Рынок венчурных инвестиций в ИИ перешел из фазы общего хайпа в стадию жесткого отбора по метрике эффективности вычислений (Compute-to-Equity). Сегодня средний чек посевного раунда в AI-стартапах вырос до $2–5 млн, но требования к технологическому стеку стали в 3 раза жестче, чем в 2021 году.
Экономика GPU и стоимость входа
Главный риск современного AI-фонда — «сжигание» капитала на аренде мощностей. Стоимость обучения одной большой языковой модели (LLM) может варьироваться от $500 000 до $20 млн. Практика показывает, что стартапы, тратящие более 60% раунда на GPU-кластеры без собственного проприетарного датасета, имеют вероятность выживания менее 15%.
Пример: стартап с идеей «обертки» над API OpenAI (Wrapper) оценивается в 2-4 раза ниже, чем компания с собственной архитектурой или уникальным методом дистилляции моделей. Инвесторы теперь требуют Roadmap по снижению стоимости одного инференса (запроса) минимум на 30-50% в год.
Вывод: инвестируйте в команды, которые владеют данными или оптимизируют вычисления, а не просто арендуют H100.
Модели оценки и мультипликаторы AI
Стандартные метрики SaaS (например, LTV/CAC) в AI работают плохо из-за высокой стоимости обслуживания каждого пользователя (COGS). В нише ИИ фокус сместился на Gross Margin: если маржинальность падает ниже 50% из-за затрат на токены, фонд занижает оценку компании на 30-40%.
- Seed-стадия: оценка $10–25 млн при наличии MVP и первых 5-10 платящих клиентов.
- Раунд А: оценка $50–120 млн при темпах роста выручки (MRR) от 15% в месяц.
- Доля фонда: стандартно 10-20% за раунд, но в AI часто применяются конвертируемые займы (SAFE) с кэпом до $10 млн.
Вывод: переоцененность на ранних стадиях сейчас огромна; ищите проекты с положительной динамикой маржи, а не только с ростом пользовательской базы.
Ловушки при анализе портфелей
Основная ошибка инвестора — доверие к «бумажной» прибыли фонда. В AI-секторе наблюдается феномен «раздутых раундов», когда компании поднимают деньги по завышенным оценкам друг от друга. Чтобы понять реальное состояние дел, необходим глубокий анализ отзывов об инвестиционных фондах от бывших фаундеров, которые сталкивались с жестким давлением по KPI после серии А.
Кейс: фонд инвестировал $2 млн в AI-редактор видео. Рост пользователей был 10х, но стоимость инфраструктуры росла 12х. Итог — кассовый разрыв при формально растущем бизнесе. Ошибка фонда была в игнорировании Unit-экономики на уровне одного токена.
Вывод: проверяйте корреляцию между ростом выручки и стоимостью вычислений; если они растут линейно — бизнес не масштабируем.
Стратегии выхода и ликвидность
Выход через IPO в AI сейчас затруднен из-за волатильности техсектора, поэтому основным сценарием стал M&A (поглощение гигантами вроде Microsoft, Google или NVIDIA). Срок окупаемости инвестиций в AI-фондах увеличился с 5-7 до 8-10 лет из-за длительного цикла доведения модели до коммерческого совершенства.
Сравнение: стратегия «узкого ИИ» (Vertical AI для юристов/врачей) дает возврат инвестиций (ROI) быстрее (3-4 года) за счет понятного рынка, в то время как General AI требует десятилетия и миллиардов долларов, но обещает 100-кратный рост.
Вывод: для консервативного портфеля выбирайте фонды, специализирующиеся на Vertical AI с четким B2B-рынком.
Вывод
Венчурные инвестиции в ИИ сегодня — это игра в эффективность инфраструктуры, а не в креативность идей. Избегайте фондов, которые инвестируют в «обертки» над чужими API и не контролируют стоимость инференса. Начинать стоит с диверсифицированных фондов, имеющих доступ к закрытым GPU-кластерам или партнерства с облачными гигантами, так как доступ к железу стал главным конкурентным преимуществом. Лучший выбор — фонды с фокусом на B2B Vertical AI, где ценность продукта измеряется экономией часов работы сотрудника, а не количеством регистраций.
Эта тема — часть большого разбора: Отзывы об инвестиционных фондах.