Короткий ответ: Финансовая модель AI-стартапа включает три стадии: R&D (обучение модели — от 50 тыс. до 500 тыс. долларов за прогон, FTE ML-инженеров от 350 тыс. руб./мес.), инфраструктура (inference cost — 0,0001–0,001 доллара за запрос в зависимости от размера модели) и коммерциализация (unit-экономика: ARPU минус cost per request). Выход на операционную окупаемость типичного AI SaaS — 2–4 года.
AI-стартапы имеют структуру затрат, принципиально отличающуюся от традиционного SaaS. Основной расход — не разработка интерфейса, а обучение и инференс моделей. Ошибка в оценке cost per inference может сделать unit-экономику отрицательной даже при тысячах платящих пользователей.
Ниже — модель трёх стадий с ключевыми параметрами для инвестиционного анализа.
Стадия R&D: стоимость обучения модели
Обучение большой языковой модели (LLM) требует GPU-кластеров. Аренда 8 × H100 (NVIDIA) через облачных провайдеров — 30–50 тыс. долларов в месяц. Один цикл обучения модели размером 7B параметров занимает 2–6 недель и стоит 100–500 тыс. долларов. Для fine-tuning существующей модели (LoRA, QLoRA) затраты ниже — 5–30 тыс. долларов за цикл.
Зарплаты ML-инженеров — вторая статья R&D-затрат. Senior ML-инженер в России — от 350 тыс. рублей в месяц, tech lead — от 500 тыс. рублей. Для минимальной продуктовой команды (2 ML-инженера, 1 data engineer, 1 backend) фонд оплаты — 1,5–2 млн руб./мес.
Инфраструктура: inference cost
Inference — затраты на каждый запрос пользователя к модели. Для LLM 7B cost per request — 0,0002–0,0005 долларов на GPU, для 70B — 0,002–0,005 долларов. При 100 тыс. запросов в день cost per day составит 20–50 долларов для малой модели и 200–500 — для большой.
Ключевой рычаг управления inference cost — квантизация (INT8, FP16), прунинг и дистилляция. Эти техники снижают cost per request в 2–4 раза при незначительной потере качества. В финансовой модели обязательно закладывается снижение inference cost на 15–25% в год за счёт оптимизации и выхода новых поколений GPU.
Числовой пример: AI-стартап с 10 000 DAU, 50 запросов на пользователя в день (500 тыс. запросов/день), cost per request 0,0003 доллара — дневная стоимость inference 150 долларов, месячная — 4500 долларов. При ARPU 15 долларов в месяц (100 платящих из 10 000 — 1% конверсия) выручка — 1500 долларов. Без повышения конверсии или снижения cost per request модель убыточна.
Unit-экономика AI-as-a-Service
Unit-экономика AI-продукта строится вокруг cost per request. Отличие от обычного SaaS: переменные затраты не пренебрежимо малы — каждый запрос стоит денег. Формула юнит-экономики:
APRU (средний доход на пользователя) − (cost per request × avg requests per user per month) > 0
Для B2B AI-продукта (AI-ассистент для юристов, аналитиков, маркетологов) типичные параметры: 50–200 долларов ARPU в месяц, 1000–5000 запросов на пользователя, cost per request 0,0003 доллара. Cost to serve = 0,3–1,5 доллара на пользователя, маржинальность — 97–99%. Проблемы начинаются, когда cost per request выше 0,001 доллара (большие модели) — тогда при 5000 запросов cost to serve = 5 долларов, и ARPU должен быть не ниже 15–20 долларов, чтобы оставалась маржа на постоянные расходы.
Выход на окупаемость и инвестиции
Типичный AI-стартап выходит на операционную окупаемость через 2–4 года после начала коммерческих продаж. До этого момента требуется 2–3 раунда: pre-seed/seed (20–50 млн руб.) на R&D и прототип, Series A (100–300 млн руб.) на масштабирование инфраструктуры и продаж, Series B (от 300 млн руб.) на рост.
Оценка AI-стартапа на ранних стадиях строится не на мультипликаторах выручки (её ещё нет), а на потенциальном рынке (TAM/SAM/SOM), прогнозе user growth и качестве команды. Для Series A типичный диапазон оценки — 5–15× прогнозной годовой выручки через 3 года.
Из чего складываются затраты AI-стартапа?
Три блока: R&D (GPU-кластер для обучения — 50–500 тыс. долларов за прогон, зарплаты ML-инженеров от 350 тыс. руб./мес.), инфраструктура (inference-сервера, cost per request) и коммерческие расходы (продажи, маркетинг, юруслуги).
Как считается unit-экономика AI-as-a-Service продукта?
ARPU в месяц минус cost per request × количество запросов. Для типового AI-продукта с 1000 активных пользователей, 5000 запросов в день на пользователя и cost per request 0,0002 доллара, месячные затраты на inference — 30 тыс. долларов. ARPU должен покрывать эту сумму плюс постоянные расходы.