Как CRO Owner.com закрывает более $2 млн ARR на одного респондента с AI: 5 решений, которые можно повторить

На SaaStr AI 2026 Kyle Norton, CRO вертикального AI-лидера для ресторанов Owner.com, рассказал, как его команда добивается результатов, которые для традиционного B2B выглядят почти невозможными на бумаге. Owner продает вертикальный AI независимым семейным ресторанам и уже находится примерно на уровне $100M ARR, показывая трехзначный рост. Когда Kyle пришел в компанию, выручка была на уровне $2M.

Ключевые цифры из выступления:

• 20x close-won к OTE. Реп с OTE в $150K приносит более $2M ARR в год. И это средний результат, а не лучший.
• В 4 раза больше ARR на одного респондента, чем у прямых конкурентов в SMB-сегменте.
• Более $100K закрытого ARR на одного outbound BDR в месяц. Не pipeline. Именно закрытая выручка. На каждого BDR. В среднем.

И нет, они не продают токены и не работают по usage meter. Это традиционная B2B-подписка, в которую AI встроен в GTM-движок.

Ниже — пять решений, которые, по словам Kyle, сегодня должна принимать каждая B2B-компания, и то, к чему в Owner пришли по каждому из них.

Сначала рамка: на какой вы ступени лестницы зрелости?

Kyle опирается на лестницу зрелости от Brendan Short, автора The Signal:

• Уровень 0: респонденты используют ChatGPT как более умную строку поиска.
• Уровень 1: отдельные респонденты и RevOps строят кастомные GPT и навыки, пересылают друг другу markdown-файлы в Slack. Большинство компаний застряли здесь.
• Уровень 2: команда GTM engineering или applied AI автоматизирует end-to-end workflows, например pre-call research и lead scoring.
• Уровень 3: централизованная инфраструктура, общие навыки, библиотека контекста. Настоящий эффект накопления. Разрыв начинает быстро расти именно здесь.
• Уровень 4: рекурсивно самоулучшающаяся система, которая строит новые инструменты для самой себя. Kyle пока не нашел ни одной B2B-компании, которая реально находилась бы на этом уровне. Включая Owner.

Главная мысль: разрыв между уровнем 3 и всеми остальными становится экспоненциальным, а не линейным. Речь не о приросте продуктивности на 10-15%. Речь о двукратном росте выработки на одного респондента или о работе, которая вообще происходит без участия людей. Именно поэтому каждой B2B-компании нужно как можно быстрее двигаться к уровню 3.

Решение 1: централизованный или децентрализованный AI

Подход «пусть цветут сто цветов» кажется вдохновляющим. Все что-то строят. Все в вайбе. Уровень AI-грамотности в компании растет.

Но, по мнению Kyle, это также и причина, по которой компании застревают на уровне 1.

Децентрализованная модель запирает хорошие идеи в небольших группах ранних последователей и не масштабирует их. Хуже того, она отвлекает респондентов от их основной работы. Stewart Butterfield называет это «hyperrealistic work-like activities». Adrien Rosencrantz из Webflow — «AI performance theater». Когда руководитель показывает классное приложение, правильный вопрос такой: это привело к большему числу разговоров с клиентами или просто создало ощущение работы, потому что было интересно?

Подход Owner: небольшая центральная команда экспертов владеет AI для GTM. Идеи могут приходить откуда угодно, но production-grade решения создаются централизованно.

Причина проста. То, что строит applied AI lead в Owner, не на 30-50% лучше того, что респондент соберет за выходные. Оно лучше в 5-10 раз. Зачем 20 людям делать 20 посредственных инструментов, если одна команда может построить один инструмент, который действительно сдвигает метрику?

Есть одно исключение. Если вы продаете AI как продукт (Replit, Cursor, оболочки поверх Claude и т. п.), каждый респондент должен быть AI-native, потому что этого требует сам продукт. Но и там централизованный подход остается в силе — просто поверх него нужна децентрализация.

Решение 2: строить или покупать

Фреймворк Kyle и один из самых ясных ментальных моделей выступления: покупайте инфраструктуру, стройте интеллект.

Пять вопросов, через которые нужно прогонять любое решение:

Насколько критичен uptime? Если оно сломается на полдня, встанет ли команда?

Насколько сильная нужна кастомизация? Готовое решение уже закрывает 90% задачи?

Какой у этого engineering ROI?

Это core proprietary intelligence?

Дает ли это реальное конкурентное преимущество?

Пропустите через эту рамку dialer — и ответ очевиден: покупать. Twilio вложила в uptime больше, чем вся ваша engineering-команда когда-либо потратит на что угодно. AI sims-платформы вроде Avoma? Покупать. Проблемы latency — не ваша головная боль.

Но если прогнать через эти вопросы AI Pre-Call Research tool от Owner, ответ меняется. Uptime не критичен: лиды обогащаются пакетно ночью. Кастомизация для маркетинга независимых ресторанов нужна экстремальная. Стоимость инженерной разработки была умеренной. Интеллект уникален именно для Owner. А конкурентное преимущество огромно: когда их респонденты звонят холодным лидам, уровень персонализации уходит далеко за рамки того, что могут предложить конкуренты.

Именно этот AI PCR-процесс дает большой вклад в то, как BDR-команда выходит на более чем $100K закрытого ARR на одного BDR в месяц. Две недели работы одного инженера. Теперь 15 BDR получают на 85% больше opportunities.

Эта логика также объясняет, почему Kyle оптимистично смотрит на то, что Salesforce переживет narrative о disruption. Прогоните Momentum, Data Lane и Avoma через те же пять вопросов — и они явно попадают в категорию «купить». Большая часть AI-поверхности, с которой конкурирует Salesforce, — это инфраструктурная работа.

Решение 3: с чего начинать

Совет, который никто не хочет слышать, потому что он не звучит sexy: начинайте с данных.

Здесь важны две вещи.

Данные third-party: ваша полная карта рынка. Кто ваши аккаунты? Есть ли они оценены? Кто правильные контакты внутри них? Какова ваша гипотеза, почему им нужен ваш продукт? Нельзя направить AI-агентов на посредственные данные и ожидать чего-то, кроме посредственного результата. Garbage in, slop out.

Данные first-party: ваш customer journey, корректно instrumented. Owner использует Momentum, чтобы забирать каждый transcript звонка и заполнять столько полей в Salesforce, сколько хочет Kyle. Изменения цен, эволюция positioning, упоминания конкурентов — все это фиксируется автоматически. Нельзя попросить респондента вручную заполнить 25 полей. Он этого не сделает. Momentum сделает.

Когда данные уже на месте, Kyle использует так называемый 5P framework для выбора того, что строить первым:

• Possibilities. Какие реальные возможности есть в вашем бизнесе?
• Payoff. Если решить это, насколько большим будет выигрыш?
• Probability. Каковы шансы, что это действительно сработает?
• Perspiration. Каков общий объем усилий, включая adoption и change management?
• Priority = (Payoff × Probability) / Perspiration

Вам не нужно реально считать формулу. Сам ментальный model уже помогает увидеть правильные точки старта.

Еще один важный момент о старте: главная проблема — не технология, а change management. Если вы в начале пути, приоритизируйте решения, которые явно дают net-positive эффект для респондента. Сделайте его работу проще. Помогите ему зарабатывать больше. Сначала выстройте доверие, а уже потом просите людей разворачивать workflow на 180 градусов. Рынок уже успел напугать респондентов тем, что их вот-вот заменят. Сначала сделайте их союзниками.

Решение 4: people stack

Кто вообще должен этим заниматься?

Централизованная команда с настоящим техническим бэкграундом. Не RevOps, который занимается AI «по вечерам» — хотя сильные RevOps-специалисты могут перейти в эту роль. Лучше всего обычно работают люди с инженерным и data-бэкграундом.

Важно не столько, в каком отделе это сидит, сколько кто владеет этим направлением. Сначала роль была в команде Kyle, затем он перевел ее под VP of Data, потому что там лучше был cadence решения проблем. Эта функция может быть под CRO, CEO, RevOps, data и так далее. Главное, чтобы владелец был действительно AI-pilled и готов был давить. Ему придется выбивать бюджет. Ему придется менять поведение людей. Ему придется проходить через «это еще недостаточно хорошо, запусти еще раз». Для этого нужен человек, который по-настоящему верит.

Другой большой вопрос people stack: AI должен заставить вас переосмыслить саму job function. Рамка Jordan Crawford: работа — это просто набор задач. AI дает право разобрать каждую задачу на части и спросить, где ей действительно место — у машины или у человека?

Самый очевидный пример — роль BDR. В большинстве job description BDR до сих пор есть построение prospect list и research, а во многих компаниях это занимает 60% времени BDR. Это ужасное использование sales rep. Owner разобрал эту роль на части. Центральная data-команда занимается list-building. BDR продает.

Ожидайте, что CS и onboarding станут компактнее, AM и CS тоже изменятся, а традиционные sales-функции будут перераспределяться. Компании, которые первыми разберут работу на части, первыми и получат прирост продуктивности.

Решение 5: assistive или agentic

Спектр выглядит так:

• Assistive (co-pilots): респонденты сами вызывают инструменты. Все решения принимают люди.
• Hybrid: детерминированные workflows с generative-этапами и human checkpoints.
• Fully agentic: автономные циклы без человека в loop.

Ключевое понятие, которое Kyle хочет донести до каждого оператора: lossiness.

Каждый generative-этап в цепочке добавляет ошибку. Если попросить AI просканировать ваш сайт, вывести value prop, вывести ICP, вывести positioning, определить конкурентов, а потом написать письмо на основе всего этого, вы уже накопили пять generative-этапов. Результат — AI slop. Мы все видим его в своих inbox каждый день.

Нужно осознанно контролировать, сколько generative-этапов вы ставите в цепочку до того, как ее прервет человек или детерминированное правило. У enterprise-респондентов Owner AI показывает scored, reasoned список аккаунтов. Затем человек решает, какие аккаунты попадут в prospecting engine. Этот один human checkpoint убирает эффект накопления lossiness.

Есть еще один недооцененный момент: вы и есть eval. Большинство историй в духе «AI не работает» на самом деле означают: «я собрал MVP, попробовал два раза и сдался». Сборка сейчас — самая простая часть. Настоящая работа — это упорная итерация над prompts, контекстом и цепочками workflows, пока качество результата действительно не станет хорошим. Большинство людей сдаются на третьем часу. Прорывы обычно случаются на шестом или восьмом.

Личный стек: ведите с передовой

В финале Kyle сказал, пожалуй, самое важное для B2B-лидеров — и то, к чему мы постоянно возвращаемся на 20VC: AI-грамотность нельзя делегировать. Свой stack нужно строить самому.

Рамка Garry Tan: перестаньте думать о продуктивности. Начните думать о compounding systems. Ваши навыки, ваши context files, ingestion заметок с встреч, ваш personal knowledge graph — все это накапливается по мере использования.

Его workflow для подкаста — хороший шаблон. Гость соглашается. Агент отправляет заранее написанное intake-письмо с формой Tally. Webhook запускает Open Claude. Research-skill собирает все о госте, парсит его LinkedIn, генерирует пять кандидатов тем, Kyle выбирает одну, а агент за один проход формирует docket. На создание ушло 6-10 часов. Теперь это экономит часы каждую неделю. Каждый выпуск разбивается на атомарные идеи и сохраняется в его knowledge graph для будущего использования.

К этому он пришел не за один раз. Он пришел туда через упорную работу. Первые документы были плохими. Парсинг LinkedIn постоянно ломался. Генератор каруселей было трудно довести до ума. Но каждая итерация накладывалась на следующую, и теперь система работает сама.

Если вы хотите сохранить работу, автоматизируйте свою работу и добавьте сверху новую (h/t Jeff Charles из Ramp). Руководители, которые до сих пор заставляют команду делать всю AI-работу, проиграют тем, кто ведет с передовой.

Главные выводы

Централизация сильнее децентрализации. Собирайте идеи отовсюду. Отгружайте одной командой.

Покупайте инфраструктуру. Стройте интеллект. Пяти вопросов достаточно, чтобы понять, что есть что.

Начинайте с данных, а затем приоритизируйте по формуле (Payoff × Probability) / Perspiration. И сначала берите решения, которые выигрывают для респондента, чтобы набрать momentum.

People stack должен быть техническим и AI-pilled. Отдайте его тому, кому это действительно важно.

Осознанно управляйте длиной generative-цепочек. Lossiness реальна, и именно вы — eval.

Не позволяйте респондентам управлять агентами. Запускайте agents централизованно и доставляйте результаты в те поверхности, где респонденты уже работают: Salesforce, Salesloft, что угодно. Управление агентами самими респондентами — это просто еще одно отвлечение от разговоров с клиентами.

В большинстве компаний около 60% времени BDR уходит на list-building. Это ужасное использование sales rep. Централизуйте это и дайте BDR продавать.

Проверяйте любую AI-инициативу одним вопросом: это привело нас к большему числу разговоров с клиентами и сдвинуло реальную метрику или это просто AI performance theater?

Тот, кто сдался на третьем часу, проигрывает тому, кто упорно доводит систему до восьмого. Сборка проста. Ценность появляется в итерации. Большинство историй «AI не работает» на самом деле означают «я сдался слишком рано».

Компании, которые сидят на уровне 1 и наблюдают эту гонку со стороны, жестко убедятся, что разрыв не закрывается. Он расширяется. Каждый месяц.

(примечание: Jason Lemkin вел seed-раунд для Owner через SaaStr Fund)

SaaStr.AI: Задайте нам любой вопрос

21+ AI-агент, которые мы действительно используем

А также свежие детали о том, как разворачивать AI-агентов.

Материал — перевод статьи с английского.

Оригинал: How Owner.com’s CRO Is Closing $2M+ in ARR Per Rep With AI: 5 Things You Can Steal