У Owner.com средний продавец приносит больше $2 млн годовой регулярной выручки, а outbound-BDR закрывает свыше $100 тыс. ARR в месяц. Для классического B2B это звучит как ошибка в таблице, но именно такую модель AI в продажах компания описала на SaaStr AI 2026, и для IT-команд здесь интересен не только сам результат, но и способ его достижения.
Речь идет о Owner.com, которая продает вертикальный AI-софtware независимым ресторанам: по сути, набор инструментов для маркетинга, продаж и цифрового присутствия малого бизнеса. Как пишет SaaStr, компания уже вышла примерно на $100 млн ARR и сохраняет трехзначные темпы роста. CRO Кайл Нортон уточнил, что присоединился к бизнесу на уровне около $2 млн ARR. Теперь, по его словам, команда показывает примерно 20-кратное соотношение closed-won к OTE, а по выручке на одного репа опережает прямых SMB-конкурентов примерно в четыре раза.
Главный тезис Нортона не в том, что продавцам нужно выдать еще один чат-бот и подписку на очередной AI-сервис. Наоборот: большинство компаний, по его оценке, застряли на уровне, где отдельные сотрудники используют ChatGPT как умный поиск или собирают кустарные GPT-настройки под себя. Это дает локальную пользу, но почти не масштабируется. Owner.com делает ставку на централизованную модель: идеи могут приходить от кого угодно, но production-решения для go-to-market строит маленькая специализированная команда. Логика жесткая, но понятная: если один сильный applied AI-инженер делает инструмент в пять-десять раз лучше, чем продавец «на выходных», то романтика децентрализации быстро заканчивается в тот момент, когда нужно двигать реальные метрики, а не устраивать корпоративный театр автоматизации.
Отсюда и вторая развилка: что строить самим, а что покупать. У Owner.com формула простая: инфраструктуру покупаем, собственный интеллект строим внутри. В качестве фильтра Нортон предлагает пять вопросов: насколько критичен uptime, какой уровень кастомизации нужен, каков инженерный ROI, является ли это ядром уникальной экспертизы и дает ли решение настоящее конкурентное преимущество. Диалеры, платформы симуляции звонков и значительная часть стандартного sales-tech, по этой логике, должны покупаться. Там чужой масштаб и надежность почти всегда дешевле амбиций собственной команды. Но инструмент AI Pre-Call Research у Owner.com попал в противоположную корзину: он не требует идеального аптайма, потому что лиды обогащаются пакетно; он сильно завязан на специфику ресторанного рынка; его можно было собрать относительно малыми силами; и он напрямую влияет на качество персонализации холодного контакта. Результат, который приводит SaaStr: две недели работы одного инженера дали 15 BDR-команде прирост примерно на 85% по числу назначенных встреч.
Самая неприятная для многих мысль из этого кейса звучит довольно приземленно: начинать нужно не с агентов, а с данных. Нортон делит задачу на два слоя. Первый — внешние данные: полная карта рынка, список аккаунтов, скоринг, роли контактов, гипотезы, почему этим клиентам вообще нужен ваш продукт. Второй — собственные данные компании: корректно размеченный customer journey, транскрипты звонков, поля CRM, причины проигрыша, смена позиционирования, сигналы о конкурентах. Owner.com использует Momentum для автоматического забора данных из разговоров и заполнения Salesforce. И здесь скрыта банальная правда, которую рынок упорно пытается обойти красивыми демо: AI не лечит плохую воронку и не превращает мусорные данные в инсайты. Если на входе у вас CRM, которую репы обновляют из чувства вины раз в неделю, на выходе получится не магия, а дорогая генерация шума.
Чтобы выбирать первые кейсы для автоматизации, Нортон использует рамку 5P: possibilities, payoff, probability, perspiration и итоговый priority. По-русски это можно перевести без лишней поэзии: какие вообще есть возможности, какой будет выигрыш, насколько вероятен успех, сколько пота уйдет на разработку и внедрение, и что в итоге действительно надо делать первым. Важен не сам псевдоматематический расчет, а дисциплина мышления. Для разработчиков и продактов это выглядит знакомо: не каждая эффектная AI-функция стоит того, чтобы тащить ее в roadmap. Если выигрыш невелик, вероятность успеха туманна, а change management съест полквартала, проект лучше оставить для внутренних презентаций, а не для production.
Отдельно Owner.com подчеркивает кадровую сторону вопроса. Строить AI в продажах силами RevOps «в свободное время» — плохая идея, если компания рассчитывает на системный эффект. Нортон говорит о небольшой центральной команде с нормальным инженерным и data-бэкграундом. Подчинение может быть разным — CRO, CEO, VP of Data, RevOps, — но важнее не оргсхема, а наличие владельца, который действительно верит в подход и готов продавить бюджет, новые процессы и неизбежное недовольство. И это уже важный сигнал для IT-директоров: внедрение AI в GTM все меньше похоже на закупку софта и все больше — на создание внутренней платформенной функции с собственным backlog, SLA и KPI.
Наконец, кейс Owner.com подталкивает к более неприятному вопросу: какие роли в коммерческой организации вообще останутся в прежнем виде. Нортон ссылается на подход, по которому должность — это просто набор задач, а AI позволяет разбирать этот набор по частям и решать, что должна делать машина, а что — человек. На примере BDR это особенно видно. Во многих компаниях львиная доля времени такого сотрудника уходит на сбор списков и ресерч, то есть на работу, которая мало похожа на продажи и плохо масштабируется. Owner.com эту часть уже вынесла в центральную data-функцию, оставив BDR то, за что им вообще платят: коммуникацию и конверсию. Для бизнеса это намек на пересборку функций customer success, onboarding, account management и части sales-ops. Для разработчиков — на рост спроса не просто на «AI-фичи», а на внутренние системы, которые умеют собирать контекст, обогащать CRM, автоматизировать рутину и встраиваться в воронку без ручного цирка.
Из этого кейса не следует, что любой B2B-сервис завтра получит $2 млн ARR на одного продавца, просто купив пару моделей и переписав playbook. Следует другое: AI в продажах начинает приносить крупный эффект там, где его перестают воспринимать как набор персональных лайфхаков и превращают в централизованную инженерную систему. Вопрос теперь не в том, пробует ли компания AI, а в том, успеет ли она построить такой контур раньше конкурентов, пока остальные все еще заняты красивыми скриншотами из очередного промпта.