Що таке unit-економіка в AI та чому вона визначає результат інвестиції
Unit-економіка відповідає на просте запитання: скільки компанія заробляє і витрачає на кожну окрему одиницю продукту — запит, користувача, транзакцію чи підписку. Наприклад, у класичному SaaS ця одиниця є дешевою. Оскільки додатковий користувач майже не збільшує витрати компанії, валова маржа традиційно тримається в діапазоні 75–85%. В AI-продуктах усе інакше, бо кожна одиниця споживання вимагає реальних обчислень у момент запиту.
Собівартість AI-продукту складається з кількох шарів, і кожен з них має значення для оцінки компанії.
- Інференс — це вартість самого моменту генерації відповіді моделлю: обчислювальні ресурси, які витрачаються щоразу, коли користувач надсилає запит. На відміну від навчання моделі, яке відбувається один раз, інференс масштабується разом з кожним новим клієнтом і кожним новим запитом, тому він поводиться як змінні витрати, а не як одноразові капітальні вкладення.
- Хмара та GPU-потужності — компанії або орендують обчислення в гіперскейлерів або інвестують у власну інфраструктуру. Обидва варіанти дорогі: оренда прив'язує маржу до цін постачальника, а власні кластери вимагають капітальних витрат, які важко виправдати без гарантованого обсягу навантаження.
- Human-in-the-loop — багато AI-продуктів, які продаються як «повністю автоматизовані», насправді покладаються на людей для розмітки даних, перевірки якості відповідей або обробки складних випадків, які модель не може вирішити самостійно. Ця робоча сила — прихована стаття витрат, яку рідко помітно в маркетингових матеріалах.
- Моніторинг якості — вихід моделі непередбачуваний, тому компанії витрачають ресурси на системи виявлення упереджень і помилок, а також на постійне тестування якості відповідей у продакшені.
- Донавчання — моделі застарівають, конкуренти наздоганяють, а поведінка користувачів змінюється, тому компанія регулярно донавчає або допрацьовує модель, і кожна така ітерація — це нові витрати на обчислення та дані.
Саме тому запитання «скільки коштує обслужити одного додаткового користувача» в AI набагато складніше, ніж у традиційному софті, і саме тому воно має бути в центрі будь-якої інвестиційної оцінки.
Важливо розуміти й другий бік цього рівняння — цінність, яку компанія отримує за кожну одиницю споживання. У SaaS ціна підписки фіксована незалежно від інтенсивності використання, тоді як в AI-продуктах виручка та витрати зростають паралельно з кожним запитом.
Це створює ситуацію, коли зростання виручки саме по собі нічого не говорить про якість бізнесу: компанія може подвоїти виторг і водночас втричі збільшити операційні збитки, якщо ціноутворення не встигає за фактичною вартістю обслуговування. Тому інвестору варто дивитися не на абсолютні цифри зростання, а на динаміку розриву між ціною, яку платить клієнт, і витратами, які несе компанія на кожен його запит.
Ознаки бульбашки в AI
Перегрів, концентрація капіталу, мультиплікатори і частка AI в індексах
Перша ознака перегріву — концентрація капіталу в невеликій групі компаній. Значна частка всіх венчурних інвестицій у технологічний сектор за останні два роки припадає на AI-напрям, причому левова частка цих грошей іде до кількох лабораторій та інфраструктурних гравців, а не розподіляється по широкому ринку. Це класична ознака пізньої стадії циклу, коли капітал женеться за наративом, а не за диверсифікованим набором бізнес-моделей.
Друга ознака — мультиплікатори виручки, які відірвалися від базових показників. Стартапи на ранній стадії залучають раунди за оцінками у двадцять–тридцять і більше річних виручок, тоді як історично здорова публічна SaaS-компанія з якісним зростанням торгувалася в діапазоні восьми–п'ятнадцяти. Різниця пояснюється очікуваннями майбутнього зростання, але коли очікування стають головним активом на балансі, ринок стає вразливим до будь-якого розчарування темпами прогресу моделей.
Третя ознака — частка компаній, пов'язаних зі штучним інтелектом, у капіталізації провідних фондових індексів. Коли невелика група компаній визначає більшу частину приросту індексу, а їхня оцінка спирається на очікування щодо технології, яка ще не довела стабільну прибутковість у масовому застосуванні, ринок концентрує ризик там, де раніше була диверсифікація. Це не означає, що обвал неминучий, але вразливість системи зросла, і будь-яка інвестиційна теза сьогодні повинна враховувати цей структурний ризик, а не ігнорувати його заради участі в зростанні.
Четверта ознака, яку часто недооцінюють, — швидкість, з якою капітал переходить з рук у руки без паузи на верифікацію. Раунди закриваються за дні, а не за тижні; due diligence звужується до перевірки команди й технологічної демонстрації, а фінансова модель компанії відходить на другий план. Коли швидкість угоди важливіша за глибину аналізу, ринок системно недооцінює ризики, пов'язані з unit-економікою, і саме ці недооцінені ризики зазвичай першими спливають під час будь-якої корекції.
Як відрізнити реальну unit-економіку: чек-лист інвестора
Показники здоров'я бізнесу: burn multiple, валова маржа, NRR, payback
Burn multiple — це співвідношення спаленого капіталу до приросту річної виручки за певний період. Значення нижче півтора вважається сильним результатом, у діапазоні півтора–два — прийнятним для ранньої стадії, а вище трьох сигналізує, що компанія купує зростання ціною, яку годі виправдати майбутньою маржею.
Валова маржа для AI-компанії — окремий сюжет. Якщо у традиційному SaaS маржа нижче 70% викликає запитання, то для AI-продукту з активним інференсом прийнятним стартовим рівнем можна вважати 50-60%. Тим не менш, маржа, яка роками залишається негативною або близькою до нуля, означає проблеми з бізнес-моделлю.
Net revenue retention (NRR) показує, наскільки існуючі клієнти нарощують витрати з часом. Показник вище 120% свідчить про справжній product-market fit і здатність продукту вбудовуватися глибше в робочі процеси клієнта, тоді як NRR нижче 100% означає, що компанія втрачає виручку швидше, ніж заробляє нову, і будь-яке зростання підтримується виключно новими продажами.
Payback period — час, за який компанія повертає витрати на залучення клієнта. Для AI-продуктів, де вартість обслуговування клієнта продовжує накопичуватися після підписання контракту, здоровий payback має бути коротшим, ніж у класичному SaaS — ідеально до 12 місяців. Додаткові витрати на інференс продовжують знижувати маржинальність контракту протягом усього його терміну.
Ці чотири метрики варто розглядати в комплексі, бо сильний показник в одній площині часто маскує слабкість в іншій. Наприклад, компанія може демонструвати відмінний NRR завдяки існуючим клієнтам, які нарощують обсяг використання продукту, але якщо кожен додатковий запит коштує компанії дорожче, ніж вона за нього отримує, зростання NRR фактично прискорює спалення капіталу, а не покращує економіку бізнесу. Тому правильний підхід — вимагати від компанії поквартальну динаміку всіх чотирьох показників одночасно, а не одноразовий знімок на момент презентації інвесторам.
Червоні прапорці: від'ємна маржа, «AI-обгортка», відсутність data moat
Перший тривожний сигнал — стабільно від'ємна валова маржа без чіткого плану її виправлення. Якщо компанія втрачає гроші на кожному додатковому запиті користувача і не може пояснити конкретний шлях до позитивної маржі через оптимізацію моделі, зміну цінової політики чи перехід на власну інфраструктуру, зростання виручки лише прискорює спалення капіталу.
Другий сигнал — так звана «AI-обгортка»: продукт, який фактично є тонким інтерфейсом над чужим API великої мовної моделі без власної логіки, даних чи технологічної переваги. Такі компанії вразливі до двох речей одночасно: постачальник моделі може змінити ціни або випустити конкурентну функцію безкоштовно, а бар'єр для копіювання інтерфейсу конкурентами мінімальний.
Третій сигнал — відсутність data moat, тобто унікального масиву даних або зворотного зв'язку від користувачів, який покращує продукт з часом і який конкуренти не можуть легко відтворити. Без цього переваги компанії тримаються виключно на маркетингу та швидкості виходу на ринок, а не на структурній стійкості бізнесу.
Зелені прапорці: власні дані, workflow lock-in, вертикальний фокус
Перша позитивна ознака — власні пропрієтарні дані, зібрані через реальне використання продукту клієнтами, які неможливо купити чи скопіювати ззовні. Такі дані створюють цикл, у якому кожен новий користувач покращує продукт для всіх інших, а конкурентам доводиться наздоганяти його роками.
Друга ознака — глибока інтеграція продукту в робочі процеси клієнта, коли заміна постачальника вимагає не просто підписати новий контракт, а перебудувати внутрішні процеси, навчити команду та мігрувати історичні дані. Такий workflow lock-in дає компанії ціноутворювальну силу та передбачуваність виручки, які безпосередньо конвертуються у здоровий NRR.
Третя ознака — вертикальний фокус на конкретній індустрії чи функції замість спроби бути універсальним рішенням для всіх. Вертикальні AI-компанії краще розуміють специфічні дані, регуляторні вимоги та больові точки клієнтів, що дозволяє їм будувати вищі бар'єри входу та стягувати преміальну ціну порівняно з горизонтальними конкурентами.
Четверта ознака — прозорість засновників щодо структури витрат. Команди, які без вагань показують інвестору розбивку собівартості по кожній статті та відкрито обговорюють ризики залежності від постачальників моделей, зазвичай самі глибоко розуміють економіку свого продукту. І навпаки — ухильні відповіді на конкретні запитання про маржу за одиницю зазвичай означають, що засновники або не рахували ці цифри, або рахували, але результат їх не влаштовує.
Чому маржа в AI-компаніях нижча, ніж у SaaS, і чи може це змінитися?
Вартість інференсу та залежність від гіперскейлерів і виробників чіпів
Кожен запит до AI-моделі споживає обчислювальну потужність, яку потрібно або орендувати у хмарного провайдера, або запустити на власному обладнанні, придбаному в обмеженому колі виробників чіпів. Ця залежність ставить AI-компанії в позицію цінового заручника: якщо постачальник підвищує вартість обчислень чи чіпів, маржа продуктової компанії миттєво стискається, а можливості перенести витрати на клієнта обмежені конкуренцією.
Додатковий ризик полягає в тому, що доступ до найпотужніших обчислювальних ресурсів часто розподіляється не лише за ціною, а й за пріоритетністю. Великі лабораторії та стратегічні партнери гіперскейлерів отримують гарантовані квоти. Менші продуктові компанії можуть стикатися з обмеженнями пропускної спроможності саме в моменти пікового попиту, що безпосередньо впливає на якість сервісу для їхніх клієнтів.
Human-in-the-loop та витрати на контроль якості ШІ
Навіть найпросунутіші моделі помиляються, і чим вища ціна помилки для клієнта — у фінансах, медицині, юриспруденції, — тим більше людського нагляду потрібно вбудувати в продукт. Це означає, що частина «AI-продукту» насправді є сервісним бізнесом з людьми в основі процесу, а сервісні бізнеси історично мають нижчу маржу та гірше масштабуються, ніж чистий софт.
Драйвери зростання маржі: оптимізація моделей, власні GPU-кластери, падіння вартості токенів
Водночас є кілька структурних сил, які здатні поступово підвищити маржу AI-бізнесу. По-перше, вартість генерації токена для порівняного рівня якості стабільно знижується завдяки конкуренції між постачальниками моделей та вдосконаленню архітектур.
По-друге, компанії з достатнім масштабом переходять від оренди хмарних потужностей до власних або орендованих на довгий термін GPU-кластерів, що знижує граничну вартість обчислень.
По-третє, техніки оптимізації — дистиляція моделей, кешування відповідей, маршрутизація запитів між моделями різного розміру залежно від складності завдання — дозволяють скоротити витрати на інференс без втрати якості для кінцевого користувача.
Компанії, які інвестують у ці три напрями одночасно, мають реальний шанс наблизити свою маржу до показників класичного SaaS протягом кількох років, тоді як ті, що просто перепродають чужий API, практично позбавлені цього шансу.
Хто насправді заробляє в AI? Розбір ланцюжка створення вартості
«Кирки та лопати»: виробники чіпів та гіперскейлери
Історія технологічних бульбашок повторюється в одній деталі: під час золотої лихоманки найбільше грошей заробляють не старателі, а продавці кирок і лопат. У поточному циклі AI цю роль виконують виробники спеціалізованих чіпів для навчання й інференсу моделей та великі хмарні провайдери, які надають інфраструктуру для навчання й запуску моделей. Ці компанії отримують виручку незалежно від того, яка саме прикладна AI-компанія переможе в конкретній ніші — вони заробляють на самому факті, що галузь інвестує в обчислення.
Далі в ланцюжку йдуть лабораторії, що створюють базові моделі, — їхня економіка залежить від здатності монетизувати дослідження через API та підписки швидше, ніж вони витрачають на навчання наступного покоління моделей. І лише на верхньому рівні ланцюжка знаходяться прикладні продуктові компанії, які будують інтерфейс, бізнес-логіку та дистрибуцію поверх чужих або власних моделей.
Саме на цьому рівні unit-економіка найменш передбачувана, бо ці компанії одночасно платять інфраструктурному рівню за обчислення та конкурують за клієнта на переповненому ринку. Для інвестора це означає практичний висновок: інфраструктурний рівень історично пропонує нижчий, але більш передбачуваний прибуток, тоді як прикладний рівень пропонує вищий потенціал прибутковості за значно вищого ризику провалу конкретної бізнес-моделі.
Є й проміжний рівень ланцюжка, який часто випадає з уваги, — компанії, що надають інструменти для розробки, тестування та розгортання AI-продуктів: платформи для оркестрації моделей, системи моніторингу якості, інструменти для донавчання на власних даних клієнта. Ці компанії монетизують не саму модель і не готовий продукт, а інфраструктуру навколо процесу побудови AI-рішень, і їхня економіка часто ближча до класичного B2B SaaS, бо вони продають інструмент, а не оплачують інференс за кожного кінцевого користувача клієнта.
Що буде, якщо бульбашка в AI лусне: сценарії та захист портфеля
Дефляція проти детонації: найімовірніші сценарії корекції
Варто розрізняти два принципово різні сценарії коригування ринку. Перший — «детонація»: різкий, синхронний обвал оцінок, спричинений, наприклад, різким скороченням доступу до капіталу або технологічним розчаруванням, коли темпи покращення моделей сповільнюються швидше, ніж очікував ринок. Такий сценарій нагадує крах доткомів і призводить до масового закриття компаній із заручниками негативної маржі та відсутністю готівкового запасу.
Другий, більш ймовірний сценарій — «повільна дефляція»: мультиплікатори поступово знижуються протягом кількох років у міру того, як ринок навчається відрізняти компанії з реальною unit-економікою від тих, що тримаються на наративі. У цьому сценарії інфраструктурний рівень і компанії з доведеною маржею продовжують зростати, тоді як слабкі гравці поступово втрачають доступ до фінансування та/або консолідуються або зникають з ринку без гучного колапсу. Історично другий сценарій зустрічається частіше за перший, бо ринки рідко коригуються синхронно за відсутності зовнішнього макроекономічного шоку.
Як інвестору підготуватися: диверсифікація, фокус на cashflow, посилення due diligence
Незалежно від того, який сценарій реалізується, є 3 практичні кроки, які знижують ризик портфеля вже сьогодні. Перший — диверсифікація не лише між компаніями, а й між рівнями ланцюжка створення вартості: поєднання інфраструктурних активів з обмеженим числом ретельно перевірених прикладних компаній знижує залежність портфеля від одного наративу.
Другий крок — свідомий фокус на компаніях, які демонструють шлях до позитивного грошового потоку в межах видимого горизонту, а не лише на зростанні виручки. Компанія, яка може продемонструвати скорочення burn multiple з кварталу в квартал, набагато стійкіша до раптового закриття вікна фінансування, ніж компанія, яка покладається на постійні нові раунди фінансування для покриття операційних витрат.
Третій крок — посилений due diligence саме на рівні unit-економіки, а не лише на рівні наративу і команди. Це означає вимагати доступу до реальних даних про структуру витрат, а не лише до презентації із загальними цифрами зростання і ставити незручні запитання про залежність від конкретних постачальників моделей чи обчислень ще до підписання term sheet.
Як оцінювати AI-стартап в епоху розплати за unit-економіку?
Burn multiple та «tiny teams» як новий стандарт оцінки
Ринок поступово переходить від моделі зростання за будь-яку ціну до моделі, де ефективність капіталу цінується так само високо, як і темп зростання. У цьому контексті набирає популярності метрика продуктивності на співробітника: невеликі команди, які за допомогою AI-інструментів у власній розробці досягають виручки, порівнянної з виручкою команд, вдесятеро більших за чисельністю.
Такі «tiny teams» не лише мають менші операційні витрати, а й демонструють, що засновники розуміють економіку продукту на рівні деталей, а не покладаються на масштаб команди для компенсації неефективних процесів. Для інвестора високий показник виручки на одного співробітника — непрямий, але цінний індикатор дисциплінованої культури ухвалення рішень.
Команда, яка звикла робити більше з меншими ресурсами на етапі розробки продукту, зазвичай переносить ту саму дисципліну і на управління інфраструктурними витратами після запуску.
Питання для due diligence щодо економіки AI-продукту
Під час оцінки конкретного AI-стартапу інвестору варто отримати чіткі відповіді на кілька структурованих запитань. Перше — яка точна структура собівартості проданих товарів (COGS): скільки саме припадає на інференс, скільки — на людський нагляд, скільки — на зберігання та обробку даних, і як ця структура змінювалася за останні кілька кварталів.
Друге — який конкретний, а не декларативний шлях до позитивної валової маржі: які саме технічні чи комерційні кроки заплановані та який очікуваний вплив кожного з них у відсотках.
Третє — наскільки бізнес залежить від одного постачальника моделі чи хмарної інфраструктури і що станеться з економікою продукту, якщо ціни цього постачальника зростуть на двадцять чи тридцять відсотків.
Четверте — наскільки захищені дані компанії: чи є юридично закріплене право використовувати дані клієнтів для покращення моделі, чи існує реальний бар'єр, що заважає конкуренту зібрати аналогічний масив даних за розумний час.
До цих чотирьох варто додати п'яте, менш очевидне запитання: як зміниться собівартість продукту, якщо компанія за рік виросте вдесятеро за кількістю користувачів? Лінійне масштабування витрат разом з виручкою — прийнятний, хоча й не ідеальний сценарій, тоді як суперлінійне зростання витрат означає, що бізнес-модель ламається саме в момент успіху, коли попит на продукт найвищий, а довіра інвесторів — найбільш вразлива до розчарування.
Відповіді на ці запитання дають набагато точнішу картину майбутньої стійкості компанії, ніж будь-яка презентація. AI-хвиля змінить цілі галузі — це вже не питання дискусії, а питання капіталу: вкладений у компанії без реальної unit-економіки, він не переживе цю трансформацію разом із переможцями.
Завдання інвестора — не відмовитися від участі в найбільшій технологічній зміні десятиліття, а навчитися відрізняти компанії, які будують стійкий бізнес у межах цієї хвилі, від тих, що просто користуються моментом, поки ринок готовий платити за наратив дорожче, ніж за прибуток.
Дисципліна в оцінці unit-економіки сьогодні — це не обмеження для зростання портфеля, а інструмент, який дозволить залишитися на ринку до моменту, коли переможці циклу стануть очевидними для всіх.
