Blog

Разговоры о миллионах на вайбкодинге звучат отовсюду: миллион за 17 дней, миллион к октябрю, миллион с одного промпта. Я решил провести проверку: сколько проектов действительно преодолели порог в $100 000 месячной выручки или $1 000 000 общего дохода (включая сумму экзита). Картина оказалась куда скромнее, чем ожидалось. Если исключить проекты, чей продукт сам по себе является AI-решением, остаётся крайне мало стартапов, основанных именно на вайбкодинге.

В этом анализе я не смешиваю понятия ARR (годовая регулярная выручка) и фактическую выручку. ARR — это проекция текущего месяца, умноженная на двенадцать, а не заработанные деньги. Там, где источник указывает ARR, я это отмечаю и отдельно пересчитываю месячную выручку. Порядок проектов в таблице ниже определяется не размером выручки, а надёжностью подтверждения финансовых показателей.

Проекты, преодолевшие порог $100 000/месяц или $1 млн общего дохода

Список включает проекты с публичными отчётами о выручке от $100 000 в месяц или совокупным доходом от $1 000 000.

1. Medvi: $401 млн за первый год

   Телемедицина, специализирующаяся на препаратах GLP-1 для снижения веса. Основатель Мэттью Галлахер запустил проект в сентябре 2024 года с вложениями около $20 000. По данным публикаций, первый год принёс $401 млн выручки, около 250 000 клиентов и $65 млн прибыли при марже в 16%. Штат: два человека (сам Галлахер и его брат Эллиот), остальное — подрядчики.

   • Вайбкодинг: Код, сайт и агенты писались с помощью Claude, Grok и ChatGPT. Визуал для рекламы — Midjourney и Runway. Обзвон клиентов — ElevenLabs.
   • Суть бизнеса: Основная часть бизнеса — врачи, аптека, выписка рецептов и юридическая обвязка — вынесена на аутсорс через CareValidate, OpenLoop Health и LegalZoom. Галлахер сосредоточился на сборке и трафике.

2. Base44: продажа за $80 млн

   конструктор приложений по текстовому описанию, созданный Маором Шломо. Запущен в начале 2025 года. В мае компания показала $189 000 прибыли за месяц. В июне Wix объявила о покупке за $80 млн наличными. К моменту сделки у проекта было 250 000 пользователей. Шломо был единственным собственником, но на момент продажи в компании работало восемь человек, которым ушло $25 млн от суммы сделки в качестве удержания.

   • Вайбкодинг: Шломо целенаправленно строил кодовую базу так, чтобы большая её часть генерировалась моделями, и использовал маршрутизацию промптов между разными моделями. Это один из чистейших примеров, где продукт сам является вайбкодингом и построен этим же методом.
   • Подтверждение: Финансовые показатели подтверждены документом сделки, а не твитом.

3. Peec AI: $4 млн ARR (до $833 000/месяц)

   Берлинская компания, отслеживающая, как бренд представлен в AI-поиске (ChatGPT, Perplexity, Gemini). Основатель Мариус Майнерс. Первый прототип был собран на v0 от Vercel примерно за полтора дня. Продукт далее разрабатывался традиционным способом, командой. В ноябре 2025 года компания объявила о Series A на $21 млн, всего привлечено $29 млн. На тот момент у Peec AI было 1300+ подключённых компаний и ARR около $4 млн (примерно $333 000 в месяц). Позже ARR вырос до $10 млн (около $833 000 в месяц).

   • Вайбкодинг: Использовался для быстрого создания прототипа и проверки спроса, но основной продукт строился традиционно.

4. Wave AI: $7 млн ARR

   Приложение для записи, расшифровки и пересказа звука, ориентированное на обычные разговоры, а не встречи. Автор Джош Морер, бывший гендиректор Uber по Нью-Йорку, не программист. Первый рабочий прототип на Swift собрал за день, используя ChatGPT. Проект достиг $7 млн ARR при $3 млн годовой прибыли и около 4000 платных подписчиков.

   • Вайбкодинг: Прототип создан с помощью AI.
   • Особенность: Высокие расходы на доступ к лучшим моделям для обеспечения качества расшифровки, что является ключевым продуктом.

Проекты, не дотянувшие до порога, но часто упоминаемые

Эти проекты часто попадают в подборки, но их финансовые показатели не соответствуют заданному порогу.

1. Cal AI: $2 млн месячной выручки, но ярлык сомнителен

   Приложение для подсчёта калорий по фотографии еды. Авторы Зак Ядегари и Генри Лангмак. Запуск в мае 2024 года. К июлю 2025 года — 8,3 млн загрузок и, по данным CNBC Make It, около $1,4 млн валовой прибыли в месяц, а также упоминается $2 млн месячной выручки. По деньгам проходит, но по ярлыку вайбкодинга — нет. TechCrunch раскрыл, что Ядегари писал код сам, начав программировать в десять лет. Модели Anthropic и OpenAI используются только для распознавания изображений внутри продукта.

2. fly.pieter.com: $1 млн ARR, но пик $87 000/месяц

   Симулятор полётов в браузере от Питера Левелса. Базовый прототип за 30 минут. $1 млн ARR был объявлен в феврале 2025 года, через 17 дней после релиза. Пик месячной выручки — около $87 000. Монетизация: платные модели самолётов и предметы за $29,99. Метод Левелса: «один промпт — один слой». $1 млн ARR — это годовая проекция, а не заработанный миллион. Проект не достиг порога в $100 000 месячной выручки.

3. Stanley: $1 млн ARR, но не выручка

   AI-инструмент для работы с контентом, созданный Виталием Додоновым и Джоном Ху за 14 дней. Версия для LinkedIn вышла в июне 2025 года и через шесть недель показывала $200 000 ARR. Отметку в $1 млн ARR команда прошла к октябрю 2025 года. «Приложение за 14 дней» относится к первому рабочему срезу, а не к полному продукту. Основная ценность была добавлена уже после запуска. Опять же, это ARR, а не фактическая выручка.

4. Lumoo: €700 000 ARR, около €58 000/месяц

   Платформа для модных и ритейл-брендов от Хенрика Скагерлинда Фаста и Петера Тёрнгрена. Предлагает фотореалистичные визуализации и виртуальную примерку. По кейсу Lovable, за девять месяцев продукт вышел на €700 000 ARR, подключив более пятнадцати брендов. Цель — €1 млн ARR к ноябрю 2025 года. Месячная выручка около €58 000, что ниже порога. Успех проекта обусловлен отраслевыми связями основателей, а не сгенерированным интерфейсом.

5. Plinq: $456 000 ARR, около $38 000/месяц

   Приложение для проверки биографии и безопасности от Сабин Матос. Собрано полностью на Lovable. Сообщалось о 6 000 ARR, привлечено R,3 млн и более 10 000 пользователей. 6 000 ARR — это около 000 в месяц, и это в лучшей трактовке. Кейс интересен тем, что приложение собрало аудиторию раньше, чем деньги. Инвестиции пришли после появления пользователей, а не из-за генерации первой версии инструментом.

   
   

Общие выводы и ключевые факторы успеха

Анализ показывает, что успех проектов не сводится к дешёвому коду, сгенерированному AI. Есть несколько общих черт у успешных стартапов.

Масштаб команды на старте

Четыре из пяти успешных кейсов начинали с одного-двух человек. Это не столько заслуга вайбкодинга, сколько показатель того, что продукт можно собрать быстрее, чем сформировать команду.

Инфраструктура на чужих плечах

Успешные проекты активно использовали сторонние сервисы и API:

• Medvi аутсорсил врачей, аптеки и юристов.
• Wave AI использовал сторонние API для расшифровки.
• Cal AI — для распознавания и базы продуктов.
• Lumoo интегрировался в уже существующие рабочие процессы брендов.

Строить с нуля приходилось только то, чего не было на рынке.

Деньги приходят не от дешёвого кода

Ни один продукт не выиграл исключительно за счёт дешёвого или сгенерированного кода. Деньги приходили от других факторов:

• Cal AI — за счёт инфлюенсеров.
• Stanley — за счёт дистрибуции через LinkedIn.
• Medvi — за счёт подрядчиков с лицензиями.
• Wave AI — за счёт дорогого инференса (вычислений моделей).
• Plinq — за счёт аудитории, которая появилась раньше выручки.

Генерация кода сокращает путь до запуска, но не является основным источником дохода.

Метод многомодельной проверки

Почти все команды из подборки используют приём: прогонять одну задачу через несколько моделей и сверять результаты. Так Peec AI проверял спрос, Base44 маршрутизировал промпты, а Левелс собирал слои игры, меняя модель под каждую задачу. Это позволяет быстро проверять гипотезы и находить оптимальные решения. Проверить этот подход можно за вечер: возьмите свой текущий промпт и прогоните его через три разные модели, чтобы увидеть расхождения и выбрать лучший вариант.

Часто задаваемые вопросы

Какой CPM считать выгодным для теста гипотез?

Для тестирования гипотез важен не только CPM, но и скорость получения данных. Если AI-инструменты позволяют быстро генерировать креативы и запускать кампании, то даже при относительно высоком CPM, тест гипотез дешево обходится за счёт сокращения времени и трудозатрат. CPM выгодный — это тот, который даёт достаточный объём данных для принятия решения при минимальных затратах на запуск. Например, если цена за один готовый клип, сгенерированный AI, позволяет запустить 100 вариантов за тот же бюджет, что и 10 вариантов от человека, это выгодно.

Что дешевле: баннерная реклама или блогеры?

Прямое сравнение по цене сложно, так как результат разный. Баннерная реклама (сколько стоит 1 миллион показов через баннер) может быть дешевле по CPM, например, CPM дешевле 50 рублей за 1000 показов. Но блогеры обеспечивают нативную интеграцию и доверие аудитории. Для бюджетной альтернативы посевам у блогеров можно рассмотреть пакет масс-постинг цена которого будет ниже, но охват может быть менее целевым. Дешевле чем инфлюенсеры может быть только свой трафик или очень точечный таргет.

Стоит ли инвестировать в AI для создания контента?

Если цель — снижение стоимости производства контента и увеличение скорости, то стоит ли AI — однозначно да. Например, цена генерации 100 AI роликов будет в разы ниже, чем создание их вручную. Стоимость уникализации одного видео с помощью AI также значительно снижает затраты. Однако важно помнить, что цена vs результат — ключевой фактор. AI ускоряет процесс, но качественный результат всё ещё требует контроля и доработки человеком.

Как оценить стоимость AI-производства видео?

Цена за минуту AI видео с аватаром может варьироваться. Важно учитывать не только генерацию, но и сколько стоит нарезать 1 час стрима на короткие клипы с помощью AI. Это позволяет получить много контента из одного источника. Стоимость публикации 500 видео, если они сгенерированы или нарезаны AI, будет значительно ниже, чем ручная работа. Что дешевле: баннер или таргет — это вопрос эффективности, а не только цены, и AI может повысить эффективность любого канала за счёт персонализации и масштаба.

Заключение

Анализ показывает, что «миллионы на вайбкодинге» — это скорее миф, чем реальность, если рассматривать чистый доход от сгенерированного кода. Успех проектов кроется в умении быстро собрать MVP, использовать стороннюю инфраструктуру и масштабировать бизнес через эффективную дистрибуцию и работу с клиентами, а не только за счёт дешёвого кода. Юнит-экономика этих проектов держится на комплексном подходе. Перед тем как верить в очередную историю успеха, всегда требуйте скрины статистики и задавайте главный вопрос: сколько принесет денег с каждого потраченного рубля. Для тех, кто готов экспериментировать, рекомендуем попробовать разные модели на одной задаче. Используйте промокод CTRLAI для скидки 20% на любой тариф в SYNTX.AI.