Arena AI, которую многие в индустрии знают как бесплатный рейтинг языковых моделей, за восемь месяцев довела коммерческое направление до $100 млн годового оборота в пересчете на текущий темп. Для разработчиков и продуктовых команд это важный сигнал: на рынке ИИ деньги все активнее уходят не только в сами модели, но и в инфраструктуру их проверки, сравнения и дообучения.
Проект вырос из исследовательской работы в UC Berkeley и долго воспринимался почти как общественная полезность для индустрии, но теперь это уже полноценный бизнес, сообщает TechCrunch. Arena AI прославилась благодаря краудсорсинговому лидерборду моделей: пользователь вводит один запрос, платформа отправляет его двум ИИ-моделям, а затем просит выбрать лучший ответ. Из более чем 10 млн таких оценок и собирается рейтинг, на который смотрят и лаборатории, и корпоративные заказчики, и разработчики, охотящиеся за свежими бенчмарками без маркетинговой мишуры.
Деньги компания начала зарабатывать только в сентябре 2025 года, когда запустила сервис AI Evaluations. Его суть проста и при этом очень коммерчески здорова: если публичная часть Arena AI показывает, кто выглядит сильнее в глазах сообщества, то платная часть дает компаниям и модельным лабораториям более глубокую аналитику по качеству моделей на основе той же базы оценок. Иначе говоря, бесплатный трафик и привычка рынка сверяться с рейтингом превратились в продаваемый слой аналитики. Для B2B в ИИ это почти образцовая схема монетизации: сначала стать стандартом де-факто, потом продавать доступ к деталям, скорости и глубине.
При этом у истории есть важная оговорка, которую полезно не пропускать мимо ушей. Глава Arena AI Анастасиос Ангелопулос уточнил, что компания использует термин ARR, но ее выручка строится на consumption-модели, то есть на оплате по потреблению, а не на классической рекуррентной подписке. Для тех, кто следит за рынком, разница не косметическая. $100 млн annualized run-rate звучит мощно, но это не то же самое, что $100 млн закрепленной подписочной выручки. В сегменте ИИ, где бюджеты могут резко включаться и так же резко перераспределяться, такая деталь влияет и на оценку устойчивости бизнеса, и на то, как инвесторы будут смотреть на следующие раунды.
От исследовательского проекта к сервису для тех, кто тратит на посттрейнинг
Темп роста Arena AI особенно заметен в контексте ее недавнего финансирования. В январе 2026 года компания объявила о раунде Series A на $150 млн при постинвестиционной оценке $1,7 млрд. На тот момент годовой темп выручки составлял $30 млн. Теперь речь уже о $100 млн. Для рынка это означает не просто хороший старт продаж, а очень резкий рост спроса на сервисы, которые помогают улучшать модели после базового обучения. Arena AI прямо конкурирует не с очередным публичным чат-ботом и даже не с другой таблицей лидеров, а за тот же бюджет, который могли бы получить игроки в человеческую разметку и посттрейнинг вроде Mercor, Surge и Scale AI.
Этот сдвиг показателен. Несколько лет назад главным дефицитом были данные и вычисления. Теперь все чаще упираются в вопрос, как именно понять, стала ли модель лучше после очередного цикла дообучения, RLHF, синтетических датасетов или настройки агентного поведения. В такой фазе рынка выигрывают не только те, кто строит foundation models, но и те, кто может доказуемо измерить их качество. У Arena AI здесь сильная позиция: она уже накопила большую аудиторию оценщиков, а сама площадка для многих стала местом, где можно увидеть новые, иногда еще не выпущенные публично модели раньше официального релиза.
На этом фоне показательно и то, что прямых конкурентов у компании почти не осталось. TechCrunch напоминает о стартапе Yupp, который тоже пытался строить краудсорсинговый выбор моделей, но закрылся в марте 2026 года. Это не значит, что ниша пустая. Скорее наоборот: деньги в ней есть, но побеждает не тот, кто просто делает красивый рейтинг, а тот, кто превращает пользовательские сравнения в инструмент для принятия продуктовых и исследовательских решений. Для лабораторий и крупных заказчиков рейтинг сам по себе полезен, но еще полезнее понять, где модель сыпется: на коде, на зрении, на длинных сценариях или в многошаговых агентных задачах.
Почему это важно не только для Кремниевой долины
Arena AI уже ранжирует модели по нескольким направлениям: текст, программирование, компьютерное зрение, генерация изображений, а также по более сложным длительным сценариям через недавно добавленный Agent Mode. Для русскоязычной IT-аудитории в этом есть вполне прикладной вывод. Если вы делаете продукт поверх внешних моделей, выбирать поставщика по общему хайпу становится все менее разумно. Нужны оценки под конкретную задачу: как модель пишет код, как держит длинный контекст, как работает в агентном режиме, насколько предсказуемо проходит по цепочке действий. Чем дороже ошибки, тем ценнее становятся независимые и массовые методы проверки, а не только обещания вендора в презентации.
Бизнес-смысл тоже прозрачен. Чем больше компаний внедряют ИИ в рабочие процессы, тем выше цена неправильного выбора модели. Для стартапа это может быть лишний burn rate на инференс и месяцы доработок. Для крупной компании — провал пилота, спор с безопасниками и новый виток тендера. Поэтому рынок постепенно платит не только за «самый умный ИИ», но и за способ быстро понять, где этот ИИ действительно работает. В этом смысле Arena AI продает не рейтинг, а снижение неопределенности. И это одна из самых ликвидных вещей в нынешнем AI-цикле.
Компанию основали Анастасиос Ангелопулос и Вэй-Лин Чианг, оба выходцы из UC Berkeley, а среди сооснователей также указан профессор и сооснователь Databricks Ион Стоика, который консультировал проект до его оформления в отдельную компанию в апреле 2025 года. Всего Arena AI привлекла $250 млн от Felicis, Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners, Laude Ventures и UC Investments. Набор инвесторов тут тоже говорит сам за себя: рынок делает ставку на слой вокруг моделей, а не только на сами модели.
Главный вопрос теперь не в том, может ли Arena AI зарабатывать, а в том, насколько устойчивым окажется этот тип бизнеса, когда лаборатории начнут строить собственные системы оценки и активнее закрывать данные о качестве внутри периметра. Но пока тенденция обратная: чем больше моделей, агентов и посттрейнинговых циклов, тем выше спрос на внешнюю проверку и независимую метрику доверия. Подробности истории можно сверить в материале .