Fini AI: $190K в месяц на агентной ИИ-платформе клиентской поддержки — кейс Дипака Сингла

Fini AI — agentic ИИ-платформа клиентской поддержки для enterprise и growth-stage B2C компаний в fintech, e-commerce и healthcare. $190 000 в месяц, $2.28M в год, 2 основателя, 8 сотрудников, прибыльный. Стартовал в июне 2022 в Амстердаме. Клиенты — Atlas, Column Tax, TrainingPeaks. 500 000+ тикетов поддержки обрабатывается ИИ-агентами Fini каждый месяц. Автоматизация 80% обращений, экономия 50% затрат, рост CSAT на 10%.

Главное в кейсе — Дипак Сингла построил продукт, который никто не использовал. После 6 месяцев разработки команда выкинула всё и села внутри fintech support-команды на 4 недели. Только тогда поняли что нужно. Первый клиент платил $500/мес и получил 70% resolution rate за недели. Это и стало точкой разворота от $0 до $190K MRR.

Кто такой Дипак Сингла

Сооснователь Fini AI. До запуска руководил Product Growth и customer experience в Uber. Видел, как сотни агентов отвечают на одни и те же повторяющиеся вопросы — задачи, которые должны были быть автоматизированы. Когда в 2022 LLM начали реально работать, понял что момент пришёл.

Какую проблему решает Fini AI

Enterprise B2C-компании сталкиваются с одной структурной проблемой:

• support не масштабируется линейно — больше клиентов = больше агентов
• 80% обращений повторяющиеся, но требуют человека для контекста
• классические чат-боты ломаются на сложных вопросах
• интеграция с back-end (refunds, KYC, подписки) сложная и хрупкая
• accuracy ИИ-агентов часто не дотягивает до прод-готовности

Fini решает это через RAGless архитектуру, Agentic AI Knowledge Store (знание, построенное под ИИ-агента, а не под человека) и Agentic execution framework. ИИ-агенты Fini сами выдают refunds, проверяют KYC, ставят подписки на паузу с 98% accuracy. Не «чат-бот отвечает», а «агент действует».

Как родилась идея

В Uber Дипак вёл Product Growth и видел сотни агентов поддержки за повторяющимися задачами. С появлением LLM понял: это и есть будущее. Запустил Fini в июне 2022.

«Первый продукт мы построили, запустили, и никто им не пользовался. Тогда мы выкинули всё и сели внутри fintech support-команды на 4 недели. Тогда щёлкнуло: хорошим ИИ-агентам нужен сильный AI-native источник правды».

Команда переделала продукт. Первый клиент — $500/мес, 70% resolution rate за недели. Это была валидация — продукт работает, и клиенты его реально ставят в прод.

Как собрал

Self-funded, без раунда. 6 месяцев впустую на первой неверной итерации. Команда «сидела с пользователями» — буквально внутри саппорт-команд fintech-стартапов 4 недели. Это дало понимание архитектуры, которая нужна для ИИ-агентов: AI-native knowledge store, не классический RAG.

«Большая часть фаундеров пишет фичи, потому что думает, что они нужны. Мы 6 месяцев так и потратили. Только когда сели рядом с пользователем — увидели что реально надо».

Стратегия роста

Глубокая customer obsession

«Главный двигатель роста — мы маниакально делаем клиентов успешными. Первые клиенты привели следующих 10. До сих пор большая часть рост приходит так».

Дипак до сих пор сам делает weekly support-calls с клиентами — не для продаж, для обучения. Это формирует roadmap лучше любого инвестора.

Founder-led контент в LinkedIn

Команда продаёт enterprise CX-лидерам — там доверие критично. Поэтому Дипак пишет в LinkedIn от себя, делится уроками строительства ИИ-агентов, кейсами, ошибками, победами.

Один пост — teardown «почему классические ИИ-чат-боты ломаются в fintech» с примерами из реальных тикетов (анонимизированных) — принёс 4 inbound leads из fintech-команд за один пост. Дипак развернул его в полноценный блог и sales-deck.

Персонализированный outbound

Команда физически идёт в help-center каждой целевой компании, находит дыры, и отправляет персонализированный аутрич: «вот что у вас можно улучшить». Это даёт 7-10% reply rate — в разы выше cold email-индустрии.

Сетевые связи YC и Uber alumni

При запуске Fini обратились к сети YC и Uber alumni. Не «пробуйте наш продукт», а «можем мы решить эту проблему для вас?». Сначала продукта не было — был вопрос. Первые $500 пришли через 9 месяцев. От 1 клиента до 10 — снежный ком через referrals.

Build in public

Команда открыто пишет про путь, уроки, провалы. Это создаёт доверие, привлекает свою аудиторию и компонит momentum.

Pricing

Enterprise SaaS — конкретные тарифы не раскрываются. Первый клиент платил $500/мес, сейчас средний чек явно в разы выше (190K MRR / небольшое количество enterprise-клиентов = десятки тысяч за клиента в месяц).

5 уроков из кейса

1. Sit with users, don’t ship features. 6 месяцев напрасной разработки vs 4 недели внутри саппорт-команды клиента. Урок: не угадывай, что нужно — сядь рядом с теми, кому это нужно.
2. Start narrow, go deep. «Не нужны 1000 пользователей. Нужны 10, которые рассердятся, если ты завтра закроешь продукт». Узкий focus на сильной любви первых клиентов даёт основу для дальнейшего скейла.
3. Sell before you scale. «Не жди полировки продукта. Продавай, как только можешь дать ценность — даже если за кулисами всё делается вручную». Первый клиент Fini — $500 и ручная настройка промптов под него.
4. Founder content в LinkedIn ≠ маркетинг. Когда продаёшь enterprise CX-лидерам, доверие к founder важнее, чем landing page. Дипак строит личный бренд через уроки и кейсы. Один teardown-пост = 4 inbound leads.
5. Customer-led roadmap. Weekly support-calls с клиентами — не для продаж, для обучения. Это даёт направление продукту лучше, чем любой investor pitch.

Главная мысль: в 2026 году enterprise ИИ-стартапы выигрывают не за счёт самой большой модели, а за счёт самого глубокого понимания клиента. Fini AI прошёл путь от $0 до $2.28M в год именно потому, что после 6 месяцев напрасной разработки команда сделала противоположное от классического стартап-пути — физически сели внутри клиентского саппорта. Из этого родилась RAGless архитектура, которая теперь обрабатывает 500K тикетов в месяц с 98% accuracy.