Alex Belov - Просто о венчуре

Сложности построения ИИ-стартапа

Идея для данной статьи не моя – я подсмотрел идею у продакт-лида нашей портфельной компании OpenAI, Miqdad Jaffer. Он предложил 4-ступенчатый фреймворк для построения стратегии ИИ-продукта. Хочется рассказать о нём, разбавив своими мыслями.

Довольно забавная проблема венчурного инвестора – иметь дело с деками, и соответственно со стартапами, в которых ИИ добавлен для красного словца. При этом стоя бизнес, где ИИ не шибко нужен, и выбирая бизнес-модель, которая не подходит AI-driven компании. Это наглядно видно на примере SaaS-бизнесов.

В SaaS можно годами жить на негативной экономике и надеяться на «масштаб все исправит». Так появилось достаточно многомиллиардных компаний, поднявшихся на месячной подписке от $10. В ИИ-бизнесе так не получится – структура расходов другая, ошибки в юнит-экономике видны сразу и не решаются эффектом масштаба. Ошибки в бизнес-моделировании фатальны: Chegg потерял 90% капитализации, потому что не решился вовремя перестроиться; Jasper, который когда-то считался флагманом AI-копирайтинга, не выдержал веса собственных расходов на инференс.

Какие можно из этого сделать выводы:

Урок 1. SaaS-инструкция — смертельная ловушка для AI-native бизнесов

Главное отличие между SaaS и AI — в экономике. В SaaS мы тратим на разработку один раз, а дальше масштабируемся почти бесплатно. Предельные издержки стремятся к нулю, маржа растёт, и именно так появляются «80% gross margin» гиганты типа Figma, Zoom, Notion и прочие.

В ИИ всё наоборот. Каждая генерация текста, каждый запрос к модели, каждое изображение — реальная стоимость. В GPU-времени, в стоимости электричества, в токенах. Масштабирование не снижает ваши издержки, а множит их. Без чётко выстроенной юнит-экономики рост не спасёт, а акселерирует падение. Масштаб — это увеличительное стекло; он делает хорошую модель отличной, а плохую — катастрофической.

В SaaS масштаб — друг. В ИИ — самый большой челлендж. И если вы в 2025м копируете SaaS шаблон, не пересчитав бизнес-модель с самого начала, вы закладываете мину под собственный рост. В SaaS можно отложить прайсинг на потом. В ИИ нет. Usage-based, outcome-based, seat-based, hybrid — это разные способы контролировать юнит-экономику, чтобы не платить за использование ИИ клиентами из собственного кармана.

Урок 2. Просто “добавить ИИ” — это не конкурентное преимущество

Сегодня «AI-native» звучит так же свежо, как «Web 2.0» в 2008-м. Доступ к LLM-моделям открыт для всех и становится общим местом, коммодити. Технология перестала быть дифференциатором.

Если продукт — просто интерфейс к API OpenAI, у вас не компания, а демо-версия компании. И копия этого демо появится не просто быстро, а со скоростью работы условного Cursor.

Урок 3. В мире ИИ есть только три вида защиты

  1. Данные (Data Moat): проприетарные данные, которые невозможно скопировать или купить. Чаще всего – когда внутри вашего продукта пользователи создают уникальные данные, на которых вы обучаете собственные модели. Duolingo — яркий пример. Они десятилетиями собирают паттерны ошибок учеников, и эти данные невозможно купить или скопировать.
  2. Дистрибуция (Distribution Moat) или как мы умеем дотягиваться до конечного пользователя. OpenAI пошел в интеграцию с Майкрософт, чтобы миллиарды людей имели chatGPT под капотом продуктов Винды, даже не зная этого. Notion, Canva просто встроили ИИ в уже существующий пользовательский поток. Миллионы пользователей мгновенно получили новый функционал, а конкуренты остались за бортом. Стартапам в этом плане труднее, а значит думать о партнерских каналах приходится со старта.
  3. Доверие (Trust Moat): встраиваться туда, где пользователи готовы дать вам кредит доверия. Я уже привёл пример OpenAI и Microsoft. А конкурирующий Anthropic построил вокруг себя целый ореол “лучшего корпоративного ИИ”, и пытается выигрывать не силой команды или скоростью, а репутацией.

Карта выживания: 4D Framework

Чтобы выжить, важно строить систему вокру гсвоего AI. Как к ней подступиться?

1. Direction (Направление)
Выбрать тот “ров”, который будете накапливать далее. AI-функции временны, а “рвы” (moats) более стабильны. 3 варианта перечислены выше - данные / дистрибуция / доверие.Ответьте прямо сейчас себе на вопрос, которым первым задаст любой профессиональный инвестор: Мы строим уникальный бизнес или просто обертку?

2. Differentiation (Дифференциация)
Сформулируйте однозначный ответ на вопрос “чем вы отличаетесь”, понятный младшему школьнику и вашей бабушке. Будет ли это актуально, когда OpenAI выпустит то же самое завтра?

3. Design (Проектирование)
Займитесь стратегией издержек с pre-seed (да, как предприниматели в классическом бизнесе).. Ищите баланс цены и внедрения. Стройте продукт, где стоимость обслуживания пользователя падает по мере роста внедрения. Используйте роутинг моделей (дешевые модели для 80% задач), кэширование и оптимизацию промптов. Ищите более дешевых провайдеров вычислений. Ставьте своему СТО задачу лучше всех разбираться в новых hard и soft-технологиях, чтобы снижать стоимость инференса не на проценты, а в разы.Вопрос для самопроверки: Каждый новый пользователь улучшает нашу экономику или ухудшает?

4. Deployment (Развертывание)
Избегайте чистого Seat-Based Pricing (как в SaaS) — это может привести к опасному несоответствию между выручкой и экспоненциально растущими затратами на инференс.Вопрос для проверки вашей модели: мы можем масштабироваться в 10 раз, не обрушив маржинальность?

Если бизнес не уникален, находится под вопросом после очередного обновления chatGPT или может посыпаться при масштабировании, то вы строите фичу. А фичи отмирают.

SaaS мёртв?

Не совсем. ИИ-агенты и AI-native продукты меняют сам формат нашего решения тех задач, которые раньше мы закрывали SaaSками. Но свежий отчет PitchBook показывает, что неправильно считать, что SaaS нет места — он просто видоизменяется. Грамотнее говорить, что ценообразование на основе количества рабочих теряет актуальность. А само понятие SaaS как it-решения/сервиса останется и дальше, но с новыми/лучшими моделями ценообразования:

Например, Fintech-SaaS – когда плата за SaaS является лишь частью дохода, а большая часть дохода поступает по транзакционной модели от платежей, кредитования или финансовых продуктов. (Shopify, Toast, Bill.com)

За потребление — когда использование как бы токенизируется, вводится "внутренняя валюта". Купил 1000 токенов, можешь выполнить столько ИИ-запросов, сколько хватит на тысячу токенов. При этом эти запросы могут стоить по-разному в зависимости от сложности, энергопотребления и прочих разных костов провайдера. (Snowflake, Twilio, OpenAI)

За действие/рабочий процесс по запросу — мы платим, когда выполняется конкретная задача. (Zapier, Sierra)

За бизнес-результат, т.е. за конечно выполненную задачу — платим, когда продукту делегируется целая проблема, которую раньше решал человек, и он её закрывает. Assembled (за смену), Fin (за решенную проблему), Decagon (за решение), Harvey (юридические задачи).

Выходит, SaaS не умирает, а фрагментируется на несколько разновидностей программного обеспечения для бизнеса. Сегодня вопрос не в том, «умер ли SaaS?», а в том, «что такое SaaS?».