Почему AI SaaS взлетают, а мы строим то же самое в Казахстане

В январе 2025 года Cursor — редактор кода для разработчиков — отчитался о $100 млн годовой выручки. К июню та же цифра была уже $500 млн. К ноябрю — больше $1 миллиарда. Двадцать четыре месяца от первой строчки кода до миллиарда долларов ARR. Так быстро не рос ни один SaaS в истории.
При этом Cursor — не магия и не очередной «убийца» чего-то. Это редактор кода, в который встроили большие языковые модели и научили их понимать контекст всего проекта. Разработчик пишет комментарий — Cursor дописывает функцию. Просит отрефакторить — Cursor правит десятки файлов сразу. Ничего фантастического. Просто старая работа, выполненная новым способом.
Эта статья — разбор того, почему такие компании сегодня растут быстрее любых классических SaaS, что у них общего, и где казахстанский рынок открывает похожие окна возможностей. Я смотрю на это не как сторонний наблюдатель: West Star Ltd сам строит два AI SaaS-продукта — AI-бухгалтера для Казахстана и OData Hub для интеграций с 1С. Параллели между тем, что сделал Cursor или Harvey, и тем, что мы пытаемся сделать в Астане, оказались куда конкретнее, чем хотелось бы признавать.
Что произошло с рынком за последние два года
Чтобы оценить масштаб, полезно поставить цифры рядом. OpenAI в начале 2023 года генерировал около $200 млн годовой выручки. К августу 2025-го — $13 миллиардов. Anthropic за тот же период вырос с $87 млн до $7 миллиардов — рост в 80 раз меньше чем за два года. Cognition AI, делающая автономного программиста Devin, стартовала с $1 млн ARR в сентябре 2024-го и за девять месяцев дошла до $73 миллионов.
Это не изолированные кейсы. Harvey — AI-платформа для юристов — за три года прошла путь от нуля до $190 млн ARR при оценке в $11 миллиардов. Lovable, инструмент для генерации приложений по описанию, набрал миллионы за недели. Bolt.new от StackBlitz взорвался до $4 млн ARR за первые четыре недели после релиза — после того как материнская компания семь лет грызла гранит на пути к скромным $700 тысячам.
Общая картина простая. Раньше SaaS-стартап доходил до $10 млн ARR в среднем за 5+ лет. Лучшие — за 2 года 9 месяцев. Сейчас лучшие AI-SaaS делают это за 6-12 месяцев и удваивают выручку каждые два месяца на пиковой стадии. Это не «новая экономика» в стиле дотком-пузыря. Это разовый сдвиг, в котором появилась технология, способная автоматизировать дорогую интеллектуальную работу — и компании, которые первыми упаковали её в готовый продукт, забрали рынок.
Что объединяет успешные кейсы
Если разобрать топ-10 быстрорастущих AI-SaaS, видна устойчивая структура. Я выделил пять закономерностей, которые повторяются почти везде.
Первое — они не заменяют людей, они убирают рутину. Harvey не делает работу юриста. Он сокращает время на поиск судебной практики с десяти минут до десяти секунд, автоматизирует первый черновик договора, проверяет соответствие документов внутренним требованиям клиента. Юрист дальше принимает решения и общается с клиентом, потому что этого AI пока не умеет. Cursor не пишет приложение целиком — он берёт на себя ту часть работы, которую разработчик ненавидел: бойлерплейт, переименование переменных, генерацию тестов. Это критически важная позиционная разница: продукт не угрожает профессии, а делает её приятнее.
Второе — они выбирают узкую вертикаль и идут в неё глубоко. Harvey не пытается быть «AI для всех профессионалов». Он специализируется на корпоративном праве, M&A, due diligence — и обучает модели на проприетарных документах конкретных юрфирм. Allen & Overy, его первый крупный клиент, во время пилота сделал 40 тысяч запросов от 3500 юристов за пару недель, прежде чем подписать контракт. Когда продукт глубоко закопан в специфический рабочий процесс, его сложно скопировать общим инструментом вроде ChatGPT, даже если сама модель умнее.
Третье — они работают там, где есть деньги и готовность платить. Harvey берёт от $1 200 за пользователя в год при минимуме в 100 пользователей — то есть минимальный контракт стартует от $120 тысяч. Никто не стесняется. Юридический рынок только в США оценивается в $300+ миллиардов, и крупные фирмы готовы платить за инструмент, который реально экономит часы старших партнёров. Аналогично с Gong — система анализа продажных звонков на $300+ млн ARR — продаётся не пользователям, а отделам продаж крупных компаний, у которых есть бюджет на повышение конверсии.
Четвёртое — у них есть собственный data moat, который не воспроизводится подпиской на OpenAI. Когда крупный банк или юрфирма доверяет Harvey свои документы и они становятся частью обучающего корпуса под клиента, это создаёт переключательный барьер. Завтра OpenAI выпустит модель в три раза умнее — но у неё не будет этого корпуса и этих доверенных интеграций. Sacra, аналитическое агентство, прямо пишет: модели коммодитизируются, побеждают те, кто строит workflow и интеграции вокруг них.
Пятое — они продают результат, а не функционал. Harvey недавно начал переходить от модели «оплата за seat» к revenue-share с юрфирмами: «мы автоматизируем эту услугу, делите доход с нами». Это работает только тогда, когда продукт действительно делает работу, а не помогает её делать. И это, пожалуй, самый сильный сигнал зрелости — клиент платит не за подписку, а за конкретный экономический эффект.
Где здесь Казахстан и почему это важно сейчас
Очевидное возражение: «Эти компании в Сан-Франциско, у них $800 млн раундов от Sequoia, нам с этим не тягаться». Возражение верное только наполовину.
То, что произошло с Cursor и Harvey, — это применение универсальной технологии (LLM) к узкой профессиональной нише. И в каждой стране есть свои узкие профессиональные ниши, в которых глобальные игроки никогда не разберутся. Harvey не выйдет на казахстанский рынок и не научится понимать постановления Конституционного Суда РК и старые нормы Налогового кодекса РК — потому что для них это не приоритет. То же самое в России, в Узбекистане, в любом нефранкоязычном европейском рынке. Локальные игроки с глубоким знанием специфики получают окно возможностей, которого не было бы при обычной (нелокальной) технологии.
Это окно, кстати, не вечное. Когда GPT-6 или Claude 5 будут понимать казахстанские нормативно-правовые акты «из коробки», локальное преимущество съёжится. Но «из коробки» — это всё равно не «глубоко интегрировано в рабочий процесс конкретного бухгалтера или юриста». Поэтому окно есть и оно достаточно широкое, чтобы успеть построить бизнес.
Параллели на конкретных продуктах
Перечисленные пять закономерностей — это не теория. Я могу честно сказать, как мы пытаемся применять каждую из них в двух наших продуктах.
AI-бухгалтер для Казахстана. Это Telegram-бот, который отвечает на вопросы по налогам, кадрам и учёту со ссылками на конкретные статьи Налогового кодекса РК и нормативные акты. Под капотом — Django, PostgreSQL с pgvector и RAG-пайплайн на эмбеддингах OpenAI поверх корпуса adilet.zan.kz, kgd.gov.kz и dialog.egov.kz.
Прямая параллель с Harvey: продукт не заменяет бухгалтера, а сокращает время на типовые вопросы. Типовой запрос — «Как рассчитать ОПВ для иностранца на трудовом договоре в 2026 году?» — у живого консультанта занимает 15-30 минут поиска по форумам и звонков. Бот выдаёт ответ за 10 секунд со ссылкой на действующую редакцию статьи. Это та же логика «убираем рутину, оставляем суждение», которая сработала у Harvey.
Узкая вертикаль — да, мы намеренно не строим «AI для всего казахстанского бизнеса», только бухгалтерия и налоги. Готовность рынка платить — отдельная история: казахстанский бухгалтер платит за справочные системы вроде «Учёт.kz» или «Параграф» от 30 до 100 тысяч тенге в год, а если речь про корпоративную подписку для бухгалтерии ТОО — порядки выше. Готовность платить за реально работающего AI-помощника проверяется сейчас, в пилотных продажах. Data moat — это корпус, индексированный под казахстанский контекст; глобальный ChatGPT этот корпус не видел и галлюцинирует на 30-50% налоговых вопросов.
OData Hub. Здесь история другая, но логика та же. Это SaaS-платформа для интеграции 1С с внешними системами через OData. Проблема, на которой стоит продукт: в 1С у казахстанских компаний лежат данные обо всём — продажах, остатках, договорах, ФОТ — но достать их в современный стек (Python, BI-инструменты, AI-модели) болезненно. Каждая компания решает это заново, нанимая 1С-программиста за $30-50 в час.
Параллели с глобальными кейсами: убираем рутину (написание интеграций под каждый запрос), узкая вертикаль (конкретно 1С + современные системы), data moat (накопленные коннекторы и бизнес-логика обработки 1С-объектов, которые ChatGPT никогда не «выучит» сам). Модель монетизации — implementation packs от 1 до 5 миллионов тенге плюс поддержка 50 тысяч тенге за пользователя в месяц. Это структурно ближе к Harvey ($1200/seat/year минимум 100 seats), чем к B2C-приложениям.
Я не утверждаю, что у нас получится казахстанский Harvey. Я утверждаю, что сама структура успешных AI SaaS воспроизводима на локальных рынках — если правильно подобрать вертикаль, упереться в неё рутиной и не пытаться заменять людей.
Что не работает (и о чём редко говорят)
Аналитический разбор был бы нечестным без второй стороны. ChartMogul, агрегатор SaaS-метрик, в 2025 году предупредил: AI-native компании показывают более низкое удержание клиентов, чем классические B2B SaaS. Объяснение простое: AI-продукт легко купить, легко отменить. Если клиент не встроил инструмент глубоко в рабочий процесс — он отвалится через 3-6 месяцев. Поэтому быстрый рост ARR не равен устойчивому бизнесу: половина AI-стартапов 2024 года будет в проблемах в 2026-2027, когда хайп уляжется и инвесторы начнут спрашивать про NRR (net revenue retention).
Второе ограничение — конкуренция со стороны самих моделей. Anthropic уже выпустил Legal Plugin, который частично перекрывает Harvey. OpenAI делает то же самое в десятке вертикалей. Чем тоньше «обёртка» вокруг LLM, тем выше риск, что её съест базовая модель. Защита — глубокие интеграции и отраслевые данные, которых у общих моделей нет.
Третье — циклы продаж в B2B длинные. Harvey шёл к первому миллиону ARR около года, к десяти — ещё год. Allen & Overy потребовалось несколько недель пилота на 3500 юристах, чтобы решиться на контракт. В Казахстане ритм похожий: серьёзный B2B-клиент не подписывает контракт за неделю по презентации в Telegram. Поэтому стратегия «выкатить продукт и ждать клиентов» здесь не работает — нужно вкладываться в продажи.
Что из этого следует
Если упрощать до одного абзаца: главные AI SaaS последних двух лет выиграли потому, что нашли узкую профессию с дорогой рутиной и переложили эту рутину на машину, оставив человеку суждение. Технология — большие языковые модели — общедоступна. Преимущество — в локальном знании, в данных и в том, насколько глубоко продукт залез в рабочий процесс конкретного специалиста.
Это означает, что окно для локальных AI SaaS открыто прямо сейчас, и оно довольно широкое. Казахстанская бухгалтерия, юриспруденция, налоговое консультирование, документооборот, складской учёт, 1С-интеграции — все эти области имеют тот же профиль, что и юриспруденция в США: дорогие профессионалы, повторяющиеся задачи, специфический контекст, который глобальные модели не понимают. И в каждой из этих областей кто-то построит «казахстанский Harvey» в ближайшие два-три года.
Получится ли это у нас — вопрос исполнения. Будет ли это вообще казахстанский игрок или нас опередят узбекские, российские или китайские команды — другой вопрос. Но окно есть, и логика глобальных кейсов даёт довольно чёткий шаблон того, что в этом окне работает: узкая вертикаль, рутина вместо суждения, глубокие данные, монетизация через результат.
В 2018-м никто всерьёз не верил, что в Астане можно построить настоящий IT-бизнес. В 2026-м никто всерьёз не верит, что в Астане можно построить настоящий AI SaaS. История показывает, что обычно следующие пять лет всё меняют.