Greenbook: что на самом деле создаёт устойчивое преимущество в insights-индустрии
Редакционная заметка Greenbook: статья впервые вышла в Substack-рассылке Insight Innovation Ventures с разрешения авторов. Она написана для инвесторов, оценивающих компании эпохи ИИ, — и вопросы, которые она задаёт, по-разному воспринимаются в зависимости от того, по какую сторону стола вы находитесь. Текст различает три вида «маховика», которые индустрия постоянно смешивает, и только один из них по-настоящему накапливает преимущество. Если вы покупаете исследования или технологии, это различие превращается в десять вопросов аудита для любого питча поставщика — начиная с вопроса о том, действительно ли новое использование продукта улучшает его или лишь добавляет объём.
Каждая insights-компания, конкурирующая на поле «лучшего ИИ», борется за преходящее преимущество: модели становятся товаром за месяцы. Победители следующего десятилетия — те, кто строит маховик: самоусиливающийся цикл, в котором проприетарный человеческий сигнал обучает более точное суждение, более точное суждение производит лучшие решения, лучшие решения генерируют больше использования, а больше использования — ещё больше проприетарного сигнала. Данные необходимы для этого цикла, но недостаточны. Большинство компаний, апеллирующих к «маховику» в 2026 году, располагают данными — но не циклом.
Механизм точно
Маховик — это самосовершенствующийся цикл, в котором выходные данные генерируют новые данные, эти данные улучшают систему, улучшенная система производит лучшие выходные данные, а лучшие выходные данные генерируют ещё больше данных. Использование порождает данные, которые улучшают модель или метод; улучшенная система генерирует больше использования и лучшие результаты, а лучшие результаты порождают ещё больше данных. Разорвите цепочку в любом месте — нет захвата обратной связи, нет цикла переобучения, нет причины для роста использования — и то, что остаётся, является активом данных, полезным продуктом или хорошо организованным сервисным бизнесом, но не маховиком.
«Маховик» стал любимой незаслуженной метафорой индустрии. Панель респондентов — не маховик автоматически. Дашборд — не маховик автоматически. ИИ-функция, прикреплённая к устаревшей платформе, — не маховик автоматически. Называть что-то маховиком не заставляет колесо крутиться.
Почему претензия должна быть уже, чем кажется
Маховик — не единственный возможный защитный ров в insights. Дистрибуция, операционные издержки переключения, заработанное доверие, регуляторная репутация и глубоко укоренившееся экспертное суждение — всё это может быть прочным преимуществом без замыкания в самосовершенствующийся цикл.
По-настоящему устойчивое накапливаемое преимущество находится на пересечении четырёх вещей, и если хотя бы одна из них стремится к нулю — маховика нет:
Уникальный сигнал без правовой ясности — это судебный иск, ожидающий своего часа. Правовая ясность без встроенности в рабочие процессы — хорошо управляемый продукт, от которого никто не зависит. Встроенность в рабочие процессы без обучения на результатах — инструмент с высокой «липкостью», который никогда не становится умнее. Обучение на результатах без первых трёх — исследовательский вопрос, а не бизнес. Все четыре, перемножающиеся, а не суммирующиеся, — это и есть настоящий маховик. Именно поэтому настоящие маховики встречаются редко.
Три цикла, которые путают в один
Наиболее распространённая ошибка в этой теме — считать «маховик» чем-то единым. На самом деле это как минимум три различных цикла.
Маховик данных. Больше активности — больше человеческого сигнала. Проще всего построить, проще всего переоценить: панель, привлекающая новых респондентов, имеет больше данных, но больше данных не улучшает следующий результат, если что-то downstream на самом деле на них не учится.
Маховик продукта или рабочего процесса. Более высокая производительность ведёт к большему использованию, а использование генерирует сигналы коррекции и паттерны запросов, которые улучшают продукт. Это настоящий шаг вперёд, потому что цикл замыкается внутри самого продуктового опыта.
Маховик результатов решений. Рекомендации воплощаются в жизнь, результаты измеряются, причинная эффективность атрибутируется, и механизм принятия решений улучшается, потому что теперь знает, какие прошлые рекомендации действительно сработали. Это самый редкий цикл, поскольку требует того, чего почти ни одна insights-компания сегодня не имеет: надёжного доступа к данным о том, что произошло после доставки рекомендации.
Панельная компания может собирать миллион новых наблюдений в месяц, не становясь лучше в принятии клиентских решений. Дашборд может добавлять пользователей, не производя нового ground truth. Консалтинговая компания может дать отличную рекомендацию и никогда не узнать, применил ли её клиент. Называть всё это «маховиком» — главный источник путаницы в том, как индустрия говорит о конкурентных преимуществах эпохи ИИ.
Захват результатов — настоящее узкое место
Наиболее ценная обратная связь для провайдера decision intelligence — не «клиенту понравилась презентация». Это: применил ли клиент рекомендацию, что он сделал вместо этого, какой результат последовал, и — сложнее всего — была ли рекомендация причиной этого результата или это произошло бы в любом случае?
Ответить на эти вопросы требует прав на обмен данными с собственными системами клиента, рабочих отношений достаточной глубины, чтобы быть приглашённым на уровень результатов, и достаточной экспериментальной дисциплины для разделения корреляции и причинности. Исследовательская индустрия десятилетиями предоставляла доказательства, не имея надёжного представления о том, что происходило после того, как рекомендация покидала здание. Самый редкий актив в этой категории — не сырые проприетарные данные, а подтверждённые данные о результатах решений, связанные с управляемым контекстом принятия решений.
Слой моделей — не то место, где искать защитный ров
Доступ к фронтирным моделям коммодитизируется быстро; аренда передового уровня интеллекта — это базовые ставки. Доменная производительность, управление, глубина интеграции и дисциплина оценки коммодитизируются значительно медленнее.
Тонко настроенная доменная модель имеет смысл для задач, которые стабильны, повторяемы и высокообъёмны. Но для большинства insights-работы базовые знания меняются быстрее, чем должны обновляться веса модели, а покупатели всё больше ценят актуальность и аудируемость ответов — качества, которые отдают предпочтение поиску с извлечением и дисциплинированной оценке перед статической тонкой настройкой.
Маховик не зависит от конкретной модели. Ему нужна архитектура обучения — определённый механизм захвата обратной связи и улучшения с заданной периодичностью, — а не обязательно проприетарная модель. Путаница между «мы построили доменную модель» и «мы построили маховик» — одна из наиболее распространённых категориальных ошибок в том, как этот переход сейчас преподносится в питчах.
Та же осторожность применима к RAG-архитектурам и протоколам распространения для агентов. Универсальный слой извлечения на стандартном корпусе — одна из самых легко воспроизводимых частей корпоративной ИИ-архитектуры из существующих. Его сложно вытеснить только в том случае, когда корпус уникален и непрерывно обновляется, извлечение связано с проприетарной структурой, а не с универсальным индексом, каждый результат несёт прослеживаемое происхождение, и всё это встроено в рабочий процесс, который питает измерение результатов. Протоколы распространения, позволяющие агентам напрямую запрашивать систему, — это канал, а не ров: они делают компанию легче находимой, но сами по себе ничего не делают, чтобы цикл стало сложнее скопировать.
Не отдавайте маховик
Всё вышесказанное теряет смысл, если компания отдаёт свой накапливаемый актив в первом же заключённом контракте. Поставщик с по-настоящему уникальными данными может уничтожить собственный маховик, включив права на обучение в базовый договор доступа, превращая накапливаемый актив в разовый платёж, навсегда встроенный в веса чужой модели.
Разделение прав на вывод (inference), права на анализ, права на тонкую настройку, права на обучение фундаментальной модели и права на постоянные производные на отдельные, преднамеренно ценообразованные категории — правильный подход по умолчанию. Это не должно становиться догмой: у поставщика может не быть капитала для самостоятельной монетизации своего корпуса, или покупатель может заплатить цену, отражающую реальную эксклюзивность. Дисциплина уже, чем «никогда не продавать права на обучение»: никогда не продавать невосстановимые права дёшево, вслепую или в связке с контрактом, созданным для другой экономической эпохи.
Аудит маховика
Компания должна ответить «да» на большинство из следующих вопросов, прежде чем кто-либо — инвестор, покупатель, клиент или собственное руководство — примет за данность, что маховик существует, а не является рассказом о нём:
- Уникальный вход — генерирует ли новое использование проприетарные данные, которые конкурент не может просто купить?
- Правовой контроль — известны ли права на согласие, повторное использование, обучение и удаление на уровне отдельной записи?
- Качество сигнала — измеримо ли новые данные улучшают точность или калибровку, или они просто добавляют объём?
- Захват обратной связи — систематически ли собираются коррекции и результаты, или они испаряются после отправки результата?
- Причинно-следственные доказательства — может ли компания отличить улучшенную рекомендацию от совпадения?
- Периодичность обучения — обновляется ли система по определённому, раскрытому графику, или «обновление модели» — это ежегодное событие?
- Зависимость от рабочего процесса — потребует ли замена этого поставщика изменения бизнес-правил клиента или достаточно будет войти в другой дашборд?
- Экономическое подкрепление — улучшает ли каждый оборот цикла удержание, ценовую силу или маржу?
- Управление и прослеживаемость — можно ли отследить каждый высокоставочный результат до его доказательной базы и заявленного уровня уверенности?
- Тест контрфактуала — если хорошо финансируемый конкурент завтра получит ту же модель и те же публичные данные, будет ли эта компания всё ещё совершенствоваться быстрее? Если нет — маховика пока нет. Есть функция, а функции копируют.
Главная коррекция
Статичные данные, доменные языковые модели, RAG, MCP и RSL — ни один из этих элементов не является защитным рвом сам по себе, а маховик не становится рвом, если он по-настоящему не замкнут.
Будущее insights — не единый маховик данных. Это конкуренция за владение петлей обратной связи, которую конкуренты не могут увидеть, купить или воспроизвести. Для одних компаний эта петля — вовлечённость участников. Для других — поведенческий сигнал, связанный с идентичностью, встроенное использование рабочих процессов, управляемая оценка моделей или измеренные результаты решений. Победят компании, которые знают, какую именно петлю они способны уникально замкнуть, — и перестали путать архив, API, модель или дашборд с самой петлёй.
Следующие две части серии рассматривают ту же основу с противоположных сторон: как сторона спроса перестраивает открытие и закупки, и полный чеклист для оценки любого конкретного заявления о маховике — прежде чем купить его, инвестировать на основании него или строить собственную дорожную карту в расчёте на то, что он реален.