Что такое unit-экономика в ИИ и почему она определяет результат инвестиций
Unit-экономика отвечает на простой вопрос: сколько компания зарабатывает и тратит на каждую отдельную единицу продукта — запрос, пользователя, транзакцию или подписку. Например, в классическом SaaS эта единица обходится дешево. Поскольку дополнительный пользователь практически не увеличивает расходы компании, валовая маржа традиционно держится в диапазоне 75–85%. В AI-продуктах всё иначе, поскольку каждая единица потребления требует реальных вычислений в момент запроса.
Себестоимость AI-продукта состоит из нескольких слоёв, и каждый из них имеет значение для оценки компании.
- Инференс — это стоимость самого момента генерации ответа моделью: вычислительные ресурсы, которые затрачиваются каждый раз, когда пользователь отправляет запрос. В отличие от обучения модели, которое происходит один раз, инференс масштабируется вместе с каждым новым клиентом и каждым новым запросом, поэтому он представляет собой переменные затраты, а не разовые капиталовложения.
- Облако и GPU-мощности — компании либо арендуют вычислительные ресурсы у гиперскалеров, либо инвестируют в собственную инфраструктуру. Оба варианта дорогостоящи: аренда привязывает маржу к ценам поставщика, а собственные кластеры требуют капитальных затрат, которые трудно оправдать без гарантированного объема нагрузки.
- Human-in-the-loop — многие AI-продукты, которые продаются как «полностью автоматизированные», на самом деле полагаются на людей для разметки данных, проверки качества ответов или обработки сложных случаев, которые модель не может решить самостоятельно. Эта рабочая сила — скрытая статья расходов, о которой редко упоминают в маркетинговых материалах.
- Мониторинг качества — результаты модели непредсказуемы, поэтому компании тратят ресурсы на системы выявления предвзятости и ошибок, а также на постоянное тестирование качества ответов в производственной среде.
- Дообучение — модели устаревают, конкуренты догоняют, а поведение пользователей меняется, поэтому компания регулярно дообучает или дорабатывает модель, и каждая такая итерация — это новые затраты на вычисления и данные.
Именно поэтому вопрос «сколько стоит обслужить одного дополнительного пользователя» в сфере ИИ гораздо сложнее, чем в традиционном программном обеспечении, и именно поэтому он должен быть в центре любой инвестиционной оценки.
Важно понимать и вторую сторону этого уравнения — ценность, которую компания получает за каждую единицу потребления. В SaaS цена подписки фиксирована независимо от интенсивности использования, тогда как в AI-продуктах выручка и расходы растут параллельно с каждым запросом.
Это создает ситуацию, когда рост выручки сам по себе ничего не говорит о качестве бизнеса: компания может удвоить выручку и одновременно втрое увеличить операционные убытки, если ценообразование не успевает за фактической стоимостью обслуживания. Поэтому инвестору стоит обращать внимание не на абсолютные цифры роста, а на динамику разрыва между ценой, которую платит клиент, и затратами, которые несет компания на каждый его запрос.
Признаки пузыря в сфере ИИ
Перегрев, концентрация капитала, мультипликаторы и доля ИИ в индексах
Первый признак перегрева — концентрация капитала в небольшой группе компаний. Значительная доля всех венчурных инвестиций в технологический сектор за последние два года приходится на направление ИИ, причем львиная доля этих средств уходит в несколько лабораторий и инфраструктурных игроков, а не распределяется по широкому рынку. Это классический признак поздней стадии цикла, когда капитал гонится за нарративом, а не за диверсифицированным набором бизнес-моделей.
Второй признак — мультипликаторы выручки, которые оторвались от базовых показателей. Стартапы на ранней стадии привлекают раунды финансирования с оценками в двадцать–тридцать и более годовых выручек, тогда как исторически здоровая публичная SaaS-компания с качественным ростом торговалась в диапазоне восьми–пятнадцати. Разница объясняется ожиданиями будущего роста, но когда ожидания становятся главным активом на балансе, рынок становится уязвимым к любому разочарованию в темпах прогресса моделей.
Третий признак — доля компаний, связанных с искусственным интеллектом, в капитализации ведущих фондовых индексов. Когда небольшая группа компаний определяет большую часть прироста индекса, а их оценка опирается на ожидания в отношении технологии, которая еще не доказала стабильную прибыльность при массовом применении, рынок концентрирует риск там, где раньше была диверсификация. Это не означает, что обвал неизбежен, но уязвимость системы возросла, и любой инвестиционный тезис сегодня должен учитывать этот структурный риск, а не игнорировать его ради участия в росте.
Четвертый признак, который часто недооценивают, — скорость, с которой капитал переходит из рук в руки без паузы на проверку. Раунды закрываются за дни, а не за недели; due diligence сводится к проверке команды и технологической демонстрации, а финансовая модель компании отходит на второй план. Когда скорость сделки важнее глубины анализа, рынок системно недооценивает риски, связанные с unit-экономикой, и именно эти недооцененные риски обычно первыми всплывают во время любой коррекции.
Как отличить настоящую unit-экономику: чек-лист инвестора
Показатели здоровья бизнеса: burn multiple, валовая маржа, NRR, payback
Burn multiple — это соотношение сожженного капитала к приросту годовой выручки за определенный период. Значение ниже полутора считается сильным результатом, в диапазоне полутора–двух — приемлемым для ранней стадии, а выше трех сигнализирует, что компания покупает рост ценой, которую невозможно оправдать будущей маржой.
Валовая маржа для AI-компании — отдельная тема. Если в традиционном SaaS маржа ниже 70% вызывает вопросы, то для AI-продукта с активным инференсом приемлемым стартовым уровнем можно считать 50–60%. Тем не менее, маржа, которая годами остается отрицательной или близкой к нулю, означает проблемы с бизнес-моделью.
Net revenue retention (NRR) показывает, насколько существующие клиенты увеличивают расходы со временем. Показатель выше 120% свидетельствует о настоящем product-market fit и способности продукта глубже интегрироваться в рабочие процессы клиента, тогда как NRR ниже 100% означает, что компания теряет выручку быстрее, чем зарабатывает новую, и любой рост поддерживается исключительно новыми продажами.
Payback period — время, за которое компания окупает затраты на привлечение клиента. Для AI-продуктов, где стоимость обслуживания клиента продолжает накапливаться после подписания контракта, здоровый payback должен быть короче, чем в классическом SaaS — в идеале до 12 месяцев. Дополнительные затраты на инференс продолжают снижать маржинальность контракта на протяжении всего его срока.
Эти четыре метрики следует рассматривать в комплексе, поскольку сильный показатель в одной области часто маскирует слабость в другой. Например, компания может демонстрировать отличный NRR благодаря существующим клиентам, которые увеличивают объем использования продукта, но если каждый дополнительный запрос обходится компании дороже, чем она за него получает, рост NRR фактически ускоряет сжигание капитала, а не улучшает экономику бизнеса. Поэтому правильный подход — требовать от компании поквартальную динамику всех четырёх показателей одновременно, а не разовый «снимок» на момент презентации инвесторам.
Красные флажки: отрицательная маржа, «AI-обёртка», отсутствие data moat
Первый тревожный сигнал — стабильно отрицательная валовая маржа без четкого плана её исправления. Если компания теряет деньги на каждом дополнительном запросе пользователя и не может объяснить конкретный путь к положительной марже за счёт оптимизации модели, изменения ценовой политики или перехода на собственную инфраструктуру, рост выручки лишь ускоряет сжигание капитала.
Второй сигнал — так называемая «AI-обёртка»: продукт, который фактически представляет собой тонкий интерфейс над чужим API большой языковой модели без собственной логики, данных или технологического преимущества. Такие компании уязвимы одновременно в двух аспектах: поставщик модели может изменить цены или выпустить конкурирующую функцию бесплатно, а барьер для копирования интерфейса конкурентами минимален.
Третий сигнал — отсутствие data moat, то есть уникального массива данных или обратной связи от пользователей, который со временем улучшает продукт и который конкуренты не могут легко воспроизвести. Без этого преимущества компании опираются исключительно на маркетинг и скорость выхода на рынок, а не на структурную устойчивость бизнеса.
Зелёные флажки: собственные данные, «workflow lock-in», вертикальная специализация
Первый положительный признак — собственные проприетарные данные, собранные в результате реального использования продукта клиентами, которые невозможно купить или скопировать извне. Такие данные создают цикл, в котором каждый новый пользователь улучшает продукт для всех остальных, а конкурентам приходится догонять его годами.
Второй признак — глубокая интеграция продукта в рабочие процессы клиента, когда замена поставщика требует не просто подписания нового контракта, а перестройки внутренних процессов, обучения команды и миграции исторических данных. Такая привязка к рабочему процессу (workflow lock-in) дает компании ценообразовательную силу и предсказуемость выручки, которые напрямую конвертируются в здоровый NRR.
Третий признак — вертикальная ориентация на конкретную отрасль или функцию вместо попытки быть универсальным решением для всех. Вертикальные AI-компании лучше понимают специфику данных, регуляторные требования и болевые точки клиентов, что позволяет им создавать более высокие барьеры входа и устанавливать премиальную цену по сравнению с горизонтальными конкурентами.
Четвертый признак — прозрачность основателей в отношении структуры затрат. Команды, которые без колебаний показывают инвестору разбивку себестоимости по каждой статье и открыто обсуждают риски зависимости от поставщиков моделей, как правило, сами глубоко понимают экономику своего продукта. И наоборот — уклончивые ответы на конкретные вопросы о марже за единицу обычно означают, что основатели либо не рассчитывали эти цифры, либо рассчитывали, но результат их не устраивает.
Почему маржа в AI-компаниях ниже, чем в SaaS, и может ли это измениться?
Стоимость инференса и зависимость от гиперскейлеров и производителей чипов
Каждый запрос к AI-модели потребляет вычислительную мощность, которую нужно либо арендовать у облачного провайдера, либо запустить на собственном оборудовании, приобретенном у ограниченного круга производителей чипов. Эта зависимость ставит AI-компании в положение ценового заложника: если поставщик повышает стоимость вычислений или чипов, маржа продуктовой компании мгновенно сокращается, а возможности переложить расходы на клиента ограничены конкуренцией.
Дополнительный риск заключается в том, что доступ к самым мощным вычислительным ресурсам часто распределяется не только по цене, но и по приоритетности. Крупные лаборатории и стратегические партнеры гиперскейлеров получают гарантированные квоты. Меньшие продуктовые компании могут сталкиваться с ограничениями пропускной способности именно в моменты пикового спроса, что напрямую влияет на качество обслуживания их клиентов.
Human-in-the-loop и затраты на контроль качества ИИ
Даже самые продвинутые модели ошибаются, и чем выше цена ошибки для клиента — в финансах, медицине, юриспруденции, — тем больше человеческого контроля нужно встроить в продукт. Это означает, что часть «AI-продукта» на самом деле представляет собой сервисный бизнес, в основе которого лежат люди, а сервисные бизнесы исторически имеют более низкую маржу и хуже масштабируются, чем чистый софт.
Драйверы роста маржи: оптимизация моделей, собственные GPU-кластеры, падение стоимости токенов
В то же время существует несколько структурных факторов, способных постепенно повысить маржу ИИ-бизнесов. Во-первых, стоимость генерации токена при сопоставимом уровне качества стабильно снижается благодаря конкуренции между поставщиками моделей и совершенствованию архитектур.
Во-вторых, компании с достаточным масштабом переходят от аренды облачных мощностей к собственным или арендованным на длительный срок GPU-кластерам, что снижает предельную стоимость вычислений.
В-третьих, методы оптимизации — дистилляция моделей, кэширование ответов, маршрутизация запросов между моделями разного размера в зависимости от сложности задачи — позволяют сократить затраты на инференс без потери качества для конечного пользователя.
Компании, которые инвестируют в эти три направления одновременно, имеют реальный шанс приблизить свою маржу к показателям классического SaaS в течение нескольких лет, тогда как те, кто просто перепродает чужой API, практически лишены этого шанса.
Кто на самом деле зарабатывает на ИИ? Разбор цепочки создания стоимости
«Кирки и лопаты»: производители чипов и гиперскейлеры
История технологических пузырей повторяется в одной детали: во время золотой лихорадки больше всего денег зарабатывают не золотоискатели, а продавцы кирок и лопат. В текущем цикле ИИ эту роль выполняют производители специализированных чипов для обучения и инференса моделей, а также крупные облачные провайдеры, предоставляющие инфраструктуру для обучения и запуска моделей. Эти компании получают выручку независимо от того, какая именно прикладная ИИ-компания победит в конкретной нише — они зарабатывают на самом факте, что отрасль инвестирует в вычисления.
Далее в цепочке идут лаборатории, создающие базовые модели, — их экономика зависит от способности монетизировать исследования через API и подписки быстрее, чем они тратят на обучение следующего поколения моделей. И только на верхнем уровне цепочки находятся прикладные продуктовые компании, которые строят интерфейс, бизнес-логику и дистрибуцию поверх чужих или собственных моделей.
Именно на этом уровне unit-экономика наименее предсказуема, поскольку эти компании одновременно платят инфраструктурному уровню за вычисления и конкурируют за клиента на переполненном рынке. Для инвестора это означает практический вывод: инфраструктурный уровень исторически предлагает более низкую, но более предсказуемую прибыль, тогда как прикладной уровень предлагает более высокий потенциал доходности при значительно более высоком риске провала конкретной бизнес-модели.
Есть и промежуточный уровень цепочки, который часто упускается из виду, — компании, предоставляющие инструменты для разработки, тестирования и развертывания AI-продуктов: платформы для оркестрации моделей, системы мониторинга качества, инструменты для дообучения на собственных данных клиента. Эти компании монетизируют не саму модель и не готовый продукт, а инфраструктуру вокруг процесса построения ИИ-решений, и их экономика часто ближе к классическому B2B SaaS, поскольку они продают инструмент, а не оплачивают инференс за каждого конечного пользователя клиента.
Что будет, если «пузырь» в сфере ИИ лопнет: сценарии и защита портфеля
Дефляция против детонации: наиболее вероятные сценарии коррекции
Следует различать два принципиально разных сценария коррекции рынка. Первый — «детонация»: резкий, синхронный обвал оценок, вызванный, например, резким сокращением доступа к капиталу или технологическим разочарованием, когда темпы совершенствования моделей замедляются быстрее, чем ожидал рынок. Такой сценарий напоминает крах доткомов и приводит к массовому закрытию компаний, оказавшихся в заложниках у отрицательной маржи и отсутствия денежных резервов.
Второй, более вероятный сценарий — «медленная дефляция»: мультипликаторы постепенно снижаются в течение нескольких лет по мере того, как рынок учится отличать компании с реальной unit-экономикой от тех, что держатся на нарративе. В этом сценарии инфраструктурный сектор и компании с подтвержденной маржой продолжают расти, тогда как слабые игроки постепенно теряют доступ к финансированию и/или консолидируются либо исчезают с рынка без громкого коллапса. Исторически второй сценарий встречается чаще первого, поскольку рынки редко корректируются синхронно в отсутствие внешнего макроэкономического шока.
Как инвестору подготовиться: диверсификация, фокус на cashflow, усиление due diligence
Независимо от того, какой сценарий реализуется, есть три практических шага, которые снижают риск портфеля уже сегодня. Первый — диверсификация не только между компаниями, но и между уровнями цепочки создания стоимости: сочетание инфраструктурных активов с ограниченным числом тщательно проверенных прикладных компаний снижает зависимость портфеля от одного нарратива.
Второй шаг — осознанный акцент на компаниях, демонстрирующих путь к положительному денежному потоку в пределах видимого горизонта, а не только на росте выручки. Компания, которая может продемонстрировать сокращение burn multiple от квартала к кварталу, гораздо более устойчива к внезапному закрытию окна финансирования, чем компания, которая полагается на постоянные новые раунды финансирования для покрытия операционных расходов.
Третий шаг — усиленная due diligence именно на уровне unit-экономики, а не только на уровне нарратива и команды. Это означает требовать доступа к реальным данным о структуре расходов, а не только к презентации с общими цифрами роста, и задавать неудобные вопросы о зависимости от конкретных поставщиков моделей или расчетов ещё до подписания term sheet.
Как оценивать AI-стартап в эпоху расплаты за unit-экономику?
Burn multiple и «tiny teams» как новый стандарт оценки
Рынок постепенно переходит от модели роста любой ценой к модели, где эффективность капитала ценится так же высоко, как и темпы роста. В этом контексте набирает популярность показатель производительности на одного сотрудника: небольшие команды, которые с помощью AI-инструментов в собственной разработке достигают выручки, сопоставимой с выручкой команд, в десять раз превосходящих их по численности.
Такие «tiny teams» не только имеют меньшие операционные расходы, но и демонстрируют, что основатели понимают экономику продукта до мельчайших деталей, а не полагаются на масштаб команды для компенсации неэффективных процессов. Для инвестора высокий показатель выручки на одного сотрудника — косвенный, но ценный индикатор дисциплинированной культуры принятия решений.
Команда, привыкшая делать больше с меньшими ресурсами на этапе разработки продукта, обычно переносит ту же дисциплину и на управление инфраструктурными расходами после запуска.
Вопросы для due diligence по экономике AI-продукта
Во время оценки конкретного AI-стартапа инвестору стоит получить четкие ответы на несколько структурированных вопросов. Первый — какова точная структура себестоимости проданных товаров (COGS): сколько именно приходится на инференс, сколько — на человеческий надзор, сколько — на хранение и обработку данных, и как эта структура менялась за последние несколько кварталов.
Второй — какой конкретный, а не декларативный путь к положительной валовой марже: какие именно технические или коммерческие шаги запланированы и каково ожидаемое влияние каждого из них в процентах.
Третье — насколько бизнес зависит от одного поставщика модели или облачной инфраструктуры и что произойдет с экономикой продукта, если цены этого поставщика вырастут на двадцать или тридцать процентов.
Четвертое — насколько защищены данные компании: есть ли юридически закрепленное право использовать данные клиентов для улучшения модели, существует ли реальный барьер, мешающий конкуренту собрать аналогичный массив данных за разумное время.
К этим четырём стоит добавить пятый, менее очевидный вопрос: как изменится себестоимость продукта, если компания за год вырастёт в десять раз по количеству пользователей? Линейное масштабирование затрат вместе с выручкой — приемлемый, хотя и не идеальный сценарий, тогда как сверхлинейный рост затрат означает, что бизнес-модель рушится именно в момент успеха, когда спрос на продукт максимален, а доверие инвесторов — наиболее уязвимо к разочарованию.
Ответы на эти вопросы дают гораздо более точную картину будущей устойчивости компании, чем любая презентация. AI-волна изменит целые отрасли — это уже не вопрос дискуссии, а вопрос капитала: вложенный в компанию без реальной unit-экономики, он не переживет эту трансформацию вместе с победителями.
Задача инвестора — не отказаться от участия в крупнейшей технологической перемене десятилетия, а научиться отличать компании, которые строят устойчивый бизнес в рамках этой волны, от тех, кто просто пользуется моментом, пока рынок готов платить за нарратив дороже, чем за прибыль.
Дисциплина в оценке unit-экономики сегодня — это не ограничение для роста портфеля, а инструмент, который позволит остаться на рынке до того момента, когда победители цикла станут очевидными для всех.
