تصور کنید صاحب یک کسبوکار کوچک هستید که وبسایتی دارد، اما هیچ کسی از آن بازدید نمیکند. در دنیای امروز، داشتن یک ویترین دیجیتال کافی نیست؛ آنچه شما را نجات میدهد، جریان مداوم مشتریان است.
بسیاری از ابزارهای فعلی مانند معماران دیجیتال عمل میکنند؛ آنها میتوانند در عرض چند ثانیه یک صفحه فرود (Landing Page) یا قطعهای کد تولید کنند، اما صاحب کسبوکار را در مسیر سختِ بازاریابی، تحلیل دادهها و جذب مشتری تنها میگذارند. استارتاپ Runable که در بنگالور مستقر است، روی این فرضیه شرط بسته که ارزش واقعی نه در «ساختن»، بلکه در «یافتن» مشتریانی است که از آن سایت بازدید کنند.
برای تغییر تمرکز خود به سمت رشد کسبوکار، Runable در یک دور سرمایهگذاری سری A، مبلغ ۲۱ میلیون دلار جذب کرد. این دور توسط Susquehanna Venture Capital و Nexus Venture Partners رهبری شد و سرمایهگذاران قبلی یعنی Together Fund و Array VC نیز در آن مشارکت داشتند. این تامین مالی که بهصورت تمامسهامی (All-equity) و اولیه بود، ارزش شرکت را پس از سرمایهگذاری به ۶۵ میلیون دلار رسانده است.
همانطور که در تحلیلهای پیشین ما دربارهی تکامل عاملهای هوش مصنوعی اشاره کردیم، صنعت در حال حرکت از ابزارهای تکمنظوره به سمت سیستمهای جامع است. Runable دقیقاً در همین مسیر قرار دارد تا شکاف بین تولید محتوا و تبدیل کاربر به مشتری را پر کند و کل قیف فروش، از مرحله خلق تا تبدیل، را خودکار سازد.
ریشههای شرکت
این شرکت در سال ۲۰۲۵ توسط Umesh Kumar و Saksham Sarda تأسیس شد. در ابتدا، Runable به عنوان یک شرکت زیرساخت هوش مصنوعی فعالیت میکرد که تخصصش استخراج دادهها (Data Scraping) در مقیاس بزرگ از طریق فناوری مرورگر بود. این رویکرد یادآور مدل عملیاتی شرکت Exa Labs است که با مدیریت میلیاردها پرسوجوی ماهانه، استانداردهای جدیدی را برای جستوجوی عاملمحور تعریف کرده است. اما بنیانگذاران متوجه الگوی عجیبی شدند: کاربران فقط به دنبال استخراج داده نبودند، بلکه از عامل (Agent) میخواستند که برای آنها مجموعههای اسلاید (Slide Decks) و وبسایت بسازد. این بینش باعث شد شرکت تغییر مسیر (Pivot) دهد و به سمت یک عامل چندمنظوره حرکت کند.
طبق مصاحبه اختصاصی با TechCrunch، این تغییر استراتژی بلافاصله نتیجه داد. Runable تنها سه هفته پس از فعال کردن سیستم پرداختها در ماه مارس، از صفر به نرخ درآمد سالانه ۲ میلیون دلار رسید. کومار اشاره کرد که کسبوکارها لزوماً به ابزارهایی مانند Codex یا Claude Code نیاز ندارند؛ بلکه آنها به «نتایج واقعی» (Real Outcomes) نیاز دارند.
موتور «رشد» (Grow Engine)
اکنون Runable قابلیتهای خود را فراتر از خلق نرمافزار، به بخشی میبرد که آن را بخش «رشد» کسبوکار مینامد. این عامل به کاربران اجازه میدهد با استفاده از دستورات متنی ساده (Natural Language Prompts)، وبسایت، اپلیکیشن و ارائهها بسازند. این سیستم برای مدیریت موارد زیر طراحی شده است:
- مدیریت کمپینهای تبلیغاتی: اجرا و بهینهسازی تبلیغات در موتورهای جستوجو و رسانههای اجتماعی. کومار این قابلیت را با جایگزینی یک آژانس بازاریابی مقایسه میکند که ممکن است برای اجرای گوگلادز (Google Ads) مبلغ ۱۰,۰۰۰ دلار هزینه بگیرد.
- سئو و دیده شدن: مدیریت بهینهسازی موتورهای جستوجو (SEO) و بهینهسازی حضور یک کسبوکار در نتایج چتباتهای هوش مصنوعی.
- توزیع محتوا: ایجاد ارائهها و ترویج کسبوکارها در جستوجوها، شبکههای اجتماعی و چتباتهای هوش مصنوعی.
- زیرساخت: مدیریت داخلی استقرار (Deployment) و تحلیلها (Analytics) تا کاربران مجبور نباشند چندین سرویس مختلف را به هم متصل کنند.
در حال حاضر، این پلتفرم حدود ۱.۷ میلیون کاربر ثبتنام شده دارد. اگرچه این شرکت حضور جهانی دارد و کاربرانی در برزیل دارد، اما تمرکز شدیدی بر بازارهای آمریکا، انگلیس و ژاپن گذاشته است. کومار پیشبینی میکند که ژاپن در کنار آمریکا، از ماه آینده به یکی از برترین بازارهای این شرکت تبدیل شود.
هزینه مقیاسپذیری
این رشد سریع با اصطکاکهای مالی همراه بوده است. کومار اعتراف کرد که Runable در حال حاضر با حاشیه سود ناخالص منفی فعالیت میکند، زیرا استارتاپ هزینههای استفاده از هوش مصنوعی را برای مشتریان خود سوبسید (حمایت مالی) میکند. برای مقابله با این مشکل، تیم ۱۵ نفرهی شرکت در حال کار با ترکیبی از مدلها است و حتی در حال توسعه مدلهای اختصاصی خود است تا وابستگی به APIهای گرانقیمت شخص ثالث کاهش یابد. این چالش مالی، دغدغه مشترکی با استارتاپ Keenable است که با جذب سرمایه تلاش میکند هزینههای API را برای عاملهای هوش مصنوعی کاهش دهد.
دادههای مربوط به میزان استفاده، ابعاد این چالش را نشان میدهد: کاربران در ۹۰ روز گذشته بیش از ۱ تریلیون توکن (Token) مصرف کردهاند. حدود ۶۰ تا ۷۰ درصد از این حجم توسط مشتریان پرداختکننده ایجاد شده است. کومار معتقد است که کاهش هزینههای استنتاج (Inference) — که احتمالاً در آینده ۱۰ برابر کمتر خواهد شد — در نهایت اقتصاد این مدل را پایدار میکند.
خندق رقابتی
شرکت Runable در میدانی شلوغ رقابت میکند. رقبای آن غولهای هوش مصنوعی مانند Anthropic و OpenAI و همچنین پلتفرمهای متمرکز بر کدنویسی مانند Cursor، Lovable و Replit هستند. علاوه بر این، عاملهای چندمنظوره مانند Manus و Genspark نیز رقبای مستقیم آن به شمار میروند.
در یک تست عملی توسط TechCrunch، از این عامل خواسته شد تا یک سایت فرضی برای اشتراک قهوه بسازد، تحلیلها را راهاندازی کند و با بودجه ۲۵ دلار، ۱۰۰ بازدیدکننده جذب کند. Runable در بخش مدیریت زیرساخت، با ساخت و استقرار داخلی سایت، از Cursor پیشی گرفت. با این حال، هر دو ابزار در بخش تبلیغات به بنبست رسیدند؛ زیرا Runable برای هزینه کردن بودجه، به یک حساب تبلیغاتی خارجی نیاز داشت.
با این حال، Runable به وجود یک «ورود نرم» (Soft Wedge) از طریق مشارکتهایی اشاره کرد که به آن اجازه میدهد تبلیغات را در ChatGPT اجرا کند بدون اینکه مشتریان نیاز به متصل کردن حسابهای شخصی خود داشته باشند، هرچند نام این شرکای تجاری را فاش نکرد.
هدفگذاری برای افراد غیرفنی
کومار تاکید کرد که Runable سعی نمیکند ابزارهای کدنویسی را در بازی خودشان شکست دهد. برای توسعهدهندگانی که با فایلهای محلی کار میکنند یا کد مینویسند، ابزارهایی مانند Codex گوگل یا Claude Code شرکت Anthropic گزینه بهتری هستند. در عوض، Runable صاحبان کسبوکارهای کوچک غیرفنی را هدف قرار داده است؛ کسانی که نمیخواهند ابزارهای پیچیده مورد نیاز برای تبدیل یک محصول هوش مصنوعی به یک کسبوکار فعال را پیکربندی کنند.
برای این کاربران، هدف سادگی است. به جای پیکربندی دهها ابزار مختلف، کاربر میتواند به سادگی از Runable بخواهد که «تعداد مشخصی مشتری جذب کند».
این تغییر رویکرد، نشاندهنده گذاری از «هوش مصنوعی بهعنوان ابزار» به «هوش مصنوعی بهعنوان اپراتور» است. با تمرکز بر نتایج (Outcomes) — مانند درآمد و جذب لید (Lead Generation) — به جای خروجیها (Outputs) — مانند کد و متن — شرکت Runable در تلاش است تا نقش آژانسهای دیجیتال مارکتینگ را به یک کالای ارزان و در دسترس تبدیل کند.
گام بعدی شما
- اگر صاحب کسبوکار هستید، بررسی کنید که آیا ابزارهای عاملمحور میتوانند جایگزین هزینههای ماهانه آژانسهای سئو شوند یا خیر.
- برای توسعهدهندگان، رصد مدلهای اختصاصی Runable برای کاهش هزینه استنتاج (Inference) — لحظهای که مدل واقعاً جواب تولید میکند — یک درس مهم در مدیریت هزینههای مقیاسپذیر است.
- تفاوت بین خروجی (کد) و نتیجه (درآمد) را در استراتژی محصول خود لحاظ کنید.
اما چالش واقعی، مدیریت هزینههای سختافزاری در این مقیاس است؛ برای درک بهتر این فشار، تحلیل ما درباره تراشههای Blackwell را بخوانید.
گفتگو