nonamevc

YC анонсировал свой request for startups, где активно пушат «full-stack AI companies». то есть на смену традиционным операторским бизнесам (аутстафф-агентств, юрфирм, M&A-эдвайзеров, рекрутинговых компаний) предлагают создавать AI-компании, оптимизирующие процессы через собственных агентов.

В целом эта модель в моем кругу где-то полгода-год циркулирует, особенно от тех, кто целится в какой-то вертикальный SaaS. У меня даже есть приятель, который делает страховой софт для логистических компаний. Сперва он пытался предлагать его страховым, но недавно выкупил две страховые компании в Юте: чтобы стать полноценной страховой и работать напрямую с конечными клиентами. Там конечно есть AI в продукте и вне его, но и даже без AI ценности просто в цифровизации достаточно, чтобы обходить 80% своих конкурентов.

У YC даже есть в портфеле такой стартап Rocketable: они покупают софтверный-бизнес с выручкой как минимум $100 k в год; увольняют всех сотрудников пытаются весь бэкофис и разработку продукта закрыть агентами.

Все это мило, но такую историю трудно провернуть молодому стартапу без поддержки.

Поэтому думаю, что это огранит одну из самых интересных моделей капитала, которую мы увидим в ближайшее время.

Lightspeed недавно изменил структуру и стал RIA (Registered Investment Advisor). Теперь фонд не ограничен 20 % «non-VC» активов и может без лимитов заходить в public-стоки, вторичку, buyouts и roll-ups.

По тому же пути пошли a16z (RIA с 2019: LBO для Twitter, своя crypto-империя, собственный wealth management), Sequoia (вечнозелёный фонд вместо классического 10-летнего), General Catalyst (выкупили Summa Health, nonprofit больничную сеть -> сделали ее for-profit и теперь через нее онбордят свой healthcare портфель)

Дальше уже увидим, как вчерашний ассоциат в фонде не модельки строит в экселе, а вайбкодит агента для клиники.

Да и даже IPO уже не нужен, для ликвидности есть вторичный рынок которые выорос с 25 $b в 2012 до прогнозного 100 $ b+ в 2025.

Mid-tier VC либо сольются, либо тоже станут RIA, чтобы получить доступ к более длинным деньгам и реальным компаниям. Но это уже придется комбинировать классический LBO-долг, private credit, долевое финансирование от LP и тд.

Короче, пока стартаперы пишут, что деньги VC им больше не нужны и всё можно делать на бутстрапе, империя наносит ответный удар и говорит, что для фонда, чтобы заработать деньги и не обязательно искать стартаперов с их поделками.

когда писал пост про deep research, подумал: в рисерче агентов выиграет тот агент, который подключит источники, недоступные публично.

напрашивается в агента добавить форму p2p‑консалтинга, а записи потом использовать для обучения.

ну, оказалось, я не один такой умный. есть такая компания — AlphaSense. компания стоит около $4 b, подняла свежие $600 m и делает ARR порядка $400 m.

сервис стартовал в 2012‑м как «google для финрынков» — быстрый поиск по SEC‑файлингам, sell‑side‑репортам, новостям и транскриптам.

оказывается они пошли дальше: недавно купили стартап Tegus. это что‑то вроде маркетплейса экспертных интервью. они соединяют экспертов с теми, кто исследует рынок или конкретный сегмент. клиенты — банки, фонды и консультанты. вы регистрируетесь, описываете биографию и опыт, а платформа матчит вас с заказчиком. организуют звонок и платят почасовую ставку.

так вот, сходил к AlphaSense на демо: показали, как их внутренний агент ходит по открытому вебу, платным базам и всей библиотеке Tegus‑транскриптов. технически, может, не так эффектно, как у openAI или grok, но по охвату и глубине данных пока лучшее, что видел. ну и стоит такое уже $50k на команду из 5 человек в год.

и вообще имхо, что в эпоху агентов p2p‑консалтинг становится только живее и ценнее.

консультация передаёт не только факты, но и энергию, контекст, доверие. плюс у хорошего эксперта свои шрамы и решения и беседа может вытащить вопросы, о которых ты даже не думал

(тут конечно хорошо бы зашел промо, что я делаю платный консультации, но нет)

написал новый пост в сабстэке про то, как я использую deep reseerch тулы для бизнес-поиска. это, наверное, самый популярный LLM-сценарий у меня сегодня, который помогает в инвестиционных и GTM-делишках.

в 2023, когда только зарождался deep research, всё сводилось к созданию громоздких RAG-пайплайнов: агент офлайн качал 10-K, блоги, стенограммы подкастов, индексировал всё в vector db и писал промпты для каждого файла. появлялись первые вертикальные стартапы — я смотрел в основном на GTM и invest-tech, но было много интересного и в академических задачах.

схема работы агентов напоминала Directed Acyclic Graph (DAG): всё заранее прописано, один путь без циклов и ветвлений, а решения принимал внешний оркестратор. для простых сценариев «пользователь → запрос → поиск → ответ» это работало.

сегодня deep research-агенты в ChatGPT, Gemini, Perplexity, Grok и др. получили мощный апгрейд благодаря reasoning-моделям. появились Toolformer, ReAct, Tree-of-Thought, Chain-of-Thought и function calling — и агенты превратились в нечто похожее на конечный автомат. они сохраняют состояние (plan/execute/reflect), сами решают, когда делать loop или ветвление, могут retry’ть шаги и корректировать стратегию прямо в сессии.

есть четыре основных building-блока:

planning модель разбивает запрос на подзадачи («какие сайты сканить», «какие PDF парсить», «какие API дернуть») и хранит этот живой plan в контексте диалога, который можно дополнять.

acting через headless-браузер или API агент качает страницы и документы, парсит HTML/PDF, прогоняет текст через LLM-саммари и выдёргивает ключевые поля прямо в json-ячейки или табличные столбцы.

observing агент сверяет промежуточные результаты с целями. если чего-то не хватает, возвращается к planning, меняет стратегию (дополнительные источники, глубина парсинга) и снова идёт в цикл. благодаря reasoning (ReAct, Chain-of-Thought, function calling) модель не просто рубит по сценарию, а реально рассуждает, loop’ит и ветвится. вместо жёсткой цепочки «шаг 1 → шаг 2 → готово» получаем динамичный поток: «спланировал → выполнил поиск и парсинг → оценил результаты → добавил источник → … → готов отчёт». именно эта способность одновременно сохранять контекст, рассуждать и управлять переходами делает deep research-агента таким мощным.

publishing когда все подцели закрыты, агент мёржит фрагменты в финальный отчёт: markdown-таблицы, списки фактов, ссылки на источники и confidence-метрики. отчёт готов к принятию решения.

но 90 % времени я делаю запросы типа «анализ финтех-стартапов из Колумбии для gig-worker’ов» или «поиск AV-компаний и выяснение, какой lidar-сенсор они используют». тут быстро упираешься в лимит компаний и слабое ранжирование: можно шаманить с промптами, но глубина и детерминированность поиска критичны для бизнеса. academic-бенчмарки вроде GAIA или PaperBench хвалят аккуратные резюме научных статей, но они не отражают запросы GTM-команд и инвесторов.

короче про это и написал. плюс для каждой статьи в сабстэке стараюсь зафичерить стартап, который как-то думает в сторону той проблемы, которая у меня возникла.

вместо одного горизонтального подхода Extruct применяет вертикальный AI. каждая компания, сегмент или продукт — самостоятельная «ячейка» в таблице, за которой следит свой агент. так внутри одной ячейки можно сохранять сотни раз больше контекста, гибко добавлять новые поля (стадия раунда, ключевой технический критерий) без перезапуска процесса и выстраивать кастомную логику прямо в planning. чем-то напоминает clay с claygent, только работает субъективно получше и дешевле для не-сейлзов.

так что советую и свою статью и стартап. p.s. если есть по технической части добавить, пишите в коменты.

пока писал пост про Manus, заметил, что они начали набирать инженеров в Токио.

вакансии незаурядная, нужен инженер линуксового ядра, с обязательным японским.

внедрять японских девелоперов в китайскую кодовую базу — странная идея. китайская инженерная культура слишком обособлена для этого особенно в стартапе. так это скорее уже про работу «на клиенте»

моя гипотеза была следующая: 1. технически агенту с ядром нужно работать, наверное, чтобы закрыть вопросы data-privacy — особенно для их low-latency AI/haptics стека, где важна детерминированность и on-device вычисления. 2. а японские инженеры нужны для того, чтобы глубже адаптироваться под локальных OEM

такие вещи на уровне гипотез вряд ли будут реализовывать, значит есть уже какой-то PoC или MoU с местными энтепрайзмами и партнерами.

немного поспрашивал местных коллег — говорят, Manus, Dify, Deepseek уже открыли офисы и крутят пилоты.

тренд хороший! если Япония и правда начнёт втягивать китайский AI как первый международный рынок, то это может быть интересный альянс: местное железо + свои игроки (Sakana, и др.) + регулируемый, но прогрессивный с точки зрения обучения данных рынок.

может быть вполне сильный полноценный AI-хаб.

китайский ии-агент Manus поднял $75m при оценке $0.5b от Benchmark, Tencent, Hongshan и ZhenFund.

на фоне торгово-политической повестки сделка выглядит немного оторванной.

продукт хороший, но попробуем разобраться, как предприниматели сидя в Ухане и Пекине в 2025 году подняли денег от Benchmark по такой оценке.

начнем с того, что фаундер на удивление хорошо ориентируется в рынке китайского SaaS, который исторически был далёк от американского (в целом многие сомневаются, что SaaS вообще существует в Китае в его оригинальном прочтении)

начал хаслить сразу после универа: в 2015 запустил Nightingale Technology (夜莺科技) и сделал Yiban Assistant (壹伴助手) неофициальный клиент WeChat с разными интеграциями.

в 2019 увидел возможность в сегменте корпоративного WeChat и сделал Weiban Assistant (微伴助手). идеально поймал момент: когда WeTool (главный неофициальный CRM над WeChat) закрыли в 2020, Weiban стал основным решением на рынке, привлёк интерес Sequoia China и Youzan. в итоге компанию купила местный интегратор Minglue Technology (明略科技).

фаундер сам себя считает больше коммерсом, хоть и учился в престижном китайском техническом вузе. по его словам, он никогда не был самым технически одаренным в классе, и так описывает свои методы нетворкинга в универе:

помню, рядом с кампусом был ресторан северо-восточной кухни. я зарабатывал достаточно, чтобы водить туда своих одногруппников каждый день. если хотите потом перетащить своих одногруппников в стартап — кормите их ещё во время учёбы. после выпуска за ними уже придётся бегать по мишленовским ресторанам.

второй фаундер вообще выбивается из всех привычных конфуцианских рамок. в 17 лет бросил школу (dropout, еее), чтобы запустить корпоративный секьюрный браузер Mammoth Browser (猛犸浏览器). поднял скромный ангельский раунды в 1.5 млн юаней. но увидев потенциал LLM, он присоединился к проекту и стал кофаундером в конце 2022 года.

Manus начинался как браузерный плагин Monica в 2022 году с поддержкой того же ZhenFund.

Monica это такой «агент» эпохи 2023 года, когда чаще всего под этим подразумевалось «chatgpt wrapper». продукт давал подписку для популярных моделей и разного рода ассистентов из «коробки». чем-то напоминает you.com или Poe от создателей quora

но Monica уже в 2023 могла автономно выполнять сложные задачи типа перебронирования билетов и работы с данными.

к 2023 компания закрыла раунд Series A от Tencent и Sequoia China aka Hongshan. В начале 2024 отклонили оффер на $30m от ByteDance и продолжили расти, подняв оценку до почти $100m.

в Manus видны наработки Monica,которые обрели новое прочтение с выходом моделей для ризонинга.

Monica работает как браузерное расширение, а Manus как раз отмечается глубокой интеграция с браузером. плюс Manus имеет свой интерпретатор и в отличии от других deep research агентов позволяет исполнять задачи по анализу данных и написанию кода.

запуск был нетипичным для Китая: ориентировались на глобальный рынок, так как внутренний рынок был сложнее. с начала ковида много говорили (и я в том числе) о тезисе выхода китайских основателей на мировой SaaS рынок, но прям громких историй успеха было мало. для большинства инвесторов это все равно казалось токсичной история.

в отличие от локальных запусков, как у DeepSeek, у Manus был полноценный международный релиз — проморолики, кампания в англоязычных медиа, раздача раннего доступа ютуберам и твиттер-инфлюенсерам.

Я считаю, что сегодняшним китайским предпринимателям нужно быть более агрессивными в глобализации. если мы видим за границей лучшие возможности — нужно идти и получать опыт международной конкуренции, а не замыкаться на знакомых рынках. для этого, правда, нужно многое: когда мы запускали компанию, никто из фаундеров не жил за рубежом. уровень английского у всех остался на уровне школьных времён.

VC явно хотят иметь хоть какое-то exposure на росте китайского AI. но сегодня скорее всего, будут форсить глобальную стратегию, хотя бы потому что для Китая SaaS по-прежнему почти белое пятно.

в общем вдохновляющая история для rest of the world рынков и chinese tech so back

с появлением LLM стал больше замечать процессы, где избыточная продуктивность, наоборот, мешает удовольствию от взаимодействия.

LLM круто индустриализирует всё: от написания кода, до создания комиксов. и все в восторге от этого и все такое.

но вместе с этим стал больше получать удовольствия от непосредственного взаимодействия с объектом. например, я отключаю любые саммаризаторы почты — особенно рассылок. потому что именно между строк часто самое интересное. это попытка заглянуть в голову автору. сама по себе информация там слабоуникальна, и продуктивность тут ни при чём. это больше похоже на диалог.

или наоборот — при создании. общаясь с клиентами или командой, я всё ещё пишу заметки от руки, хотя перебровал кучу meeting notetakers. да, агент может зафиксировать контекст, тему, дата-поинты, все это цепялется в нужный тебе воркфлоу, и все такое — но расстановка акцентов всегда субъективна. могу выцепить фразу, которая кажется дежурной, но для меня она центр всей беседы.

всё это заставляет снова возвращаться к любимой цитате. not only does nobody know how to measure productivity, we’re also not even sure it’s the most important way to predict success

а в чем вы ортодоксы в LLM-мире?

в моей ленте в линке последнее время мелькает один saas-bro, кто делает компанию про анонимизацию посетителей сайта (про которые я писал ранее, btw). в команде 3 человека и 20 so-called AI агентов. делает все по законам build-in-public и пытается достичь $10M ARR per employee без инвесторов, мам, пап и кредитов.

пошарил недавно свой сетап. показалось очень занятным, потому это очень достойный результат без какого-то rocket science.

дальше перевод его поста.

за последние 30 дней у нас:

— $1m+ в qual pipeline — 25 клиентов, ручной онбординг — 20+ новых фич — 500+ закрытых тикетов

observer смотрит на 15к+ реакций (моих и конкурентов), находит тёплых лидов среди ICP. превращает соцсигналы в сигнал на покупку стэк — make + unipile + anthropic

hunter трекает 5к+ анонимных визитов на сайт, деанонимизирует, ресёрчит, пишет — всё в реалтайме стэк — swan ai (его тула)

gatekeeper из 800+ запросов в демо фильтрует только тех, кто нам реально подходит. ресёрчит, обогащает, скорит стэк — make + anthropic + generect

concierge отвечает на 500+ диалогов с клиентами — тикеты, онбординг, сбор фидбэка. >70% — без участия человека стэк — swan ai + slack

analyst структурирует фидбэк из 100+ разговоров в приоритезацию фич стэк — make + circleback + openai

prototyper делает прототипы по спекам, сокращая цикл от идеи до имплементации с недель до часов стэк — v0 design от vercel

architect собирает архитектуру под фичи, предлагает реализацию, пишет боилерплейт стэк — cursor + devin ai

auditor автоматически отвечает на запросы по безопасности и соответствию — заменяет собой 100+ часов доки стэк — cursor + anthropic