> ## Content Index
> Fetch the complete content index at: https://eclibra.com/llms.txt
> Use this file to discover other available public pages before exploring further.

# Delphina собрала $15 млн: AI-аналитика упирается в контекст, а не в модель
- URL: https://eclibra.com/delphina-ai-analytics-context-2026/
- Published: 2026-11-18T03:08:35.000Z
- Updated: 2026-11-18T03:08:36.000Z
- Description: Delphina привлекла $7,5 млн, всего $15 млн, и выпустила Context Factory — фабрику контекста для AI-аналитики. Основатели из Uber строят ставку на скучную работу: определения метрик, владельцев таблиц и регрессионные тесты. Главный риск — экономика сопровождения.
- Author: Eclibra
- Tags: Инсайты, #mode-7, #hook-character, #track-E, #layout-interview-voice

Джереми Херманн любит объяснять проблему через Uber. Там он строил Michelangelo — платформу машинного обучения, на которой выросли сотни моделей. Доступ к данным был у всех, включая гендиректора. Цена этой прямоты — армия дата-инженеров, которая не давала системе развалиться.

В 2026 году Херманн продаёт то, что раньше держалось на людях. Его компания Delphina 12 ноября объявила о $7,5 млн нового финансирования: всего $15 млн. Раунд совместно вели Radical Ventures и Costanoa, участвовали Tenacity Capital, Фей-Фей Ли, нобелевский лауреат Гвидо Имбенс и ранние сотрудники Anthropic и OpenAI.

Формально это история про AI-аналитику. По сути — про скучную часть: кто и как поддерживает знание о бизнесе, без которого любой ответ модели бесполезен.

Скучное здесь важнее умного. Модели уже достаточно хороши, чтобы задавать вопросы к данным. Не хватает другой инфраструктуры — доверенных таблиц, определений метрик и того, что опытные аналитики знают, но никогда не записывали.

## Что именно продаёт Delphina

Context Factory (фабрика контекста) — не чат поверх хранилища. Продукт читает проекты dbt, дашборды, документы и журналы запросов, собирает рабочую базу знаний за часы и дальше поддерживает её в актуальном состоянии.

Когда сотрудник задаёт вопрос, на который в базе нет ответа, агент ищет владельца таблицы, уточняет определение в Slack и просит подтверждение. После одобрения определение публикуется, ответ пересчитывается, а исправление сохраняется как регрессионный тест.

---

## Фабрика контекста внутри

Технически это ближе к компилятору знаний, чем к BI-дашборду. Delphina держит версионируемую базу определений, которая принадлежит клиенту. Агенты перечитывают источники, когда те меняются. Спорные изменения они не применяют сами — отправляют доменному эксперту.

Для крупных клиентов обещаны отдельный контур данных, доступ только на чтение под каждым пользователем и изолированная среда выполнения. Python и DuckDB работают в микро-VM Firecracker без выхода в интернет. Запросы, промпты и ссылки на знания логируются и выгружаются.

Это не мелочи. Если агент меняет определение выручки, ошибка живёт в отчётах месяцами. Ставка на «агент поправит сам», без человека-владельца, выглядит опасной. Delphina это признаёт: человек утверждает, агент ищет и поддерживает.

> «В Uber все, включая гендиректора, работали с данными руками. Это давало преимущество, но требовало армии дата-инженеров, чтобы не превратиться в хаос. Context Factory даёт каждой компании такое же преимущество. Агенты делают тяжёлую работу, а дата-команды становятся капитанами знаний».— Джереми Херманн, гендиректор и соучредитель Delphina

Херманн не первый раз продаёт инфраструктуру. Tecton, его предыдущая компания, строила хранилище признаков для моделей и была куплена Databricks. Гилкрайст руководил глобальной наукой о данных в ценообразовании Uber. Оба пришли из среды, где данные были продуктом, а не отчётом.

## Покупатель сменился

Самый интересный показатель в релизе — не сумма. Delphina утверждает, что 73% вопросов на платформе задают бизнес-команды, а у более половины клиентов гендиректор — активный пользователь. В Substack продуктом пользуются больше 70% сотрудников, включая гендиректора Криса Беста.

Среди клиентов — LATAM Airlines, Gen Digital, Upstart, Udemy, Medely, Coursera, BaseCamp Franchising.

Если это правда, меняется не интерфейс, а бюджет. Аналитика перестаёт быть инструментом дата-команды и становится операционной функцией: вопрос про маржу задаёт не аналитик, а операционный директор. Продавать такую систему проще гендиректору, чем руководителю BI. И сложнее — потому что цена ошибки выше.

🎯

**Три вывода**  
  
Узкое место AI-аналитики — не модель, а поддерживаемый контекст: определения, владельцы, история изменений.  
  
Delphina продаёт не дашборд, а операционную роль: агенты ищут и обновляют, люди утверждают.  
  
Главный риск — экономика сопровождения. Контекст стареет быстрее, чем его успевают продавать. 

> «Теперь команды получают точные ответы за секунды вместо недель в очереди. Это изменило то, как мы принимаем решения».— Крис Бест, гендиректор Substack

## Где модель ломается

Раунд $7,5 млн при общей сумме $15 млн — мало для категории, где рядом стоят Snowflake, Databricks и Microsoft. У них уже есть каталоги, семантические слои и агенты. Преимущество Delphina — не технология, а фокус: компания продаёт сопровождение контекста как продукт, а не как настройку.

И здесь начинается неприятная часть. Поддержание контекста похоже на консалтинг, который упаковали в софт. Агенты снижают стоимость поиска, но не отменяют необходимость решений: кто владеет метрикой, какое определение считать каноническим, что делать с конфликтом между двумя отчётами.

Компания приводит 73% и 70% как доказательство внедрения. Это метрики использования, а не качества ответов. Сколько определений пришлось исправить? Сколько вопросов осталось без ответа? Публичных данных нет.

Как мы писали в ноябре, 98% компаний внедряют ИИ, но широкую отдачу видят 28%. [Тот разбор](https://eclibra.com/ai-roi-data-readiness-2026/) показывал: разрыв между пилотом и эффектом чаще всего объясняют данными и процессами. Delphina ставит на то же место, только называет его контекстом.

> «Большинство компаний одержимы данными, но так и не начинают управлять бизнесом по данным. Когда каждый может получить достоверный ответ, у каждого появляются вопросы. Операционные команды, продажи, маркетинг и финансы — самые тяжёлые пользователи Delphina, и они возвращаются».— Дункан Гилкрайст, президент и соучредитель Delphina

⚠️

**Что проверить до пилота**  
  
Кто владеет определением метрики после внедрения.  
  
Сколько исправлений агент вносит без человека.  
  
Как считается цена за поддержание базы, а не за рабочее место.  
  
Что происходит, когда два отчёта дают разные цифры. 

## Сколько стоит поддерживать правду

В релизе нет ни слова о цене. Это не случайность: у продукта, который продаёт сопровождение, прайс-лист выдаёт больше, чем любая презентация. Delphina не публикует ни стоимость места, ни стоимость подключения источника, ни тариф за объём обновлений. Пока нет цифр, рынок будет сравнивать её с тем, что уже стоит в бюджете: лицензией BI-платформы, ставкой аналитика и часами дата-инженера.

Логика категории подсказывает, где пройдёт граница. Семантический слой в dbt или в модели LookML продаётся как настройка: один раз описали метрики, дальше платите за рабочие места. Context Factory устроена иначе — она берёт на себя обязанность, а не инструмент. Обязанность измеряется не числом пользователей, а числом изменений: новые таблицы, переименованные колонки, смена владельца, спор о том, что считать выручкой.

Отсюда следует неприятный для покупателя вывод. Чем успешнее внедрение, тем больше вопросов задают сотрудники, тем больше появляется пробелов в базе и тем дороже сопровождение. Рост использования и рост затрат оказываются одной и той же кривой. Для вендора это хорошая новость, для бюджета — не очень.

Сравнение с консалтингом напрашивается, но работает только до определённого предела. Консультант уходит, оставляя документ. Здесь документ живёт и требует, чтобы кто-то отвечал на вопросы агента. Delphina обещает снизить эту нагрузку за счёт автоматического поиска владельцев и подтверждения в Slack. Проверить обещание можно только одним способом: посчитать, сколько раз за квартал человек нажимал «подтвердить».

Поэтому главный вопрос к компании звучит скучно: сколько стоит один исправленный пробел. Если ответ ниже стоимости часа аналитика, продукт масштабируется. Если выше — он останется инструментом для тех, у кого аналитики дороже.

## Ставка на операционную функцию

Delphina не пытается выиграть гонку моделей. Она ставит на то, что доверие к цифрам — это инфраструктурная работа, которую кто-то должен делать каждый день.

Если бизнес-пользователи действительно готовы платить за поддерживаемый контекст, категория появится не рядом с BI, а внутри операционного контура компании. Если нет — Context Factory останется умным слоем, который продают дата-командам, а гендиректор будет заходить раз в квартал.

Исход решит не демо. Его решит счёт за сопровождение.

[ Delphina привлекла $7,5 млн: Context Factory и доверенная AI-аналитика Первичный релиз компании: сумма раунда, инвесторы, цитаты основателей и показатели использования платформы. PR Newswire / Delphina Inc. ](https://www.prnewswire.com/news-releases/delphina-brings-total-funding-to-15m-to-take-trusted-ai-analytics-from-the-data-team-to-the-ceos-office-302937371.html?ref=eclibra.com) 

Основной источник цифр и формулировок компании. Все корпоративные метрики — из него, с оговоркой, что это данные Delphina.

[ Как устроена Context Factory: агенты, dbt и регрессионные тесты Разбор продукта: источники данных, цикл согласования через Slack, версионируемая база и изоляция вычислений. Unite.AI ](https://www.unite.ai/delphina-raises-7-5m-to-scale-its-ai-analytics-context-factory/?ref=eclibra.com) 

Самый плотный технический разбор на момент публикации — именно оттуда детали про dbt, Looker, Firecracker и регрессионные тесты.

[ Delphina: контекст бизнеса как продукт Отраслевой взгляд на запуск: зачем аналитике постоянно обновляемый контекст и как компания описывает свою аудиторию. Daily Research News / MrWeb ](https://www.mrweb.com/drno/news40606.htm?ref=eclibra.com) 

Полезен как независимая перепечатка цитат и метрик — снижает риск того, что формулировки существуют только в одном релизе.