Hebbia: $1.08M в месяц на ИИ-агенте для финансового due diligence — кейс Джорджа Сивулки

Hebbia — ИИ-платформа для парсинга финансовых документов и автоматизации knowledge work. Аналитик private equity загружает 400-страничный prospectus → Hebbia извлекает все ключевые цифры, структурирует, сравнивает с предыдущими сделками. То, что аналитик делал часы — теперь минуты. $1.08M выручки в месяц ($13M ARR), 15x рост за 18 месяцев, оценка $700M, прибыльно, запущено в 2020 году.

Главное в кейсе — Джордж Сивулка взял самый «премиальный» сегмент для ИИ-агентов (Wall Street) и выиграл его до того, как туда пришли OpenAI и Anthropic с продуктами для финансов. 33% топ-50 asset managers уже клиенты Hebbia.

Кто такой Джордж Сивулка

Из Стейтен-Айленда, Нью-Йорк. Закончил Stanford по математике за 2.5 года. Начал PhD по computational neuroscience. На пути к Hebbia — нетипичный профиль: не инженер из FAANG, а академик с глубоким пониманием LLM на исследовательском уровне.

В 23 года ушёл из PhD, основал Hebbia. Жил в кладовке, работал по 16 часов — классическая bootstrap-история, которая потом превратилась в a16z-фавориита.

Какую проблему решает Hebbia

В private equity и asset management аналитики читают сотни страниц документов для одной сделки:

• 400-страничный DEFM14A (бумаги по M&A)
• Prospectus IPO
• Финансовые отчёты компаний
• Юридические соглашения

Извлечь нужные цифры — covenant’ы, EBITDA-разбивки, debt structure — занимает часы рутины. Талантливые аналитики из Stanford и Wharton тратят дни на копипаст.

Hebbia решает это:

• Загружаешь PDF
• ИИ-агент находит все нужные показатели
• Структурирует в таблицы
• Сравнивает с историческими сделками
• Аналитик получает готовый материал за минуты

В нише, где 1 час времени managing director стоит $1000+, экономия часов = огромный ROI.

Как родилась идея

Джордж учился в Stanford, его одноклассники шли в Morgan Stanley и Goldman Sachs. Видел, как самые умные люди тратят время на рутинные задачи: парсинг документов, сборка excel-моделей, ручной поиск данных.

Тогда же увлёкся LLM (это был 2020 — до ChatGPT). Понял: LLM могут забрать эту рутину. Сделал прототип, дал друзьям в Morgan Stanley → они копировали код коллегам, продукт распространялся виральным образом ещё до формального запуска.

Это product-market signal: если юзеры сами шарят твой продукт без твоей просьбы — пора строить компанию.

Как собрал MVP

18 месяцев на первую рабочую версию. Подход — research-driven:

• Open-source LLM-модели + собственная архитектура retrieval
• Iteration на конкретных типах документов (DEFM14A был первым)
• Прямой фидбек от аналитиков-друзей

Стек проприетарный — Hebbia не выкладывает детали. Известно, что используют frontier LLM-модели + собственный neural retrieval для поиска по большим документам.

Стартовые расходы: $1M первого funding раунда. Дальше — Index Ventures, a16z, Google Ventures, Peter Thiel, Jerry Yang. Общий funding $160M.

Стратегия роста

Land-and-expand в private equity

Hebbia прицельно зашёл в private equity due diligence — узкий, высокобюджетный workflow. Один контракт в PE-фирме = $500K-$5M ARR.

Логика:

• Аналитик из одного фонда попробовал
• Рассказал коллегам в дружественных фондах
• Партнёры между собой обсуждают инструменты
• Через 18 месяцев — треть топ-50 asset managers клиенты

В финансах доверие важнее цены — peer-recommendation весит больше любого аутрича.

Виральное распространение через копипаст кода

В ранний период Hebbia распространялся физически: аналитик копировал код / URL коллеге в Bloomberg-чате. Это бесплатная вирусность в очень закрытой нише.

Главное условие — продукт даёт мгновенную ценность. Аналитик сэкономил 4 часа за день → автоматически делится.

Stanford-нетворк основателя

Джордж лично писал бывшим одноклассникам в Goldman, Morgan Stanley, JPM. Высокотрустовый нетворк — выпускники Stanford доверяют друг другу. Это дало доступ к decision-makers без cold-outreach.

Marquee investors = social proof

a16z, Peter Thiel, Jerry Yang — топовые имена в венчуре. Их участие в раунде открывает двери в финсектор: «если Thiel вложился — продукт серьёзный».

В консервативных индустриях бренд инвестора продаёт за тебя.

Pricing

• Tiered enterprise — от $100K/год для малых команд
• Средний крупный контракт — масштабируется по объёму юзеров и использованию
• Custom — для самых больших PE-фондов и инвестбанков

Цены высокие, но TCO (total cost of ownership) для клиента низкий: один аналитик стоит $250K/год, Hebbia экономит часы — окупается за недели.

5 уроков из кейса

1. Целься в самый дорогой workflow. Hebbia не делает «ИИ-помощника для всех» — целится в private equity due diligence, где час времени стоит $1000+. ROI обоснован сразу, цикл продажи короткий.
2. Виральность через ценность, не маркетинг. Юзеры сами распространяли Hebbia через копипаст кода коллегам. Это работает только если продукт даёт немедленную ощутимую экономию.
3. Bootstrap через invest-сеть. Джордж не делал demo-tour и cold-outreach. Использовал Stanford-нетворк для первых клиентов. Кто ты знаешь = твой первый канал.
4. Marquee investors открывают финдеры. В консервативных индустриях бренд a16z/Thiel продаёт за тебя. Если у тебя такие инвесторы — это отдельная воронка, помимо самого фандрейзинга.
5. Узкая ниша → expansion в широкую. Hebbia начал с PE due diligence, потом расширился на asset management, потом на legal, потом на general knowledge work. Узкий PMF — широкая экспансия.

Главная мысль: в ИИ-агентах побеждают не «универсальные продукты для всех», а вертикальные решения для дорогих профессий. Hebbia — образец: узкий ICP (топ-аналитики в финсекторе), высокая цена, виральный рост внутри сети. $13M ARR за 5 лет — потому что выбрали категорию, где экономия 1 часа стоит $1000+.