Как Atlassian, Anthropic и Scale пришли к одному AI-плейбуку: строить на уже существующем стеке
Три самых сильных сессии на SaaStr AI 2026 прозвучали с трех очень разных позиций. Sharif Mansour отвечает за AI и культуру продуктовой разработки в Atlassian, охватывая 20+ приложений и 450 менеджеров по продукту. Eleanor Dorfman руководит коммерческой и отраслевой командой продаж в Anthropic. Rory O’Driscoll уже 30+ лет инвестирует в софтверные компании в Scale Venture Partners.
Разные компании. Разные роли. Разные стадии. И почти один и тот же вывод.
Каждое популярное утверждение про AI сегодня подается как бинарный выбор. Чат — универсальный интерфейс, значит, убирайте UI. Нет, стройте отдельные сценарии и не используйте чат. Переосмыслите продукт с нуля. Нет, просто надстройте AI поверх того, что уже есть. Нанимайте AI-билдеров 10x. Нет, на джунов больше нельзя рассчитывать. Софт умер. Нет, софт вполне жив.
Бинарность и есть ловушка. Команды, которые выигрывают сейчас, одновременно делают обе стороны каждого из этих выборов. А под этой логикой «и то и другое» в каждом выступлении всплывал один и тот же практический примитив: skills. Harness. Тонкий слой софта, который превращает сырой модельный ответ в то, на что бизнес может опираться.
Вот что сказал каждый спикер.
Сессия 1: Sharif Mansour из Atlassian о трех противоречиях внедрения AI в реальные продукты
Sharif Mansour начал с фразы, которая задала тон всей конференции: на каждое утверждение о том, как внедрять AI, есть столь же верное противоположное утверждение. Поэтому Atlassian не стала выбирать сторону, а искала ответ между ними. Контекст здесь критически важен. Это не стартап с одним приложением и чистым листом. Это 20+ приложений, многие из которых существуют годами, шесть из них AI-native, и более 5 миллионов пользователей только на AI-функциях.
Противоречие первое: чат как универсальный интерфейс против выделенного UI.
Два года назад добавление чата в продукты внутри Atlassian вызывало споры. Одна сторона говорила, что чат — плохой опыт для большинства задач, поэтому нужно просто делать нужные людям функции и не трогать чат. Другая сторона считала, что никто пока не понимает, что люди будут делать с этими моделями, поэтому надо запустить чат и смотреть. Atlassian все равно нужно было строить backend чата, чтобы покрыть AI по всей линейке, поэтому они выпустили его — он называется Rover — и многому научились.
Аналогия Sharif: командная строка не исчезла. DOS был универсальным интерфейсом для операционной системы, а со временем отдельные сценарии выделились в специализированные приложения для таблиц, документов и игр. Терминал по-прежнему существует. Оба слоя сосуществуют. Чат — это такой же универсальный интерфейс для AI, бесконечный сценарий, а отдельные рабочие процессы из него выносятся в выделенный UI.
В Confluence Whiteboards команда видела, как пользователи вводят то, что чат пока не умеет делать. «Сгруппируй все мои стикеры по общим темам». Тогда эту возможность сделали функцией: выделяешь карточки и группируешь их. Потом пользователи начали пытаться протолкнуть эти заметки в backlog Jira через сложные промпты, которые не срабатывали, и Atlassian оформила это как рабочий процесс. Из этого выросли три паттерна:
Автоматизируй промпт. Повторяющийся промпт становится кнопкой.
Промпт в workflow. Промпт, который затрагивает несколько систем, становится многошаговой возможностью.
От разговора к UI и обратно. Некоторые сценарии начинаются в чате («собери все отзывы из Salesforce и Google Drive на одной whiteboard»), переходят в отдельный опыт, а потом возвращаются обратно в чат.
По использованию чата они ожидали, что он станет менее важным, когда люди стандартизируются на внешних инструментах. Этого не произошло. Миллионы людей используют Rover chat каждый день, хотя те же самые пользователи работают и в Gemini, и в Claude Code, и в других инструментах. Вывод Sharif — proximity к workflow. Люди тянутся к тому AI, который ближе всего к их текущей работе.
Противоречие второе: переосмыслить с нуля против нарастить AI поверх существующих workflows.
Слово bolt-on уже звучит как обвинение. Никто не хочет признавать, что он именно так и сделал. Atlassian сделала это сознательно. Два с половиной года назад компания была одной из первых B2B-вендоров, которые внедрили agents в платформу, и добавила agent step в существующий workflow автоматизации Jira. Возможно, это было одним из лучших решений: тогда никто не понимал, куда пойдет рынок, а надстройка поверх текущих процессов позволила быстро учиться.
Что они выяснили: клиенты очень быстро ушли от одиночных agents к ветвлениям, условиям и цепочкам из нескольких agents. Запускается тикет, его подхватывает agent, маркетинговый agent обращается к Canva за генерацией креативов, social agent их публикует. Клиенты автоматизировали уже существующие у них процессы. Это привело Atlassian к принципу, который теперь управляет всей линейкой: любую проблему, которую вы решаете для людей, вы должны уметь решать и для agents. Людям нужны инструменты, контекст, цели, ответственность и понимание, что делают коллеги. Агентам это нужно тоже. Примитивы почти одинаковые. Все, что можно сделать для человека, должно быть возможно сделать и для агента, а если дизайн нарушает это правило, команде нужно объяснить почему.
Для новых продуктов — переосмысливайте. Для существующих продуктов с пользователями и процессами — наращивайте и развивайте. И то и другое.
Противоречие третье: нанимать 10x AI-билдера против строить 10x-команду.
Atlassian запустила около 10 проектов, укомплектованных AI builders — людьми, чья основная работа заключалась в том, чтобы писать код с помощью AI-инструментов и приходить из product management, дизайна и инженерии. Сначала результаты казались потрясающими. Потом через несколько недель команда резко замедлилась. Все гребли, но никто не рулил. PM и дизайнеры естественным образом вернулись к своим прежним ролям, давая команде контекст клиента, видение и решения. Вывод не в том, что AI builders — фикция. Вывод в том, что заблуждение — это тезис «все становятся AI builders». По мере того как инженеры делают куда больше работы, соотношение PM и дизайна, которое раньше ощущалось как 1:10 или 1:20, теперь ощущается как 1:30 или 1:40. Это делает людей, которые задают направление, еще важнее. Если рулевой сам занят live coding, корабль никто не ведет.
Ход с наймом, который стоит позаимствовать: Atlassian перевернула пирамиду талантов. Теперь они нанимают больше junior- и senior-специалистов и меньше middle. Внутренние исследования показали, что junior-специалисты на 19–30% чаще используют AI и почти вдвое чаще экспериментируют с новыми инструментами, а senior-специалисты намного лучше замечают «slop» и доводят результат до качества, потому что привыкли наставлять джунов. Поэтому раз в пару месяцев Atlassian проводит AI Builders Week — четыре синхронизированных дня, где junior учат новым инструментам, а senior — контролю качества. Самое сложное для ветерана с опытом 10, 20 или 30 лет — разучиться тому, как он работал раньше. Junior никогда не учились старому подходу, поэтому vibe coding для них — просто и есть кодинг.
Под всеми тремя противоречиями лежит skills. Каждую функцию, которую Atlassian строила для людей, они открывали как инструмент для agents — внутри и вне своей платформы — через MCP. «Сгруппируй мои стикеры по темам» стало и человеческой функцией, и агентным skill. Построй один раз для людей — сделай доступным везде.
Топ-3 вывода Atlassian:
- Запускайте чат, чтобы находить roadmap. Универсальный интерфейс показывает, какие workflow нужно вынести в отдельный UI, через три паттерна: автоматизация промпта, промпт в workflow и передача от разговора к UI и обратно.
- Сделайте принципом дизайна правило «все, что может человек, может и агент». Для любой человеческой задачи — инструменты, контекст, цели, ответственность — вы должны закрыть и агентский сценарий, потому что примитивы почти одинаковые.
- Стройте 10x-команду, а не 10x-билдера. Смещайте найм в сторону большего числа junior и senior, а каждую человеческую функцию делайте агентским skill, чтобы строить ее один раз.
Топ-3 ошибки Atlassian:
- Почти не выпустили чат вообще. Два года внутренних споров о том, нужен ли чат в продукте, едва не стоили им механизма открытия новых сценариев, который в итоге и сформировал roadmap.
- Предполагали, что использование чата спадет. Они ожидали сначала научиться на чате, а потом убрать его. Но миллионы людей пользуются им ежедневно, и считать его временным было бы неверной ставкой.
- Сделали ставку на модель «все как AI builder». Около 10 проектов получили мгновенный прирост скорости, а потом застопорились, потому что все гребли и никто не рулил. Пришлось вернуться к командной модели.
Сессия 2: Eleanor Dorfman из Anthropic о том, как построить AI-native sales org с нуля, не меняя стек
Сессия Eleanor Dorfman — это операторская версия той же идеи. Триггером стал запуск Opus 4.6 в декабре 2025 года, который мгновенно сделал спрос вертикальным. Anthropic вернулась после зимних каникул к рынку, под который у нее не было ни штата, ни плана, и даже если бы она хотела увеличить sales-команду в 3, 4 или 5 раз, так быстро поглотить столько людей невозможно, не разрушив планку качества и клиентский опыт. Поэтому в январе вопрос звучал так: как построить AI-native sales org с нуля?
Самая важная часть тезиса — в том, что он противоположен тому, что обычно понимают под AI-native. Это не было сносом и перестройкой. За предыдущие три года Anthropic уже собрала сильный стек: Clay для enrichment, LeanData для routing, Salesforce как system of record, Gong для coaching по звонкам, Ironclad для контрактов, Slack для координации, Finn от Intercom для поддержки. Задача была не заменить это все, а протянуть Claude через этот стек и вокруг него, чтобы шесть инструментов стали одним цельным customer journey, а не шестью инструментами с AI-надстройкой. Как сказала Eleanor: это не новый стек. Это осознанная работа с уже существующим стеком.
Из четырех ограничений, которые нельзя было убрать, родились четыре инвестиции:
Enterprise с self-service. Eleanor 15 лет считала, что enterprise-планы должны проходить через человека, потому что клиент хочет поговорить с AE. Они отказались от этой ортодоксии. Claude и Clay квалифицируют и обогащают каждый lead, а затем разводят поток на две воронки. Self-serve путь идет через Finn, который ведет покупателя к enterprise-плану с условиями, инвойсингом, provisioning и onboarding — полностью самостоятельно. Sales-путь направляет квалифицированные лиды к BDR и AE. Результат: 54% новых enterprise-логотипов в 2026 году пришли через self-serve воронку. Self-service они не считают даунгрейдом. Для них это снятие трения для покупателей, которые хотят двигаться быстро.
Протянуть Claude через стек из шести инструментов. Claude стал связующей тканью, которая заставляет инструменты «разговаривать». Когда приходит lead, Claude и Clay делают research аккаунта, приоритизацию и обновляют записи, подтягивая историю из Slack, Google Docs и прошлых звонков в Gong, чтобы AE заходил в разговор уже с полным контекстом. Когда AE готов отправить предложение, Claude генерирует его в рамках политики, с учетом клиента и истории переговоров, и загружает в Ironclad. Forecast в основном ведет Claude, а менеджеры уже проверяют результат, превращая forecast calls из сессий с подловом в рабочее обсуждение.
Сделать Slack главной точкой входа для всех support-функций. Раньше это были бесконечные DMs: чтобы получить утверждение цены, AE нужен был либо институциональный опыт, либо рабочее место рядом с deal desk, а репы с Восточного побережья и из Европы сидели допоздна в ожидании апрувов. Решение: люди перестали ходить в системы, а системы пришли к ним. Slack in, ticket out. Claude triage-ит, решает по прецеденту и политике там, где может, а когда не может — эскалирует к человеку с полным контекстом: контакты клиента, история из email, Salesforce и Gong. После этого он сообщает AE, чтобы тот правильно выстроил ожидания.
Закодировать лучших продавцов как skills. Небольшая трехчленная команда go-to-market productivity, плюс сами репы, которые делились своими сборками, превратили паттерны лучших продавцов в пять ежедневных skills, которыми пользуется каждый rep:
- Morning brief. Собирается на основе всех подключенных систем (Gmail, Gong, Slack, Google Docs, календарь, Salesforce, Intercom). Один промпт — и он расставляет приоритеты на день: что в календаре, какие письма и сообщения в Slack без ответа, какие инициативы просрочены.
- Подготовка к звонку. Одностраничный документ перед каждым звонком: кто участвует, что для них важно, исторический контекст, желаемый исход, вопросы для discovery, позиционирование, конкурентный ландшафт. Репы все равно должны это прочитать.
- Follow-up с клиентом. Извлекает action items из email, Gong, Salesforce и Slack, черновик ответа создает в почтовом сервисе и на следующее утро напоминает, если письмо не отправлено. Человек остается в контуре.
- Competitive intel. Вместо battle card, который product marketing обновляет раз в квартал, Claude по запросу генерирует динамический, интерактивный, подстроенный под клиента battle card.
- Создание актива. Любая сделка, любой стейкхолдер, любая стадия: кастомный one-pager, landing page, ROI-калькулятор или прототип, оформленный в фирменном стиле и сгенерированный на лету. Некоторые репы загружают транскрипты discovery-звонков в Claude Code, чтобы собирать прототипы прямо в середине цикла.
Цифра, которая все это объясняет: AE тратили 70% времени на внутренние процессы, а не на клиентов, и поток support-тickets от покупателей, которые буквально не могли купить, быстро рос. Смысл того, чтобы протянуть Claude повсюду, — вернуть эти 70%. Проблема повторения контекста, когда приходится заново объяснять, кто вы и как вы пишете, в каждом чате, решается через org-level skills, которые удерживают бренд, тон и контекст едиными между маркетингом, продажами и customer success. Поднять нижнюю планку для всех и снять потолок для лучших.
Топ-3 вывода Anthropic:
- Это не новый стек. Самый быстрый путь к AI-native — протянуть Claude через три года инвестиций в Salesforce, Slack, Gong, Clay и остальные системы, а не выкидывать их и ставить все заново.
- Self-service — часть enterprise-пути, а не даунгрейд. 54% новых enterprise-логотипов пришли через self-serve воронку, когда откажлись от обязательного участия человека на каждом этапе.
- Кодируйте лучших продавцов в skills. Пять ежедневных skills плюс org-level skills подняли планку для всей команды и вернули AE те 70% времени, которые раньше съедала внутренняя работа.
Топ-3 ошибки Anthropic:
- Не спланировали спрос. Подробное годовое планирование оказалось неверным уже через несколько недель после запуска Opus 4.6, и после каникул компания вернулась без готовых процессов и штата под вертикальный спрос.
- Слишком долго держались за ортодоксию human-gated. Убеждение, что enterprise-планы обязательно должен трогать человек, сохранялось, пока не сломался сам buying experience и клиенты не начали писать злые сообщения из-за невозможности купить.
- Forecast по-прежнему ненадежен. Каждый forecast call все еще начинается с 10-минутного спора о том, как именно считать forecast, и точность открыто считается незавершенной задачей, а не решенной проблемой.
Сессия 3: Rory O’Driscoll из Scale Venture Partners о том, действительно ли софт мертв
Rory O’Driscoll взял тот же инстинкт и направил его на вопрос, который слышит каждый software-инвестор и founder: софт умер? После 30 лет заработка на софтверных компаниях, заметил он, этот вопрос воспринимается лично.
Он начал с того, с чем никто не спорит. AI съедает не только software, но и саму работу, а это рынок намного больше. И он заходит в такие области, как healthcare и legal, которые раньше были очень плохими рынками для софта. Rory также показал, насколько траектория была предсказуемой: ImageNet в 2012 году, transformers в 2017-м, paper про scaling laws в 2020-м, по сути сказавший «сколько денег вложишь, столько результата и получишь», ChatGPT в 2022-м и paper про situational awareness в 2024-м, который почти напрямую назвал происходящее. И все равно всем было трудно действовать вовремя.
Затем — математика. Hyperscaler AI CapEx в этом году составляет примерно $688 млрд. Выручка, выходящая на другой стороне, — около $110 млрд, из них примерно $89 млрд приходятся на две ведущие foundation model-компании. То есть в систему уходит на полтриллиона долларов больше, чем из нее выходит. AI находится в invest mode, и, по его оценке, выручка двух больших модельных компаний не превысит совокупный CapEx до 2031 или 2032 года. Еще пять-шесть лет invest mode. Его предупреждение: когда тратишь больше, чем зарабатываешь, сбой возможен в любой момент, даже если долгосрочная история хорошая. Чтобы эти числа сошлись, foundation models должны захватить ощутимую долю всей зарплаты knowledge workers — порядка 15–17% в целом и более 25% у software developers. Возможно? Да, возможно. Вероятно? Может быть. Но не без рывков и провалов.
Говоря о том, куда инвестировать, Rory опирается на стек Jensen Huang: energy, chips, infra, models, apps. Нижние три уровня — это создание AI, и примерно 80% этих расходов не выглядят венчурно (chips — самый большой кусок, в основном Nvidia). Models — это apex predator, который уже забрал ценность и, скорее всего, продолжит это делать. Правая часть, apps, — это все остальные: как software использует AI, чтобы приносить ценность клиентам. Триллионный вопрос — как эта выручка делится между model companies и софтом, построенным поверх них.
Его ответ на вопрос «софт мертв?» на самом деле состоит из трех ответов, потому что вопрос скрывает три разных вопроса:
- Будут ли post-2022 AI-компании просто раздавлены foundation models? Не все, если у них есть реальная defensibility. Rory прошелся по категориям, которые выглядят безопасными: software плюс sensors (OpenAI не поставляет touch sensors), marketplaces с network effects (Scale инвестировала в Paraform в recruitment), proprietary non-public data и full-stack-бизнесы, которые становятся сервисом, а не продают сервису (Range занимается wealth management с LLMs). Более сложная середина — data flywheel, который строится из usage, и модель forward-deployed engineer. Формулировка, которая ему нравится больше, чем «harness»: это новый LAMP stack. То, что все B2B-приложения строятся на одной и той же рамке (доступ к модели, рассуждение, преобразование в что-то полезное для business user), не означает, что это одно и то же приложение — так же как и все приложения на LAMP stack были разными.
- Мертв ли software до 2022 года? Около 10% старого портфеля Scale умерли в день запуска ChatGPT, потому что они решали AI-задачу, которая внезапно стала стоить несколько долларов за миллион tokens. Остальные 90% грубо делятся на три трети: insulated (часто используют predictive AI, ортогональный GenAI), additive (например, Drone Deploy, где AI сверху только увеличивает ценность продукта) и действительно угрожаемый обычный B2B, который автоматизирует workflow и теперь должен либо двигаться, либо умереть.
- Нужна ли собственная модель? В основном нет, но не всегда. Для voice, video и image были варианты моделей, которые не сводились к чистому LLM. Eleven Labs построила реальный бизнес на собственной speech model. Пространство для специализированных моделей есть в coding, chemistry и physical science.
По multi-model Rory сказал: да, мы живем в мире нескольких моделей, и model companies этого меньше всего хотят. В отличие от cloud, где вас lock-in-или, API-вызов позволяет переключать модели, и именно поэтому каждая model company спешит строить harness, который в итоге снова вас lock-in-ит. Живой пример — Replit: Sonnet строит приложение, а когда упирается в сложную проблему, подключает вторую модель как «architect», чтобы проверить работу. Один движок проверяет другой в реальном времени.
Финальный вывод — тот, который founders должны запомнить. Сжатие SaaS multiple реально, и оно произошло потому, что упал рост SaaS — в среднем примерно с 30% до уровня ниже 10%. У Wall Street есть причины не любить эти компании. Поэтому нужна уверенность в категории. Если ваша категория растворяется в однородной массе низкого роста, смысла нет. Но так же как Microsoft владела эпохой PC, пока сотни client-server-компаний выигрывали на ее фоне, а AWS владел cloud compute, пока на его базе выигрывали целые поколения B2B-компаний, Rory ожидает, что две или три foundation models будут доминировать с oligopoly profits, а поверх них вырастет целое поле софтверных возможностей. Софт не умер. Ему стало сложнее.
Его ориентир по compute intensity: разброс между компаниями вырос резко. Model companies тратят 70–80% на compute. Coding companies — 50–60%. Большинство app-компаний закладывают примерно 10% себестоимости на LLM и строят ценность на остальных 90%. Традиционный B2B с AI-функциями находится в диапазоне 8–20% и должен двигаться к 5–8%. Исключение одно: если AI настолько хорош, что продукт продает себя сам, тогда ваши AI-расходы по сути заменяют sales и marketing, и их можно держать намного выше. Но нельзя одновременно содержать 700 человек в sales и marketing и 50% bill по compute. Выбирайте что-то одно.
Топ-3 вывода Rory:
- AI еще пять-шесть лет будет в invest mode. $688 млрд CapEx против примерно $110 млрд выручки означает, что сбой возможен в любой момент, даже если долгосрочная история сохранится.
- Софт не умер, но defensibility больше не приходит от модели. Она приходит от proprietary data, network effects, sensors, полного контроля над стеком и позиции категории.
- Мы живем в multi-model мире, и именно LAMP-stack-подобный слой поверх модели определяет differentiation. Одна и та же рамка, очень разные приложения.
Топ-3 ошибки, о которых Rory говорил откровенно:
- Около 10% портфеля до 2022 года было уничтожено в одночасье ChatGPT. Они инвестировали в AI-задачи, решение которых внезапно стало стоить всего несколько долларов за миллион tokens.
- Возможно, они слишком щадяще оценили угрожаемую треть. Rory признал, что они, вероятно, слишком оптимистично прищуривались, оценивая, сколько обычного B2B выживет.
- Тренд был виден более десяти лет, и все равно им было трудно вовремя среагировать. Ясные сигналы с 2012 по 2024 год не превратились в раннюю решимость.
Перестаньте выбирать стороны, начните строить skills
Три сессии, три набора выводов, которые рифмуются друг с другом.
Бинарность — это ловушка. Чат или UI, bolt-on или rebuild, junior или senior, софт мертв или жив, одна модель или много моделей. В каждом случае выигрывающая команда делает обе стороны одновременно и воспринимает «или» как ложный выбор.
Преимущество — в стеке, который у вас уже есть. Ценность Atlassian — это 20 приложений с реальными workflows и 5 миллионами пользователей. Ценность Anthropic — это три года инвестиций в Salesforce, Slack, Gong и остальное. Выживший портфель Scale выигрывает за счет proprietary data, network effects и позиции категории. Никто не победил, начав с нуля. Побеждали те, кто протягивал AI через уже работающие процессы.
Общий примитив, к которому все пришли, — skill. Atlassian открывает каждую человеческую функцию как agent tool. Anthropic кодирует лучших продавцов в пять ежедневных skills и управляет организацией через org-level skills. Rory описывает то же самое уровнем ниже как harness, новый LAMP stack, софт вокруг модели, который превращает сырой model в надежную систему. Как бы вы это ни называли, работа ближайших нескольких лет — строить именно этот слой, потому что сырой model все больше становится commodity, а слой skills — это место, где живут differentiation и данные.
И операционная модель при этом остается компактной. Соотношение PM у Atlassian растягивается до 1:30 и 1:40. Anthropic сделала это с трехчленной productivity-командой и вернула AE 70% времени. Меньше людей, которые рулют большей отдачей, и AI, который гребет.
AI model — это commodity. А вот data model, workflow и skill layer поверх него — это moat. Именно так звучала исходная гипотеза перед SaaStr AI Annual 2026. Product leader, sales leader и инвестор в течение часа по очереди ее подтвердили.
Материал — перевод статьи с английского.