Марк Андриссен о софте и ИИ: что будет с бизнесом

Кто такой Марк Андриссен и почему его слушают

Марк Андриссен — предприниматель и инвестор, который несколько раз оказывался «в нужном месте» технологической истории и умеет превращать наблюдения в сильные тезисы. В 1990‑х он стал одним из создателей браузера Mosaic и сооснователем Netscape — компании, которая помогла массовому интернету стать реальностью. Позже, уже как инвестор, он вместе с Беном Хоровицем основал фонд Andreessen Horowitz (a16z), один из самых заметных игроков в венчурном капитале.

Почему к нему прислушиваются

Андриссена слушают не потому, что он всегда прав, а потому что его идеи часто задают рамку для обсуждения.

• Он видел, как софт меняет отрасли изнутри — сначала на примере интернета, затем на примере смартфонов, облаков и платформ.
• Он общается с сотнями основателей и руководителей: венчурный взгляд дает доступ к «ранним сигналам» в технологиях и бизнес‑моделях.
• Он умеет формулировать позицию коротко и запоминающеся — например, через эссе «Software is eating the world», которое до сих пор цитируют в стартапах и корпорациях.

О чем эта статья

Ниже — две линии его рассуждений: как софт перестраивает конкуренцию и почему ИИ воспринимается как следующая волна, сравнимая по масштабу с интернетом. Это не пересказ «пророчеств», а попытка извлечь практические выводы для бизнеса.

Как читать тезисы: факты и позиция

В текстах Андриссена есть наблюдения, которые легко проверить (динамика рынков, примеры компаний, логика платформ), и есть оценочные суждения (что «должно» случиться, как «правильно» регулировать ИИ, какие риски переоценены). Полезный подход — отделять примеры и экономическую логику от идеологической рамки, а затем примерять выводы к своей отрасли, данным и ограничениям.

«Software is eating the world»: главный тезис простыми словами

Марк Андриссен сформулировал идею, которая звучит почти как провокация: «софт съедает мир». Простыми словами это означает, что программные продукты перестают быть «надстройкой» над бизнесом и становятся его ядром — тем, что определяет, как создаётся ценность, как компания зарабатывает и как выигрывает у конкурентов.

Что именно происходит

Во многих отраслях ключевые решения переезжают в приложения, алгоритмы и цифровые платформы. Если раньше конкурентным преимуществом могли быть удачная локация, доступ к сырью или масштаб производства, то теперь всё чаще решают: удобство интерфейса, точность рекомендаций, скорость доставки, прозрачность цен и качество сервиса — то есть то, что обеспечивается софтом.

Примеры отраслей, где это заметно

• Финансы: банк превращается в приложение — платежи, кредитование и инвестиции становятся «функциями» внутри продукта.
• Медиа: контент распространяют и монетизируют платформы, а не печатные мощности.
• Ритейл: выигрывают те, кто лучше управляет каталогом, ценами, персонализацией и логистикой через IT.
• Производство: растёт роль цифровых двойников, планирования и контроля качества на данных.
• Образование: ценность смещается в сторону платформ, которые дают путь обучения и обратную связь.

Что обычно «съедает» софт

Софт часто «съедает» маржу (снижая цены через эффективность), цепочки поставок (делая их короче и прозрачнее) и посредников (убирая тех, кто не добавляет уникальной ценности, заменяя их платформой).

Главный вывод для компаний: конкурировать начинают продуктом и скоростью. Кто быстрее улучшает опыт клиента и масштабирует изменения через софт, тот забирает рынок.

Как софт перестраивает рынки и конкуренцию

Софт меняет конкуренцию не потому, что «всё становится онлайн», а потому что компании начинают выигрывать за счёт скорости улучшений. Если раньше преимущество строилось на доступе к активам (площади, оборудование, логистика), то теперь — на том, как быстро вы превращаете процессы в повторяемый продукт и обновляете его по данным.

От процессов к продуктам

Когда бизнес «софтверизируется», внутренняя рутина становится частью продукта: оформление, поддержка, доставка, подбор, обучение. То, что раньше делалось руками и зависело от конкретных людей, превращается в сценарии, интерфейсы и правила.

Итог для рынка простой: побеждает тот, кто может выпускать улучшения каждую неделю, а не раз в год — и делать это со стабильным качеством.

Победители: данные + непрерывное улучшение

Компании, которые собирают данные о поведении клиентов и качестве сервиса, получают эффект «самоусиления»: больше пользователей → больше сигналов → лучше продукт → ещё больше пользователей. Даже небольшие улучшения (скорость, точность, персонализация, снижение ошибок) в сумме дают заметный разрыв.

Проигрывающие паттерны: только офлайн-активы и бренд

Ставка исключительно на офлайн-инфраструктуру, локации и узнаваемость бренда становится рискованной, если сервис не улучшается. Бренд помогает привлечь, но удерживает уже опыт: неудобный интерфейс, медленные процессы и непрозрачные цены быстро «съедают» лояльность.

Платформы и экосистемы: эффект масштаба

Софт легко тиражируется, поэтому появляются платформы: они соединяют участников рынка, стандартизируют интеграции и создают экосистемы партнёров. Это усиливает масштаб: чем шире сеть и чем проще подключиться, тем труднее конкурентам переманить пользователей и поставщиков — особенно если данные, инструменты и привычки уже встроены в ежедневную работу.

Почему почти каждой компании нужна софтверная стратегия

Андриссен годами повторяет мысль: конкурентное преимущество всё чаще создается не станками, магазинами или логистикой сами по себе, а тем, как компания управляет ими через софт. Поэтому «софтверная стратегия» нужна не только IT-бизнесу — она становится частью стратегии в ритейле, производстве, банках, медицине, образовании.

Что значит «быть софтверной компанией» в любой сфере

Это не про то, чтобы внезапно начать продавать приложения. Это про то, чтобы считать софт ключевым активом: он помогает быстрее принимать решения, точнее понимать клиента и дешевле масштабировать процессы.

Чаще всего «софтверизируются»: ценообразование и акции, планирование запасов, управление качеством, поддержка клиентов, обучение сотрудников, аналитика продаж, управление рисками.

Команды и роли: кто делает стратегию реальной

Софтверная стратегия ломается, если у нее нет владельцев и понятных метрик. В минимальном составе обычно нужны:

• Продукт: формулирует, какую бизнес-проблему решаем и как измеряем эффект.
• Инженерия: отвечает за реализацию, скорость изменений и надежность.
• Аналитика/данные: помогает выбрать правильные метрики и не «оптимизировать шум».
• Поддержка/операции: закрывают разрыв между «сделали фичу» и «она реально работает у людей».

Инфраструктура: не только «облако»

Даже без глубокого программирования важны базовые вещи: интеграции между системами (чтобы данные не жили в изоляции), безопасность, контроль доступов, резервное копирование, а также наблюдаемость — понимание, что именно сломалось и сколько это стоит бизнесу.

Типичные ошибки внедрения

Самая частая — ожидание, что «купили инструмент — и все заработает». Софт без процессов и ответственности превращается в дорогую подписку.

Еще две ловушки: автоматизировать хаос (сначала описать процесс, потом ускорять) и гнаться за модой вместо цели. Практичный ориентир: какие 2–3 решения софт должен улучшить в этом квартале — и как вы докажете это цифрами.

ИИ как следующая волна: что в этом нового

Андриссен часто говорит об ИИ как о следующем шаге после того, как «софт съел мир». Но важно понимать: это не просто очередной инструмент для автоматизации рутины. Главная новизна — в универсальности и скорости распространения.

Чем ИИ отличается от прошлых волн автоматизации

Раньше автоматизация обычно работала по принципу «описали правила → внедрили систему». ИИ меняет порядок: вы задаёте цель, показываете примеры и ограничения — и система помогает получить результат без детального прописывания каждого шага.

Ещё одно отличие — перенос «умственной» работы в софт. Если прошлые волны лучше автоматизировали физический труд и простые офисные процессы, то ИИ берётся за тексты, классификацию, ответы, поиск закономерностей и черновые решения.

ИИ как универсальный слой поверх приложений и процессов

Практически в любой компании появляется «слой» поверх существующих систем: ИИ читает письма, извлекает смысл из документов, формирует черновики, помогает сотрудникам быстрее находить ответы в базе знаний и объясняет данные из отчётов человеческим языком. Это не обязательно замена CRM/ERP — скорее ускоритель поверх них.

Где ИИ даёт быстрый эффект

Самые быстрые победы — там, где много типовых коммуникаций и контента: поддержка клиентов (черновики ответов, суммаризация обращений), маркетинг (варианты текстов и креативов), аналитика (первичный разбор данных, объяснение метрик), внутренние документы (конспекты встреч, шаблоны регламентов).

Где риск выше

Чем ближе ИИ к критичным решениям, тем больше цена ошибки. Медицина, финансы, безопасность, комплаенс, антифрод — зоны, где нужны строгие проверки, журналирование, понятная ответственность и правило: финальное решение принимает человек, а ИИ остаётся помощником.

Будущее работы: что ИИ меняет в профессиях

ИИ не «забирает работу» целиком — он забирает отдельные задачи. Поэтому в большинстве профессий меняется не должность, а состав рутины: меньше механических действий, больше работы головой. Выигрывают те, кто умеет формулировать цель, проверять результат и встраивать ИИ в процесс, а не просто «попросить сделать».

Автоматизация рутины — и рост требований к постановке задач

Письма, отчёты, первичные черновики, сводки встреч, типовые ответы поддержки, поиск по базе знаний — всё это ускоряется. Но качество теперь сильнее зависит от входных данных: чёткое ТЗ, правильный контекст, ограничения (тон, формат, сроки), критерии «что считается готовым». ИИ часто делает быстро, но не всегда точно — поэтому роль человека смещается к постановке задач и финальному решению.

Новые навыки: данные, проверка, продуктовое мышление

Растёт спрос на умение работать с данными (где взять, как очистить, как интерпретировать), навыки валидации (проверка фактов, логики, соответствия политике компании), а также продуктовое мышление: понимать пользователя, метрики, риски и стоимость ошибки. Важен и навык редактирования — превращать сырой ответ ИИ в понятный и безопасный результат.

Оргструктура: меньше ручных операций, больше контроля

Команды становятся «тоньше» на исполнении и «толще» на контроле качества: владельцы процессов, эксперты по домену, комплаенс, безопасность, дизайн пользовательских сценариев. Вместо передачи задач по цепочке растёт роль сквозных процессов и понятных регламентов.

Как подготовиться: пилоты, обучение, регламенты

Начните с пилотов на конкретных задачах, где понятны метрики (время, стоимость, качество). Параллельно обучите сотрудников базовым практикам работы с ИИ и обновите регламенты: что можно отдавать модели, как хранить данные, кто утверждает итог. Полезно заранее закрепить ответственность: ИИ предлагает, человек решает. Подробнее о подходе к внедрению — в разделе /blog/practical-ai-plan.

Продуктивность и рост: аргументы «за» и спорные места

Один из самых сильных (и самых цитируемых) аргументов в духе Андриссена звучит просто: софт и ИИ повышают производительность — а значит, экономика может расти быстрее. Компании делают больше с теми же ресурсами: быстрее находят клиентов, точнее планируют спрос, уменьшают брак, ускоряют поддержку, автоматизируют рутину.

Оптимистичный сценарий: новые рынки и «эффект расширения»

Исторически автоматизация не только «заменяла» задачи, но и открывала новые категории продуктов. Когда стоимость операции падает, рынок часто расширяется: становится выгодно обслуживать больше людей, делать более персонализированные предложения, запускать нишевые сервисы.

Для бизнеса это выглядит как:

• сокращение времени вывода продукта на рынок;
• рост качества сервиса за счёт 24/7 и стандартизации;
• появление новых ролей (операторы ИИ-инструментов, ревьюеры, дизайнеры промптов, владельцы данных).

Что часто упускают: кому достаются выгоды

Спорное место — распределение эффекта. Рост производительности не автоматически означает рост доходов у большинства сотрудников. Выгоды могут концентрироваться у владельцев капитала, компаний с доступом к данным и сильной дистрибуции.

Поэтому разговор о «росте экономики» стоит дополнять вопросами: какие функции исчезают, какие появляются, сколько времени займёт переобучение и кто оплатит переход.

Роль конкуренции: меньше монополии — больше пользы

Если ИИ-инфраструктура и ключевые данные оказываются в руках нескольких игроков, рост превращается в рост маржи у лидеров, а не в снижение цен и улучшение сервиса для клиентов. Практический вывод: избегайте зависимости от одного поставщика и продумывайте переносимость данных и моделей.

Как говорить об эффективности без «магии»

Внутри компании и наружу лучше обещать не «революцию», а измеримые улучшения: время обработки заявки, точность прогноза, доля обращений, закрытых без эскалации, стоимость единицы операции. И всегда добавляйте рамки: где ИИ помогает, где нужен человек, и как вы контролируете качество.

Регулирование ИИ: риски, ответственность и баланс

Регулирование ИИ нужно не «для галочки», а чтобы снижать реальные риски: утечки данных, дискриминацию, вредные советы в чувствительных темах (медицина, финансы), а также ситуации, когда непонятно, кто отвечает за ущерб. При этом в духе венчурного подхода, который часто связывают с Марком Андриссеном, чрезмерно широкие запреты и размытые формулировки могут заморозить инновации и закрепить преимущества крупных игроков, у которых больше ресурсов на юристов и комплаенс.

Где регулирование помогает — и где мешает

Помогает там, где есть понятный «контур ответственности»: требования к обработке персональных данных, правила уведомления пользователя о том, что он общается с ИИ, процедуры реакции на инциденты.

Мешает, когда вводятся универсальные ограничения «на всякий случай» или требования, которые невозможно выполнить на практике (например, обещание полной объяснимости для любых моделей и решений). Такие нормы часто приводят не к безопасности, а к имитации отчётности.

Баланс: безопасность, прозрачность, конкуренция

Хороший баланс обычно строится на трёх принципах:

• Риск-ориентированный подход: чем выше потенциальный ущерб, тем строже требования.
• Прозрачность по делу: понятные пользователю ограничения, источники данных на уровне политики, логирование ключевых решений — без перегруза «бумагой».
• Сохранение конкуренции: правила должны быть выполнимы не только для корпораций, иначе рынок «закроется».

Что сделать компании уже сейчас

Даже до окончательных законов можно выстроить базовый контур управления ИИ:

• Комплаенс-процедуры: кто одобряет использование ИИ, где он запрещён, как обрабатываются запросы пользователей.
• Документация: назначение модели, ограничения, используемые данные, сценарии отказа.
• Аудит и контроль: регулярные проверки качества, смещений, безопасности; журнал инцидентов и план реагирования.

За чем следить в новостях

Смотрите не только на громкие заявления, а на «технические» детали: стандарты оценки рисков, требования к происхождению и хранению данных, правила раскрытия использования контента, а также нормы об ответственности — кто платит и на каком основании, если ИИ ошибся.

Риски и безопасность: как избежать дорогих ошибок

ИИ даёт ускорение, но цена ошибки может оказаться выше, чем экономия времени. Поэтому безопасность — не «галочка» перед запуском, а часть продукта и процессов.

Типовые риски, с которыми сталкиваются компании

Во-первых, галлюцинации: модель уверенно выдаёт неверные факты, цифры или ссылки. Во-вторых, утечки данных: в подсказки (prompts) случайно попадают персональные данные, коммерческие условия, внутренние документы. Третий блок — предвзятость: модель может дискриминировать или искажать выводы, если обучающие данные были несбалансированы. Наконец, уязвимости: prompt-инъекции, обходы ограничений, подмена инструкций, а также риски через интеграции и плагины.

Контуры защиты: базовый «каркас»

Начните с простого: разграничение доступов (кто и к каким данным/функциям ИИ имеет право), шифрование данных в хранении и при передаче, логирование запросов и ответов для расследований и улучшений. Добавьте регулярное тестирование: набор «плохих» запросов, проверки на утечки, на соответствие политике, на устойчивость к инъекциям.

Где обязателен человеческий контроль

Человек должен оставаться в контуре там, где цена ошибки высока: юридические тексты, финальные ответы клиентам, решения по кредитам/страхованию, медицина, HR. Организуйте это через простые механики: статусы «черновик/на проверку», чек-листы, обязательное подтверждение и понятную ответственность.

Метрики, без которых безопасность не управляется

Оценивайте не только «точность», но и качество (доля верных ответов), стоимость (за задачу), скорость (время до результата), безопасность (инциденты, попытки инъекций, утечки) и удовлетворённость пользователей. Если метрики не улучшаются — значит, ИИ пока не готов к масштабированию.

Венчурный взгляд: во что верят инвесторы и почему

Венчурные инвесторы смотрят на ИИ и софт не как на «набор функций», а как на механизм, который может быстро масштабироваться и превращаться в стандарт для целой категории. Отсюда фокус на бизнесах, где рост не требует пропорционального роста затрат, а эффект масштаба усиливает преимущество.

Почему ставка на платформы и инфраструктуру

Платформы и инфраструктура — это то, что используют многие компании одновременно: облачные сервисы, инструменты разработки, данные/пайплайны, MLOps, безопасность, интеграционные шины, вертикальные «операционные системы» для отраслей.

Инвесторам это нравится по двум причинам. Во‑первых, такие продукты встраиваются глубоко: сменить поставщика больно, потому что завязаны процессы и интеграции. Во‑вторых, у них больше шансов стать «слоем по умолчанию», на котором строятся десятки других продуктов — а значит, рынок шире, чем у одного приложения.

«Moat» в эпоху ИИ: за счёт чего защищаются

В ИИ-конкуренции копировать функции стало проще, поэтому «ров» (moat) чаще строится не на модели как таковой, а вокруг неё:

• Данные: уникальные, законно полученные, регулярно обновляемые и реально улучшающие результат.
• Дистрибуция: доступ к клиенту (каналы продаж, комьюнити, партнёры, маркетплейсы).
• Интеграции: встраивание в критичные системы (CRM, ERP, колл-центры, документооборот).
• Бренд и доверие: особенно в чувствительных сферах — финансы, медицина, HR.

Как инвесторы оценивают стартап: продукт, команда, GTM, юнит-экономика

Короткий чек-лист венчурного взгляда:

• Продукт: измеримый эффект для клиента (время, деньги, качество), понятный кейс использования, доказуемая точность/стабильность.
• Команда: сочетание доменной экспертизы и умения доводить продукт до рынка, скорость итераций.
• GTM (выход на рынок): кто покупатель, почему купит сейчас, как устроены продажи, цикл сделки, роль партнёров.
• Юнит-экономика: стоимость привлечения, удержание, маржа с учётом вычислений, поддержки и внедрения.

Вопросы поставщику ИИ-решений до покупки

Перед контрактом полезно спросить:

1. Какие данные используются и кому они принадлежат? Что происходит с нашими данными: обучение, хранение, удаление?
2. Какие метрики качества и как они измеряются на наших кейсах (а не «в среднем по рынку»)?
3. Как устроены интеграции и что будет, если мы захотим сменить поставщика?
4. Как считается стоимость: лицензия, токены/вычисления, внедрение, поддержка? Где «скрытые» расходы?
5. Как решаются ошибки: логирование, объяснимость, человеческая проверка, SLA и ответственность?

Практический план для бизнеса: как внедрять ИИ разумно

ИИ приносит пользу не там, где «добавили чат-бот», а там, где улучшили конкретный процесс: быстрее, дешевле, точнее, с меньшим числом ошибок. Ниже — план, который помогает начать без хаоса и завышенных ожиданий.

1) С чего начать: 2–3 сценария с измеримым эффектом

Выберите несколько задач, где результат можно посчитать. Хорошие первые кандидаты:

• Поддержка клиентов: сокращение времени ответа, рост доли обращений, закрытых с первого раза.
• Продажи/маркетинг: черновики писем и КП, резюме звонков, сегментация лидов (измеряйте конверсию и скорость).
• Операции: поиск по внутренним документам, проверка соответствия регламентам, подготовка отчетов.

На каждый сценарий заранее зафиксируйте метрики (SLA, стоимость обработки, NPS/CSAT, количество ошибок) и «красные линии» (что ИИ делать нельзя).

2) Данные: инвентаризация, качество, права, источники

Составьте карту данных: где хранятся документы, переписки, тикеты, базы знаний, CRM, инструкции. Проверьте:

• качество (актуальность, дубли, «мусор»);
• права доступа (кто и что может видеть);
• юридические ограничения (персональные данные, коммерческая тайна);
• источники правды (какая система считается эталонной).

Часто 80% успеха — это не модель, а порядок в данных и понятные правила доступа.

3) Инструменты: build vs buy, интеграции, бюджетирование

Решите, что купить, а что делать самим:

• Buy — для типовых задач (ассистенты для поддержки, офисные функции, поиск по базе знаний).
• Build — если нужен уникальный процесс, глубокая интеграция с вашими системами и контроль над поведением.

Сразу оцените интеграции (CRM, helpdesk, документооборот), расходы на лицензии/токены, инфраструктуру, безопасность и поддержку. Бюджетируйте пилот на 6–8 недель и отдельный бюджет на масштабирование.

Отдельный практичный вариант между «строить с нуля» и «покупать коробку» — vibe-coding подход. Например, в TakProsto.AI можно собирать веб‑приложения, серверные сервисы и мобильные приложения через чат: вы описываете сценарии, роли, данные и ограничения, а платформа с помощью LLM и агентной архитектуры помогает быстро получить работающий прототип. Это особенно полезно для пилотов, когда важно не идеальное решение, а скорость проверки гипотезы, при этом остаётся возможность экспортировать исходники и дальше развивать проект в привычном пайплайне.

4) Коммуникация: ожидания, ограничения, политика использования

Объясните командам, что ИИ — это помощник, а не «автопилот». Введите простую политику:

• что можно отправлять в ИИ, а что нельзя;
• как проверять ответы (обязательная верификация в критичных процессах);
• как фиксировать ошибки и улучшать подсказки/инструкции.

И главное: назначьте владельца продукта ИИ внутри компании — без него пилот почти всегда превращается в набор разрозненных экспериментов.

Итоги: что взять из идей Андриссена на практике

Идеи Марка Андриссена полезны не как «пророчества», а как компас: софт и ИИ не просто добавляют удобства — они меняют экономику компаний, скорость конкуренции и ожидания клиентов. Если упростить, тезис звучит так: выигрывают те, кто превращает технологии в продуктовую и операционную привычку, а не в разовый проект.

Тезисы-ориентиры, которые стоит взять

Во‑первых, относитесь к софту как к рычагу: он масштабирует лучшие процессы и быстро выявляет слабые.

Во‑вторых, ИИ — это не «функция в презентации», а способ пересобрать цепочку создания ценности: от поддержки и продаж до аналитики и разработки продукта.

В‑третьих, скорость итераций становится конкурентным преимуществом: кто быстрее учится на данных, тот быстрее улучшает предложение.

Где полезен скепсис (и нужны цифры)

Не верьте общим обещаниям «роста продуктивности» без измерений. Проверяйте: что именно ускорилось, где упало качество, сколько стоит поддержка, какие риски появились (утечки, ошибки, зависимость от поставщика).

Скепсис особенно нужен в оценке окупаемости: иногда ИИ снижает нагрузку, но повышает стоимость контроля и соответствия требованиям.

Чек‑лист на ближайшие 30–60 дней

1. Выберите 2–3 процесса с понятной метрикой (время ответа, стоимость обращения, конверсия).

2. Опишите «как сейчас» и установите базовую линию (baseline) в цифрах.

3. Запустите пилот с ограниченным контуром данных и ответственным владельцем результата.

4. Введите правила качества: выборка проверок, критерии ошибок, протокол отката.

5. Посчитайте TCO: лицензии + интеграции + контроль + обучение людей.

Куда идти дальше

Если вы планируете внедрение и хотите понять варианты по стоимости и поддержке, начните с /pricing.

А для разборов кейсов и практических шаблонов загляните в /blog — так проще выбрать следующий шаг под вашу отрасль и размер команды.

Если же вам нужно быстро «собрать и показать» рабочий пилот (внутренний сервис, кабинет, админку, мини‑CRM, базу знаний с поиском), рассмотрите TakProsto.AI: платформа работает на серверах в России, использует локализованные и open-source LLM‑модели и не отправляет данные за рубеж. Это удобно для компаний, которым важно совместить скорость экспериментов с требованиями по данным и последующей поддерживаемостью (включая экспорт исходного кода, деплой, хостинг, снапшоты и откат).” }