Безлюдные образцы

Проектировать безлюдный бизнес-движок с нуля — значит принимать десятки архитектурных решений, для которых у большинства руководителей нет собственного опыта. К счастью, за последние сорок лет человечество накопило внушительную коллекцию работающих образцов экстремальной автоматизации — от заводов, месяцами работающих без света, до хедж-фондов, где решения о миллиардах долларов принимаются без единого человека в контуре. Эта глава — экскурсия по таким образцам с инженерным, а не туристическим взглядом: по каждому кейсу мы разбираем цифры (выручка, люди, выручка на сотрудника) и, главное, механизмы — как именно устроена безлюдность, что в ней настоящее, а что маркетинг. Задача главы — дать проектировщику безлюдного движка набор проверенных паттернов (полная оцифрованность объекта труда, стандартизация до автоматизации, «исключения — людям», экономика фиксированных затрат) и, что не менее важно, карту границ: где и почему безлюдность проваливается. Для холдинга, который строит управляющую компанию и портфель бизнес-активов «на AI-рельсах», эти образцы — то же, что референсные архитектуры для инженера: их не копируют буквально, но без их знания каждое решение приходится изобретать заново.

• 1980-еАлготрейдинг.

  Программная торговля на биржах: первый бизнес, где основную цепочку стоимости начали исполнять машины.

• 2001FANUC: роботы делают роботов.

  Заводы у подножия Фудзи работают до 30 суток без людей — свет и отопление выключены.

• 2012Amazon покупает Kiva за $775 млн.

  Переворот логики склада: не человек идёт к товару, а товар едет к человеку.

• 2014WhatsApp: $19 млрд за 55 человек.

  Микрокоманда обслуживает ~450 млн пользователей — рекорд плотности «пользователей на инженера».

• 2024Dark factory Xiaomi.

  80 000 м² в Чанпине, 11 полностью автоматизированных линий, свыше 10 млн смартфонов в год.

• 2025Cursor: $1 млрд ARR. Amazon: миллионный робот.

  AI-волна убирает людей уже не из операций, а из производства продукта и роста.

9.1. Lights-out manufacturing: заводы без света

Термин «производство с выключенным светом» (lights-out manufacturing) буквален: если в цехе нет людей, свет, отопление и кондиционирование не нужны. Это не метафора, а экономический факт — и самый наглядный образ безлюдного бизнеса. Разберём три эталонных кейса и отделим реальность от маркетинга.

FANUC: роботы делают роботов

Японская FANUC — крупнейший в мире производитель промышленных роботов и ЧПУ-контроллеров — с 2001 года эксплуатирует у подножия Фудзи заводы, где роботы собирают роботов. Классические цифры, широко цитируемые отраслевой прессой (первоисточник — заявления самой FANUC): около 50 роботов за 24-часовую смену, оборудование работает без присмотра до 30 суток подряд, в автоматическом режиме цех не отапливается и не освещается. Ключ к пониманию механизма — FANUC смогла это сделать потому, что её продукт спроектирован под роботизированную сборку: узлы стандартизированы, допуски и способы захвата деталей заложены в конструкцию, а сам сборщик (робот FANUC) и есть выпускаемый продукт, то есть компания полностью контролирует обе стороны интерфейса «изделие — средство производства». Люди при этом не исчезли: FANUC — компания с тысячами сотрудников, но они занимаются R&D, продажами и обслуживанием, а не стоят у конвейера. Показательна и финансовая конструкция: FANUC десятилетиями держит операционную маржу на уровне, недостижимом для обычного машиностроения (исторически 30–40%), именно потому, что предельные затраты на выпуск дополнительного робота почти не содержат труда.

Урок для проектировщика: FANUC не «автоматизировала завод» — она спроектировала продукт и производственную систему как единое целое, где автоматизируемость была требованием с первого чертежа. Это принцип «проектирование под автоматизацию» (design for automation), и он переносится на бэк-офис дословно: процессы, спроектированные «под людей» и потом автоматизированные, всегда проигрывают процессам, спроектированным сразу под машинное исполнение.

Philips Drachten: 128 роботов и девять человек

Завод Philips в нидерландском Драхтене производит электробритвы силами 128 роботов при девяти сотрудниках контроля качества на финальных стадиях. Экономический смысл этого кейса глубже, чем «роботы вместо людей»: Драхтен — ответ на вопрос, может ли производство в дорогой европейской юрисдикции конкурировать с китайской фабрикой. Ответ — да, если труд почти исключён из себестоимости: тогда зарплатная разница между Нидерландами и Гуандуном перестаёт иметь значение, а близость к R&D-центру и рынку становится преимуществом. Роботы Драхтена выполняют операции, недоступные человеку по точности, — например, гибку и сварку деталей с допусками тоньше человеческого волоса. Обратите внимание на роль девяти оставшихся людей: они не «делают продукт», они обрабатывают исключения — верифицируют качество там, где автоматическая проверка пока даёт недостаточную уверенность. Это универсальный паттерн, который мы увидим во всех кейсах главы: люди остаются на границах системы, в точках неопределённости.

Xiaomi и китайские «тёмные фабрики»

В 2024 году Xiaomi запустила в пекинском районе Чанпин «тёмную фабрику» (dark factory) площадью 80 000 м² с 11 полностью автоматизированными линиями и заявленной мощностью более 10 млн смартфонов в год — на пике примерно один аппарат каждые 1–3 секунды (в разных публикациях фигурируют обе цифры; «смартфон в секунду» относится к пиковой суммарной производительности линий, а не к одной линии — трактовки в источниках расходятся). Собираются флагманские складные модели MIX Fold 4 и MIX Flip. Мозг фабрики — собственная платформа Xiaomi Hyper IMP (Intelligent Manufacturing Platform), которая, по заявлениям компании, сама диагностирует проблемы, оптимизирует техпроцессы и «самоэволюционирует». Инвестиции оцениваются в несколько миллиардов юаней (непроверено — Xiaomi не публикует детальную разбивку).

Что здесь правда, а что маркетинг? Правда: ключевые процессы сборки действительно безлюдны, включая микронную очистку от пыли, монтаж, тестирование и упаковку. Маркетинг и умолчания: «100% автоматизации» относится к ключевым процессам (key processes) — формулировка, оставляющая за скобками наладку, обслуживание, снабжение компонентами и инженерное сопровождение; в «военной комнате» (war room) фабрики дежурят люди в стерильных костюмах; а тезис о «самоэволюционирующей» фабрике независимой верификации не имеет (непроверено). Кроме того, смартфонная сборка — финальный, наиболее стандартизированный передел; компонентные производства выше по цепочке куда менее безлюдны.

Xiaomi — не одиночка, а витрина системного китайского тренда. Китай с 2015 года (программа «Made in China 2025») ведёт массовую роботизацию: по данным Международной федерации робототехники (IFR), КНР устанавливает более половины всех промышленных роботов мира и по плотности роботизации (роботов на 10 000 рабочих) обогнала Германию и Японию. Хрестоматийный ранний пример — фабрика Changying Precision в Дунгуане (2015), сократившая персонал одной площадки с ~650 до ~60 человек при росте выпуска на ~250% и падении дефектности с ~25% до ~5% (цифры широко цитируются по китайским СМИ, независимая верификация ограничена — непроверено). Тайваньская ASE Group, крупнейший в мире упаковщик полупроводников, сообщает о 56 lights-out-фабриках (цифра вендора — непроверено). Общий механизм везде один: сначала продукт и техпроцесс стандартизируются до состояния, когда каждая операция формально описуема, затем операции передаются машинам, и лишь потом гасится свет.

9.2. Amazon: роботизированный склад и «руки прочь от руля»

Amazon интересен проектировщику безлюдного движка вдвойне: компания автоматизировала и физический труд (склады), и управленческие решения (закупки, ценообразование). Второе для нашей задачи важнее первого, но начнём по порядку.

Склад: от Kiva до миллионного робота

В 2012 году Amazon купила Kiva Systems за 775 млн долларов — и совершила переворот в логике склада. Классический склад устроен вокруг человека, который ходит к товару; Kiva развернула схему: товар едет к человеку. Оранжевые роботы поднимают стеллажи и подвозят их к станциям комплектации, где человек лишь берёт нужную вещь. Уже этот шаг убрал главную статью времени — перемещение сборщика (до 60–70% рабочего времени на традиционном складе). В июле 2025 года Amazon отчиталась о развёртывании миллионного робота: парк почти сравнялся с численностью операционного персонала (~1,2 млн человек), а на новейших площадках вроде Шривпорта плотность робототехники на порядок выше средней. Система Sequoia (2023) сделала следующий шаг — контейнеризованное хранение с роботизированными манипуляторами: по данным Amazon, идентификация и размещение поступающих товаров ускорились до 75%, обработка заказа — до 25%. Поверх флота работает DeepFleet — генеративная AI-модель, координирующая движение роботов и сокращающая суммарный пробег примерно на 10%: по сути, «диспетчер трафика» для города из машин.

Механически важно: склад Amazon не безлюден и в обозримом будущем безлюдным не станет — захват произвольного предмета из миллионов номенклатур (проблема general grasping) до сих пор надёжнее решается человеческой рукой. Amazon выстроила гибрид: машины делают всё формализуемое (транспортировка, сортировка, учёт координат каждой единицы), люди — оставшееся физически неформализуемое. При этом учётный контур полностью цифровой: система в каждый момент знает, где лежит каждая единица товара, и именно эта тотальная оцифрованность позволила наращивать роботизацию слой за слоем.

«Hands off the Wheel»: вывод людей из решений

Куда радикальнее история корпоративного бэк-офиса ритейла. К середине 2010-х Amazon управляла десятками миллионов товарных позиций, и ручная работа вендор-менеджеров — прогнозирование спроса, формирование заказов поставщикам, переговоры об условиях, установка цен — перестала масштабироваться экономически. Внутренняя программа с говорящим названием «Hands off the Wheel» («руки прочь от руля») поставила цель: люди не должны касаться этих решений. Прогнозы спроса, объёмы закупок, ценообразование и даже значительная часть переговоров с поставщиками (через самообслуживание в вендорском портале) были переданы алгоритмам. Журналист Алекс Кантровиц, описавший программу в книге «Always Day One» (2020), приводит ключевую деталь: вендор-менеджеры не были уволены массово — их роль сменилась с «делать» на «аудировать». Как сформулировал первый директор Amazon по машинному обучению Ральф Хербрих, люди «перешли от набора текста к выбору» (from typing to selecting): человек больше не производит решение, он валидирует входные данные алгоритма и разбирает ошибки. Бывшие вендор-менеджеры массово перешли в роли продакт- и программ-менеджеров — «профессиональных изобретателей», строящих новые системы вместо исполнения рутины. Корпоративная норма, которую цитируют сотрудники: «ты постоянно пытаешься автоматизировать собственную работу» (you're constantly trying to work yourself out of a job).

Это и есть чистейший образец перехода, который предстоит холдингу: операционное решение (сколько закупить, почём продать) становится выходом функции от данных, а человек смещается на мета-уровень — проектирование, аудит и обработка исключений. Заметим механизм внедрения: Amazon не требовала от алгоритма идеальности с первого дня. Алгоритмические решения сначала шли как рекомендации, люди их принимали или отклоняли, система училась на отклонениях — и по мере роста точности право отклонения сужалось, пока ручное вмешательство не стало исключением, требующим обоснования.

9.3. Алготрейдинг и HFT: первый полностью безлюдный бизнес

Если искать первый в истории полностью безлюдный бизнес — бизнес, где основная цепочка создания стоимости от начала до конца исполняется машинами, — им окажется не завод и не склад, а торговля на финансовых рынках. Это не случайность, и понимание причины — возможно, самый важный теоретический вывод всей главы.

Почему финансы автоматизировались первыми

Объект труда трейдера полностью оцифрован. Деньги, ценные бумаги, заявки, сделки — всё это информация и только информация; у акции нет физического тела, которое нужно захватывать манипулятором. Среда стандартизирована: биржи предоставляют машиночитаемые потоки данных и принимают заявки по стандартным протоколам (де-факто стандарт — FIX, Financial Information eXchange). Результат мгновенно измерим: прибыль и убыток вычисляются в реальном времени, обратная связь — секунды, а не кварталы. Когда объект труда, среда исполнения и функция качества полностью цифровые, человек в контуре становится не просто лишним — он становится самым медленным и самым дорогим компонентом. Финансы прошли этот переход в 1990–2000-х; любой бизнес-процесс, который удастся довести до такой же степени оцифрованности, повторит ту же траекторию.

Renaissance Medallion: печатный станок из статистики

Хедж-фонд Renaissance Technologies, основанный математиком Джимом Саймонсом, — самый результативный инвестиционный механизм в истории. Его флагманский фонд Medallion с 1988 года показывал в среднем около 66% годовых до комиссий и ~39% после (комиссии беспрецедентны: 5% за управление и 44% за успех), не имея ни одного убыточного года с 1990-го — включая 2000 и 2008 годы, когда фонд заработал 98,5% и 82% соответственно. Цифры документированы в книге Грегори Цукермана «The Man Who Solved the Market» (2019) на основе внутренних данных. При этом в Renaissance работает порядка 300 человек, значительная часть — PhD по математике, физике, статистике; трейдеров в классическом смысле нет вообще. Механика: единая исследовательская платформа, куда десятилетиями стекаются любые данные, способные нести сигнал (цены, погода, отчёты, спутниковые снимки); статистический поиск слабых, но устойчивых закономерностей (каждая даёт едва больше 50% верных предсказаний — этого достаточно при тысячах сделок); единый портфельный оптимизатор, превращающий тысячи сигналов в позиции с учётом издержек и рисков; полностью автоматическое исполнение. Люди не принимают торговых решений — они улучшают систему, которая их принимает. Саймонс сформулировал железное правило: модели не переопределяются вручную даже когда их решения кажутся ошибочными, — потому что стоит один раз вмешаться, и статистическая дисциплина системы разрушена. Размер Medallion сознательно ограничен (~10 млрд долларов, только деньги сотрудников): стратегии коротких горизонтов не масштабируются бесконечно — редкий случай, когда у безлюдного движка есть жёсткий потолок ёмкости.

Virtu: один убыточный день за пять лет

Если Medallion — закрытая лаборатория, то Virtu Financial — публичная витрина высокочастотного трейдинга (HFT, high-frequency trading). В проспекте IPO 2014 года компания раскрыла факт, ставший легендой: за 1238 торговых дней (2009–2013) у неё был ровно один убыточный день. На тот момент Virtu вела маркет-мейкинг более чем на 200 площадках в 30+ странах силами примерно 150 сотрудников. Секрет «граальной» стабильности — не в предсказании рынка, а в законе больших чисел: Virtu зарабатывает крошечный спред на огромном числе сделок, выигрывая чуть больше половины из них (сама компания указывала ~51–52%), и при миллионах сделок в день дневной результат почти детерминирован. Механическая цепочка целиком безлюдна: рыночные данные поступают в колокационные серверы (стойки в машинном зале самой биржи — свет проходит меньше метров, задержки — микросекунды); алгоритмы котируют покупку и продажу тысяч инструментов одновременно; система риск-менеджмента в реальном времени держит лимиты по каждому инструменту, стратегии и фирме в целом, а «рубильники» (kill switches) отключают стратегию за миллисекунды при аномалии; клиринг, расчёты и учёт совершённых сделок проходят сквозной обработкой без ручного ввода. Люди в HFT-фирме — инженеры, квонты и небольшая смена мониторинга: та же «военная комната», что у Xiaomi.

Границы и цену ошибки в этой отрасли показал Knight Capital (2012): некорректно выкаченное обновление софта за 45 минут наторговало на 440 млн долларов убытка и фактически уничтожило компанию. Урок прямолинеен: в безлюдной системе скорость разрушения равна скорости работы, поэтому релиз-инжиниринг, лимиты и автоматические предохранители — не вспомогательный контур, а часть ядра.

9.4. Straight-through processing: банкинг и платежи как безлюдный конвейер

Сквозная обработка (straight-through processing, STP) — термин из финансовой индустрии 1990-х, означающий прохождение транзакции от инициации до учёта без единого ручного касания. Сегодня STP — самый массовый в мире безлюдный конвейер, через который проходит почти каждая покупка на планете, и одновременно готовый учебник архитектуры для проектировщика бэк-офиса.

Visa и Mastercard: конвейер триллионов

Когда вы прикладываете карту к терминалу, за доли секунды происходит цепочка: терминал эквайера формирует авторизационный запрос → сеть (VisaNet или аналог Mastercard) маршрутизирует его банку-эмитенту → по пути запрос проходит скоринг мошенничества в реальном времени (у Visa — система Visa Advanced Authorization, нейросетевая оценка риска за миллисекунды) → эмитент проверяет лимиты и отвечает → ответ возвращается на терминал. Ни один человек не участвует. Клиринг и расчёты между тысячами банков идут пакетно и тоже автоматически. Масштаб: в 2024 финансовом году Visa обработала около 234 млрд транзакций при выручке $35,9 млрд и штате около 31,5 тыс. человек — то есть свыше 7 млн транзакций и более миллиона долларов выручки на сотрудника в год. Сотрудники Visa не обрабатывают транзакции — они развивают сеть, продают, следят за соответствием регуляторике. Единственное место, где в конвейере появляются люди, — споры и возвраты (chargebacks): классический паттерн «исключения — людям», причём индустрия и его последовательно автоматизирует.

Архитектурный урок платёжных сетей — в том, как устроена обработка отказов. Конвейер не пытается быть всезнающим: он построен на строгих машиночитаемых правилах (форматы ISO 8583/ISO 20022, коды ответов, тайм-ауты, правила споров с жёсткими сроками и доказательной базой), и любое отклонение имеет заранее описанный маршрут. Безлюдность здесь — следствие тотальной стандартизации протокола взаимодействия десятков тысяч независимых организаций.

Core banking: движок банка как продукт

Сердце любого банка — автоматизированная банковская система (core banking system): главная книга, счета, проводки, проценты, платежи. Этот слой давно стал покупным продуктом: швейцарская Temenos (платформа Transact, ранее T24) обслуживает тысячи банков; облачная Mambu (2011, Берлин) сделала следующий шаг — банковское ядро как SaaS с API-first-архитектурой, на котором собраны десятки необанков и финтехов; британская Thought Machine (Vault) строит ядро на «умных контрактах» — продукты описываются кодом, а не настройками. Практический смысл для нашей темы: транзакционный учёт как класс задач уже полностью коммодитизирован и безлюден — банк может проводить миллионы операций в день, не имея ни одного «операциониста по проводкам». Люди в современном банке концентрируются в трёх местах: продажи и поддержка, риск и комплаенс, разработка. Именно поэтому численность банка — почти чистая функция того, сколько нестандартизованных взаимодействий с клиентом и регулятором он себе позволяет.

Необанки: порядок величины на сотрудника

Сравнение цифровых банков с классическими — самое наглядное измерение эффекта STP-архитектуры, доведённой до предела. Revolut по итогам 2024 года: выручка $4,0 млрд (+72%), прибыль до налогов $1,4 млрд, 52,5 млн клиентов при штате порядка 10 тыс. человек — около $400 тыс. выручки и ~5 000 клиентов на сотрудника. Бразильский Nubank ещё радикальнее: на начало 2025 года — 118,6 млн клиентов и аннуализированная выручка ~$13 млрд при штате менее 10 тыс. человек (~7,7 тыс. на конец 2023-го), то есть свыше 12 000 клиентов и более $1 млн выручки на сотрудника, при коэффициенте эффективности (efficiency ratio, отношение расходов к доходам) около 25% (точные значения по отчётности — непроверено в деталях) — против типичных 50–60% у классических банков. Wise держит сопоставимую планку в трансграничных переводах, где подавляющая доля платежей проходит полностью автоматически, значительная часть — за секунды. Для контраста: у крупных традиционных банков — от бразильского Itaú до Bank of America — на одного сотрудника приходится порядка 300–800 клиентов (оценка по публичной отчётности; точное соотношение зависит от методики подсчёта клиентов — непроверено в деталях), то есть разрыв с Nubank — один-два порядка.

Механизм разрыва прозрачен. Во-первых, у необанка нет отделений — канал полностью цифровой, и предельная стоимость обслуживания дополнительного клиента близка к нулю (Nubank оценивает стоимость обслуживания клиента менее чем в доллар в месяц, привлечение — $5–7 против $100+ у американских конкурентов). Во-вторых, ядро построено сразу облачным и событийным, без наследия мейнфреймов и ручных сверок. В-третьих, поддержка спроектирована по воронке: самообслуживание в приложении → чат-бот → человек только на хвосте нерешённых случаев. Классический банк добавляет людей пропорционально клиентам; необанк — пропорционально числу новых продуктов и юрисдикций. Это и есть разница между операционной моделью с переменными затратами на труд и моделью фиксированных затрат на движок.

9.5. Классика микрокоманд интернета

До эпохи AI-агентов интернет уже породил компании, обслуживающие сотни миллионов людей командами размером со школьный класс. Их стоит разобрать не как курьёзы, а как архитектурные прецеденты: за каждой микрокомандой стоит конкретный набор инженерных и продуктовых решений, устранивших потребность в людях.

Хрестоматийный пример — WhatsApp. В феврале 2014 года Facebook купил мессенджер за $19 млрд; в компании работало 55 человек, из них 32 инженера, на ~450 млн активных пользователей. К осени 2015-го аудитория достигла 900 млн при всё тех же ~50 инженерах — свыше 18 млн пользователей на инженера. Механика: предельно узкий продукт (только сообщения — годами без игр, лент и рекламы), стек Erlang/FreeBSD, выбранный ради экстремальной плотности соединений на сервер (более 2 млн TCP-соединений на машину — инженерный рекорд, который команда публично документировала), полное отсутствие маркетинга (рост — виральный, через адресную книгу) и почти полное отсутствие поддержки (продукт настолько прост, что поддерживать нечего). Instagram на момент покупки тем же Facebook в апреле 2012-го ($1 млрд) обслуживал 30 млн пользователей командой из 13 человек — вся инфраструктура жила на арендованном облаке AWS, то есть капитальный слой был передан на аутсорс поставщику.

Ещё два кейса демонстрируют крайние формы. Craigslist десятилетиями занимает верхние строчки американского трафика со штатом порядка 50 человек; выручка оценивалась внешними аналитиками (AIM Group) в сотни миллионов долларов до ~$1 млрд в пиковые годы (компания непублична — оценки непроверяемы). Секрет — радикальный отказ от изменений: продукт почти не развивается, дизайн заморожен с 1990-х, модерация делегирована сообществу (флаги пользователей), монетизация — плоская плата за объявления в нескольких категориях. Plenty of Fish — предельный случай: Маркус Фринд несколько лет в одиночку управлял сайтом знакомств с десятками миллионов пользователей и выручкой ~$10 млн в год (почти целиком прибыль — монетизация через Google AdSense, то есть даже отдел продаж рекламы был «аутсорснут» Google); в 2015-м компания с выросшим до 75 человек штатом была продана Match Group за $575 млн деньгами. Наконец, Telegram: Павел Дуров в 2024 году заявил, что платформу с ~950 млн пользователей обслуживают «около 30 инженеров» без HR-департамента. Цифра подтверждена только самим Дуровым; эксперты по безопасности сочли её скорее тревожным сигналом, чем достижением, а полный штат с учётом модерации и поддержки, по-видимому, больше (непроверено). Но даже с поправками Telegram — это почти миллиард пользователей на десятки, а не тысячи сотрудников.

Общий механизм всех микрокоманд разложим на пять решений. Первое: продукт с нулевой предельной стоимостью копии — софт, где обслуживание миллионного пользователя не дороже тысячного. Второе: беспощадная узость охвата — WhatsApp годами говорил «нет» каждой новой фиче; каждая невзятая функция — это несозданная команда. Третье: аутсорсинг капитальных слоёв — облако вместо своих дата-центров (Instagram), AdSense вместо отдела продаж (Plenty of Fish). Четвёртое: делегирование работы пользователям — контент, модерация, вирусное распространение создаются самой аудиторией (Craigslist, WhatsApp). Пятое: осознанный отказ от сегментов, требующих людей, — ни один из этих продуктов не имел enterprise-продаж, колл-центров и персональных менеджеров.

9.6. Новая волна AI-эры: рекорды выручки на сотрудника

Если микрокоманды 2010-х экономили людей на инфраструктуре и поддержке, то компании волны 2023–2026 годов убирают людей из самого производства продукта и из роста. Их метрики сместили представление о возможном на порядок.

Midjourney — генератор изображений, к которому применимо слово «феномен»: компания Дэвида Хольца не привлекла ни доллара венчурных инвестиций, не имеет отдела продаж и маркетинга и при штате порядка 40 человек вышла на выручку в сотни миллионов долларов (широко цитируемые оценки — ~$200 млн в 2023-м и ~$300–500 млн в 2024-м; компания непублична, цифры не аудированы — непроверено). Механика безлюдности показательна: продукт жил внутри Discord — Midjourney не строила ни собственного приложения, ни биллинга сообщества, ни модерации с нуля; распространение — исключительно сарафанное; поддержка — сообщество помогает само себе. По выручке на сотрудника (~$5–10 млн) Midjourney на порядок превзошла Google и Apple.

Cursor (компания Anysphere) — рекордсмен по скорости, ставший бенчмарком 2025–2026 годов. AI-редактор кода прошёл путь от $1 млн до $100 млн годовой повторяющейся выручки (ARR, annual recurring revenue) примерно за год — быстрее любого SaaS-продукта в истории, — имея на тот момент порядка 20–30 сотрудников. К середине 2025-го ARR превысил $500 млн при команде в несколько десятков человек (оценки ранне-2025 штата — 40–60 человек), к концу 2025-го — $1 млрд, а к началу 2026-го публикации оценивают ARR в $2 млрд+ при штате до ~300 человек и оценке компании в десятки миллиардов долларов ($29,3 млрд на раунде ноября 2025-го; встречающиеся оценки $60 млрд — непроверено). Даже по консервативному расчёту выручка на сотрудника составляла $5–10 млн — в 20–50 раз выше типичного SaaS ($150–250 тыс.). Механика: продукт продаёт себя сам (разработчик пробует бесплатно, платит картой, компания докупает по факту использования — продажи снизу вверх без продавцов на ранней стадии), поддержка и документация усилены самим же AI, а значительная часть кода Cursor пишется в Cursor — компания буквально ест собственный корм.

Той же логике следуют остальные лидеры волны. ElevenLabs (синтез речи) достигла $100 млн ARR к началу 2025 года (~через два года после запуска) и оценки $6,6 млрд (по сообщениям прессы о раунде — непроверено). Gamma (AI-генерация презентаций) — десятки миллионов ARR и десятки миллионов пользователей при штате ~30 человек, прибыльна; основатель Грант Ли прямо описывает операционную модель «AI-first»: каждая функция компании (маркетинг, поддержка, аналитика) сначала пробуется на агентах, человек нанимается лишь когда агент не справился. Lovable (генерация приложений из текста), по заявлениям компании, достигла $100 млн ARR за 8 месяцев после запуска при ~45 сотрудниках — очередной рекорд скорости (2025; непроверено).

Симптоматичен и сдвиг риторики: Сэм Альтман в 2024 году рассказал, что в его кругу основателей есть тотализатор на год появления первого «единорога из одного человека» (one-person unicorn) — компании стоимостью $1 млрд с единственным сотрудником. Независимо от того, когда выиграет пари, направление зафиксировано: AI-инструменты сдвигают предел того, сколько бизнеса может обслуживать один человек, и компании новой волны — первые точки на этой кривой. Важная оговорка для трезвости: почти все цифры этой волны — самоотчёты частных компаний в разгар инвестиционного бума; ARR может включать краткосрочные контракты и скидочные когорты, а устойчивость маржи (с учётом расходов на инференс моделей) пока не доказана публичной отчётностью (непроверено).

9.7. Выручка на сотрудника как метрика конструкции бизнеса

Все кейсы главы сходятся в одной метрике — выручке на сотрудника (revenue per employee). Её сила в том, что это метрика конструкции, а не старания: она показывает, сколько бизнеса компания научилась производить без пропорционального добавления людей, то есть насколько глубоко автоматизация встроена в саму архитектуру дохода.

Шкала выглядит так. Сервисные компании — аутсорсинг разработки, консалтинг, агентства — живут в диапазоне $50–200 тыс. на человека: Infosys и TCS — порядка $50–60 тыс., Accenture — ~$85 тыс., дорогие западные консультанты — $200–400 тыс. Продуктовые технологические гиганты — миллионы: Apple — около $2,4 млн (финансовый 2024: $391 млрд на ~164 тыс. человек), Nvidia — рекордные среди большого техно ~$3,6 млн ($130 млрд на ~36 тыс.). Особая каста — компании, чей продукт исполняется полностью автоматически: биржи (Intercontinental Exchange, владелец NYSE, — порядка $1 млн на сотрудника, при том что сама торговля — стопроцентно машинный процесс), Fair Isaac (FICO) — компания, чей главный продукт, кредитный скоринг, вычисляется алгоритмом миллиарды раз в год при операционной марже скорингового сегмента под 90%. Внекатегорийный рекордсмен — Valve: по внешним оценкам (компания непублична — непроверено), ~$15–50 млн выручки на сотрудника при штате ~350 человек, потому что Steam — это комиссионный процент с чужих продаж, взимаемый полностью автоматической платформой. Компании AI-волны из раздела 9.6 ворвались в этот высший эшелон за считанные годы.

Почему сервисный бизнес — худший по этой метрике? Потому что в нём продаётся само человеческое время: выручка структурно равна «люди × часы × ставка», и рост требует линейного найма. Автоматизация внутри сервисной модели парадоксально наказуема: сделав работу вдвое быстрее, вы вдвое сокращаете биллинг, если не сумели переупаковать цену в результат. Отсюда стратегический вывод для холдинга, выросшего из сервисной разработки: путь наверх по шкале — это не «работать эффективнее», а менять природу продаваемого объекта — с часов на продукт, с продукта на платформу, с платформы на процент от чужого оборота. Каждая ступень — это очередной слой, где доход генерируется исполнением кода, а не присутствием людей.

Оговорка о честности метрики: выручку на сотрудника легко накрутить аутсорсингом (перенеся людей за периметр юрлица — как делают маркетплейсы с курьерами и SHEIN с фабриками) и капиталоёмкостью (нефтетрейдеры показывают гигантскую выручку на человека при копеечной марже). Поэтому в паре с ней следует смотреть валовую прибыль на сотрудника и считать «полный периметр людей», включая подрядчиков, — иначе метрика измеряет границы юрлица, а не безлюдность системы.

9.8. Платформы с безлюдным ядром: ставки, iGaming, маркетплейсы, SHEIN

Отдельный класс образцов — платформы, у которых само ядро бизнеса (матчинг спроса и предложения, ценообразование, управление ассортиментом) работает без людей, хотя по краям системы людей может быть много.

Букмекеры и биржи ставок: прайсинг как поток

Современный букмекер — это по сути маркет-мейкер, котирующий вероятности. У лидеров индустрии (bet365, Flutter/Betfair, Pinnacle) коэффициенты по десяткам тысяч событий обновляются алгоритмически в реальном времени: модели рассчитывают базовые вероятности, поток ставок сдвигает линию (аналог движения цены под потоком заявок), а системы управления риском автоматически ограничивают лимиты «острым» игрокам и балансируют книгу. Ставки в игре (in-play betting) — рынок, физически невозможный без автоматизации: линия по футбольному матчу пересчитывается после каждого события на поле, за секунды, по сотням рынков одновременно. Betfair пошла дальше и убрала букмекера вовсе: её биржа ставок — чистый матчинг встречных заявок игроков, архитектурно идентичный бирже ценных бумаг; платформа лишь берёт комиссию с выигрыша. Люди у операторов сконцентрированы в поддержке, комплаенсе (KYC/AML, ответственная игра) и маркетинге — само производство продукта (котировка, приём, расчёт ставки) безлюдно. В iGaming (онлайн-казино) безлюдность ещё чище: слот — это сертифицированный генератор случайных чисел с зафиксированным процентом возврата (RTP), то есть продукт с математически гарантированной маржой, производимый и рассчитываемый исключительно кодом.

Маркетплейсы: матчинг и цены без людей

У Uber, Airbnb, Wildberries или Amazon Marketplace ядро — то же самое: алгоритм соединяет стороны и назначает цену. Динамическое ценообразование Uber (surge pricing) — это автоматический аукцион, балансирующий спрос и предложение в каждой геозоне каждую минуту; ни один сотрудник не решает, сколько стоит поездка. На Amazon миллионы продавцов конкурируют через репрайсеры — алгоритмы, переставляющие цены тысячи раз в сутки, а выигрыш «коробки покупки» (Buy Box) определяется алгоритмом платформы. Существенно, что физический труд при этом никуда не исчез — он вынесен за периметр: водители, курьеры и хозяева квартир не являются сотрудниками платформы. Безлюдность маркетплейса — это безлюдность координационного слоя плюс перенос труда в чужие балансы; при оценке образца это надо видеть трезво.

SHEIN: алгоритмическая цепочка поставок

SHEIN довела платформенную логику до физического товара. Классический fashion-ритейлер угадывает моду на сезоны вперёд и заказывает крупные партии; SHEIN заменила угадывание экспериментом. Её модель, известная как «масштабный автоматизированный тест и дозаказ» (LATR, large-scale automated test and reorder), работает так: алгоритмы непрерывно снимают сигналы спроса (поиск, соцсети, поведение на сайте); дизайн-системы с участием AI генерируют тысячи новых моделей в день; каждая запускается микропартией в 100–200 единиц через сеть из тысяч малых фабрик Гуанчжоу, подключённых к собственному софту SHEIN, который раздаёт заказы, отслеживает исполнение и платит; продажи первых дней автоматически решают судьбу модели — дозаказ или смерть. Цикл от дизайна до продажи сжат до 10–25 дней против месяцев у Zara — эталона прежнего поколения. Выручка SHEIN оценивается в $30–38 млрд (2023–2024, компания непублична — непроверено). Швеи, разумеется, люди — но решения (что шить, сколько, почём продавать, что дозаказывать) принимает движок, а фабрики выступают как «исполнительные устройства» с API. Это, пожалуй, самый близкий существующий аналог того, что означает «управляющая компания на AI-рельсах» применительно к физическому бизнесу: центр — алгоритмический, периферия — сеть стандартизованных исполнителей.

9.9. Безлюдная инфраструктура: дата-центры, вендинг, автономные магазины

Последний пласт образцов — физическая инфраструктура, работающая без персонала на площадке. Он важен как напоминание: безлюдность — это свойство не только «цифровых» бизнесов.

Дата-центры давно движутся к режиму lights-out: типовой гиперскейлерный кампус на десятки мегаватт обслуживают десятки, а не сотни людей, а отдельные площадки проектируются полностью безлюдными — с удалённым мониторингом, роботизированной заменой дисков и доступом персонала только по заявке на инцидент. Хрестоматийный ориентир — эксперимент Microsoft Project Natick (2015–2020): герметичный подводный дата-центр два года проработал у берегов Шотландии вообще без физического доступа, показав отказов в восемь раз меньше, чем наземный аналог, — отчасти именно потому, что внутри не было людей с их пылью, кислородом и случайными задеваниями кабелей. Автономные энергосистемы (микросети с автоматическим управлением генерацией, накоплением и нагрузкой) закрывают ту же задачу в энергетике: диспетчеризация без диспетчера. Общий механизм — телеметрия всего, удалённое управление всем, выезд человека как исключение.

Розничная инфраструктура даёт спектр от честной безлюдности до поучительного конфуза. Вендинг — старейший безлюдный ритейл: японская индустрия торговых автоматов (миллионы машин, продающих от кофе до горячей еды) десятилетиями доказывает, что точка продаж без продавца операционно тривиальна, если ассортимент стандартизован. Тёмные магазины (dark stores) экспресс-доставки убрали покупателя из торгового зала, превратив магазин в микросклад с оптимизированной комплектацией, — но сборщики там пока люди. Самый громкий кейс — Amazon Go и технология Just Walk Out («просто выйди»): магазин без касс, где камеры и весовые датчики сами определяют, что вы взяли. В апреле 2024 года издание The Information сообщило, что систему обслуживало более тысячи сотрудников в Индии, размечавших видео и верифицировавших покупки, и в 2022 году около 700 из каждой 1000 транзакций требовали человеческой проверки при внутренней цели в 50. Интернет немедленно съязвил: «AI расшифровывается как Actually Indians». Правда тоньше мема: Amazon подтвердила участие людей в разметке данных и выборочной проверке, но опровергла «живое наблюдение за покупателями»; истина, по-видимому, в том, что система задумывалась как автономная с человеческой страховкой на хвосте исключений, но хвост оказался в 14 раз толще запланированного. Тогда же Amazon убрала Just Walk Out из большинства своих супермаркетов Fresh, заменив умными тележками Dash Cart, — при этом технология продолжает работать в 130+ малых форматах (стадионы, аэропорты), где ассортимент ограничен и задача компьютерного зрения на порядки проще.

Кейс Amazon Go — возможно, самый педагогичный в главе, потому что показывает скрытую анатомию многих «AI-систем»: под капотом автономного фасада работает конвейер людей-верификаторов, и экономика проекта определяется не красотой демо, а фактической долей исключений. Если она 5% — у вас безлюдный бизнес со страховкой; если 70% — у вас колл-центр с дорогой декорацией.

9.10. Общие паттерны: что объединяет все безлюдные образцы

Сведём кейсы в систему. При всей разнице между заводом FANUC, фондом Medallion, сетью VisaNet и командой Cursor их безлюдность стоит на четырёх общих опорах.

Первая опора — полная оцифрованность объекта труда. Автоматизируемо только то, что представлено данными без остатка. Финансы автоматизировались первыми, потому что деньги и есть информация; склад Amazon стал роботизируемым после того, как каждая единица товара получила цифровой двойник с координатами; Just Walk Out споткнулась там, где физическая реальность (рука, взявшая йогурт) плохо оцифровывалась камерами. Практическое следствие: степень достижимой безлюдности процесса задаётся его самым «аналоговым» звеном, и инвестиции в оцифровку объекта (сенсоры, стандарты данных, цифровые двойники) всегда предшествуют инвестициям в автоматизацию действий.

Вторая опора — стандартизация до автоматизации. Во всех успешных кейсах порядок один и тот же: сначала объект и операция приводятся к стандарту, потом стандарт исполняется машиной. FANUC перепроектировала роботов под сборку роботами; Visa стандартизировала форматы сообщений для десятков тысяч банков; SHEIN подключила тысячи фабрик к единому софту; McDonald's — исторический прародитель жанра — сначала написал операционную книгу, а уже потом её стало возможно исполнять киосками и алгоритмами. Обратный порядок — «автоматизируем как есть» — воспроизводит хаос быстрее и дороже (см. Zume в следующем разделе).

Третья опора — исключения уходят людям, и это проектируется явно. Ни одна система главы не безлюдна на 100%: девять контролёров Драхтена, «военная комната» Xiaomi, смена мониторинга Virtu, аудиторы «Hands off the Wheel», верификаторы Just Walk Out. Различие между успехом и провалом — не в наличии людей, а в доле и стоимости исключений: у Visa ручной поток — доли процента, у Amazon Go оказался 70%. Зрелая архитектура определяет исключение формально (тайм-аут, порог уверенности, аномалия), маршрутизирует его по регламенту и — ключевое — использует каждое обработанное исключение как обучающий пример для сужения ручного потока. Люди в такой системе — не операторы, а пограничники и учителя движка.

Четвёртая опора — экономика фиксированных затрат. Безлюдный движок меняет структуру себестоимости: переменные затраты на труд заменяются фиксированными затратами на разработку и инфраструктуру. Отсюда три следствия. Первое: безлюдность окупается масштабом — FANUC и Visa дороги в постройке и почти бесплатны в эксплуатации на единицу, поэтому им выгоден каждый дополнительный робот и транзакция (у необанков предельная стоимость клиента — центы). Второе: та же математика делает безлюдность разорительной при малом масштабе — фиксированные затраты не на что размазать (Zume строила заводскую автоматизацию под объёмы, которых не было). Третье: операционный рычаг работает в обе стороны — при падении выручки безлюдная компания не может «сократить людей», её затраты не сжимаются; страховкой служит либо низкая капиталоёмкость (софт), либо переменная инфраструктура (облако, аутсорсинг исполнителей как у SHEIN).

К четырём опорам добавим наблюдение о людях, которые остаются. Во всех образцах оставшиеся сотрудники относятся к трём типам: строители (инженеры, квонты, продакты — создают и улучшают движок), пограничники (обрабатывают исключения и границы с внешним миром — регулятором, судом, VIP-клиентом) и аудиторы (проверяют, что движок делает то, что задумано). Ни в одном образце не осталось «исполнителей» — людей, производящих типовые операции. Это и есть целевая картина штатного расписания безлюдного холдинга.

9.11. Провалы и границы безлюдности

Учебник, показывающий только успехи, опасен. Три громких провала очерчивают границы применимости безлюдности точнее любых успехов.

Tesla, 2018: «чрезмерная автоматизация была ошибкой». Запуская массовое производство Model 3, Илон Маск попытался построить «машину, делающую машины» (alien dreadnought) — конвейер с беспрецедентной для автопрома долей роботизации, включая финальную сборку. Результат — «производственный ад»: план 5 000 машин в неделю срывался кварталами, компания балансировала на грани кассового разрыва, а часть роботизированных участков пришлось демонтировать и вернуть людей (печально знаменитый «флаффербот» — робот, укладывавший войлочную прокладку на батарею, — справлялся хуже человека и стал символом проблемы). В апреле 2018-го Маск публично признал: «Да, чрезмерная автоматизация на Tesla была ошибкой. Если точнее — моей ошибкой. Люди недооценены» (Yes, excessive automation at Tesla was a mistake. To be precise, my mistake. Humans are underrated). Механика провала: автоматизировали нестабилизированный процесс. Конструкция Model 3 и техпроцесс ещё менялись еженедельно, а робот — это стандарт, отлитый в железо: каждая инженерная правка требовала перепрограммирования и переоснастки, и гибкость системы оказалась ниже темпа её же изменений. Роботы прекрасно собирают то, что уже перестало меняться, — Tesla нарушила порядок «стандартизация → автоматизация» и заплатила за это. Показательно, что к 2020-м Tesla вернулась к высокой автоматизации — но уже на стабилизированных, спроектированных под неё процессах (гигалитьё сократило сотни деталей до единиц — снова design for automation).

Zume Pizza: $445 млн против здравого смысла юнит-экономики. Стартап, собравший около $445 млн (включая $375 млн от SoftBank при оценке $2,25 млрд), строил роботизированные пиццерии и грузовики, допекающие пиццу по пути к клиенту. Провал был многослойным: технически сыр сползал с пиццы в поворачивающем грузовике (физика оказалась неоцифрованной), но главное — экономически автоматизация экономила самый дешёвый компонент себестоимости пиццы (труд повара — доллары), не трогая дорогие (продукты, доставка, маркетинг), при гигантских капитальных затратах на роботов. В 2020-м компания закрыла пиццу и попыталась переродиться в производителя упаковки, в 2023-м закрылась окончательно. Урок: автоматизация — это инвестиция, и она обязана проходить тот же тест на возврат, что и любая другая; автоматизировать нужно самое дорогое и самое частое, а не самое эффектное для демо.

IBM Watson Health: AI против неоцифрованной медицины. После триумфа Watson в викторине Jeopardy! (2011) IBM пообещала революцию в онкологии и вложила миллиарды (включая покупки Truven за $2,6 млрд и Merge за $1 млрд). К 2017-му флагманский проект с онкоцентром MD Anderson был закрыт после $62 млн затрат без выхода в клиническую практику; внутренние документы, попавшие в прессу, фиксировали случаи небезопасных рекомендаций по лечению; в январе 2022-го IBM продала активы Watson Health фонду Francisco Partners по оценке около $1 млрд — за малую долю вложенного. Механика провала зеркальна нашей «первой опоре»: объект труда — медицинская реальность — не был оцифрован. Клинические записи неструктурированы и противоречивы, «золотых» обучающих данных исходов лечения не существовало (Watson тренировали на синтетических случаях, придуманных врачами одного госпиталя), а ответственность за ошибку в медицине не делегируема алгоритму ни юридически, ни этически. Плюс классическая ловушка «демо против продукта»: победа в викторине — задача с чистым сигналом и мгновенной проверкой, лечение рака — с грязным сигналом и обратной связью в годы.

Сложим границы безлюдности в правило четырёх вопросов, которые следует задать до автоматизации любого контура. Оцифрован ли объект полностью (Watson — нет)? Стабилизирован ли процесс (Tesla — нет)? Является ли автоматизируемый компонент дорогим и частым (Zume — нет)? Допускает ли цена ошибки автономное исполнение с текущей долей исключений (Amazon Go — нет)? Четыре «да» — автоматизируйте; любое «нет» — сначала устраните его, это и есть настоящая работа.

Источники и куда копать глубже