Автор: DeepThink Circle
Чи помітили ви протиріччя? З одного боку — неймовірна кількість історій успіху в сфері ШІ, новини про залучення інвестицій літають усюди, щодня з’являються нові AI-продукти. З іншого — реальні труднощі бізнесу: дослідження IBM показують, що 75% AI-рішень не приносять очікуваної рентабельності інвестицій (ROI), а ще гірше — у звіті MIT зазначено, що 95% AI-проектів не мають жодних вимірюваних результатів. В чому ж полягає цей величезний розрив? Чому технології AI, що виглядають настільки привабливо, на практиці виявляються настільки складними для впровадження?
Кілька днів тому я переглядав відео, де Бен робить глибокий аналіз бізнес-моделей AI до 2026 року. Сам Бен керує агентством AI (AI-агентство) та AI-програмним забезпеченням вже понад два роки, і його спостереження дуже резонують із моїм досвідом. Він підкреслює один важливий факт, який багато хто ігнорує: ті AI-бізнеси, що дійсно заробляють і приносять цінність клієнтам, зазвичай не є найяскравішими чистими продуктами, а — компаніями з “сумнівною” зовнішністю, що пропонують комбінацію сервісів і продуктів. Ця ідея кардинально змінила моє уявлення про AI-стартапи.
Чому більшість AI-рішень зазнають невдачі
У відео Бен навів шокуючі дані. Хоча популярність ChatGPT стрімко зростає, а компанії активно експериментують із різними AI-інструментами, реальної бізнес-цінності бачать дуже мало. За дослідженнями MIT, лише 5% пілотних проектів AI, що продаються постачальниками, доходять до виробничого середовища. Deloitte виявив, що лише 15% організацій отримують значний і вимірюваний ROI від AI. А звіт PWC показує, що 76% компаній ще не бачать впливу на прибутки. Ці цифри просто жахливі.
Але водночас ми бачимо зовсім протилежні кейси. Звіт Clara каже, що їхній AI-помічник допоміг знизити витрати на обслуговування клієнтів на 40%, при цьому рівень задоволеності клієнтів залишився незмінним. Intercom щотижня обробля понад мільйон запитів у службі підтримки. Freshworks за допомогою AI скоротив час обробки заявок у IT Helpdesk на 76%. Чому ж одні компанії отримують такі неймовірні результати, а інші — ні?
Бен виділяє три ключові фактори, і я цілком з ним погоджуюся. Перший — кастомізація та реінжиніринг процесів. AI може автоматизувати робочу силу, але справжній ROI він створює лише тоді, коли глибоко інтегрований у реальні робочі процеси, а не просто додається як ще один інструмент у стек. Це означає, що зазвичай потрібна певна ступінь кастомізації, інтеграції або навіть перепроектування існуючих процесів. Робоча сила тісно пов’язана з унікальними даними компанії, крайніми випадками, інструментами та визначенням “якість”. Дослідження McKinsey підтверджує це: серед 25 атрибутів, що тестували, саме перепроектування та кастомізація робочих процесів для AI мають найбільший вплив на реальний EBIT (прибуток до оподаткування).
Я дуже це відчуваю. Багато компаній вважають, що купивши AI-інструмент, вони одразу побачать ефект, наче купують Excel. Але AI працює інакше. Дані у кожної компанії різні, бізнес-процеси — унікальні, а визначення якості — різне. Без глибокої кастомізації AI — це як новий співробітник, що не знає особливостей компанії і не може ефективно працювати. Саме тому “готові до використання” AI-продукти часто не дають очікуваного результату, а ті, що глибоко налаштовані, справді створюють цінність.
Другий фактор — навчання команд і зміна мислення. Бен наголошує, що AI — це нова технологія. Традиційне програмне забезпечення — детерміністичне (deterministic), тобто при однакових вхідних даних завжди однаковий результат. AI — ймовірне (probabilistic), тому потрібно переосмислити підхід до його використання. Люди мають навчитися критично оцінювати вихідні дані AI, а не сліпо довіряти їм. Багато хто сприймає одну помилку як ознаку неготовності рішення, але не розуміє, що це особливість нової технології. Якщо команда не навчиться правильно використовувати AI, оцінювати його вихід, перевіряти результати і знати, коли і як це робити — adoption (застосування) у компанії швидко зупиниться.
Приклад Бена: їхній AI-інструмент для SEO — продукт, але без навчання команди, як правильно ним користуватися і співпрацювати з AI, він не буде ефективним. Це особливо важливо, бо відкриває істинну суть: AI — не магія, і він потребує людської співпраці. Як у перехід з командного рядка на графічний інтерфейс — користувачі мають навчитися нових способів взаємодії. Тепер, перехід від традиційного софту до AI — теж кривий навчання.
Третій фактор — безперервна експлуатація і людський контроль. Оскільки AI-рішення обіцяють не просто підвищення продуктивності, а й конкретні результати, потрібен відповідальний за системи фахівець. Бізнес змінюється, AI швидко розвивається, і потрібно постійно моніторити якість, коригувати, оновлювати підказки і логіку, щоб зберігати відповідність бізнесу.
Бен порівнює AI із розумним стажером, який потребує наставництва і керівництва, а не — автоматичним інструментом, що працює самостійно. Це дуже точна аналогія. Багато компаній очікують, що AI — як SaaS, налаштував і забув. Але AI — це швидше працівник, якого потрібно керувати, давати зворотний зв’язок і коригувати. Це безперервний процес, і без нього AI не дасть очікуваного ROI.
Що роблять успішні AI-бізнеси
Як же тоді забезпечити врахування цих факторів? Відповідь Бена проста і важлива: зазвичай — через додавання сервісного шару (service layer) поверх AI-рішень або AI-програмного забезпечення. Це і є той “сумний”, але дуже ефективний бізнес-модельний підхід. Успішні AI-компанії, що використовують AI-орієнтоване ПЗ, все більше пропонують консультації, навчання і кастомізацію.
Бен детально аналізує основні моделі. Перша — AI-стартапи та AI-продуктові компанії все частіше мають відділи консультацій. Forward deployed engineers (інженери, що розгортають рішення) і solution engineers (інженери з рішень) — одні з найзатребуваніших і найцінніших позицій у таких компаніях. Десятки стартапів із Y Combinator вже пропонують ці послуги, щоб забезпечити реальне впровадження. Вони допомагають оптимізувати і інтегрувати рішення у бізнес-клієнтів, іноді — консультують щодо пріоритетів і перепроектування процесів, іноді — навчають і тренують команди.
Я переглянув список таких YC-компаній: Harvey AI, Strata AI, Sakana, Collectwise, Furai — вони активно наймають ці ролі. Навіть великі гравці, як n8n, Relevance AI або Make.com, мають свої сервісні підрозділи і партнерські мережі для обслуговування клієнтів. Успіх n8n багато в чому зумовлений тим, що YouTube-блогери навчили багато підприємців, як реально використовувати ці інструменти. Це показує: навіть найкращий продукт потребує освітньої і сервісної підтримки, щоб розкрити свій потенціал.
Залежно від конкретного софту, є варіанти — орієнтація на кастомізацію, навчання або консультації. Часто — комбінація. Але для майже всіх таких AI-орієнтованих бізнесів сервісний шар — обов’язкова умова для досягнення реального ROI. Це повністю руйнує моє попереднє уявлення про софт. У SaaS-епох найуспішніша модель — самодостатній, масштабований продукт. Але в AI-епоха навіть найкращий продукт потребує сервісу.
Друга модель — AI-first service agencies (агентства, що орієнтовані на AI), наприклад, у маркетингу або генерації лідів. Вони активно використовують AI у внутрішніх процесах для автоматизації клієнтських сервісів. Бен згадує Called IQ — агентство, що автоматизує контент, email-кампанії і outreach у LinkedIn, використовуючи AI, і надає ці послуги через менеджерів або GTM-інженерів. Вони мають перевагу: самі — AI-оператори, тому не потребують навчання клієнтських команд. Це — сервісний бізнес, що пропонує консультації і кастомізацію, і виконує їх через менеджерів, що стають дедалі технічнішими. Це — новий високий попит на позицію AI-GTM engineer.
Ця модель дуже розумна: замість переконувати клієнтів змінювати роботу, ви просто даєте їм результат. Вони не вчаться користуватися AI, а бачать кращий маркетинг або більше лідів. Це приховує складність AI за сервісом, і клієнт купує результат, а не інструмент. Це також пояснює, чому багато традиційних сервісних компаній, впроваджуючи AI, отримують високий прибуток: їхні витрати знижуються, а ціна — ні.
Третя модель — AI-агентства автоматизації (AI automation agencies). Вони не просто створюють рішення, а стають стратегічними партнерами бізнесу, пропонуючи повний сервіс — аудит AI, кастомізацію, навчання команд. Важливі позиції — delivery managers, що мають бізнес-знання, технічну експертизу і навички комунікації. Вони постійно консультують, перепроектовують процеси, виявляють неефективність, навчають і налаштовують AI-операторів.
Особистий досвід Бена дуже показовий: спершу вони фокусувалися лише на імплементації, що призводило до низької adoption (застосування) і ROI. Згодом вони почали поєднувати стратегію, освіту і імплементацію, залучаючи таких менеджерів. Результат — значно вищий рівень впровадження і ROI. Це — ключовий урок: технологія — лише частина успіху, важливо, щоб рішення використовували правильно.
Четверта роль — AI officers (AI-офіцери) або fractional AI officers (часткові AI-офіцери). Це — висококваліфіковані фахівці, що поєднують бізнес-інтуїцію і AI-знання, і допомагають компаніям трансформуватися. Вони мають різні назви, але суть — це люди з унікальним набором навичок, здатні приносити реальний ROI.
Межі між продуктом і сервісом руйнуються
Ключова ідея Бена — навіть якщо зараз можна за кілька годин створити класне програмне забезпечення за допомогою Claude Code, для побудови AI-бізнесу в більшості випадків потрібно багато інвестицій у сервіс. Люди часто вважають, що продукт і сервіс — це протилежності, але в AI-епоху це швидше спектр. Є повністю самодостатні SaaS-рішення, а є й цілком кастомізовані агентства.
Я цілком згоден. Бен каже, що більшість AI-бізнесів, що планують старт у 2026 році, — мають додавати сервісний шар. Навіть якщо у вас є самодостатній продукт, потрібно вкладати у навчання і підтримку. З появою Claude Code створення продуктів стає дедалі демократичнішим. Вже не потрібно писати код, щоб запустити AI-сервіс — достатньо знати, як його розгорнути і налаштувати.
Це дуже глибоке спостереження: технології стають доступнішими, але сервісна складність зростає. Раніше — писати код було складно і дорого, тому цінувалося вміння створювати щось унікальне. Тепер — писати код легше, але потрібно розуміти, як правильно застосовувати AI, проектувати рішення і інтегрувати їх у бізнес-процеси. Це вимагає глибоких сервісних навичок, а не просто технічних.
Багато мріють створити AI-продукт, тримати його простим і продавати тисячам. Але для більшості — особливо без багаторічного досвіду і зв’язків — швидше працює шлях через сервіс. Це — найшвидший спосіб отримати реальний ROI сьогодні. І цей сервіс можна продуктувати: повторювані процеси, однакові інтеграції, схожі навчальні програми — все це сигнал до створення масштабованих продуктів.
Це — найважливіший висновок. Хороший продукт базується на доказах, а не на припущеннях. Відомі VC, як A16Z, вже говорять про перехід від продуктового до сервісного підходу в AI. Вони бачать, що компанії, що пропонують максимальний ROI і довгостроковий дохід, — саме ті, що орієнтовані на сервіс. Це означає, що на початку прибутки можуть бути нижчими, але швидше досягти відповідності продукту ринку.
Бен приводить приклад свого AI-SEO — вони створювали кастомні системи для клієнтів, щоб зрозуміти, що працює, що дає результат, які інтеграції потрібні. В процесі вони все більше перетворювали рішення у продукт. Але навіть після роботи з понад сотнею компаній, вони все одно вкладають багато у навчання і тренінги, щоб отримати реальні результати.
Глибше розуміння AI-бізнесу
Після спілкування з Беном я отримав нове уявлення про суть AI-бізнесу. Це не просто технологічна революція, а — фундаментальна зміна бізнес-моделей. У SaaS-епоху головним було масштабування: створив один продукт і обслуговуєш безліч клієнтів із мінімальними додатковими витратами. Це — ідеал масштабованості.
Але AI змінює цю гру. Цінність AI — не у самій технології, а у тому, як її застосовувати до конкретних бізнес-кейсів. Дані у кожної компанії різні, процеси — унікальні, цілі — індивідуальні. Це означає, що один і той самий AI-інструмент у різних компаніях працює по-різному. Тому кастомізація і сервіс — ключові елементи. Ми вже не можемо мислити у рамках класичного SaaS: AI — це поєднання консультацій, кастомізації і масштабування.
AI-бізнеси — це щось середнє між консалтингом і софтверною компанією. Вони мають поєднувати глибоку експертизу у клієнтському бізнесі і технічну досконалість. Ті, що намагаються зробити чистий продукт, часто стикаються з проблемою adoption (прийняття). Вони мають гарний технічний продукт, але клієнти не знають, як його використовувати або не можуть інтегрувати. А ті, що зосереджені лише на сервісі, — не мають масштабованості і високої рентабельності.
Найуспішніші — ті, що знаходять баланс. Вони пропонують і продукт, і сервіс. Вони використовують продукт для основних функцій і масштабування, а сервіс — для правильного впровадження і використання. Це — довгострокова стратегія, що дозволяє створювати цінність і отримувати ROI.
Ще один тренд — висококваліфіковані позиції — це люди з комбінацією технічних і бізнес-навичок. Forward deployed engineers, GTM-інженери, delivery managers — всі вони мають розуміти і бізнес, і технології. Це — ознака глибокої інтеграції AI і бізнесу.
З точки зору стартапів, я б рекомендував починати з сервісу. Вивчати клієнтів, знаходити повторювані сценарії, створювати рішення, що можна масштабувати. Це — шлях до стабільного доходу і довіри клієнтів. Потім, коли з’являться повторювані моделі, їх можна перетворити у продукти.
Чому ж традиційне мислення про продукти не працює? Тому що AI — ймовірна технологія. Тоді як класичне ПЗ — детерміноване. Це означає, що потрібно враховувати невизначеність, постійно коригувати і оптимізувати. Це — не разова робота, а безперервний процес.
Це і пояснює важливість сервісу. Він — не просто підтримка, а — частина циклу постійної оптимізації і навчання системи. Як каже Бен, AI — це розумний стажер, а не автоматичний робот. Його потрібно навчати, коригувати, давати зворотний зв’язок. Це — безперервний процес, і без нього ROI не досягти.
Що очікувати у майбутньому
З огляду на аналіз Бена і мої роздуми, я бачу кілька трендів. На короткостроковій перспективі (2-3 роки) домінуватимуть сервісні AI-бізнеси. Технології швидко розвиваються, потреби різняться, стандарти ще не сформувалися. Тому компанії, що пропонують глибоку кастомізацію і підтримку, матимуть перевагу.
На середньостроковій — 3-5 років — з’являться моделі, що почнуть продуктову трансформацію. Вони виявлять повторювані сценарії і закладуть їх у продукти. Але повністю самодостатніх SaaS-рішень ще не буде багато. Більшість успішних AI-компаній залишатимуться з сервісною складовою.
На довгостроковій — понад 5 років — технології стануть більш зрілими і надійними, користувачі — більш досвідченими у роботі з AI. Тоді з’являться більш “продуктові” рішення. Але сервісна складова ніколи не зникне, бо бізнесова складність і різноманітність залишаться. Навіть із більш розумним AI, компанії все одно потрібна допомога у впровадженні і інтеграції.
Для тих, хто хоче зайти у AI-індустрію, я радив би розвивати мультидисциплінарні навички. Не обмежуйтеся технікою або бізнесом — поєднуйте обидва. Вивчайте автоматизаційні інструменти (n8n, Make.com), навички кодування (Claude Code), і водночас — розуміння бізнес-процесів, вміння знаходити pain points і проектувати рішення. Це — цінний набір навичок у майбутньому.
Бен радить поступово ставати AI-оператором або AI-офіцером у своїй компанії. Починайте автоматизувати свої процеси, поширюйте знання у команді, навчаючи інших. Це зробить вас незамінним і допоможе сформувати цінний досвід у AI-епоху. Я цілком підтримую цю ідею: AI не замінить людину, але той, хто вміє ним користуватися, — стане лідером.
Для підприємців я б рекомендував починати з AI-агентства або fractional AI-officer. Це — шлях до швидкого набуття трьох ключових навичок: консультування, імплементація і навчання. Інструменти можна опанувати за кілька тижнів, а навички — у реальній роботі. Більшість компаній ще не в курсі AI-трендів, тому, якщо ви будете попереду на кілька тижнів, — зможете довго співпрацювати і отримувати стабільний дохід.
Якщо вже керуєте AI-агентством, інвестуйте у сервісний портфель: консультації, тренінги, аудит. Це — ключ до ROI і довгострокового успіху. Багато компаній зосереджуються лише на імплементації, але додавання аналітики, воркшопів і навчання — підсилює результат і дозволяє масштабувати.
Якщо ви — власник сервісної компанії (маркетинг, ліди, продажі), і маєте досвід — ви у вигідній позиції. Не зупиняйтеся через хайп — використовуйте AI для підвищення ефективності і прибутковості. Це — найшвидший шлях до високого ROI.
Якщо ви — стартап у AI-продукті, Бен радить інвестувати у сервісний шар ще кілька місяців або років, перш ніж масштабувати. Це — найнадійніший шлях до успіху. Багато AI-компаній зазнають невдачі не через поганий продукт, а через поспіх у масштабуванні без достатньої підтримки сервісу.
На завершення — у 2026 році ще немає справжніх експертів у AI. Всі навчаються і експериментують. Це — виклик і можливість для тих, хто готовий глибоко вчитись, практикувати і ділитись знаннями. Як каже Бен, потрібно використовувати цей великий розрив у adoption (прийнятті), щоб сьогодні увійти у AI. Не чекати, поки все стане ідеальним — тоді можливості закриються.
Я переконаний, що найближчі роки — це час формування бізнес-моделей AI. Ті, що знайдуть баланс між продуктом і сервісом, що справді створюють цінність для клієнтів і не гоняться за хайпом, — стануть лідерами. А той “сумнівний” сервіс+продуктовий мікс — можливо, і є найстійкішою і найціннішою моделлю AI-бізнесу.
