Коротко
- Что: японский AI-OCR, который превращает бумажные и рукописные бланки в структурированные данные — выручка ¥4.75 млрд за год (≈$29 млн, ≈2.26 млрд ₽), подтверждено годовой отчётностью
- Кто платит: 3 203 корпоративных договора, 77 975 рабочих аккаунтов, 84 отрасли
- Средний договор: ¥1.48 млн в год (≈$9 000, ≈705 тыс. ₽) — расчётно, выручка на договор
- Отток: 0.66% в месяц — подтверждено отчётом за год к марту 2026
- Валовая маржа: 82.1%, операционная — 6.55%
- Главный урок: один OEM-партнёр давал почти 40% выручки и ушёл за один день
- Вердикт для РФ: применимо с адаптацией, ниша занята, но не насыщена
- Сложность: высокая
Один звонок, минус 38% выручки
28 апреля 2021 года японская компания AI inside получила уведомление от NTT West: из 9 284 лицензий, проданных через этого партнёра, 7 636 не будут продлены. В сообщении для биржи компания оценила удар в ¥1.763 млрд — около 38% всей выручки предыдущего года. Акции ушли в планку вниз два торговых дня подряд, на третий биржа расширила коридор, чтобы остановить обвал.
Компания не умерла. Она потратила пять лет, чтобы вернуться к прежнему уровню выручки — и вернулась туда уже с другой конструкцией продаж. За год, закончившийся в марте 2026, выручка составила ¥4.747 млрд, операционная прибыль — ¥311 млн, чистая — ¥351 млн (годовая отчётность). Это разбор не про то, как красиво расти, а про то, что происходит с бизнесом, когда канал продаж принадлежит не тебе.
Курс на дату публикации, по данным ЦБ: $1 = 78.03 ₽, ¥100 = 47.60 ₽.
Что делают: бумага на входе, таблица на выходе
Основной продукт — DX Suite: облачный сервис, который принимает скан, фото или PDF бланка и отдаёт структурированные поля. Ключевое отличие от классического распознавания текста в том, что система не просто вытаскивает символы, а понимает, что перед ней за документ: сама определяет тип бланка, сама подбирает настройки считывания, сама раскладывает данные по колонкам и отправляет их в учётную систему.
Рынок под это в Японии огромный по бытовым причинам. Здесь до сих пор массово ходят факсы, бумажные счета с печатями-ханко и рукописные заявки — и всё это кто-то руками перебивает в 1С-подобные системы. По оценке исследовательского центра Deloitte Tohmatsu MIC, рынок OCR-решений Японии — включая внедрение, сопровождение и обработку документов на аутсорсе — составил ¥570 млрд в 2023 финансовом году, плюс 5.5% за год, при этом сегмент AI-OCR растёт примерно на 20% в год.
Зарабатывают на подписке с оплатой за объём. По прайсу: Lite — ¥40 000 в месяц (≈$244, ≈19 000 ₽) без платы за подключение, Standard — ¥100 000 в месяц плюс ¥200 000 за подключение, Pro — ¥200 000 в месяц. В каждый тариф зашит месячный лимит распознаваний, сверх него идёт поштучная оплата: ¥3 за область текста на Lite против ¥1 на Standard и Pro, извлечение поля — от ¥30 против ¥10. Отдельно продаётся коробка на месте — AI inside Cube, физическое устройство с моделью внутри для тех, кому нельзя выпускать документы в облако.
Продукт продаётся не как «распознавание текста», а как «данные приходят в движение». Внизу страницы — сноска на исследование рынка OCR, на которое компания опирается в своих заявлениях о доле.
Юнит-экономика
| Метрика | Значение | Статус | Источник |
|---|---|---|---|
| Выручка, год к марту 2026 | ¥4.747 млрд (≈$29 млн) | подтверждено | irbank |
| Операционная прибыль | ¥311 млн, маржа 6.55% | подтверждено | irbank |
| Чистая прибыль | ¥351 млн | подтверждено | отчёт за год |
| Валовая маржа | 82.1% (себестоимость 17.9% выручки) | подтверждено | отчёт за год |
| Договоров | 3 203, плюс 4.8% за год | подтверждено | там же |
| Рабочих аккаунтов | 77 975, плюс 17.3% за год | подтверждено | там же |
| Отток | 0.66% в месяц | подтверждено | там же |
| Повторяющаяся выручка | ¥4.487 млрд — 94.5% всей выручки | подтверждено | там же |
| Средний договор | ¥1.48 млн в год (≈705 тыс. ₽) | расчётно | выручка / договоры |
| Сотрудников | 130 | подтверждено | там же |
| Выручка на сотрудника | ¥36.5 млн (≈$223 тыс.) | расчётно | выручка / штат |
Расходная часть раскрыта до строчки, и она объясняет тонкую операционную маржу. Себестоимость — 17.9% выручки. Продажи и маркетинг — 28.9%. Разработка — 22.6%. Административные расходы — 24.0%. Сложите: на прибыль остаётся около 6 копеек с рубля выручки при валовой марже 82%. Это не производственная проблема, а стоимость дистрибуции.
Посчитаем привлечение клиента. За год расходы на продажи и маркетинг составили примерно ¥1.37 млрд. Договоров стало больше на 146, но при оттоке 0.66% в месяц (около 7.6% в год) компания за год потеряла порядка 235 договоров — значит, новых пришло около 380. Отсюда верхняя оценка стоимости одного нового договора — примерно ¥3.6 млн (≈$22 тыс., ≈1.7 млн ₽). Это верхняя граница: в ту же статью попадает работа с текущими клиентами и бренд.
Теперь другая сторона. Договор приносит ¥1.48 млн в год, при валовой марже 82% это ¥1.21 млн валовой прибыли. Окупаемость привлечения — около трёх лет. Звучит страшно, пока не посмотреть на срок жизни: отток 0.66% в месяц даёт среднюю продолжительность договора около 12 лет. За этот срок клиент приносит порядка ¥15 млн валовой прибыли против ¥3.6 млн затрат на его привлечение — отношение около 4 к 1.
Вот вся модель в одном предложении: дорогое привлечение, которое отбивается только потому, что японский корпоративный клиент не уходит.
Три тарифа: ¥40 000, ¥100 000 и ¥200 000 в месяц. Разница не только в абонентской плате — на старшем тарифе поштучная цена распознавания втрое ниже, что и толкает клиента наверх по мере роста объёмов.
Такой разбор с разложенной экономикой — каждый день в @solopreneuro.
Считаем твою экономику
Прикинем, что получится, если строить такое в России под первый сегмент — бухгалтерский аутсорсинг и малые производства. Ориентир по цене берём не с потолка, а с прайса действующего российского аналога Entera: 76 000 ₽ в год за начальный тариф и 195 000 ₽ за старший. Возьмём средний чек 120 000 ₽ в год, то есть 10 000 ₽ в месяц.
| Месяц | Клиентов | Выручка в месяц | Расход (вычисления, инфраструктура, эквайринг) | В карман |
|---|---|---|---|---|
| 3 | 5 | 50 000 ₽ | 60 000 ₽ | −10 000 ₽ |
| 6 | 20 | 200 000 ₽ | 90 000 ₽ | 110 000 ₽ |
| 12 | 60 | 600 000 ₽ | 180 000 ₽ | 420 000 ₽ |
Расходная часть посчитана по японской структуре: себестоимость около 18% выручки плюс фиксированная база на аренду вычислений, которая на старте не зависит от числа клиентов. Заработная плата не заложена — это модель для одного-двух человек, которые пока живут на другие деньги.
Три строки чувствительности:
- Если средний чек не 10 000 ₽ в месяц, а 6 300 ₽ (начальный тариф Entera), выход в плюс сдвигается с шестого месяца на девятый.
- Если привлечение стоит вдвое дороже, чем кажется, — а у японцев оно стоит три года валовой прибыли клиента, — то до 60 клиентов вы не дойдёте за год без наёмного продавца.
- Если отток 3% в месяц, а не 0.7%, средний срок жизни клиента падает с 12 лет до 2.8 года, и вся модель держится только на дешёвом привлечении через один канал.
Что нужно, чтобы повторить
| Нужно | Конкретика |
|---|---|
| Команда | 1 инженер по машинному обучению, 1 backend, 1 продавец с опытом в бухгалтерских услугах |
| Время до первой версии | 2-3 месяца на узком типе документов (например, только УПД и товарные накладные) |
| Время до продаваемого | 6-9 месяцев: интеграция с 1С, история версий, разбор ошибок |
| Вычисления | Аренда GPU в российском облаке под дообучение, коробка на месте — на второй год |
| Главная сложность | Не распознавание, а последняя миля: сверка, исправление ошибок и запись в учётную систему без ручного контроля |
Ключевая мысль по срокам: сама модель распознавания сегодня — не барьер. Открытые модели закрывают базовую задачу за недели. Барьером остаётся всё, что вокруг: как забрать документ из почты и общей папки, как понять, что это за бланк, как поймать собственную ошибку до того, как её увидит бухгалтер, как отдать результат в учётную систему. У AI inside половина функциональности — именно про это.
Продукт разложен на пять этапов: забрать, считать, оптимизировать, передать дальше, инфраструктура. Распознавание — только второй шаг из пяти, и продают клиенту не его.
Альтернативы: почему не взять готовое
Честный ответ: в России эта ниша занята, но не закрыта.
- Entera — 7 000 компаний, 42 млн распознанных страниц за семь лет работы, прямая интеграция с 1С. Сильнее всех в бухгалтерской первичке, слабее в нестандартных отраслевых бланках.
- Content AI — наследник российского бизнеса известного разработчика систем распознавания, продукты ContentReader и ContentCapture, заявляет 2 млн страниц в день на платформе обработки документов и первое место в рейтинге CNews среди редакторов PDF на российском рынке за апрель 2026. Клиенты — Ростелеком, X5 Group, СИБУР. Играет в крупный корпоративный сегмент.
- Smart Engines — распознавание на устройстве, паспорта и банковские документы, силён в мобильном сценарии и в закрытом контуре.
- Directum — заходит с другой стороны, от документооборота, и добавляет распознавание как функцию платформы.
Где щель. Все четверо продают либо бухгалтерскую первичку, либо крупный корпоративный контур. Никто всерьёз не занимается отраслевыми бланками, где документ не унифицирован: путевые листы и заявки в перевозках, акты обследования в обслуживании зданий, ветеринарные и лабораторные формы, отраслевые заявки в страховании. Именно на нетиповых бланках у японцев произошёл прорыв — после обновления модели число считанных полей на нестандартных документах выросло в 4 раза за год. Универсальный продукт туда не дотягивается, потому что каждая отрасль требует своего словаря и своих правил проверки.
Точка дизрапта
Технологическое отличие AI inside — не облачное распознавание, а собственная языковая модель под японские деловые документы и способность катать её в двух конфигурациях: в облаке и в коробке на месте. Из 3 203 договоров 209 — это как раз коробка (DX Suite Edge на устройстве AI inside Cube), то есть модель едет к клиенту, у которого документы физически не могут покинуть контур.
Второе — самопроверка. В сентябре 2025 в продукт добавили механизм, который ищет ошибки уже после распознавания и, по заявлению компании, обходит человека при визуальной сверке. Это меняет экономику для клиента: раньше AI-OCR экономил ввод, но не отменял проверку, и человек всё равно сидел над каждым документом. Если проверку тоже забирает машина, из процесса уходит не половина труда, а весь.
Масштаб обучающей базы делает это возможным: компания заявляет около 10 млрд обработанных японских деловых документов, накопленных запросов к облачной модели — 12.4 млрд, в среднем 220 млн запросов в месяц. Отдельно в октябре 2024 компания попала в государственную программу поддержки разработки моделей от министерства экономики Японии — это дало доступ к вычислениям, но и подняло расходы на разработку, что видно в отчёте.
Барьер для конкурентов
Барьер здесь не в модели, а в двух вещах, которые нельзя скопировать за полгода. Первая — накопленные данные японской деловой бумаги: рукописный ввод, отраслевые формы, печати. Конкурент с общей моделью проигрывает не в среднем, а на хвосте, где как раз и живёт ручной труд. Вторая — интеграции и привычка: 78 тысяч человек ежедневно работают в интерфейсе, а сервис подключён к учётным системам клиентов. Отток 0.66% в месяц — это и есть измеренная стоимость переключения.
Как выходили на рынок — и как выходить тебе
Как выходила эта компания
Основатель Таку Тогути занялся исследованиями искусственного интеллекта в 2004 году, основал компанию в 2015, вывел её на биржу в 2019. Продавать напрямую малому и среднему бизнесу Японии в одиночку было бы бессмысленно — рынок раздроблен, а цикл сделки длинный. Поэтому компания с декабря 2017 строила партнёрскую программу и отдала дистрибуцию телеком-гигантам.
Механика была такой: в январе 2019 NTT East выпустил продукт под своим брендом на движке AI inside, в декабре 2019 то же сделали NTT West и NTT Data, причём последний — для государственных заказчиков через защищённую сеть органов власти. К июню 2019 партнёров было больше 50, к июню 2021 — больше 100. Канал сработал: выручка за три года выросла с ¥445 млн до ¥4.6 млрд.
Дальше произошло то, ради чего этот разбор и написан. Клиенты, которых NTT West привёл в продукт, начали отказываться от лицензий до истечения годового минимального срока. Компания этого не видела — она видела агрегированные цифры партнёра, а не поведение конечных пользователей. Издание Nikkei xTECH разбирало эту историю дважды, включая объяснение самого основателя, почему отказы не удалось разглядеть заранее. Когда чужой продавец стоит между тобой и клиентом, у тебя нет данных об удержании — есть только счёт от партнёра.
Выручка по годам, финансовый год заканчивается в марте. Провал 2022 года — прямое следствие ухода одного партнёра, возврат к прежнему уровню занял пять лет.
Восстановление шло через отстройку собственных продаж. По итогам года к марту 2026 прямые продажи выросли на 11.4% и составили ¥2.34 млрд против ¥2.41 млрд партнёрских. То есть компания довела свой канал ровно до половины выручки. Партнёров не выгнали — их перестали делать единственной опорой.
Как выходить билдеру
Кому продавать первым. Не «малому бизнесу», а бухгалтерским аутсорсинговым компаниям на 5-30 сотрудников, которые ведут 50-300 юрлиц. У них боль измеряется в часах ручного ввода, решение принимает собственник, бюджет уже выделен на сотрудников, которых нечем занять при росте базы. Один такой клиент даёт вам сразу поток документов от сотен компаний.
Триггер покупки. Не «хотим ИИ», а «взяли ещё 20 клиентов и не хотим нанимать двух операторов». Продавать надо в момент роста базы клиента, а не абстрактную автоматизацию.
Как достать первых 10-50. Профильные сообщества бухгалтеров и аутсорсеров в Telegram, где такие разговоры идут ежедневно. Партнёрство с франчайзи 1С в регионах — они уже сидят внутри учётных систем целевых клиентов и продают им сопровождение. Прямой обход по спискам аутсорсинговых компаний из 2ГИС в городах-миллионниках. Профильные конференции по бухгалтерскому аутсорсингу — там ваша аудитория собрана в одном зале.
Последовательность. Первые 10 — руками, с бесплатным разбором пачки их реальных документов и настройкой под них. Первые 100 — когда вы поняли, какие 5 типов документов покрывают 80% потока, и научились подключать клиента за день. Дальше — канал через франчайзи 1С и самостоятельная регистрация.
Оффер первого разговора. «Пришлите 200 своих документов за прошлый месяц, за неделю покажем, сколько из них система разобрала без ошибок, и сколько часов это экономит. Не подойдёт — разойдёмся». Это снимает главное возражение — «у нас нестандартные бумажки, ваш ИИ их не возьмёт».
С кем не начинать. С банков и государственных заказчиков: цикл сделки год и больше, требования к сертификации, а вы на старте не пройдёте их отбор. С крупного производства — там уже стоит система документооборота, и вы будете продавать не продукт, а проект внедрения. И главное — не отдавайте первую тысячу клиентов чужому каналу. История выше объясняет почему.
Применение в России и СНГ
Аналоги. Entera, Content AI, Smart Engines, Directum — разобраны выше. Дополнительно распознавание как облачный сервис продают Yandex Cloud (Vision OCR) и Cloud.ru. Это значит, что базовая технология доступна как услуга, и конкурировать качеством распознавания в общем случае бессмысленно — только глубиной в конкретной отрасли.
Регуляторика. Документы клиента — это персональные данные контрагентов и сотрудников, значит 152-ФЗ и обработка на серверах в России. Для государственных и окологосударственных заказчиков — включение в реестр отечественного ПО, без него закупка не состоится. Если целитесь в объекты критической инфраструктуры, добавляется контур КИИ и требование ставить решение внутри периметра. Отсюда же следует, что коробочный вариант в России нужен раньше, чем в Японии: у AI inside на него приходится 6.5% договоров, у российского аналога доля будет выше.
Стек. Вычисления — Yandex Cloud или Selectel, для закрытого контура — поставка на оборудование клиента. Языковая модель — GigaChat, YandexGPT или открытая модель, дообученная на своих данных. Платежи — YooKassa или Tinkoff. Интеграция — обязательно 1С, дальше СБИС и Диадок, потому что часть документов приходит уже в электронном виде и их надо разбирать в том же потоке.
Каналы. Telegram-сообщества бухгалтеров и аутсорсеров, партнёрская сеть франчайзи 1С, 2ГИС как источник списков компаний для прямого обхода, Яндекс.Директ по запросам про распознавание первички и ввод документов в 1С. VK — под отраслевые сегменты, где сидят логисты и производственники.
Вердикт: применимо с адаптацией. Модель повторяема, но не в лобовой конкуренции с Entera за бухгалтерскую первичку. Повторяема в отраслевой вертикали, где документ нестандартный, поток большой, а универсальные игроки не дотягиваются.
Риски
- Зависимость от чужого канала. Главный риск в модели наглядно показан самой компанией: потеря одного партнёра стоила 38% выручки и пять лет восстановления. Любой продукт, который продают через партнёра, живёт без данных об удержании конечных клиентов.
- Стоимость привлечения. Продажи и маркетинг съедают 28.9% выручки, привлечение договора окупается около трёх лет. Модель работает только при очень низком оттоке — стоит оттоку вырасти до 3% в месяц, экономика ломается.
- Обесценивание базовой технологии. Общие модели распознают документы всё лучше и продаются как облачная услуга по цене инфраструктуры. Ценность смещается из распознавания в проверку и интеграцию, и удерживать премию за качество считывания будет всё труднее.
- Тонкая операционная маржа. 6.55% операционной прибыли при валовой марже 82% — запас прочности небольшой. Прогноз компании на следующий год: выручка ¥5.23 млрд, операционная прибыль ¥523 млн, то есть маржа около 10%. Это план, а не факт.
Вердикт
Бизнес на ¥4.75 млрд в год, где вся прибыль держится на 12-летнем сроке жизни клиента, а главный урок стоил 38% выручки: в России такое повторяемо в отраслевой вертикали с нестандартными бланками, но только если первую тысячу клиентов вы приведёте сами, а не отдадите чужому продавцу.
Ещё разборы в этой нише: Garfield AI — юрфирма из 15 человек ведёт 600 исков · Mercor — стаффинг, где собеседования проводит ИИ · Capgo — $24 тысячи в месяц на обновлениях мимо App Store
Разбираете нишу под свой запуск — план входа и расчёт окупаемости выкладываем в @solopreneuro.
