Гантелеобразная структура программного мира: готов ли ИИ уничтожить средний сегмент?

Автор: Venture Curator

Адаптация: TechFlow

Введение от TechFlow: 537 американских единорогов всё ещё несут старую оценку периода пузыря 2021 года, а ярлык «AI-нативные» превращается из преимущества в точку уязвимости, которую готовы вскрыть. Для тех, кто сейчас привлекает финансирование или владеет опционами, эта статья поможет разобраться, какие оценки реальны, а какие — лишь бумажные цифры, которые никто не проверял.

537 американских единорогов несут оценку периода пузыря 2021–2022 годов. Остались ли они реальными?

Основателям и ранним сотрудникам обычно прививают мысль, что оценка предыдущего раунда — это просто счетчик очков. Это цифра в таблице структуры капитала, цифра в пресс-релизе и цифра, которую все используют для оценки стоимости своих долей.

Однако новые данные из количественного обзора рынка PitchBook за III квартал 2026 года показывают, что для большинства американских единорогов эта цифра уже несколько лет не подвергалась реальной проверке рынком.

В исследовании PitchBook анализируются все активные американские единороги, сгруппированные по году проведения их последнего раунда финансирования по фиксированной цене.

Из 964 активных американских единорогов последние раунды финансирования 312 компаний прошли в 2021 году, еще 225 — в 2022-м. Это значит, что 537 компаний (около 56% всего пула единорогов) продолжают жить по оценкам, установленным во время самого дорогого периода венчурного финансирования в истории.

Новые денежные потоки уже не будут подгоняться под эти цифры. Дистрибуции фондов венчурного капитала составляют лишь 7,9% от NAV (чистой стоимости активов), почти вдвое ниже долгосрочного среднего показателя в 14,5%. Как отмечает PitchBook, доходность фондов напрямую страдает из-за завышенных оценок 2020–2022 годов.

Когда компании пытаются реально протестировать цену на рынке, им часто не удается ее выдержать. Публичные инвесторы отказываются покупать по ценам частного рынка. Оценка Chime при IPO значительно сократилась по сравнению с пиком на частном рынке, а покупатели вторичного рынка предлагают дисконт для компаний, чей последний раунд прошел много лет назад, намного больший, чем для недавних участников financing.

За этим стоит вторая тенденция. Многие из этих компаний не застыли в развитии из-за невозможности продолжать бизнес, а сознательно отказываются от привлечения нового финансирования и выхода на биржу, потому что любое новое ценообразование может заставить их столкнуться с меньшим числом. Сохранение статуса private и молчание позволяет估值 2021 года оставаться на бумаге. Именно поэтому рынок одновременно демонстрирует рекордные бумажные ценности и рекордные заблокированные ценности.

Значит, бум единорогов был настоящим, или же это просто никем не проверенная цифра?

Для многих компаний могут быть верны оба утверждения. Некоторые действительно выросли до уровня своей оценки 2021 года и сегодня легко ее держат. Но рынок не может подтвердить, к какому типу относится каждая компания, так как с тех пор они не привлекали финансирование или не продавались по реальным ценам. Оценка четырехлетней давности — это не ложь, а просто непроверенная цифра.

Именно здесь основателям и сотрудникам нужно проявлять осторожность.

Если последний раунд вашей компании прошел в 2021 или 2022 году, оценка в структуре капитала — это самое оптимистичное число, которое ваши акции когда-либо имели, но оно未必 равно текущей реальной стоимости. Это влияет на то, как вы ведете переговоры о следующем раунде, рассматриваете exercise опционов и объясняете команде смысл их stock options. То же касается инвесторов: если фонд показывает сильную нереализованную прибыль по таким компаниям, он просто отчитывается по бухгалтерским цифрам, а не по живым деньгам.

Главная опасность заключается не в том, что оценка может оказаться ниже, чем кажется, а в том, чтобы при решении вопросов привлечения финансирования, найма персонала или exercise опционов принимать цифры, закрепленные в 2021 году, за цену, которую рынок готов платить вам сегодня.

Может ли упоминание «AI-нативности» вашей стартапа наоборот снизить его оценку?

Называние себя AI-компанией все еще обеспечивает премию к оценке. Однако инвесторы всё чаще задают второй вопрос: какая доля этой компании действительно защищена конкурентами благодаря именно ИИ?

Данные в этом анализе показывают, что рынок начинает распределять компании с одинаковым ярлыком «AI-нативных» по совершенно разным корзинам.

Премия за AI всё ещё реальна: данные Carta за первую половину 2026 года показывают, что AI-стартапы привлекли на seed-раунде примерно столько же денег, сколько не-AI компании, но при этом их оценка оказалась примерно на 50% выше.

Но не каждая AI-компания получает такую же премию: анализ ставит коммерческие AI-оболочки (wrapper) на уровне 3–8 выручки, вертикальные AI-продукты со стабильными собственными данными — на 10–20 выручки, а компании, обладающие интеллектуальной собственностью и собственными данными, — на 25–40 выручки.

Чем старше компания, тем строже проверка: на seed-раунде компании без защищаемой IP получают скидку в размере 20–30% по сравнению с более защищенными аналогами. На этапе серии А этот разрыв увеличивается до 30–40%.

Это объясняет, почему простое добавление ИИ в продукт становится всё менее осмысленным.

Инвесторы всё больше хотят знать, что останется, если снять с вас ярлык AI.

Может ли другая стартап-компания создать ваш продукт просто подключившись к тому же базовому моделирующему API? Генерирует ли каждый новый клиент собственные данные, способные улучшить продукт? Достаточно ли глубоко программное обеспечение встроено в рабочий процесс, чтобы его замена вызвала трудности? Работает ли unit-экономика, если объем推理 (inference) вырастет в 10 раз?

Эти вопросы указывают на четыре направления, которые основам должны пересмотреть перед следующим раундом финансирования: технологическая дифференциация, собственные данные, блокировка рабочего процесса и unit-экономика при масштабировании.

Практический тест технологической дифференциации удивительно прост: замените базовую модель. Если вы поменяете основного поставщика моделей на другую сопоставимую по уровню модель, а ваш продукт почти не изменится, инвестор может вообще не увидеть, где ваша технологическая защита (moat).

Что касается собственных данных, одних только пользователей недостаточно. Более сильный сигнал — увеличивает ли рост использования генерацию данных, позволяющих измеримо улучшать продукт со временем (например, повышая точность, сокращая время решения задачи или улучшая качество рекомендаций)?

Глубина интеграции в рабочий процесс — Another clue. Если клиенты с более глубокой интеграцией всегда демонстрируют лучшую удержание и расширение (expansion), у основателя есть практическое свидетельство switch costs, вместо пустых заявлений о высокой лояльности продукта.

Далее следует экономическая модель. AI-продукт может иметь хорошую маржу при текущих объемах, но при увеличении inference в 10 раз ситуация радикально изменится. Проработка этих расчетов до встречи с инвесторами покажет, станет ли бизнес действительно сильнее после масштабирования.

Это делает эволюцию премии «AI-нативности» особенно интересной.

Еще восемнадцать месяцев назад упоминание AI хоть где-то существенно усиливало историю для привлечения финансирования. По мере того как всё больше стартапов используют одни и те же формулировки, у инвесторов появляется всё больше причин смотреть глубже поверхности.

Лейбл AI открывает двери к диалогу. Всё большая ценность заключается в доказательстве того, почему то, что вы построите, станет сложнее скопировать по мере роста.

Гантелеобразная структура программного обеспечения: ИИ скоро уничтожит средний сегмент рынка ПО.

ИИ делает разработку ПО значительно дешевле и быстрее. Для стартапов это звучит позитивно, но также может подорвать moats (защитные барьеры), десятилетиями оберегавшие software-компании.

Майк Вернал из Conviction провел интересное сравнение: рынок ПО может двигаться к той самой «гантелеобразной» структуре, которая сформировалась в газетной отрасли после интернет-революции.

До интернета региональные газеты выигрывали за счет дорогих расходов на дистрибуцию. Как только доставка стала практически бесплатной, средний сегмент исчез. Несколько глобальных изданий стали намного крупнее, а одновременно возникли тысячи независимых дайджестов и нишевых публикаций.

Вернал считает, что ИИ может создать аналогичную структуру в сфере ПО.

Традиционные защитные барьеры ПО обычно состоят из трех факторов:

дорогая разработка продукта

болезненный переход на новую систему

интеграции, создающие мощную экосистему.

ИИ ослабляет все три пункта. Конкуренты могут быстрее копировать функции, миграцию можно автоматизировать, а ИИ делает интеграцию значительно проще.

Возможный результат — рынок с крайне сильными двумя полюсами:

гигантские платформы: несколько компаний могут охватить целые категории закупок, например продаж, маркетинга, финансов, HR, юриспруденции или медицины. Они не ограничиваются узким инструментом, а постоянно расширяются, пока их система не станет основой для всех задач клиента.

микро-SaaS компании: на другом конце спектра инструменты AI-кодинга позволят миллионам людей создавать высоко специализированное ПО для себя, своей компании или небольшой группы клиентов. Некоторые из них могут вырасти в прибыльные нишевые бизнесы.

некомфортный средний сегмент: средние однофункциональные решения могут оказаться под наибольшим давлением. Если крупные платформы продолжают добавлять их функции, а маленькие команды могут дешево восстановить узкие продукты, защищаться в роли самостоятельного инструмента становится всё труднее.

Аналогия с Amazon объясняет, какими могут стать новые барьеры. Amazon начинал с относительно простой для копирования вещи: онлайн-продажи книг. Его защита строилась на десятилетиях непрерывных reinvestments в логистику, инфраструктуру, технологии и дистрибуцию.

ИИ может подтолкнуть software-компании к аналогичной стратегии: быстрая разработка, постоянное расширение, реинвестирование и создание продукта, который становится всё сложнее скопировать.

Для стартапов в сфере ПО с поддержкой VC это порождает интересный стратегический вопрос: если создание ПО почти бесплатное, является ли ваша защита по-прежнему просто хорошим продуктом или всем, что вы можете вокруг него построить?

Как на самом деле формируется ваша seed-оценка? (Почти ничего общего с компанией).

Основатели часто полагают, что оценка в первую очередь зависит от трекшена, размера рынка или того, насколько удачно прошёл питч.

Но существует другое ограничение, которое большинство основателей почти не видят: экономическая модель VC-фонда, сидящего напротив.

Представьте, что вы проводите питч для seed-фонда размером 28 млн долларов. Обычно он пишет чек на сумму около 600 тыс. долларов, стремясь получить долю около 6–8%.

При доле в 7% инвестиции в 600 тыс. долларов означают post-money оценку примерно в 8,6 млн долларов. При 6% — это 10 млн долларов. Поэтому если вы привлекаете финансирование по оценке в 18 млн долларов, этот фонд, скорее всего, вообще не сможет провести сделку в рамках своей модели портфеля.

Это образует простую цепочку:

размер фонда → размер чека → целевая доля → максимально возможная оценка

Сегодня это особенно важно, поскольку seed-оценки выросли. Медиана post-money seed-оценок по данным Carta, приведенным в анализе, составляет 24 млн долларов. Фонд размером 50 млн долларов, инвестируя 1,5 млн долларов по такой оценке, получит лишь 6,2% доли, что может быть ниже его целевого показателя.

Это также меняет подход основателей к размеру раунда.

Если вы говорите фонду, что хотите привлечь 3 млн долларов, а lead-инвестор хочет 15%, вы уже заранее, еще до обсуждения оценки, подразумевает post-money оценку в 20 млн долларов.

Более полезный порядок действий:

рассчитайте, сколько денег вам нужно, чтобы пройти следующие 18–24 месяца и достичь следующей вехи.

добавьте буфер.

это и будет вашим размером раунда.

разделите эту сумму на процент размывания, который вы готовы принять.

затем найдите фонды, чьи размеры чеков и модели долей поддерживают такую оценку.

Есть еще одна цифра, которую часто игнорируют основатели: опционный пул (ESOP). Lead-инвестор может потребовать создать 10–15% опционного пула до закрытия сделки, что размывает доли существующих акционеров до инвестиций. Анализ показывает, что переговоры об ESOP на основе реального плана найма иногда влияют на долю основателей сильнее, чем лишние 1–2 млн долларов в headline-оценке.

Чтобы избежать траты недель на неподходящие фонды, самый простой способ — задать этот вопрос при первом созвоне:

«Каков типичный размер первого чека этого фонда и какую долю вы обычно стремитесь получить?»

Эти две цифры позволят быстро оценить, поддерживает ли экономическая модели фонда ваш раунд.

Таким образом, не воспринимайте каждое сопротивление по оценке как отрицание вашей компании. Иногда проблема не в вас. Просто параметры вашего раунда не вписываются в математическую логику фонда.

Если ChatGPT бесплатно делает то же, что и ваше приложение, зачем кому-то платить?

Это становится одной из главных проблем для создателей consumer-приложений.

Если пользователь может открыть ChatGPT, Claude или Gemini и за считанные секунды получить примерно тот же результат, зачем ему тратить 10 или 20 долларов в месяц на отдельное приложение?

Дафна Тидман из RevenueCat считает, что ответ кроется не просто в «добавлении большего количества AI». AI-приложения уже хорошо монетизируются: доход на каждого платящего пользователя на 41% выше, а конверсия из trial в покупку на 52% выше по сравнению с не-AI приложениями. Однако их 12-месячная retention составляет всего 21,1%, тогда как для не-AI приложений этот показатель равен 30,7%.

Другими словами: AI способен завести пользователя внутрь. Но он не обязательно дает ему причину остаться.

Сравните Chegg и Duolingo.

Разница в том, что находится за пределами самого ответа.

RevenueCat предлагает приложениям развивать шесть элементов, которые сложнее скопировать через обычный чат с LLM:

Структура: превращение одного ответа в законченный рабочий процесс или опыт.

Память: понимание пользователя с течением времени, благодаря чему приложение становится полезнее.

Привычка: возвращение пользователей через стрикеры, напоминания, контроль и геймификацию.

Точность: наличие специализированных данных или экспертизы для лучших результатов.

Связность: формирование сообщества, идентичности, личности или эмоциональной привязанности.

Цифровой и физический миры: сочетание программного обеспечения с датчиками, устройствами или данными из реального мира.

Duolingo — отличный пример наложения нескольких из этих элементов. ChatGPT может обучать языкам, но Duolingo годами отстраивала стрики, лидерборды, систему прогресса, напоминания и геймификацию. Сообщается, что после внедрения лидербордов время обучения выросло на 17%, а количество высокoактивных учащихся увеличилось втрое.

Существует еще один простой тест для основателей: тест с пустым полем ввода.

Откройте ChatGPT или другой LLM, точно опишите проблему вашего пользователя в вашем приложении и сравните ответ нейросети с тем, что предоставляет ваш продукт. Если большую часть ценности вашего продукта можно воссоздать одним запросом и одним ответом, у вас есть проблема дифференциации. Если же ваше приложение добавляет структуру, накопленные данные, привычку, точность, связность или компоненты реального мира — возможно, именно там лежит ваша защита (moat).

Таким образом, сам по себе AI может не быть защитой. Более важный вопрос для основателей: что ваш продукт дает пользователю, чего не может дать пустое поле ввода? Позиция RevenueCat заключается в том, что победители будут использовать AI на низком уровне продукта, но конкурировать за счет опыта и сервисов, построенных вокруг него.