Cognition, компания за AI-разработчиком Devin, закрыла раунд свыше $1 млрд при оценке больше $26 млрд. Это больше чем двойной рост стоимости менее чем за девять месяцев. Деньги идут в сектор, где обещания громкие, а реальные результаты активно обсуждаются.
Контекст
Devin появился в начале 2024 года с заявкой стать первым «полностью автономным AI-разработчиком». Cognition позиционировала его не как ассистента, а как полноценного члена инженерной команды — способного самостоятельно брать задачи, писать код, тестировать и деплоить. Демо произвело эффект разорвавшейся бомбы в tech-тусовке.
Но за громким анонсом пришли трезвые оценки. Независимые тесты показали: на реальных задачах Devin справляется хуже, чем в демонстрационных роликах. SWE-bench бенчмарки, где модели решают реальные GitHub-issues, регулярно ставили его ниже конкурентов — при том, что цена подписки значительно выше. Это не убило хайп, но добавило скептиков.
Тем не менее на рынке AI coding-агентов сейчас острая конкуренция: GitHub Copilot, Cursor, Windsurf, агенты от Anthropic и Google — каждый пытается занять место в рабочем процессе разработчика. Cognition делает ставку на более радикальный тезис: не помощь человеку, а замена части команды.
Аналитика
$26 млрд — это больше, чем капитализация многих публичных технологических компаний с многолетней историей. Такая оценка при живой дискуссии о реальной ценности продукта говорит об одном: инвесторы покупают не текущий продукт, а ставку на категорию. Agentic coding — один из двух-трёх сценариев, где автономные AI-системы могут создать по-настоящему массовую ценность в горизонте трёх-пяти лет.
Происходит классический венчурный паттерн: огромные деньги идут в сектор до того, как лидер определился. Так было с облаком в 2010-х, с мобайлом в 2008–2012-х. Сейчас то же самое с AI-агентами. Cognition выгодно отличается от остальных тем, что у неё есть узнаваемый продукт с конкретным позиционированием — даже если это позиционирование пока опережает возможности.
Важный сигнал для рынка: размер раунда означает, что Cognition получает runway на несколько лет агрессивного найма и R&D. Это гонка за качество модели, глубину интеграций и корпоративные продажи — а не за вирусные демо. Для конкурентов это давление: либо быстро наращивать реальные capabilities, либо соглашаться на роль нишевого инструмента.
Кейсы применения в бизнесе
B2B-SaaS стартап (5–20 инженеров): Вместо найма junior-разработчика — попробовать Devin или аналогичный coding-агент на конкретных задачах: миграция компонентов, написание тестов, рефакторинг legacy-кода. Ожидаемый эффект — снижение нагрузки на старших разработчиков на рутинных задачах на 20–40%. Важно: оценивать не по демо, а по реальному SWE-bench-like тестированию на собственной кодовой базе до покупки подписки.
Корпорация с legacy-системами: Большие организации накопили технический долг, который дорого обслуживать руками людей. Coding-агенты здесь полезны как инструмент аудита и документирования — «опиши, что делает этот модуль» — плюс постепенная генерация unit-тестов для нетестированного кода. Это снижает риски при любой последующей модернизации.
SMB в КР/СНГ без штатного разработчика: Для небольшого бизнеса, которому нужен сайт или внутренний инструмент, но нет бюджета на аутсорс — AI coding-агенты в паре с no-code платформами могут закрыть базовые потребности. Сценарий пока ограничен, но быстро развивается: через год-два порог входа значительно снизится.
Кейсы в личной жизни
Разработчик-фрилансер: Конкурировать не с Devin, а использовать его как субподрядчика на части задач — особенно на монотонных CRUD-операциях, написании документации, генерации boilerplate. Освобождает время для архитектурных решений и общения с клиентом, что реально повышает часовую ставку.
Студент CS или начинающий разработчик: AI coding-агенты — лучший инструмент для понимания незнакомых кодовых баз. Попросить агента объяснить, как работает конкретный репозиторий, провести по коду, описать паттерны — быстрее, чем читать документацию. Это не замена обучению, но резко ускоряет онбординг в новые технологии.
Контент-мейкер или маркетолог с базовыми знаниями кода: Автоматизировать мелкие скрипты — парсинг данных, форматирование таблиц, генерация отчётов — без помощи разработчика. Claude, GPT или Copilot в паре с объяснением задачи на русском языке уже сегодня позволяют написать рабочий Python-скрипт без глубоких знаний синтаксиса.
Как применить сегодня
- Составьте список из 5–10 задач разработки, которые занимают время вашей команды, но не требуют архитектурных решений — именно туда сначала пускать coding-агентов.
- Протестируйте Cursor или GitHub Copilot (оба доступны с бесплатным триалом) на реальном коде вашего проекта — это даст честный benchmark до рассмотрения более дорогих решений.
- Следите за SWE-bench leaderboard — публичный рейтинг качества coding-агентов на реальных задачах. Лучший способ отделить маркетинг от реального прогресса.
- Если вы в роли разработчика: начните с задачи написания тестов для уже существующего кода — это наименее рискованный сценарий применения агентов с быстро измеримым результатом.
- При оценке любого coding-агента для бизнеса: требуйте не демо от вендора, а доступ к тестовому периоду на вашей собственной кодовой базе.