Когда ко мне приходят основатели AI-first стартапов, почти всегда в начале разговора звучит одна и та же мысль.
С продуктом всё более-менее понятно. Модель работает. Пользователи получают ценность. Где-то уже есть первые деньги. Осталось просто найти рабочие связки и начать быстро расти.
Обычно под этим подразумевается знакомая схема: привести трафик, дожать регистрацию, улучшить онбординг, докрутить активацию, а затем через lifecycle-механику вытащить retention и expansion.
В классическом SaaS это часто работает. Не идеально, но логика линейного роста давно понятна: воронка, сегменты, гипотезы, когорты, юнит-экономика — и повторить.
Но в одном AI-first стартапе, с которым мы работали в начале года, эта привычная логика начала ломаться буквально на глазах.
Когда рост даёт ложное чувство контроля
На старте всё выглядело даже слишком хорошо.
Performance-команда быстро запустила первые каналы привлечения. Что удивило — ишный контент начал сам разлетаться по профильным комьюнити. Несколько лидеров мнений подхватили тему. Продукт был достаточно интересным, и люди пересылали ссылки коллегам просто чтобы показать: «Смотри, что уже умеет ИИ».
Верх воронки рос красиво. CTR — выше ожиданий. CAC — в допустимых границах. Конверсия в регистрацию радовала. Первые когортные таблицы создавали ощущение, что продукт вот-вот начнёт масштабироваться почти сам.
Внутри команды уже осторожно обсуждали увеличение бюджета. Казалось, что repeatable motion найден раньше срока. В такие моменты стартап особенно уязвим: цифры дают ощущение контроля, а реальность ещё не начала сопротивляться.
Именно в этот момент и рождаются самые опасные иллюзии.
AI-first создаёт ложноположительный спрос
AI-first продукт почти всегда генерирует слой ложноположительного спроса.
Часть пользователей приходит не за решением задачи, а за контактом с технологической новизной. Кто-то проверяет хайп. Кто-то тестирует очередную обёртку над моделью. Кто-то сравнивает с конкурентами. А кто-то — вроде исследователя — открывает продукт из профессионального любопытства, а не как потенциальный пользователь.
В обычном SaaS такие пользователи быстро отсеиваются. В AI-first — нет.
Потому что первый опыт взаимодействия с продуктом часто даёт мгновенный вау-эффект. Даже если реального продукт-фита пока нет.
И в этот момент рост перестаёт быть просто маркетингом.
Задача уже не в том, чтобы привести больше людей. Задача — понять, кто пришёл за реальной работой, а кто — потрогать что-то новое.
Кто уходит, а кто остаётся
На одной из growth-сессий мы смотрели тепловые карты поведения и увидели странную картину.
Пользователи, которые выглядели идеально по метрикам аквизиции, часто исчезали после третьей-четвёртой сессии. А те, кто конвертировался в оплату позже, проходили через более хаотичный, «некрасивый» путь.
Они задавали странные промпты. Возвращались через несколько дней. Меняли юзкейс. Проверяли продукт на крайних сценариях. Пытались сломать систему. Иногда даже выглядели как левый трафик.
Но именно они становились удерживаемыми пользователями. И тогда стало ясно: классическое понимание активации нас обманывает.
Ошибка была не в канале, не в креативе и не в онбординге. Ошибка — в самой модели мышления о росте. Мы измеряли поведение AI-first продукта метриками мира, где продукт не умеет адаптироваться.
Активация — это не событие, а траектория
В старом мире активацию можно было привязать к событию: создал рабочее пространство, загрузил данные, пригласил коллегу — значит, активировался.
В AI-first продуктах активация — это не событие. Это траектория мышления пользователя. Он проверяет: можно ли доверять системе?
Где-то это происходит за три минуты. Где-то — после восьми разных сценариев. Где-то — только когда ИИ неожиданно решает edge-case, который человек специально принёс на проверку.
И в этот момент рост перестаёт напоминать маркетинг. Он становится системой интерпретации сигналов.
Нам пришлось полностью пересобрать слой аналитики. Событийная модель перестала объяснять происходящее.
Мы начали смотреть не только на факт действия, но и на структуру взаимодействия: как пользователь формулирует задачу, насколько быстро усложняет сценарий, возвращается ли к предыдущим контекстам, меняет ли фрейминг запроса, использует ли ИИ как исполнителя или как партнёра по диалогу.
По сути, growth-слой начал собирать не просто события, а поведенческие сигналы качества намерения. И это был только первый инженерный перелом.
Когда A/B тесты теряют смысл
Настоящий сдвиг произошёл, когда команда захотела масштабировать эксперименты.
В классическом росте всё прозрачно: бэклог гипотез, A/B тесты, варианты онбординга, эксперименты с ценой, сравнение когорт.
Но AI-first продукты вносят фундаментальное искажение. Сам опыт внутри продукта становится адаптивным.
LLM меняет ответы. Агенты перестраивают сценарии. Онбординг персонализируется в реальном времени. Оффер может меняться в зависимости от сессии.
Первый вэлью-момент у разных пользователей возникает в разных местах. В какой-то момент мы поняли: A/B тест в старом виде теряет смысл. Мы больше не тестируем экран против экрана. Мы тестируем поведение системы принятия решений.
В AI-first продуктах умирает сама идея статичной воронки. Пользователь больше не движется по заранее заданному пути. Путь пересобирается системой в ответ на его сигналы, намерение и уровень доверия к ИИ.
Рост как инженерная дисциплина
Фактически, рост стал работать со слоем оркестрации.
Какой сигнал считать сильным? Куда роутить пользователя? Когда показывать сложный сценарий? Когда переходить в режим коллаборации? Когда предлагать помощь? Когда дать пользователю самому построить следующий шаг?
Это уже очень похоже на инженерную дисциплину. Речь идёт о проектировании распределённых циклов принятия решений, а не о маркетинговых гипотезах.
Один из основателей точно сформулировал ощущение команды: «У нас ощущение, что мы строим не воронку роста, а когнитивную систему».
И это, пожалуй, самая точная формулировка того, что происходит в сильных AI-first стартапах.
Маркетинг роста больше не живёт отдельно от продукта. Он становится слоем оркестрации между acquisition, product signals, поведением ИИ, monetization logic и retention truth.
Кто нужен в AI-first росте
Именно поэтому в таких командах резко вырос спрос на людей, которые мыслят в нескольких плоскостях. Не только каналами. Не только GTM. Не только копированием сценариев.
Но ещё и: архитектурой сигналов, поведенческой аналитикой, системами экспериментов, AI-native lifecycle design, feedback loops, валидацией юнит-экономики.
По сути, это уже не маркетолог в старом понимании.
Это человек, который умеет проектировать системы роста, где решения принимаются моделями, правилами и даже emergent behavior самой пользовательской базы.
Именно здесь сейчас главный дефицит рынка.
Сильных performance-маркетологов найти сложно, но можно. А вот тех, кто видит рост как event-driven систему, где retention — это функция качества интеллектуальной оркестрации, почти нет.
Именно такие люди сегодня становятся для AI-first стартапов тем же, чем несколько лет назад для SaaS стали сильные PLG-дизайнеры.
Только теперь планка выше. Нужно понимать не просто пользователя. Нужно понимать, как он начинает мыслить внутри системы, где часть когнитивной работы выполняет ИИ.
И в этом смысле маркетинг роста действительно становится инженерной дисциплиной. Не в метафорическом, а в буквальном смысле.
Мы больше не строим маркетинговые воронки. Мы проектируем самообучающиеся системы роста.
С data pipelines, routing logic, signal weighting, verification loops, false-positive filters и слоями отложенной монетизации.
Через 2–3 года сильнейшие Head of Growth, возможно, будут вырастать не из маркетинга, а из продуктового и системного мышления. Мы превращаемся в продуктовых инженеров-аналитиков. Или нет?