Coactive AI: $317K в месяц на ИИ-аналитике видео и картинок для enterprise — кейс Коди Коулмана

Coactive AI — ИИ-платформа для enterprise-команд: индексирует библиотеки видео и изображений, позволяет искать по содержимому естественным языком и автоматически тегировать визуальный контент. $317K выручки в месяц ($4M ARR), двое основателей, привлечено $44M от Andreessen Horowitz и Bessemer. Запущена в 2021 году в Сан-Франциско, стартовала с $200K.

Главная история — Coactive AI родилась из академической работы Коди Коулмана в Stanford над эффективностью data-pipeline для машинного обучения. Команда продаёт не «ИИ-поиск», а решение бизнес-задачи enterprise-медиакомпаний: «найдите среди 10 миллионов часов видео все сцены с конкретным брендом».

Кто такие основатели

Коди Коулман — PhD по Computer Science из Stanford, до Coactive AI работал в исследовательских лабораториях Google и Stanford над эффективностью обучения нейросетей. Уильям Гавиэри — соавтор по исследованиям, специалист по компьютерному зрению.

Команда вышла из Stanford с готовым алгоритмом для поиска по визуальному контенту в больших библиотеках. Раньше это требовало ручной разметки людьми (Mechanical Turk) — Coactive делает то же автоматически.

Какую проблему решает Coactive AI

Крупные медиакомпании, streaming-платформы и ритейлеры хранят терабайты видео и картинок: запись игр NBA, миллионы товарных фото, архивы передач за десятилетия. Найти что-то конкретное в этой массе — кошмар.

Раньше для тегирования нанимали команды разметчиков (или Mechanical Turk), и это стоило сотни тысяч долларов. Coactive AI делает это автоматически с помощью моделей компьютерного зрения:

• Найти все сцены с конкретным брендом или продуктом
• Автоматически генерировать теги для каждого видео
• Искать по тексту: «голы Леброна Джеймса с левой руки за 2023 год»
• Структурировать визуальный архив для аналитики

Главное преимущество — работает на петабайтных масштабах без переразметки.

Как родилась идея

Коди в Stanford занимался темой «active learning» — как обучить модель компьютерного зрения с минимальным числом размеченных примеров. Это сократило стоимость работы с визуальными данными в десятки раз.

Команда увидела очевидное применение: крупные компании платят миллионы за разметку видео и картинок. Coactive AI предложила автоматизировать процесс на 80–90%.

Как собирали продукт

Первая версия — Python + PyTorch + кастомные модели компьютерного зрения. Стартовый бюджет — $200K из академических грантов и personal savings.

Стек:

Слой	Инструмент
ML-ядро	Python, PyTorch, своя CV-модель
Хранилище	Snowflake (как партнёр)
Инфраструктура	AWS, GPU-кластеры
Frontend	React + TypeScript

После раунда от a16z команда инвестировала в инфраструктуру для обработки петабайт видео — это требует серьёзных GPU-затрат, и большая часть burn rate уходит именно сюда.

Стратегия роста

Stanford-нетворк и research-комьюнити

Первые клиенты пришли через Stanford-нетворк Коди Коулмана. Это типичный enterprise-ИИ-канал — топовые ИИ-стартапы продают не через рекламу, а через личные контакты в исследовательских лабораториях и data-science командах больших компаний.

Research-публикации как маркетинг

Команда регулярно публикует научные статьи и выступает на NeurIPS, ICML, CVPR — топовых конференциях по машинному обучению. Это создаёт репутацию «команды, которая разбирается», что особенно ценно при продажах enterprise-клиентам, которые боятся хайпа.

Партнёрство со Snowflake

Coactive AI глубоко интегрирована со Snowflake (стандарт enterprise-аналитики). Клиенты Snowflake могут запускать визуальный поиск прямо из своего хранилища, не вытаскивая данные наружу. Это снимает главное возражение enterprise — безопасность.

Outbound sales на enterprise-медиа

Команда сфокусирована на узком списке аккаунтов: крупные streaming-платформы, спортивные лиги, ритейлеры с большим визуальным каталогом. Цикл сделки 6–9 месяцев, ACV от $100K в год.

Pivot со «search» в «understanding»

В 2024 году Coactive переориентировалась с «поиска по визуалам» на «понимание визуального контента» — это шире и попадает в зону интереса корпоративных ИИ-офицеров, которые ищут применения генеративным моделям.

Pricing

• Контрактные сделки от $100K в год
• Крупные клиенты платят $500K–$1M в год
• Цена зависит от объёма обрабатываемого контента и сложности интеграций

Coactive AI не продаёт самообслуживание — каждый клиент получает выделенного solution-инженера и индивидуальный onboarding.

5 уроков из кейса

1. Academic research — это путь в ИИ-стартап. Коди и Уильям вышли из Stanford с готовой технологией и сразу подняли $44M. В ИИ-индустрии PhD из топового вуза — главный актив на старте, важнее опыта продаж и маркетинга.
2. Enterprise-ИИ продаётся через research-репутацию. Крупные компании не покупают ИИ-продукт у анонимного стартапа. Они покупают у команды, которая публикует статьи на NeurIPS. Research-маркетинг — это лучший канал для high-ticket B2B-ИИ.
3. Партнёрство с большой инфраструктурой даёт доступ к её клиентам. Coactive интегрировалась со Snowflake — и сразу получила доступ к их enterprise-аудитории. Это короткий путь в крупные сделки.
4. Высокий ACV компенсирует длинный цикл сделки. $500K в год за контракт компенсирует то, что сделка закрывается 6 месяцев. Команда из 10 продавцов может закрыть $20–30M ARR в год — это нормальная enterprise-экономика.
5. Pivot позиционирования — это не пивот продукта. Coactive не меняла технологию, когда переходила с «поиска» на «понимания». Меняла только язык, в котором продавала. Это типичная история — клиенты enterprise покупают «решение задачи», а не «функцию».

Главная мысль: в enterprise-ИИ побеждает не лучшая модель, а лучшая упаковка под понимание корпоративного покупателя. Coactive — это та же CV-технология, которой пользуются десятки команд. Разница в том, что Coactive научилась продавать её как часть Snowflake-инфраструктуры, а не как «ещё один ИИ-продукт». Эта упаковка стоит миллионы.