Первые клиенты довольны демо. А через квартал выясняется, что каждый ответ модели стоит денег и счёт за её работу (инференс) растёт быстрее выручки. Экономика ИИ-продукта ломается там, где её не ждут.
На старте легко недооценить, сколько стоит каждый полезный ответ. Хотя от этого зависит вся модель бизнеса: цена, тарифы, защита от конкурентов и даже то, какие функции вообще стоит выпускать.
Почему модель выбирают последней?
При запуске ИИ-продукта велик соблазн начать с вопроса "какую модель взять". Это ошибка порядка.
У обычной программы ещё один пользователь почти ничего не стоит, поэтому стратегия сводилась к тому, как продать и как удержать. У ИИ каждый запрос стоит денег, качество ответа заранее не гарантировано, а преимущество дают данные и то, что построено вокруг модели. Поэтому начинать стоит с другого: понять, что именно ценно для клиента, чем это защищено от конкурентов и сколько стоит.
Сама модель просто деталь, которую придётся менять, и не раз. Если бизнес держится на одном поставщике, он рухнет при первой же смене поколения моделей.
Три уровня ценности монетизируются по-разному
Одно "ценностное предложение" описывает ИИ-продукт плохо. Удобнее разложить ценность на три уровня, потому что у каждого своя защищённость и своя цена.
На базовом уровне находится то, что ИИ делает лучше человека или прежнего софта: суммирует, прогнозирует, преобразует контент, ищет. Это легко продать и так же легко скопировать. Конкурент, подключивший ту же модель через API, догоняет за недели, поэтому цена здесь быстро сползает к себестоимости плюс небольшая наценка.
Уровень усиления описывает, как ИИ встраивается в существующий процесс клиента и ускоряет его. Ценность здесь выше, потому что клиент измеряет её в своих же метриках: минуты на заявку, ошибки в документах, время ответа поддержки. За измеримую экономию платят охотнее, чем за "умную функцию".
К уровню инновации относится то, чего без ИИ не существовало: копилоты, автономные агенты, мультимодальная генерация. Маржу и риск здесь проверяют первыми.
Именно на этом уровне концентрируются длинные контексты и многошаговые сценарии: один запуск агента может сделать двадцать обращений к модели там, где чат-ответ делает одно, и себестоимость задачи растёт в те же двадцать раз.
Практический вывод: базовый уровень продают дёшево и массово, усиление продают за измеренный результат, инновацию сначала считают и только потом продают.
Отрыв держится на данных и системе вокруг модели
Базовые модели доступны всем, поэтому сама модель почти никогда не даёт долгого преимущества. Его дают свои данные, хорошо настроенный поиск по базе знаний (RAG), дообучение под свою отрасль, тщательная проверка качества и то, насколько глубоко продукт встроен в работу клиента. Сильнее всего работает замкнутый круг, который венчурный фонд NFX назвал data network effect. Чем больше люди пользуются продуктом, тем больше данных. Чем больше данных, тем точнее модель. Чем точнее модель, тем больше ею пользуются.
Сам по себе этот круг не крутится. Он останавливается, когда данные устаревают или новые данные уже почти не улучшают точность. Допустим, первые 10 тысяч размеченных запросов подняли точность с 82% до 91%. Следующие 10 тысяч добавили два пункта, а ещё 50 тысяч дали полпункта. На третьем шаге данные уже не защищают от конкурентов, а просто лежат на складе.
Поэтому защиту от конкурентов строят из нескольких вещей сразу: данные, каналы продаж, доверие клиентов и соответствие требованиям. По отдельности ни одна из них надолго не удержит.
Скептик тут заметит, что модели дешевеют и умнеют так быстро, что следующее поколение общего назначения обгонит дообученный вариант без всякой доменной разметки. Для открытых, общих задач (тексты, переводы, ответы на типовые вопросы) так и бывает. Там же, где ценность зависит от данных, которых нет в открытом интернете, общая модель упирается в то, чего никогда не видела: историю заявок конкретного клиента, внутренние регламенты, редкий домен. Отсюда проверка: если ваш датасет можно собрать из открытых источников за месяц, рвом его не считайте.
Работа с данными тоже часть бизнес-модели, и целиком отдать её юристам не получится. Учёт согласий, понятное происхождение каждой записи, удаление данных по запросу, защита персональных данных и журналы проверок решают, сможете ли вы вообще работать с крупными компаниями.
Качество здесь важнее объёма: релевантность, полнота и согласованность разметки определяют качество модели прямее, чем размер корпуса.
Цену запроса решает обвязка вокруг модели
ИИ-продукт можно разделить на четыре слоя, и расходы с рисками распределены между ними неравномерно.
Первый слой: данные. Это потоки данных, хранилища, разметка и проверка качества. Второй: сами модели, готовые или дообученные под отрасль, иногда с поиском по базе знаний. Третий: обвязка вокруг модели, её называют оркестрацией. Сюда входят шаблоны запросов, логика агентов, правила, какую модель звать и что делать при сбое, проверки и ограничения. Четвёртый слой: то, что видит пользователь. Помощник в интерфейсе, автоматические процессы, отчёты, поиск.
Деньги решаются на третьем слое. Сколько текста уйдёт в модель, сколько шагов сделает агент, когда запрос уйдёт на дорогую модель: всё это задаёт оркестрация. Выбор самой модели решает меньше, чем кажется. Две команды на одной модели легко получают разницу в цене задачи в несколько раз. Одна держит запрос коротким и кеширует неизменную инструкцию. Другая на каждом шаге агента заново отправляет всю историю разговора.
Каждую функцию полезно оценить по трём вопросам: насколько она ценна, сколько стоит и чем рискует. Сюда входят польза для пользователя, сложность разработки, нужные данные, цена запросов к модели, риски и предел роста. По этой оценке решают, что идёт в базовый тариф, что в премиальный, а что под жёсткий лимит.
Простое правило: если функция ценная, но цена задачи сильно скачет (средняя задача стоит 0,3 доллара, а каждая сотая 12), её ставят в верхний тариф или ограничивают. В базовом тарифе ей не место.
Цена привязывается к потреблению, ценности или издержкам
Оплата по использованию (за токены, запросы, поиск или выполненную агентом задачу) честнее всего связывает выручку с затратами и прозрачна для технических клиентов. Новых клиентов она пугает: никто не знает, на что хватит миллиона токенов.
Подписка с лимитами делит тарифы по доступу к моделям, длине контекста и уровню автоматизации. Для большинства продуктов оптимален гибрид: фиксированная база плюс оплата сверх квоты. База даёт клиенту предсказуемость, потолок защищает маржу от тяжёлых пользователей.
Кредитная система (скажем, 1000 токенов = 1 кредит, изображение = 20 кредитов, анализ документа = 50) упрощает восприятие цены и даёт естественную допродажу через общий кошелёк на несколько продуктов. Её слабое место: курс кредитов придётся менять при смене модели, и клиент воспринимает это как скрытое повышение цены.
Ценностное ценообразование считает цену от результата и работает там, где результат клиент измеряет сам. Разберём на условном примере.
Юридический отдел проверяет 4000 договоров в месяц, на каждый уходит 12 минут юриста, час юриста стоит компании 30 долларов. Это 800 часов и 24 000 долларов в месяц. ИИ сокращает проверку до 3 минут, экономия 600 часов, или 18 000 долларов. Если взять 15-25% от созданной ценности, цена ложится в диапазон 2700-4500 долларов в месяц. Инференс при этом обходится примерно в 200 долларов (по 5 центов на договор).
Маржа огромная, но держится она на одном допущении: клиент должен верить в свои 12 минут. Если он их не измерял, переговоры сползут к цене "как у конкурента".
Крупные компании платят за другое: модели под свою задачу, закрытую обработку своих данных, инструменты для проверок, гарантии уровня сервиса (SLA) и выделенные мощности. Главные расходы здесь уходят на внедрение и поддержку, а запросы к модели стоят немного. Поэтому договор обычно заключают на несколько лет: плата за платформу плюс оплата по использованию. Экономить на модели у такого клиента бессмысленно: качество ответа ему важнее нескольких центов за запрос.
Общая ошибка для всех этих схем: ставить цену "как у конкурента". Отталкиваться нужно от другого. Клиент должен понимать, за что платит: за выполненную задачу, а не за токены, которые ему ничего не говорят. И эта единица должна примерно отражать реальную себестоимость. Тогда внутри продукта можно менять модель и добавлять кеш, не переписывая прайс.
Где маржа ИИ-продукта расходится с SaaS
Стоимость инференса становится главным драйвером себестоимости. Она зависит от размера модели, длины контекста, числа токенов, поиска по базе и кеширования, и рост использования прямо давит на валовую маржу. Поэтому маржу моделируют по сценариям: трафик, пороги маржинальности, чувствительность параметров, точка безубыточности.
Ожидания стоит откалибровать заранее: инференс и облако сидят в себестоимости продаж, поэтому маржа софтверного уровня у ИИ-продукта скорее исключение. Стабильные 55% по когорте здоровее номинальных 80%, которые держатся только при малом трафике. Токены с каждым годом дешевеют, но продукты делают всё больше вызовов на задачу, и одно часто съедает другое.
На среднего клиента здесь смотреть бесполезно. Обычно небольшая часть самых активных пользователей тратит непропорционально много, и маржу определяют именно они. Поэтому считайте отдельно: сколько стоит типичный пользователь, сколько пользователь из самых тяжёлых 5% и при какой разнице между ними тариф перестаёт окупаться.
Вторую статью расходов недооценивают чаще других: работу с данными на всём их пути. Очистка, разметка, проверка, не стала ли модель хуже на новых данных, дообучение, тестовые наборы и инфраструктура для всего этого. Со временем эта статья нередко обходит стоимость обучения модели.
Третья статья связана с надёжностью: ошибки модели порождают ручные проверки, эскалации и правки конвейеров. В крайнем случае они ломают бизнес целиком.
Ошибка, умноженная на объём операций, быстро становится строкой в отчёте о прибылях. Возьмём модель оценки, которая в среднем завышает цену сделки на 2%: при обороте 10 миллионов долларов в месяц это 200 тысяч долларов потерь ежемесячно, и копятся они задолго до того, как кто-то заметит перекос. Поэтому цена ошибки модели должна стоять в юнит-экономике отдельной строкой с первого расчёта.
Маржу возвращают несколькими способами: учат маленькую модель повторять большую, кешируют, обрабатывают задачи пачками, убирают повторы, сокращают запросы и отдают простые вопросы меньшим моделям. Кеш длинной неизменной инструкции у крупных поставщиков читается с большой скидкой. Но первая запись в кеш стоит дороже обычного запроса, поэтому он окупается, только если начало запроса часто повторяется.
Каждый приём, кроме кеша, меняет качество в обмен на стоимость. Оптимизация затрат поэтому остаётся постоянной строкой в плане работ, а маршрутизацию включают последней, когда уже есть набор оценки.
Сначала проверяют ценность, потом цену
ИИ-бизнес проверяют по желательности, реализуемости, жизнеспособности и качеству модели, и эксперименты для каждой оси разные.
Чтобы проверить модель, её сравнивают с другими на заранее собранных примерах, ищут выдуманные ответы и проверяют безопасность. Чтобы проверить продукт, смотрят, какую долю задач он решает, удерживает ли пользователей и готовы ли за него платить. На ранней стадии хватает короткого опроса: спросите активных пользователей, насколько они расстроятся, если продукт завтра исчезнет. Если "очень" отвечает явное меньшинство, о цене говорить рано.
Ценовые эксперименты проверяют тарифы, реакцию спроса на цену, пакеты кредитов и лимиты. Экономические сводятся к стресс-тестам: что будет с расходами при росте нагрузки и как сильно маржа зависит от каждого параметра.
Порядок важен. Сначала подтверждают ценность и качество, потом трогают цену. Иначе ценовой эксперимент измеряет шум: клиенты отказываются от тарифа, а команда не знает, дорого им или просто не нужно.
Слои модели должны сходиться
Полная модель бизнеса состоит из нескольких частей, и они должны сходиться друг с другом. Стратегия описывает рынок, проблему, ценность для клиента и защиту от конкурентов. Устройство продукта охватывает данные, модели, оркестрацию и интерфейс. Экономика отвечает за то, как продукт зарабатывает, сколько стоит и когда выходит в ноль. Эксперименты проверяют модели и цены. Отдельно нужны правила безопасности, соответствия требованиям и документация.
Ещё одна часть касается людей: насколько опытны продакт-менеджеры, специалисты по данным и инженеры и как компания переходит от одной операционной модели к другой.
Рассогласование выглядит буднично. Стратегия обещает агентную автоматизацию, экономический слой считает цену по чат-ответам, а оркестрация делает по двадцать вызовов на задачу. Каждый слой по отдельности разумен, вместе они дают продукт, который теряет деньги на каждом лучшем клиенте.
Проверка простая: возьмите самую дорогую фичу и пройдите её по всем слоям сверху вниз. Если на каком-то слое ответ "это не наша зона", рассогласование найдено.
Два коротких ответа для тех, кто сравнивает с SaaS
Чем это отличается от SaaS
Переменной себестоимостью инференса, зависимостью от данных и вероятностным поведением модели. Предельная стоимость здесь не стремится к нулю, и валовая маржа стартует заметно ниже, чем у чистого софта; механику этого разрыва подробно описала Andreessen Horowitz в разборе экономики ИИ-бизнеса.
Когда хватает чистой подписки
Когда пользователи обходятся примерно одинаково. Если самые тяжёлые 5% стоят не больше чем в три-четыре раза дороже типичного пользователя, подписка без квот выдержит. Чем шире хвост, тем нужнее гибрид "подписка + использование", а для enterprise связка "платформа + использование". Чистая подписка на агентный продукт рушится о первых же тяжёлых пользователей.