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.
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 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
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.