Медианная частная SaaS-компания делает около $125 тыс. выручки на одного сотрудника в год. Это норма индустрии, к которой шли десятилетиями. В 2023 году Midjourney делала $200 млн выручки командой, которую её основатель называл «около сорока человек». Это $4-5 млн на сотрудника — в сорок раз выше нормы. Без единого раунда внешних денег.

Это не разовая аномалия и не история про одного гениального одиночку. Это новый тип компании, который за последние два года перестал быть исключением и стал отдельной категорией. Команды по 40-300 человек делают выручку, на которую классическому SaaS нужно было нанять 2-5 тысяч. Метрика, по которой их теперь сравнивают — не оценка и не число клиентов, а выручка на сотрудника.

Эта статья — про механику и экономику таких компаний, а не про восторг. Что значит «AI зашит в ядро операций». Чем компания такого типа отличается от той, что просто прикрутила ChatGPT к поддержке. Где у них берётся прибыль и почему тонкая команда — не аскеза, а следствие модели. Семь примеров с проверяемыми цифрами. И главный вопрос для читателя этого сайта: что из этого повторяемо, если ты строишь дело сам, без 11-значной оценки за спиной.

Отдельно: про микро-компании из 1-4 человек на solopreneuro уже есть разбор. Здесь — другой масштаб. Не соло-разработчик с пачкой pet-проектов, а компания с настоящим штатом, которая всё равно держит выручку на человека на порядок выше нормы. Это интереснее именно потому, что сложнее: одиночка не масштабируется по определению, а вот как держать $5 млн на сотрудника, когда людей уже триста — это и есть содержание феномена.

Что значит «AI-native», и чем это отличается от «прикрутили AI»

AI-native компания — это бизнес, в котором искусственный интеллект стоит в ядре продукта или операций, а не висит сбоку как функция. Разница не в том, используют ли нейросеть. Её сейчас используют все. Разница в том, что будет, если её убрать.

Возьмите банк, который добавил чат-бота в поддержку. Уберите бота — банк работает дальше, просто очередь на горячей линии станет длиннее. AI здесь — улучшение края. Теперь возьмите Midjourney. Уберите модель — не останется продукта вообще. Весь бизнес — это и есть модель плюс тонкий слой интерфейса, биллинга и сообщества поверх неё. Это и есть водораздел: у одних AI снижает издержки на 10-20% на отдельном участке, у других AI — это сам товар или сам способ его производить.

Из этого следуют три механических признака, по которым AI-native компанию видно по цифрам, а не по маркетингу.

Первый — выручка растёт быстрее, чем штат. У классической сервисной или даже SaaS-компании рост выручки тянет за собой рост людей: больше клиентов — больше менеджеров поддержки, больше продаж, больше внедренцев. У AI-native эта связка разорвана. Cursor прошёл путь от $100 млн до $500 млн годовой выручки за полгода 2025-го, и команда за это время выросла примерно до 300 человек — то есть выручка выросла в пять раз, а штат — заметно меньше.

Второй — продукт обслуживает пользователя без участия человека на стороне компании. Не «человек с помощью AI делает работу быстрее», а «AI делает работу, человек настраивает систему». Gamma собирает презентацию по текстовому запросу. ElevenLabs синтезирует голос. Никто в компании не участвует в обслуживании конкретного заказа. Предельные издержки на ещё одного клиента — это стоимость вычислений, а не зарплата нового сотрудника.

Третий — структура команды плоская и собрана вокруг продукта, а не вокруг функций. У ElevenLabs при выручке $330 млн на конец 2025 года организация устроена как двадцать микро-команд по 5-10 человек без тяжёлой прослойки среднего менеджмента и без классического большого отдела продаж. Это не косметика оргструктуры. Это прямое следствие того, что продукт продаёт и обслуживает себя сам, поэтому раздувать продажи и поддержку незачем.

Компания, которая «прикрутила AI», ни одного из этих трёх признаков не показывает. У неё штат растёт пропорционально выручке, людей в обслуживании заказа по-прежнему много, а оргструктура — обычная функциональная пирамида. AI там — статья экономии, а не основа модели.

Где деньги: юнит-экономика тонкой команды

Главная метрика этого типа компаний — выручка на сотрудника. Она же объясняет, откуда берётся прибыль.

Сначала база для сравнения. Медианная выручка на сотрудника в частных SaaS-компаниях в 2024 году — около $125 тыс., у вертикального SaaS повыше, около $187 тыс., у горизонтального — $159 тыс. Зрелые публичные SaaS держатся в районе $190-210 тыс. на человека. Это норма индустрии, выстраданная годами. На этом фоне цифры AI-native выглядят так:

Компания Выручка (период) Команда Выручка/сотрудник Внешние деньги
Midjourney $200 млн (2023) ~40 ~$5 млн $0
Cursor (Anysphere) $500 млн (июнь 2025) ~300 ~$1.7 млн $1.1 млрд
ElevenLabs $330 млн (кон. 2025) ~580 ~$570 тыс. $381 млн
Gamma $100 млн (окт. 2025) ~50 ~$2 млн ~$90 млн
Lovable $200 млн (2025) ~45-146 $1.4-2.8 млн —
Bolt.new $40 млн (март 2025) ~35 ~$1.1 млн —
Медиана SaaS — — ~$0.13 млн —

Цифры по каждой компании разобраны ниже с источниками. Здесь важно увидеть разрыв: даже нижняя строка AI-native (ElevenLabs, $570 тыс.) в три-четыре раза выше медианного SaaS, а верхняя (Midjourney, $5 млн) — в сорок раз.

Это не случайная подборка лучших. По данным агрегированной аналитики, AI-native стартапы верхнего эшелона делают около $3.48 млн выручки на сотрудника — примерно в шесть раз выше прочих SaaS, при командах в среднем на 40% меньше и со сроком до статуса миллиардной оценки на год короче. Категория, а не выброс.

Теперь откуда внутри этой выручки берётся прибыль владельца, а не просто красивый ARR. Тут три источника.

Первое — нет линейного роста расходов на людей. В обычном SaaS примерно 50-60% выручки уходит на зарплаты, и эта доля держится по мере роста, потому что новых клиентов кто-то должен продавать и обслуживать. Когда выручка на сотрудника в десять раз выше, фонд оплаты труда как доля выручки в разы меньше — даже при том, что отдельные инженеры в AI-native получают намного больше рыночного. Десять очень дорогих инженеров дешевле двухсот средних.

Второе — продажи через продукт, а не через отдел продаж. Bolt.new дошёл до $40 млн годовой выручки командой примерно в 35 человек и почти без рекламного бюджета — продукт сам приводил пользователей, потому что результат его работы виден сразу и его показывают друг другу. Это убирает самую дорогую статью расходов классического SaaS: платный маркетинг и армию продавцов.

Третье — и это «налог» модели, обратная сторона. Себестоимость у AI-native не нулевая, как у чистого софта. Каждый запрос пользователя — это реальные деньги за вычисления. У AI-продуктов издержки на вывод модели растут вместе с использованием, в отличие от обычного SaaS, где ещё один пользователь почти ничего не стоит. Поэтому валовая маржа AI-native чаще не 80-90%, как у софта, а ниже — компенсируется это тем, что на людях экономия огромная. Где модель своя (Midjourney, ElevenLabs) — компания платит за железо и обучение. Где модель чужая (продукты поверх GPT или Claude) — платит провайдеру за токены, и эта статья может съедать заметную часть выручки.

Итого экономика владельца здесь читается так: убираешь расходы на массовый наём и платный маркетинг, добавляешь статью «вычисления», и при прочих равных в карман остаётся существенно больше, чем в классической модели — при условии, что продукт действительно продаёт себя сам.

Чтобы это не звучало абстрактно, разложим на простом примере. Возьмём два продукта с одинаковой выручкой $6 млн в год. Классический SaaS делает её командой в 30 человек (при средней норме $200 тыс. на человека). Фонд оплаты труда — допустим, $4.5 млн в год при средней зарплате $150 тыс. Плюс платный маркетинг, без которого классический SaaS обычно не растёт — ещё $1-1.5 млн. На вычисления почти ничего, потому что софт. В прибыль остаётся мало — типичная история раннего SaaS, который «растёт, но не зарабатывает». Теперь AI-native продукт той же выручки командой в шесть человек. Фонд оплаты труда — пусть даже по $300 тыс. на каждого, вдвое выше рынка, это $1.8 млн. Маркетинг близок к нулю — продукт распространяется сам. Зато появляется статья «вычисления» — скажем, 20-30% выручки, $1.2-1.8 млн. Складываем: расходы примерно $3-3.6 млн против $5.5-6 млн у классического SaaS при той же выручке. Разница и есть прибыль владельца. Не потому что инженеры дешёвые — они дорогие, — а потому что их шесть, а не тридцать, и за клиентами не нужно бегать.

Этот расчёт огрублён, но он показывает суть. Узкое место классической модели — люди и привлечение клиентов. AI-native переносит нагрузку с дорогих людей на дешевеющие вычисления. Пока вычисления дешевеют быстрее, чем растёт зарплата инженера, экономика играет в пользу тонкой команды.

Семь компаний с цифрами

Midjourney

Что: генерация изображений по текстовому запросу через Discord и веб-интерфейс. Запущена в июле 2022 года.

Цифры: $200 млн выручки в 2023 году, по данным Latka — $300 млн в 2024-м и около $500 млн в 2025-м. Команда — это та цифра, по которой источники расходятся: основатель называл порядка сорока человек, Latka указывает 107. Даже по верхней оценке это $4-5 млн выручки на сотрудника. Внешнего финансирования — ноль. Компания вышла в прибыль в течение двух месяцев после запуска.

Как работают: своя модель, тонкий слой интерфейса и биллинга поверх. Дистрибуция первые годы шла через Discord — не строили клиент с нуля, сели на готовую инфраструктуру с уже собранным сообществом. Поддержка, модерация, развитие сообщества — много автоматизации и сами пользователи.

Что особенного: компания, которую часто приводят как образец, обходится без того, на чём держится классический стартап. Нет инвесторов — значит нет давления на рост любой ценой и нет размытия доли. Прибыль с первых месяцев. Барьер для конкурента здесь — не патент, а качество собственной модели плюс накопленное сообщество, которое само дообучает вкус продукта.

Cursor (Anysphere)

Что: редактор кода с AI внутри — пишет, правит и объясняет код прямо в среде разработки.

Цифры: $100 млн годовой выручки в январе 2025-го, $500 млн в июне, более $1 млрд в ноябре. Команда на август 2025-го — около 300 человек. В отличие от Midjourney, тут деньги поднимали активно: Series C на $900 млн в июне 2025-го, Series D на $2.3 млрд в ноябре. Для нашего сайта это не достижение, а контекст — важнее, что при выручке $500 млн на 300 человек выходит около $1.7 млн на сотрудника, и выручка за полгода выросла впятеро при заметно более скромном росте штата.

Как работают: продукт поверх больших языковых моделей (своих и чужих), заточенный под одну задачу — писать код быстрее. Распространяется снизу вверх: разработчик ставит себе сам, потом продукт затягивает его команду и компанию. Платный маркетинг почти не нужен — инструмент показывает результат в первый же час.

Что особенного: скорость от $1 млн до $1 млрд выручки — одна из самых быстрых в истории софта. Уязвимость тоже видна: продукт во многом стоит на чужих моделях, и это главный риск модели, к которому вернёмся в разделе про контр-аргументы.

ElevenLabs

Что: синтез и клонирование голоса, озвучка, дубляж. Модель превращает текст в речь, неотличимую от человеческой.

Цифры: более $330 млн годовой выручки на конец 2025 года, рост со $155 сотрудников в 2024-м до примерно 580 в 2026-м. Выручка на сотрудника — около $825 тыс. Привлекли $381 млн за пять раундов.

Как работают: своя модель синтеза речи плюс API, через который продукт встраивают в чужие приложения. Самое интересное здесь — оргструктура: около двадцати микро-команд по 5-10 человек, без раздутого среднего менеджмента и без большого классического отдела продаж. Каждая команда отвечает за свой кусок продукта целиком.

Что особенного: это пример, как держать выручку на человека высоко, когда людей уже под шестьсот. Секрет не в малочисленности, а в плоскости: компания не строит управленческую пирамиду, через которую утекает производительность. Барьер для конкурента — качество голоса и широта языков, которые дорого повторить.

Gamma

Что: создание презентаций, сайтов и документов по текстовому запросу. Позиционируют как замену PowerPoint для эпохи AI.

Цифры: $100 млн годовой выручки в октябре 2025-го, рост с $30.5 млн на конец 2024-го. Команда — около 50 человек. 70 млн пользователей. Главное: компания прибыльна с 2023 года и дошла до $100 млн выручки, потратив всего около $90 млн привлечённых денег — то есть жила в основном на свои.

Как работают: продукт поверх чужих языковых моделей, заточенный под одну задачу — собрать красивый документ из текста за минуту. CEO Grant Lee прямо описывает модель как «сделать $100-миллионный бизнес иначе»: маленькая команда, прибыль вместо гонки за ростом, рост через сам продукт. При $100 млн выручки на 50 человек — около $2 млн на сотрудника.

Что особенного: это, возможно, самый близкий к философии нашего сайта случай. Прибыльность с раннего этапа, тонкая команда, отказ раздувать штат под выручку. Не «подняли и жжём», а «зарабатываем и держим людей в узде». Иллюстрация, что AI-native — это не обязательно про сжигание сотен миллионов до прибыли.

Lovable

Что: сборка работающих веб-приложений по текстовому описанию. Тот самый «vibe coding» — описал словами, получил приложение.

Цифры: с $5.3 млн годовой выручки в 2024-м до $200 млн в 2025-м, к февралю 2026-го — более $400 млн. Команда — это снова место, где источники расходятся: TechCrunch писал про 146 сотрудников в марте 2026-го, на середину 2025-го называли порядка 45 человек. Даже по верхней оценке выручка на сотрудника — в районе $1.4-2.8 млн.

Как работают: продукт поверх больших языковых моделей, который генерирует код приложения и сразу его публикует. Рост — почти целиком через сам продукт и сарафан: результат виден мгновенно, им делятся. Lovable дошёл до $100 млн годовой выручки быстрее, чем это сделали в своё время OpenAI и Cursor.

Что особенного: скорость и тонкость команды на фоне выручки. Тот же структурный риск, что у Cursor и Bolt — продукт стоит на чужих моделях, и устойчивость преимущества зависит от того, что компания добавляет поверх.

Bolt.new (StackBlitz)

Что: ещё один сборщик приложений по описанию, продукт компании StackBlitz, которая до этого семь лет делала среду разработки в браузере.

Цифры: $4 млн годовой выручки за первый месяц после запуска в октябре 2024-го, $20 млн через два месяца, $40 млн к марту 2025-го. Команда на тот момент — около 35 человек. Это порядка $1.1 млн на сотрудника. Почти без рекламного бюджета.

Как работают: семь лет StackBlitz строила технологию запуска кода прямо в браузере (WebContainers), на которой Bolt и взлетел. Это важная деталь: «мгновенный успех» вырос на семи годах незаметной инфраструктурной работы. Продукт продаёт себя — пользователь видит готовое приложение за минуту.

Что особенного: контраст между «overnight success» в цифрах выручки и семью годами до этого. AI-native рывок случился не на пустом месте, а на уже готовой технической базе, которую конкуренту с нуля не собрать за квартал.

Rork

Что: сборка мобильных приложений по текстовому описанию, без кода. Российские корни — один из основателей, Levan Kvirkvelia, ещё подростком сделал в России крупное образовательное приложение на два с лишним миллиона пользователей.

Цифры: с нуля до $1 млн годовой выручки за три месяца после запуска, при нулевом рекламном бюджете. Команда — около четырёх человек. Запуск — февраль 2025-го.

Как работают: продукт поверх языковых моделей, генерирующий код мобильного приложения. Рост — целиком через сам продукт: люди показывают друг другу собранные за вечер приложения. Та же механика, что у Lovable и Bolt, но на мобильной нише.

Что особенного: для нашего контекста ценно, что это команда с российскими корнями, повторившая ровно ту же модель, что и западные аналоги. Подтверждает: дело не в географии и не в доступе к венчуру, а в самой механике AI-native продукта. Оговорка — продукт молодой, $1 млн выручки за три месяца впечатляет, но это ещё не устойчивый бизнес масштаба Gamma, и стоит он, как и конкуренты, на чужих моделях.

Применимость в РФ для соло-фаундера

Главный вопрос для читателя этого сайта: что из перечисленного можно повторить самому, без 11-значной оценки и доступа к венчурным деньгам Долины. Ответ делится на три уровня.

Первый уровень — продукт поверх чужой модели. Это самое повторяемое. Lovable, Bolt, Rork, Gamma — все они не обучают свою модель с нуля, а берут готовую (GPT, Claude, открытые модели) и строят поверх неё узкий продукт под одну задачу. Это доступно одному человеку или команде из двух-трёх. Из РФ есть нюанс с оплатой зарубежных API и с доступом к части провайдеров, но это решаемо: либо российские модели (YandexGPT, GigaChat), либо открытые модели на своём или арендованном железе. Стек тут — не капиталоёмкий: API модели, фронт, биллинг, инфраструктура запуска. Капитал на старте — десятки, максимум сотни тысяч рублей, а не миллионы.

Второй уровень — своя модель. Это Midjourney и ElevenLabs. Соло-фаундеру недоступно: нужны деньги на железо, на обучение, на команду исследователей. Этот путь требует капитала и команды с самого начала, и для одиночки он закрыт. Честно сказать прямо, а не делать вид, что «каждый может обучить свою нейросеть».

Третий уровень — операционная AI-native механика в обычном, не-AI бизнесе. Это самое недооценённое и самое реалистичное для русскоязычного предпринимателя. Речь не о том, чтобы сделать новый Cursor, а о том, чтобы построить сервисный или нишевый бизнес, где AI с самого начала встроен в операции так, что штат не растёт с выручкой. Поддержка, обработка заявок, контент, первичные продажи, рутина бэк-офиса — то, на что обычный бизнес нанимает людей по мере роста, у AI-native устроено как система, которую настраивает один человек. Выручка на сотрудника тут не $5 млн, но и не $130 тыс. — и это уже даёт другую экономику владельца.

Чтобы перевести это из лозунга в смету, вот из чего реально складывается стек продукта поверх чужой модели для одного человека. Доступ к модели — российская (YandexGPT, GigaChat) или открытая на арендованном GPU; платишь за токены или за час аренды железа, на старте это тысячи рублей в месяц, не миллионы. Фронт и логика — обычный веб-стек, который соло-разработчик собирает сам. Биллинг — YooKassa или зарубежный эквайринг под валютную аудиторию. Хостинг и инфраструктура запуска — облако, ещё несколько тысяч рублей. Самая дорогая статья — собственное время на полгода-год, пока продукт не начнёт приносить. Денежный порог входа — десятки, максимум сотни тысяч рублей. Это принципиально отличается от классического стартапа, где до первой выручки уходили миллионы на команду.

Главное предупреждение по РФ-сценарию: не вся механика переносится один в один. Оплата зарубежных API из России — отдельная задача (карты иностранных юрлиц, посредники), доступ к части провайдеров ограничен. Поэтому реалистичная ставка для соло-предпринимателя из РФ — либо российские модели, либо открытые на своём железе, либо аудитория за пределами РФ с зарубежным юрлицом и эквайрингом. Каждый из вариантов решаем, но требует выбора на старте, а не «потом разберёмся».

Реалистичный сценарий для русскоязычного предпринимателя-одиночки: не гнаться за своей моделью, а взять узкую нишу, собрать продукт поверх готовой модели или встроить AI в операции обычного дела так, чтобы один человек делал работу пятерых. Цель — не миллиардная оценка, а высокая выручка на одного занятого и прибыль в карман. Ровно то, что показывает Gamma на своём масштабе: прибыль с раннего этапа и тонкая команда вместо гонки за ростом.

Риски и контр-аргументы

Прежде чем повторять модель, стоит честно перечислить, где она ломается. Восторженные разборы это пропускают.

Первое и главное — зависимость от чужой модели. Большинство повторяемых случаев (Lovable, Bolt, Gamma, Rork) стоят на чужих языковых моделях. Это значит две уязвимости сразу. Провайдер может поднять цены — и юнит-экономика поедет. Провайдер может сам выпустить продукт, который делает то же самое — и тогда твоя надстройка обнуляется. Защита здесь — не в самой модели, а в том, что ты добавил поверх: данные, интеграции, нишевая экспертиза, привычка пользователя. Если поверх модели только тонкая обёртка — бизнес держится ровно до первого хода провайдера.

Второе — себестоимость растёт с использованием. В отличие от классического софта, где ещё один пользователь почти бесплатен, у AI-продукта каждый активный пользователь жжёт вычисления. При неаккуратном тарифе активные пользователи могут приносить убыток. Поэтому здесь критична привязка цены к потреблению, а не плоская подписка «всё включено» — иначе рост выручки тащит за собой ещё больший рост счёта за вычисления.

Третье — высокая выручка на сотрудника не равна устойчивости. Часть цифр в этой статье — про компании возрастом год-два на быстром рынке. Rork с $1 млн за три месяца впечатляет, но это ещё не доказанный бизнес. Скорость роста и выручка на человека — красивые метрики, но удержание пользователей и валовая маржа после оплаты вычислений важнее. Метрику «выручка на сотрудника» легко раздуть на коротком взлёте; смотреть надо, держится ли она через два-три года.

Четвёртое — «тонкая команда» работает не в каждой нише. Там, где продукт продаёт себя сам и обслуживание автоматизируется, штат можно держать маленьким. Там, где нужны сложные корпоративные продажи, внедрение, физическая логистика или регуляторика — модель тонкой команды упирается в потолок, и людей всё равно придётся нанимать. AI-native экономика лучше всего живёт в продуктах с самостоятельным онбордингом и цифровым результатом.

Резюме

AI-native компания — это не «бизнес, который использует нейросети», а бизнес, в котором AI стоит в ядре так, что выручка растёт быстрее штата. Проверяется это одной метрикой: выручкой на сотрудника. Норма SaaS — около $125-200 тыс. на человека. AI-native верхнего эшелона — от $570 тыс. (ElevenLabs) до $5 млн (Midjourney), в среднем по категории около $3.48 млн, в шесть раз выше прочих.

Главный практический вывод не в том, что нужно срочно делать свою нейросеть. Своя модель — путь для тех, у кого есть капитал и команда. Для одного человека работают два других уровня: собрать узкий продукт поверх готовой модели или встроить AI в операции обычного дела так, чтобы один человек делал работу пятерых. И там, и там цель одна — не оценка, а высокая выручка на занятого и прибыль владельца.

Два шага, которые можно сделать с этой информацией. Первый — посмотреть на своё текущее или будущее дело и честно посчитать выручку на сотрудника: если она в районе нормы SaaS, спросить, какую часть операций можно превратить из «нанимаем людей по мере роста» в «настраиваем систему один раз». Второй — если строишь продукт поверх чужой модели, сразу заложить защиту от главного риска: что у тебя останется ценного, когда провайдер модели поднимет цену или выпустит то же самое сам. Ответ на этот вопрос и есть твой настоящий бизнес.