У классического ML, который многие уже мысленно отправили в раздел «до эпохи LLM», с деньгами все в порядке. Только одна Riskified закончила FY2025 с выручкой $344,6 млн и впервые показала квартальную GAAP-прибыль, а Upstart за тот же период прибавила 64% по выручке. Для русскоязычной IT-аудитории это неприятно полезный сигнал: рынок по-прежнему хорошо платит не только за генеративный AI, но и за модели, которые умеют считать риск, спрос и рекомендации без лишнего шума.
Об этом сообщает Habr / Карьера в разборе пяти компаний из финтеха, ecommerce, поиска и enterprise-планирования. Логика материала проста: пока индустрия обсуждает агентов, промпты и окупаемость GenAI, «скучные» модели на табличных данных, временных рядах и поведенческих сигналах уже много лет работают в проде и напрямую влияют на маржу бизнеса. И это не академический спор о вкусах. Это разговор о том, какие навыки реально монетизируются и почему у специалистов, которые умеют строить ROC-кривую и работать с градиентным бустингом, по-прежнему очень неплохие шансы на рынке.
Самый показательный пример в подборке — Riskified, основанная в 2013 году и вышедшая на IPO в 2021-м. Компания занимается антифродом в ecommerce: одобряет транзакции и берет на себя риск по мошенническим чарджбэкам. Такая модель бизнеса быстро отделяет красивую презентацию от полезной технологии, потому что любая ошибка модели бьет по деньгам самой компании. По итогам FY2025 у Riskified выручка составила $344,6 млн, Adjusted EBITDA — $26,7 млн, а в четвертом квартале компания впервые зафиксировала чистую GAAP-прибыль на уровне $5,8 млн. Важен не только сам размер выручки, но и момент перехода в плюс спустя более десяти лет после основания и через несколько лет после IPO. Это редкий случай, когда окупаемость ML можно показать почти без переводчика с корпоративного языка на человеческий. Здесь классический ML решает задачу, для которой языковая модель действительно выглядит лишней: за миллисекунды оценить транзакцию по структурированным признакам, выдать воспроизводимое решение и при необходимости объяснить его аудитору.
Вторая история — Upstart, еще один пример того, что деньги в ML часто лежат не там, где громче PR. Компания работает на рынке кредитного скоринга и андеррайтинга, основана в 2012 году, на биржу вышла в 2020-м. По данным из источника, в 2025 году Upstart нарастила выручку на 64% год к году, вернулась к устойчивой GAAP-прибыли, а более 90% займов на платформе одобряются полностью автоматически. Для банков и кредитных союзов это не технологический аттракцион, а вполне прикладная история: быстрее принимать решение по заемщику, снижать стоимость ручной обработки и при этом укладываться в регуляторные требования. Именно поэтому в скоринге по-прежнему ценятся стабильность, точность и объяснимость модели, а не способность красиво разговаривать. Когда отказ в кредите нужно обосновать перед регулятором, «черный ящик, но зато модный» обычно проигрывает более приземленным подходам.
Дальше подборка уходит в частный рынок, где публичной отчетности меньше, зато хорошо видно, как классический ML встроен в продукты, которыми компании реально пользуются. Algolia, основанная в 2012 году, строит поиск и рекомендации как API-сервис. По оценкам, приведенным в источнике, выручка компании выросла примерно с $40 млн в 2018 году до около $100 млн в 2024-м. Да, оценка бизнеса после пика 2021 года корректировалась вниз, но сама выручка, как отмечается в статье, продолжала расти. Это важное уточнение на фоне привычной путаницы между хайпом вокруг оценки и реальной выручкой. Под капотом у таких сервисов нет магии: рекомендации «с этим покупают» и «вам может понравиться» десятилетиями держатся на коллаборативной фильтрации, ранжировании и анализе поведенческих данных. Польза тоже очень прозаична: больше просмотренных страниц, выше конверсия, больше кросс-продаж. В этой логике классический ML хорош именно тем, что не пытается быть умнее задачи.
Похожая картина у o9 Solutions, которая работает в еще менее хайповой, но очень денежной зоне — прогнозировании спроса и планировании цепочек поставок. Компания основана в 2009 году, а ее выручка, по оценкам из материала, выросла примерно со $120 млн в 2023 году до около $157 млн в 2024-м при оценке бизнеса в $3,7 млрд. Среди клиентов названы Nike и PepsiCo, то есть речь идет не о лабораторных экспериментах, а о системах, от которых зависит движение товаров и замороженный в запасах капитал. Продукт o9 опирается на работу с временными рядами, сезонностью, трендами, промо-активностью и графовой моделью данных Enterprise Knowledge Graph. Для бизнеса ценность тут измеряется буквально на складе: меньше избыточных запасов, меньше списаний, точнее планирование. Один из клиентов, как указано в источнике, сообщил о сокращении брака примерно на 50% благодаря более точному прогнозу. Это тот случай, когда ошибка модели видна не в демо-ролике, а в балансе.
Самый молодой участник списка — Sardine, основанная в 2020 году выходцами из риск-команд Coinbase, Revolut, Uber и PayPal. В феврале 2025 года компания привлекла $70 млн в раунде Series C; общая сумма инвестиций достигла примерно $145 млн, а оценка — $660 млн. Здесь автор исходного материала аккуратно проводит границу между ростом и окупаемостью, и это как раз тот тип аккуратности, которого часто не хватает обсуждениям AI-рынка. У Sardine нет публичной прибыли, поэтому говорить, что ее экономика уже доказана, рано. Но компания заявляет о росте ARR на 130% год к году и почти двукратном увеличении клиентской базы. Основа продукта — device intelligence и поведенческая биометрика, то есть опять не разговорчивый интерфейс, а работа с тем, как пользователь печатает, держит телефон и ведет себя на сайте. Маркетинг может называть это AI хоть десять раз подряд, но прикладная ценность здесь по-прежнему строится на том, что классический ML умеет распознавать риск в поведенческих и device-сигналах.
Из этого разбора следует довольно приземленный вывод, который может не понравиться любителям технологических качелей. Информационная повестка создает ощущение, будто Data Science почти целиком переехал в промптинг, LLM и агентные сценарии. Но бизнес, особенно там, где есть транзакции, кредиты, складские остатки и рекомендации в каталоге, продолжает платить за модели, которые работают на структурированных данных, выдерживают аудит и улучшают юнит-экономику. Для разработчиков и аналитиков это означает простую вещь: фундамент никуда не делся. Если специалист не понимает, почему градиентный бустинг до сих пор силен на табличных данных, но уже мечтает строить карьеру только вокруг генеративного AI, у рынка на этот счет могут быть неприятно конкретные возражения. Главный вопрос теперь не в том, заменят ли LLM классический ML, а в том, сколько еще компаний придется показать с выручкой в сотни миллионов, чтобы индустрия перестала считать базовые методы чем-то устаревшим только потому, что они не собирают овации в ленте.