Три человека и более 20 AI-агентов вместо привычной B2B-команды: именно так SaaStr описывает свою текущую операционную модель после плотной работы с Replit. Для тех, кто строит продукты, продает SaaS или управляет разработкой, это не очередной разговор про "будущее AI", а довольно приземленный кейс о том, как агентный ИИ уже лезет в маркетинг, customer success и внутренние инструменты.
В материале SaaStr, как пишет SaaStr, команда Replit вместе с основателем SaaStr Джейсоном Лемкиным разбирает, как они ведут B2B-медиа, сообщество и инвесторскую активность с опорой на собственных агентов. Главные герои этой схемы — агент 10K, которого Лемкин называет автономным VP of Marketing, и QBee, агент для customer success. Первый, по его словам, написан на Replit, состоит из 14 230 строк кода, ведет маркетинговые кампании, подтягивает метрики и даже проводит понедельничные стендапы. Второй обслуживает более 100 спонсоров и, как утверждает автор, позволил сократить трудозатраты на customer success на 70% по сравнению с сопоставимой B2B-операцией.
Самый показательный эпизод связан не с кодом, а с письмом инвесторам. За несколько недель до SaaStr AI Annual Лемкин заметил, что регистрация венчурных фондов выглядит слабее общей динамики мероприятия: общая посещаемость шла на уровне 143% к прошлому году, а инвесторский сегмент отставал. Он попросил 10K разобраться, и агент, по описанию автора, обнаружил разрыв: зарегистрировались 152 инвестора, но этого было недостаточно относительно общего роста. Затем агенту дали задачу написать персонализированное письмо для Bloomberg Beta. На выходе получился не просто шаблон, а письмо, собранное из контекста: какие смежные фонды приедут, какие конкуренты Replit будут на месте, какие портфельные компании фонда уже зарегистрированы. Дальше тот же подход масштабировали на всех CEO из портфельных компаний автора и на базу примерно из 8 тысяч участников.
Здесь важна не литературная красота письма, а структура данных за ним. Лемкин прямо говорит: магия не в тексте, магия в контексте. Агент использовал накопленные API-интеграции, историю переписки, фидбек по прошлым кампаниям и базу участников. На одну персонализированную рассылку уходило 2-3 минуты вычислений. Для массового B2B-маркетинга это звучит тяжеловато, но если одно письмо экономит часы ручного ресерча и попадает в человека лучше обычного SDR-а, экономика уже выглядит иначе. Для российского рынка это, пожалуй, самый неприятный вывод для старой школы demand generation: ценность начинает сидеть не в шаблоне письма, а в том, насколько глубоко ваша система умеет собирать и склеивать рабочий контекст.
Продажи и разработка: меняется не только скорость
Отдельный кусок дискуссии касается продаж. Коди, отвечающий за sales в Replit, по словам SaaStr, сопоставил внутреннее использование продукта продавцами с выполнением квоты и получил почти прямую корреляцию: те, кто регулярно работал в Replit сами, выполняли план; те, кто не работал, нет. Объяснение довольно жесткое, но правдоподобное. Если продукт меняется каждую неделю, продавец, который не открывал его две недели, уже продает устаревшую версию и отвечает клиенту глупостями. Для B2B-команд это неприятная, но полезная мысль: в мире, где продукт обновляется быстрее презентации для сейлзов, знание продукта становится не поддерживающей функцией, а частью самой сделки.
Лемкин делает еще один спорный, но важный вывод: старый KPI инженерной эффективности в духе story points теряет смысл, если компания не показывает кратный рост производительности за счет агентов. Формулировка у него предельно резкая: если CTO не может показать радикальный и нарастающий рост output, компания рискует проиграть рынок. С этим можно спорить, но нерв момента считывается. Разговор уже не про то, может ли copilot чуть ускорить разработчика, а про то, появляется ли в команде слой систем, которые автоматизируют куски инженерной, аналитической и операционной работы целиком. В этом смысле агентный ИИ уходит из категории "поиграли в демо" в категорию "новая управленческая метрика".
Есть и еще одна практическая идея, которую SaaStr фактически предлагает как рецепт для B2B-команд. Не надо переписывать весь стек и строить своего клона Salesforce или HubSpot. И Replit, и SaaStr сходятся в более узкой модели: покупать зрелые SaaS-продукты, а поверх них делать N=1-приложения под собственные боли. Лемкин приводит два примера. Первый — собственные дашборды поверх Salesforce API, чтобы не зависеть от медленных и неактуальных экранов CRM. Второй — старый event CRM Visible, где команда через API и недокументированные эндпоинты дотянула недостающую функциональность и тем самым отказалась от замены системы. Для разработчиков и тимлидов это звучит как здравый компромисс: не устраивать культ кастомной разработки, а бить по самым дорогим узким местам, где стандартный софт не помогает.
Почему этот кейс зацепит не только фанатов Replit
Важнее всего в этом материале не бренды и не сцена SaaStr AI 2026, а дисциплина, с которой они описывают внедрение агентов. Лемкин считает, что сильный результат появился не из-за волшебного промптинга, а из-за месяцев последовательной обратной связи. Хороший результат помечали как хороший, плохой — как плохой, и так сотни раз. По его логике, команды, которые первые 30 дней вручную просматривают каждый выход агента и чинят сам процесс, а не отдельный текст, получают к концу месяца систему, близкую к 80% уровня сильного сотрудника. Те, кто просто "включил AI и пошел дальше", этого порога не проходят. Для продактов, head of sales и CTO это, возможно, самая полезная часть всей истории: внедрение агентов все больше похоже не на покупку инструмента, а на обучение нового отдела.
Открытый вопрос теперь звучит не так, заменят ли агенты людей, а где именно пройдет граница между обычным SaaS и слоем, который будет собирать нужный workflow на лету. Если кейс Replit и SaaStr не раздут сценой и действительно масштабируется за пределы одного медиа-бизнеса, то следующим конкурентным преимуществом в B2B станет не количество купленных сервисов, а качество памяти, интеграций и обратной связи, на которых работает агентный ИИ. Проверить детали разбора можно в исходном материале .