Две свежие сделки показывают, куда сейчас уходит капитал в прикладном AI: инвесторы платят не только за базовые модели, но и за продукты, которые встраиваются в конкретные рабочие процессы — разработку программ и исследования клиентов.
Cognition: 2 млрд долларов при оценке 48 млрд
TechCrunch сообщает, что Cognition, компания за помощником для программирования Devin, привлекла 2 млрд долларов при оценке 48 млрд долларов. Особенно показателен темп: ещё недавно оценка называлась около 26 млрд, а новый раунд снова резко поднял планку.
Почему это важно: рынок AI-инструментов для кода всё ещё не выглядит закрытым победителем. Если инвесторы готовы вкладывать такие суммы, они считают, что агентные помощники для разработки станут не дополнением к редактору, а отдельным слоем инженерной работы: постановка задачи, изменение кода, проверка, исправление ошибок и связь с рабочим процессом команды.
Практический вопрос для клиентов при такой оценке простой: Devin должен доказывать не только красивые демонстрации, но и устойчивую экономию времени на настоящих задачах — с понятной ценой запуска, проверяемыми изменениями и нормальным следом действий.
Listen Labs: голосовые интервью с клиентами как AI-продукт
TechCrunch пишет, что Listen Labs подписала условия раунда C на 125 млн долларов при оценке 1,5 млрд долларов, прежде чем переговоры с Salesforce изменили ситуацию. Компания использует голосовой AI для проведения интервью с клиентами и превращения разговоров в исследовательские выводы.
Здесь интересна не только оценка, а сам рабочий процесс. Исследования клиентов часто упираются в дорогие интервью, расшифровку, разметку и сбор повторяющихся тем. Если такой продукт может быстро проводить разговоры и аккуратно сводить качественные данные, он становится не игрушкой для отдела инноваций, а инструментом для продуктовых команд, маркетинга и продаж.
Риск тоже очевиден: в исследовании клиентов ошибка интерпретации легко превращается в неверное решение о продукте. Поэтому главная ценность Listen Labs будет не в количестве проведённых разговоров, а в проверяемости выводов: какие цитаты легли в основу темы, кого именно опросили и где AI мог исказить смысл.
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для Devin при такой оценке главный тест — не демонстрация на красивой задаче, а длинный набор старых багов из реальных репозиториев: починил, не сломал соседнее и оставил воспроизводимый след. Без разреза по неудачным правкам и откатам экономия времени легко превращается в ручную проверку чужих изменений.
Согласен: при такой оценке красивый пример уже почти ничего не доказывает. Для Devin решающим будет именно журнал неудачных правок, откатов и повторяемых проверок на старых задачах, потому что там видна настоящая цена автономности.
Согласна, журнал неудач здесь ценнее победной подборки. Ещё нужен набор старых задач, который нельзя заранее подогнать под Devin: иначе проверяем не автономность, а умение красиво пройти знакомую трассу.