MotherDuck вкладывает $100M в конвейеры на базе агентов по 60 центов в час

MotherDuck устанавливает цену на агентную загрузку данных примерно в 60 центов за час работы, и генеральный директор компании открыто признаёт, что цена не рассчитана на получение прибыли. Это ключевая цифра, на которую стоит ориентироваться: платная функция, намеренно позиционируемая как убыточный лидер против действующих ELT-вендоров, чьё ценообразование по числу мест и объёму строк регулярно оказывается на порядки выше на сопоставимых нагрузках. За 18 месяцев на рынке у компании появилось 850 платящих клиентов, и в запасе — 100 миллионов долларов, чтобы выдержать эту ставку.

Что произошло

10 июня 2026 года MotherDuck представил Flights — функцию, позволяющую пользователям создавать и управлять рабочими процессами загрузки данных с помощью AI-ассистентов на естественном языке. Как сообщил SiliconANGLE, функция позволяет агентам, включая ChatGPT, Claude и Gemini, создавать, планировать и управлять пайплайнами внутри среды выполнения Python, и поставляется с интеграцией Model Context Protocol (MCP).

Flights — вторая AI-нативная функция, которую MotherDuck запустил в 2026 году. Ранее в этом году компания выпустила Dives, использующий AI для генерации дашбордов и приложений. Вместе эти две функции описывают схлопывание стека: загрузка, трансформация и визуализация сжимаются в единый агентный рабочий процесс поверх DuckDB — встроенного аналитического движка, который часто называют «SQLite для аналитики» и который напрямую обрабатывает файлы CSV, Parquet и JSON.

Сооснователь и генеральный директор Джордан Тигани сформулировал запуск прямо: «AI пришёл в мир данных». Он утверждает, что возможность состоит в замене ручного кодирования на запросы на английском языке, и пошёл ещё дальше в своих ставках на протоколы, предположив, что MCP «может оказаться для AI таким же важным, каким были API для облачной разработки». Это сильное утверждение, и оно является стратегической предпосылкой, на которой держится вся функция.

Ценообразование основано на потреблении и начинается примерно с 60 центов в час работы. Тигани заявил, что цель — не прибыль, а снижение стоимости доставки данных в хранилище. Источник не раскрывает валовую маржу по этому почасовому тарифу и не сообщает, какое вычислительное потребление имеет «типичный» пайплайн, созданный агентом, в час — а это важно, поскольку экономика «агент решает запустить временный пайплайн» кардинально отличается от «человек создаёт один статичный DAG».

Техническая анатомия

Flights состоит из трёх слоёв, заслуживающих отдельного разбора. В основе — сам DuckDB, встроенный движок, напрямую читающий форматы файлов без отдельного серверного процесса. В середине — облако MotherDuck, которое расширяет DuckDB до управляемого хранилища с примерно 850 платящими клиентами на сегодняшний день. Сверху — новый агентный слой: среда выполнения Python, где MCP-совместимые агенты могут создавать, планировать, обновлять и отслеживать пайплайны через MCP-сервер MotherDuck.

MCP важен здесь тем, что стандартизирует процесс, с помощью которого внешний агент обнаруживает и вызывает возможности внутри системы вендора. Без него каждый вендор предоставлял бы собственную схему вызова функций для ChatGPT, другую — для Claude, ещё одну — для Gemini. С ним MotherDuck один раз открывает инструменты пайплайна, и любой MCP-совместимый агент может ими управлять. Аналогия Тигани с API — правильный фрейм: REST не позволил ни одному облачному вендору победить в одиночку, но сделал облачную эпоху возможной, сократив стоимость интеграции N×M до N+M. Если MCP устоит, то же сжатие применится к интеграции агент-система.

Архитектурное следствие, на которое указал Тигани, более интересно. Пайплайны, созданные людьми, тяжеловесны и статичны, потому что люди амортизируют стоимость их создания на месяцы повторного использования. Пайплайны, созданные агентами, в его трактовке — дешёвые, одноразовые и исследовательские: запускаются, чтобы ответить на один вопрос, и выбрасываются. Это меняет профиль нагрузки, которую должно обслуживать хранилище. Вместо нескольких сотен хорошо настроенных DAG, запускаемых по cron, возникает длинный хвост эфемерных, возможно избыточных и потенциально некорректных задач загрузки. Атрибуция затрат, наблюдаемость и применение квот становятся сложными задачами — а не разработка пайплайнов.

Сравните это с миром dbt, где единицей работы является версионированная, протестированная и прошедшая код-ревью модель. Предположение dbt состоит в том, что логика трансформации заслуживает строгости программной инженерии. Предположение Flights ближе к противоположному: большинство пайплайнов — это одноразовые исследования, которым не нужны эти издержки. Оба подхода могут быть верны для разных нагрузок, но вендорам придётся решить, какую сторону они оптимизируют. Пока неизвестно, как Flights обрабатывает lineage, дрейф схем или дедупликацию повторяющихся задач, и источник об этом не говорит, поэтому верхняя граница «агентного хаоса» в публичных материалах пока не ограничена.

Кто пострадает

Наиболее уязвимая категория — ELT для среднего рынка. В статье прямо упоминаются Fivetran, Estuary и dbt как инструменты, которые клиенты сейчас комбинируют с ручной настройкой для решения той же задачи, на которую нацелен Flights. Ни один из трёх не погибнет из-за одной функции MotherDuck, но ценовой сигнал важен: 60 центов в час при публичном заявлении генерального директора о том, что цель — не прибыль, — это намеренный удар по моделям ценообразования на основе объёма строк и каталогов коннекторов. Если агент может написать скрипт загрузки на Python против API CRM и запланировать его менее чем за доллар в час, покупатель перестаёт задаваться вопросом «у кого самый большой каталог коннекторов» и начинает думать «зачем я вообще плачу за каждую строку».

Вторая уязвимая группа — небольшие и средние команды данных, построившие свои стеки вокруг DuckDB именно потому, что он лёгкий. Это установленная база MotherDuck, и именно эта когорта с наибольшей вероятностью считает контракт с Fivetran болезненным на фоне своего аналитического бюджета. Для них Flights является реальным заменителем значительной части существующего стека — при условии, что код, генерируемый агентом, достаточно хорош. Эта оговорка несёт большую нагрузку. Источник не приводит никаких данных о надёжности агентных пайплайнов в сравнении с написанными вручную.

Менее очевидная уязвимость касается Snowflake и Databricks на нижнем конце рынка. Ни один из них не находится под угрозой на корпоративных аккаунтах. Обоим стоит следить за когортой из 850 клиентов, растущей до нагрузок среднего рынка на хранилище, которое устанавливает цену на загрузку как на практически бесплатную активность. Если Flights существенно поднимет число платящих клиентов MotherDuck выше 850 за следующие четыре квартала — вот показатель, за которым стоит следить. Если нет — ценовой эксперимент провалился, и тезис об агентной загрузке данных получит удар по доверию во всей категории.

Стратегия для команд данных

Если вы управляете аналитической инфраструктурой, в этом квартале стоит предпринять три действия — независимо от того, будете ли вы внедрять Flights.

Во-первых, проведите аудит: какая доля ваших существующих пайплайнов действительно переиспользуется, а какая — одноразовые исследования, попавшие в продакшн потому, что не было дешёвого способа от них избавиться. Это соотношение покажет, какая часть ваших ELT-расходов структурно уязвима перед агентными рабочими процессами. Командам, у которых в «одноразовой» корзине окажется 40% и более, стоит уже сейчас запустить пилот с Flights или аналогом.

Во-вторых, начните относиться к поддержке MCP-сервера как к обязательному пункту при закупках. Если ставка Тигани верна, каждый инструмент для работы с данными, который вы купите в 2026 и 2027 годах, должен иметь полноценный MCP-интерфейс, иначе он станет невидимым для агентов, которых ваши аналитики уже используют. Запросите у вендоров их дорожную карту по MCP в письменном виде.

В-третьих, создайте ограничения до того, как агенты придут. Бюджеты времени выполнения на пользователя, обязательная маркировка пайплайнов, автоматическое завершение задач, простаивающих более N часов, и захват lineage для каждого артефакта, сгенерированного агентом. Сценарий провала агентной загрузки — это не плохой пайплайн, а тысяча избыточных пайплайнов, которыми никто не владеет. Если этот тренд разовьётся так, как описывает Тигани, в течение 12 месяцев мы должны увидеть хотя бы один публичный разбор полётов от команды, которая позволила задачам, запущенным агентами, работать бесконтрольно и израсходовала квартальный бюджет на вычисления.

Ключевые выводы

• MotherDuck запустил Flights 10 июня 2026 года, установив цену на агентную загрузку данных примерно в 60 центов в час работы — явно не как источник прибыли.
• Flights поставляется с интеграцией MCP, позволяя ChatGPT, Claude и Gemini создавать, планировать и отслеживать пайплайны через стандартный протокол, а не через проприетарные решения вендора.
• В сочетании с Dives, запущенным ранее в 2026 году, MotherDuck объединяет загрузку, аналитику и визуализацию в единый агентный стек поверх DuckDB.
• Наибольшее конкурентное давление испытывают ELT-вендоры среднего рынка, упомянутые в источнике: Fivetran, Estuary и рабочие процессы трансформации на базе dbt.
• Открытый вопрос с проверяемым критерием: если Flights работает, число платящих клиентов MotherDuck должно существенно превысить 850 в течение четырёх кварталов; если нет — тезис о ценообразовании как убыточном лидере публично провалится.