Многолетний контракт — это затраты на переключение, а не скидка

Harvey

L2

Многолетняя структура контрактов Harvey — это не механизм ценообразования. Это формализация операционной реальности, на создание которой уходит 12–18 месяцев. Издержки перехода не контрактные. Они операционные. Продукт Harvey Vault (хранящий до 10,000 документов на проект) и конструктор рабочих процессов позволяют фирмам совместно создавать собственные рабочие процессы для конкретных областей практики: чек-листы комплексной проверки для M&A, шаблоны регуляторного комплаенса, пайплайны исследований для судебных процессов, документы по формированию фондов. К 2025 году на платформе Harvey работало 25,000+ кастомных агентов, генерировавших 400,000+ ежедневных агентских запросов. Каждый из этих агентов был создан конкретным клиентом или вместе с ним для обработки специфических рабочих паттернов этого клиента. Математика перехода проста: воссоздание библиотеки агентов, специфичных для отдельных областей практики, у конкурента требует месяцев времени Legal Engineer, месяцев переобучения и месяцев снижения продуктивности, пока новая библиотека достигает зрелости. При базовой цене Harvey $1,200 за юриста в месяц стоимость этого периода деградации обычно превышает годовую стоимость контракта. Ни один рациональный финансовый комитет юридической фирмы не одобрит переход, когда проведет этот расчет. Harvey структурирует многолетние предложения с ежегодными повышениями цены на 3–8% — достаточно разумными, чтобы не вызвать сопротивления, но за 3-летний контракт накапливающимися в значимый рост выручки. Эскалатор предлагается как часть многолетней сделки, а не как постпролонгационный пересмотр условий. Это означает, что Harvey фиксирует повышение цен до того, как команда клиента проведет внутреннюю математику издержек перехода — в этот момент Harvey уже вообще не пришлось бы предлагать эскалатор. 98% валовое удержание, которых Harvey достигла к концу 2024 года, — это не свойство контрактных условий Harvey. Это свойство операционной глубины, встроенной в каждый аккаунт. Контракт документирует то, что уже экономически верно. Архитектурное видение платформы Weinberg делает многолетнюю динамику со временем еще более липкой: Harvey прямо строит «персистентную память на основе документов» и «мультитенантную коллаборацию между организациями» — возможности, которые еще сильнее привяжут Harvey к инфраструктуре управления делами внутри фирмы и межфирменным рабочим процессам. Каждый новый слой возможностей углубляет издержки перехода, не требуя новых переговоров.

Decagon

L3

Издержки переключения у Decagon закодированы в операционных процедурах агентов — слое бизнес-логики, который находится между AI и операциями предприятия. Каждая AOP — это документированная процедура: когда клиент спрашивает о X, сделать Y, эскалировать к Z при условии A. AOPs кодируют институциональное знание, которое обычно существует только в головах опытных руководителей поддержки: пограничные случаи, исключения, точные правила маршрутизации, отточенные на тысячах реальных взаимодействий с клиентами. Rippling развернула 75+ кастомных AOPs в 12+ продуктовых линиях. Notion провела формальный RFP с пятью поставщиками и выбрала Decagon; после развертывания AOPs Notion представляют собой операционную базу знаний, к которой нет доступа ни у одного конкурирующего поставщика. Коммерческий инсайт связан с таймингом. 4-недельная структура пилота Decagon означает, что цена фиксируется до того, как становится видна вся операционная глубина. К тому моменту, когда у клиента уже настроены 70+ AOPs и накоплены тысячи взаимодействий по тикетам, он уже подписал контракт. Предложение — «мы структурируем это как многолетнюю сделку» — имеет максимальный коммерческий эффект в момент завершения пилота, когда издержки переключения только начинают накапливаться, а не через 18 месяцев, когда они уже становятся запретительными. Фрейминг ценообразования Джесси Чжана делает многолетнюю динамику явной с другого ракурса: «Человеческий труд, как правило, примерно на порядок больше расходов на ПО». (Zhang, 20VC, September 2025.) Когда Decagon заменяет труд, она конкурирует не с бюджетом на ПО с ежегодными циклами пересмотра. Она заменяет распределение штатной численности. Решения о штате — и их откаты — не являются годовыми условиями контракта. Это структурные организационные изменения. Многолетние контракты согласуют модель выручки Decagon с организационной реальностью решения, которое она заменяет. Издержки переключения в случае Decagon — это также накопленная операционная аналитика. Каждый разговор, который проходит через платформу Decagon — разрешенный или эскалированный, — вносит вклад в специфичный для клиента набор данных о паттернах взаимодействия, успешных путях разрешения и триггерах эскалации. Конкурент, начинающий с нуля, не имел бы доступа к этой накопленной операционной аналитике. Клиент, который переключается, теряет собственную институциональную память о поведении своих клиентов, закодированную в библиотеке AOP Decagon.

Glean

L2

Издержки переключения с Glean заключены в слое разрешений — и на его создание ушло три-четыре года. Техническое защитное преимущество — не качество поиска и не интеграция с LLM. Это инфраструктура, которая в реальном времени обеспечивает точное соблюдение прав доступа каждого пользователя в 100+ корпоративных SaaS-приложениях. Когда Glean индексирует Slack, Confluence, Jira, Salesforce и GitHub, он не просто индексирует контент — он отображает иерархию разрешений так, чтобы каждый сотрудник видел ровно то, что ему разрешено видеть, и ничего сверх этого. Именно эту функцию требуют корпоративные CISO, и именно ее конкуренты без многолетних производственных внедрений не могут быстро воспроизвести. После запуска развертывания на уровне всей компании издержки переключения состоят из трех компонентов: Во-первых, переиндексация. Компании со 100+ подключенными источниками данных, 5,000+ сотрудниками и тремя годами проиндексированных организационных знаний потребовались бы месяцы инженерной работы, чтобы воспроизвести граф знаний Glean у конкурента — при условии, что конкурент вообще смог бы сопоставить 100+ коннекторов. Во-вторых, поведенческая зависимость. Пользовательский сигнал поведения — «Если я не могу найти это в Glean, значит, этого не существует» — задокументирован в собственных клиентских доказательствах Glean. При 40% DAU/MAU (в 2 раза выше отраслевого бенчмарка SaaS) и 5 запросах на пользователя в день (на уровне потребительского поиска Google) Glean перешел из категории инструмента продуктивности в категорию ежедневной рабочей зависимости. Это не издержки переключения в юридическом смысле; это издержки переключения в поведенческом смысле, которые, вероятно, преодолеть еще сложнее. В-третьих, накопление корпоративного и персонального графов. Архитектура двух графов Арвинда Джайна — корпоративный граф (общеорганизационные знания с доступом с учетом разрешений) и персональный граф (индивидуальные знания и паттерны активности каждого сотрудника) — означает, что ценность Glean со временем накапливается. Трехлетнее развертывание Glean не эквивалентно годичному развертыванию. Графы богаче, персонализация глубже, а издержки переключения пропорционально выше. Ценообразование Glean отражает это: контракты заключаются на 1–3 года, без соглашений короче года. Сегмент контрактов $1M+ вырос в 3 раза за один финансовый год. Развертывания на уровне всей компании удвоились год к году. Это экономика расширения, обусловленная операционной глубиной, а не новыми релизами функций или маркетинговыми кампаниями.

Gong

L2

История издержек перехода Gong показательна и как положительный пример, и как предостережение — потому что просадка 2023 года выявила структурный пробел в том, как эти издержки перехода были построены. Положительный пример: Gong накопила 10B+ взаимодействий в продажах по всей своей клиентской базе. Внедрение у каждого клиента создаёт уникальную институциональную запись — записанные звонки, оценочные карты коучинга, исходы сделок, поведенческие паттерны каждого менеджера. Основательское видение Амита Бендова никогда не сводилось к транскрибации; речь шла о структурированных данных из разговоров. «Видение никогда не было про транскрибацию... Я хотел что-то, что брало бы всю информацию и переводило её в структурированные данные». (Bendov, Sequoia Training Data podcast, 2025.) К 2025 году эти данные питали 18 AI-агентов, запросы Ask Anything, AI Briefers, которые давали улучшение win rate на 19%, и Gong Orchestrate — платформу для определения и выполнения GTM-плеев. У клиента Gong с 3 годами записей звонков, обученными оценочными картами коучинга и заданными GTM-плеями, закодированными в Gong Orchestrate, издержки перехода в первую очередь информационные: потерять Gong означает потерять институциональную память о том, как работала его команда продаж. Эта запись не переносится в Salesforce, HubSpot или любой CRM, которая теоретически могла бы заменить функциональность Gong. Предостережение: первоначальная структура контрактов Gong была годовой и seat-based. Когда в 2023 году найм в продажах по SaaS заморозился, NDR снизился с ~140% до ~16% YoY роста — не потому, что клиенты уходили, а потому, что их команды сокращались. Модель оплаты за места привязала выручку Gong к решениям клиента по численности персонала, а не к ценности, которую Gong создавала. Многолетние контракты с компонентами, основанными на ценности, — а не только по лицензиям — частично защитили бы Gong от этого структурного риска. Публичное обязательство Бендова к 2025 году: «Мы будем переходить к модели, основанной на ценности. Сегодня мы в основном работаем по модели оплаты за места... если AI экономит 70 процентов времени продавца, а вы берёте плату за место, вы по сути отдаёте большую часть ценности бесплатно». Урок: многолетние контракты, которые фиксируют и временную привязку, и ценообразование на основе ценности, защищают от того, что издержки перехода будут подорваны внешними факторами (заморозка найма, организационная реструктуризация), которые не находятся под контролем клиента.