Венчурный капитал в ИИ перестал быть игрой в «угадай следующее приложение» и превратился в борьбу за вычислительные мощности и проприетарные данные. Средний чек посевных раундов в AI-стартапах в 2023-2024 годах вырос в 2.5 раза по сравнению с до-LLM периодом, достигая $2-5 млн при оценках до $20 млн.
Экономика GPU и стоимость входа
Главный риск современного AI-фонда — «сжигание» капитала на аренде H100. Стоимость одного узла из 8 GPU H100 может составлять от $30 000 до $45 000 в месяц. Стартапы без собственных мощностей тратят до 60-80% инвестиций первого раунда только на инференс и дообучение моделей, что делает их крайне уязвимыми перед гигантами вроде Microsoft или Google.
Кейс: стартап в нише узкоспециализированного медицинского ИИ привел инвестиции в $3 млн, но за 12 месяцев потратил $1.8 млн на облачные вычисления, не создав устойчивого LTV. Это классическая ошибка «инфраструктурного перекоса».
Экспертный вывод: Инвестируйте в команды, которые используют open-source модели (Llama 3, Mistral) с эффективным fine-tuning, а не пытаются обучить фундамент с нуля — это экономит до 90% бюджета на R&D.;
Метрики оценки AI-проектов
Традиционный MRR (ежемесячный повторяющийся доход) в ИИ сейчас вторичен. Фонды смотрят на «Moat» (защитный ров). Главный критерий — доступ к уникальному датасету, который нельзя собрать парсингом интернета. Если данные доступны публично, ценность компании стремится к нулю при выходе обновления GPT-5.
- Data Moat: наличие эксклюзивных контрактов на данные (например, архивы клиник или закрытые реестры).
- Churn Rate: в AI-сервисах он выше обычного SaaS (до 15-20% в месяц), так как пользователи часто тестируют инструмент один раз и уходят.
- Compute-to-Revenue ratio: сколько долларов выручки приносит один доллар, потраченный на GPU.
Экспертный вывод: Игнорируйте проекты с «обертками» (wrappers) над API OpenAI. Реальная стоимость таких компаний — это стоимость их клиентской базы, а не технологии.
Структура сделок и условия выхода
В AI-сегменте доминируют конвертируемые займы и SAFE-контракты с капитализацией (valuation cap) в диапазоне $10-30 млн для ранних стадий. Срок до экзита сократился: если классический венчур ждет 7-10 лет, то в ИИ стратегия сместилась к M&A; (поглощениям) в течение 3-4 лет, так как техгиганты скупают таланты (acqui-hiring) вместе с кодом.
Пример: покупка стартапа за $50 млн при отсутствии выручки, но с командой из 5 PhD по глубокому обучению. Здесь покупается не бизнес-модель, а интеллектуальный капитал.
Экспертный вывод: При анализе фонда смотрите на долю стратегий по выходу через M&A.; Ждать IPO в эпоху доминирования BigTech наивно.
Риски и разбор ошибок инвесторов
Основная ошибка — слепая вера в «масштабируемость». Многие фонды игнорируют стоимость поддержки (customer success) в ИИ, которая может составлять до 30% от чека из-за галлюцинаций моделей и необходимости ручной правки результатов. Также часто возникают юридические споры по авторским правам на обучающие выборки, что может обнулить стоимость актива за один суд.
Когда изучаются отзывы об инвестиционных фондах, часто всплывают жалобы на непрозрачность распределения прибыли в сложных синдикатах, где AI-проекты стоят отдельным высокорисковым плечом.
Экспертный вывод: Избегайте фондов, которые инвестируют в «общий ИИ для всего». Ищите узкие вертикали: LegalTech, BioTech, Industrial AI, где цена ошибки высока, а порог входа для конкурентов максимален.
Вывод
Венчурные инвестиции в ИИ сегодня — это ставка на данные, а не на алгоритмы. Чтобы не потерять капитал, выбирайте фонды, которые специализируются на вертикальном ИИ (Vertical AI) и имеют технический аудит (Due Diligence) на уровне кода и архитектуры данных. Избегайте общего «хайп-инвестирования» в генеративные чат-боты; фокусируйтесь на B2B-решениях с интегрированным в бизнес-процесс продуктом. Начинать стоит с диверсифицированных фондов с опытом в DeepTech, где доля AI-активов не превышает 30-40% от общего портфеля.
