Сравнение стартапов

Сигналы

Проблема

Разработчики и команды сталкиваются с ограничением длины контекста существующих LLM, что мешает автономному выполнению длительных задач — от написания больших кодовых баз до глубокого анализа длинных документов без постоянного человеческого надзора.

Компании тратят много времени и бюджета на ручное создание и тестирование рекламы в соцсетях, сталкиваясь с низкой конверсией и высокой стоимостью привлечения клиентов из-за отсутствия данных о том, что действительно работает.

Решение

Hy4 Preview использует архитектуру MoE с 49B активными параметрами и поддерживает до 1 млн токенов контекста, позволяя модели самостоятельно планировать, выполнять и проверять свою работу, включая запуск тестов и автофикс багов.

Платформа предоставляет команду Creative Agents, которые разрабатывают стратегию рекламы, генерируют креативы и непрерывно улучшают их, опираясь на проверенные тактики команды основателей, обеспечивая scroll‑stopping объявления и снижение CPA в среднем на 60%.

Аудитория

B2B: корпоративные AI‑отделы, игровые студии и предприятия, которым нужны автономные агенты для долгосрочных проектов (разработка ПО, создание игр, анализ больших наборов документов).

B2B: маркетинговые команды и агентства среднего и крупного размера, бренды, активно рекламирующиеся в TikTok, Instagram и YouTube, а также инди‑маркетологи и стартапы, нуждающиеся в быстром производстве эффективных рекламных материалов.

Потенциал рынка

Глобальный рынок больших языковых моделей и автономных агентов быстро растёт; спрос на модели с ultra‑long контекстом превышает предложение, что открывает значительные возможности масштабирования для Hy4 Preview.

Глобальный рынок рекламы в соцсетях исчисляется сотнями миллиардов долларов и растёт; спрос на ИИ‑автоматизацию креатива высок, что даёт хорошие перспективы масштабирования продукта по платформам и географиям.

Монетизация

Планируется монетизация через облачный API с оплатой за использование токенов, корпоративные лицензии на развертывание в приватных облаках и платные услуги по кастомизации и поддержке модели.

Подписная модель SaaS с тарифными планами (базовый, про, enterprise) и возможностью допалаты за дополнительные генерации или премиальные шаблоны; варианты freemium для привлечения пользователей.

Конкуренты

Google Gemini 1.5 Pro (1M контекст), Anthropic Claude 3 (200k), OpenAI GPT‑4 Turbo (128k), Meta Llama 3, Mistral Mixtral, а также фреймворки автономных агентов типа AutoGPT, LangChain Agents.

AdCreative.ai, Pencil, Predis.ai, Canva Magic Design for ads, Jasper (для копий), Vidyo.ai, Lumen5, InVideo.

Сильный сценарий

Если модель зарекомендует себя как надежный движок для долгосрочных агентных задач, она станет стандартом в индустрии, привлечёт широкое сообщество разработчиков и обеспечит Tencent значительный доход от облачных сервисов и лицензий.

AdAnt AI становится де‑факто стандартом для создания рекламы в соцсетях, захватывая значительную долю рынка SMB и enterprise, расширяясь в генерацию полноценных видеороликов и интегрируясь напрямую с рекламными кабинетами платформ, достигая многомиллионного ARR.

Слабый сценарий

Высокая стоимость инференса и необходимость специализированного железа ограничат adoption; открытые веса могут привести к фрагментации и появлению бесплатных альтернатив, подрывая монетизацию.

Продукт не отличается отgeneric LLM‑решений, качество креативов не удовлетворяет бренды, клиенты уходят к конкурентам или внутренним командам, а крупные платформы (Meta, Google) выпускают собственные аналоги, вытесняя стартап.

Риски

• Высокие затраты на запуск и обслуживание модели из‑за её огромного размера и требований к GPU/TPU. • Открытый характер модели уменьшает защищаемый ров, облегчая копирование конкурентами с достаточными ресурсами. • Неопределённость спроса на полностью автономные агентные системы в корпоративной среде из‑за вопросов надёжности и безопасности.

• Низкое качество или бренд‑небезопасность AI‑генерируемой креативы может привести к оттоку клиентов. • Легкое копирование идеи крупными игроками с большими ресурсами и данными. • Высокие вычислительные затраты на постоянное fine‑tuning моделей и поддержание актуальности агентов.