте: там, где у компании есть названная AI-стратегия, 66% сотрудников говорят, что AI оправдывает или превосходит ожидания. Там, где стратегии нет, - только 22%. Разница не в доступе к AI. Разница в том, выстроена ли вокруг него стратегия.

![Старая серая пишущая машинка, к ней с двух сторон грубо приболчены малиновые роботизированные руки, свисают провода](fig-bolt-on.webp)

## Вопросы и ответы

### Наша компания не продаёт услуги, а покупает их. Это вообще про нас?

Да, причём с двух сторон. Как заказчик вы попадаете прямо в те самые 78% из опроса Thomson Reuters: стоит спросить у каждого подрядчика на аутсорсе - юриста, аудитора, налогового консультанта - что конкретно он делает с AI и как измеряет качество результата, а не то, что он им пользуется. Как компания вы почти наверняка сами оказываете какую-то услугу другим бизнесам, и стоит прогнать её через четыре признака YC: отдана ли она уже на аутсорс, нужно ли суждение на каждом шаге, насколько она сложная, насколько зарегулирована отрасль.

### У нас нет своей технической команды. Мы вне игры?

Не обязательно. Пример Panacea и General Legal показывает, что ядро таких компаний - не программисты, а специалисты с опытом в самой услуге, которые садятся поверх готовой AI-платформы. Технический слой можно строить самим, покупать как продукт или заказывать у команды, которая специализируется на внедрении AI-систем внутри бизнеса. Ключевое решение - не кто пишет код, а как устроены процесс, ценообразование и контроль качества вокруг результата.

### Мы и так используем AI внутри команды. Разве этого не достаточно?

Thomson Reuters фиксирует: 74% специалистов пользуются AI несколько раз в неделю, 44% - несколько раз в день, и это давно норма, а не отличие. Проблема глубже: 41% тех, кто пользуется AI на работе, не имеет доступа к профессиональным инструментам, построенным на проверенном отраслевом материале, а 34% вообще используют инструменты, которые организация не одобряла. Даже там, где доступ к профессиональным инструментам дали, 18% сотрудников ими не пользуются. Использование AI сотрудниками и AI, встроенный в саму услугу как продукт с измеримым качеством, - разные вещи. Первое почти всегда уже есть. Второе - редкость, и именно второе ищут клиенты.

### С чего начать, если хочется проверить свою услугу или подрядчика прямо сейчас?

Начните с трёх чисел. Первое - маржа: сколько реально остаётся от выручки после прямых затрат на работу, включая AI, инфраструктуру и людей, и в какую сторону она движется. Второе - время цикла на одну единицу работы и то, меняется ли оно вообще с тех пор, как в процесс добавили AI. Третье - доля обращений или задач, где результат приходится переделывать вручную: это и есть тот самый разброс качества, из-за которого клиенты уходят быстрее всего. Если ни одно из этих трёх чисел никто в компании не считает на регулярной основе, начинать стоит именно с этого, до любого разговора про модели и агентов.

*Majento строит и внедряет AI-софт и агентные системы для маркетинга и бизнес-процессов, по модели forward-deployed: инженеры встраиваются в процессы компании-клиента, находят узкое место, собирают рабочее решение и доводят его до реального использования. Если хотите разобрать свою услугу или подрядчиков через эту рамку - пишите в Telegram [t.me/shimaoz](https://t.me/shimaoz) или на [hello@majento.ai](mailto:hello@majento.ai).*