Ema привлекла $77 млн: AI-агенты против SaaS и IT-сервисов

Что именно строит Ema

Для меня главный факт здесь не сам раунд, а уровень амбиций: Ema привлекла $77 млн в Series B, чтобы автоматизировать целые корпоративные процессы, а не отдельные действия. В материале TechCrunch о раунде указано, что общий объем инвестиций достиг $140 млн, а оценка компании выросла более чем в четыре раза относительно предыдущего раунда.

Ema называет свои системы «AI-сотрудниками». Они координируют команды агентов, работающих между корпоративными приложениями, и проводят задачи через весь процесс в HR, IT и финансах. Это уже не чат поверх базы знаний: система должна определить последовательность действий, вызвать нужные инструменты, передать контекст и вернуть проверяемый результат.

В публичной документации Ema процессы описаны как графы из типизированных узлов. Архитектура включает агентов, базы знаний, интеграции, роли и контроль с участием человека. Такой дизайн выглядит здраво: в enterprise автономность без разграничения доступа, остановок и ручного подтверждения быстро превращается в дорогой генератор инцидентов.

Стратегия постепенная. Сначала платформа соединяет существующие системы и автоматизирует работу между ними, затем часть SaaS может остаться лишь хранилищем данных или вообще исчезнуть из процесса. Оплата при этом привязана к выполненным задачам и бизнес-результатам, а не к числу пользователей или потребленным токенам.

Почему давление почувствуют не только SaaS-вендоры

Самый сильный сдвиг здесь в том, что агентная платформа претендует и на работу IT-сервисных компаний: внедрение, интеграцию и операционное сопровождение. Если значительную часть этой работы удается выразить через инструменты, правила и контролируемые агентные процессы, модель продажи человеко-часов начинает трещать.

По данным компании, приведенным TechCrunch, Ema обслуживает более 50 enterprise-клиентов и свыше 1 млн активных корпоративных пользователей. Более 90% клиентов расширили использование после первого сценария, а Net Dollar Retention составил около 180%. Это показатели самого стартапа, а не независимый аудит, но они хорошо поддерживают тезис о расширении от одного процесса к нескольким.

Я бы первым проверял не красивую демонстрацию, а стоимость исключений: сколько ручных вмешательств требуется, как считается завершенная задача и кто отвечает за ошибочный результат. Именно здесь решится, станет ли outcome-based pricing новой нормой или просто более хитрым способом упаковать старую автоматизацию.

Ранее мы рассматривали MuleRun — маркетплейс AI-агентов для автоматизации бизнес-процессов. Этот пример показывает, как AI-сотрудники переходят от концепции к практическому применению в компаниях.