Стартапы, нативные для AI: как инвесторы проводят андеррайтинг прикладного слоя AI

Введение

Искусственный интеллект стал крупной и концентрированной категорией венчурных инвестиций. Stanford HAI сообщает, что мировые корпоративные инвестиции в AI более чем удвоились в 2025 году, причём генеративный AI обеспечил почти половину частного финансирования AI [1]. NVCA сообщает, что венчурные инвестиции в США достигли рекордного уровня в первой половине 2026 года, при этом большая часть инвестированного капитала направлялась в компании AI и в сделки финансирования на сумму USD 100 million или более [2]. Carta фиксирует, что компании на её платформе привлекли USD 119.5 billion в 2025 году в рамках 4 859 раундов — самое низкое годовое число раундов как минимум за шесть лет; её данные по Series A показывают медианную премию к оценке в 38% для компаний AI [3]. ОЭСР сообщает, что инвестиции, связанные с AI, превысили половину общих венчурных инвестиций в 2025 году [6].

Эти цифры описывают рынки капитала, а не качество инвестиций. Ярлык, такой как «нативный для AI», может относиться к продукту, клиентский результат которого зависит от машинного инференса; к традиционному программному продукту, к которому добавили интерфейс модели; к сервисному бизнесу, использующему AI внутри; к компании рабочих процессов с собственным циклом оценки и данных; или к нарративу основателя с ограниченными доказательствами промышленной эксплуатации. В каждом случае разный профиль продукта, риска, маржи, дистрибуции и капитала.

Таким образом, проблема андеррайтинга носит доказательственный характер. Инвестору необходимо установить, что делает приложение, какой клиентский результат меняется, какая часть рабочего процесса автоматизирована, какие зависимости от модели и данных имеют значение, как оценивается качество, как контролируются сбои, как клиенты покупают продукт и остаются его пользователями, как выручка превращается в денежные средства, как стоимость обслуживания меняется по мере использования и какие права позволяют компании работать. Основателю нужны те же доказательства, чтобы управлять компанией и подготовить убедительный процесс финансирования.

Центральное положение статьи состоит в том, что принятый клиентский результат с поправкой на качество является правильной операционной единицей. Принятый результат — это выполненная клиентская задача или решение, которые соответствуют заданным критериям качества, полномочий и доказательств. Примеры включают проверенный кредитный меморандум, решённый клиентский запрос, принятую классификацию счёта, выпущенное изменение программного обеспечения, завершённую проверку на соответствие или одобренный клиентом дизайн. Токены, вызовы, генерации, агенты и баллы моделей по бенчмаркам являются техническими входными данными. Они становятся экономически значимыми, когда способствуют принятым результатам, удержанию клиентов и собранной валовой прибыли.

Далее следуют семь принципов андеррайтинга. Во-первых, нативную для AI метку необходимо перевести в наблюдаемый рабочий процесс и архитектуру. Во-вторых, компания должна подтвердить доказательствами производительность модели на репрезентативных клиентских задачах. В-третьих, качество выручки требует доказательств по договорам, счетам, сбору платежей, когортам, уступкам и концентрации. В-четвёртых, валовая маржа требует полного реестра затрат по каждому результату, включая затраты на человеческую проверку и надёжность. В-пятых, поставщики моделей и облачных услуг являются частью цепочки поставок продукта. В-шестых, права на данные, конфиденциальность, интеллектуальная собственность, безопасность и регуляторная роль определяют, где и как продукт может продаваться. В-седьмых, инвестиционный кейс должен выдержать шок цен на модели, регрессию качества, уход поставщика, потерю клиента и более медленный цикл продаж.

Дата отсечения доказательств — 1 августа 2026 года. Анализ использует актуальные официальные рыночные отчёты, отчётность по ценным бумагам, документацию поставщиков, материалы регуляторов, законодательство, стандарты и ресурсы по безопасности. Не были предоставлены ни компания, ни основатель, ни фонд, ни клиент, ни продукт, ни договор, ни когорта, ни комната данных, ни набор для оценки, ни реестр затрат, ни таблица капитализации, ни инвестиционный меморандум. Все расчётные объёмы, цены, затраты, коэффициенты конверсии, эффекты производительности и входные данные для оценки являются гипотетическими допущениями моделирования. Атрибутированные Matchpoint или клиентская выручка, снижение затрат и снижение потерь остаются USD 0.

Сфера применения, определения и границы доказательной базы

Прикладной уровень

Прикладной уровень превращает модели, данные, программное обеспечение и человеческий труд в продукт, используемый для конкретного клиентского рабочего процесса. Он может включать пользовательские интерфейсы, прикладную логику, извлечение данных, память, инструменты, маршрутизацию моделей, промпты, дообучение, оценку, контроль доступа, наблюдаемость, биллинг и поддержку. Компания-разработчик приложения может использовать проприетарные, сторонние модели или модели с открытыми весами. Её устойчивость может возникать благодаря интеграции в рабочие процессы, правам на проприетарные данные, активам для оценки, дистрибуции, издержкам переключения, регулируемым разрешениям, доверию клиентов или операционному обучению.

Уровень модели обеспечивает инференс или веса модели. Инфраструктурный уровень обеспечивает вычисления, хранение, оркестрацию и развёртывание. Эти границы могут пересекаться. Компании, которая дообучает модель или размещает её у себя, всё равно необходимо показать, как модель меняет клиентский результат и как приложение улавливает ценность.

Нативная для AI классификация

Классификация, нативная для AI, должна основываться на доказательствах. Эта классификация не требует единой технической архитектуры. Она требует существенной зависимости от машинного инференса в цепочке создания ценности клиента, продукта, спроектированного вокруг этой возможности, и операционной модели, которая измеряет её качество и экономику.

Результат можно зафиксировать как AI-native, AI-enabled, сервис с поддержкой AI или как непроверенный. Эта классификация — вывод дью-дилидженса, а не вывод об оценке.

Классы доказательств

Каждое существенное утверждение должно получить класс и владельца. Наблюдаемые доказательства поступают из контролируемой системы учёта. Независимо воспроизведённые доказательства получают при повторном запуске теста инвестором, консультантом или квалифицированной третьей стороной. Доказательства, подтверждённые клиентом, поступают от указанного уполномоченного представителя клиента и, где это возможно, должны сверяться с данными системы. Доказательства, оценённые менеджментом, маркируются и подкрепляются методологией. Неподтверждённые утверждения остаются открытыми вопросами.

Публичные аналоги и рыночные отчёты

Публичная отчётность демонстрирует аналитические методы и возможный разброс экономических показателей. Palantir сообщила о выручке за 2025 год в размере USD 4.475 billion, валовой марже 82% и 954 клиентах [7]. UiPath сообщила о выручке за 2026 финансовый год в размере USD 1.611 billion, годовом приведённом объёме продлений в размере USD 1.853 billion и валовой марже 83% [8]. C3 AI сообщила о выручке за 2026 финансовый год в размере USD 250.3 million и валовой марже по GAAP 31% [9]. Duolingo раскрыла, что рост затрат на генеративный AI и хостинг снизил валовую маржу в 2025 году, а позднее описала продолжающиеся инвестиции в инфраструктуру AI [10].

Эти компании различаются по масштабу, продукту, модели развёртывания, составу клиентов, услугам, бухгалтерскому учёту и зрелости. Их метрики не определяют валовую маржу или оценку частного стартапа. Они показывают, почему инвестору следует избегать универсального допущения о марже для AI-ПО.

Рыночные отчёты также имеют границы. Публикуемые данные Carta агрегируются по компаниям и держателям ценных бумаг на её платформе и не включают компании, которые запросили исключение из анонимизированных исследований [3-5]. Отчёт NVCA охватывает венчурную экосистему США, а поставщиком данных для него выступает PitchBook [2]. ОЭСР использует данные Preqin в своём AI венчурном брифе [6]. Stanford HAI объединяет несколько публичных и проприетарных источников [1]. В работе сохраняются границы охвата каждого источника.

Правовые, инвестиционные и авторские ограничения

Настоящая работа не определяет, регулируется ли продукт, является ли обработка законной, действительны ли права интеллектуальной собственности, подходит ли ценная бумага, справедлива ли оценка или следует ли осуществлять инвестицию. Такие решения требуют применимого договора, фактических обстоятельств, юрисдикции и компетентной квалифицированной инстанции.

Matchpoint Partners является организационным автором. Ни показатели основателя, ни мнение инвестора, ни результат для клиента не приписываются конкретному названному лицу.

Карта решений инвестора и основателя

решения инвестора

инвесторам нужен поэтапный ответ на пять вопросов. Является ли проблема клиента значимой и повторяющейся? Создаёт ли продукт признанный результат, за который клиенты готовы платить? Может ли компания сохранять качество и контроль при изменениях моделей и рынка? Создаёт ли удерживаемая выручка привлекательные характеристики валовой прибыли и денежных потоков? Подтверждается ли цена финансирования доказательствами и анализом негативного сценария?

решения основателя

Те же доказательства подкрепляют контроль основателя. Основатель должен знать, какой результат для клиента обеспечивает удержание, какой сбой наносит наибольший ущерб клиентам, какая зависимость от поставщика ограничивает масштабирование, какая когорта создаёт валовую прибыль и какая веха заслуживает следующей единицы капитала.

Общее хранилище подтверждающих данных

Инвестор и основатель должны работать с одним и тем же сверенным хранилищем подтверждающих данных. Разные интерпретации допустимы. Разные исходные цифры создают риск, которого можно избежать.

Рыночный контекст и проблема концентрации AI-капитала

Премия и отбор

Рост капитала AI расширяет набор возможностей и усиливает давление отбора. Данные Carta за 2025 год показывают больше капитала при меньшем числе раундов и премию к оценке AI начиная с раунда A [3]. В её исследовании посевной стадии сообщается о более компактных командах на раннем этапе, более длительных сроках привлечения финансирования и увеличивающемся разрыве между типичными и лучшими оценками, особенно для компаний AI [4]. В её отчёте о компенсациях за второе полугодие 2025 года описываются эффекты в капитале и талантах, обусловленные AI, при акценте на меньших командах на ранних стадиях [5].

Поэтому инвестору следует отличать премию категории от подтверждений на уровне компании. Оценка может отражать дефицит, конкуренцию, стратегическую ценность опциона, размер рынка, рост, удержание, команду, технологию, права на данные или динамику. Каждый фактор требует собственных доказательств и учёта негативного сценария.

Дисциплина оценки объёма рынка

Рынок прикладного уровня следует начинать с единиц клиентов и расходов на рабочие процессы. Совокупные показатели top-down AI могут дать контекст для оценки внедрения. Они не подтверждают достижимую выручку.

Для компании в вертикали AI рыночная модель должна включать число целевых компаний, подходящих подразделений, частоту рабочих процессов, текущие затраты, необходимые разрешения, нагрузку на интеграцию, владельца бюджета и реалистичный уровень внедрения. Для горизонтального продукта сегментация по сценарию использования и покупателю предотвращает поверхностный расчёт общего числа мест.

Вероятность привлечения финансирования и запас денежных средств

Рыночные данные указывают на концентрированную среду финансирования. Они не доказывают, что конкретная компания сможет привлечь средства. План финансирования должен включать сценарий без привлечения, сценарий с отсроченным привлечением и сценарий с более низкой ценой. Он должен показывать ежемесячные денежные средства, обязательные затраты, дискреционные затраты, триггеры найма, обязательства перед провайдерами, оборотный капитал и минимальный операционный запас денежных средств.

Эти сценарии — гипотетические допущения моделирования. Они демонстрируют механику планирования. Они не прогнозируют доступность финансирования, оценку или доходность.

Тест прикладного уровня, нативный для AI

Клиентский результат важнее возможностей модели

Первая сессия дью-дилидженс должна воссоздать один клиентский рабочий процесс без продукта. Команда фиксирует триггер, входные данные, оператора, решение, результат, проверку, исключение, затраченное время, стоимость ошибки и полномочия. Затем она воссоздаёт тот же рабочий процесс с продуктом. Сравнение показывает, какие шаги исчезают, меняются, ускоряются или требуют новых механизмов контроля.

Упражнение выявляет категориальные ошибки. Более быстрый черновик может увеличить трудозатраты на проверку. Меньшее время обработки может увеличить объём исправлений или эскалаций. Более высокая степень автоматизации может скрывать более низкое принятие клиентами. Продукт, создающий больше выходных данных, может снижать ценность, если пользователи не могут проверить их в пределах окна принятия решения.

Принятый результат для клиента

У принятого результата есть пять элементов. Задача определена. Исходных доказательств достаточно. Выходные данные проходят пороги качества и политики. Уполномоченное лицо или система принимает их. Результат доходит до рабочего процесса клиента. Сгенерированный ответ, который отбрасывается, черновик, требующий полного воссоздания, и автоматическое решение, отменённое по итогам проверки, являются произведёнными выходными данными, а не принятыми результатами.

Компании следует измерять принятые результаты в расчёте на клиента и когорту. Полезные показатели включают принятие с первого прохода, принятый результат на активного пользователя, минуты проверки на принятый результат, долю исключений, долю исправлений, долю инцидентов, эскалации со стороны клиентов и время до принятия. Определение должно быть достаточно стабильным для когортного анализа и достаточно конкретным, чтобы предотвращать завышение объёмов.

Реестр утверждений

Правоприменительная практика SEC в отношении заявлений AI показывает важность точных заверений [12]. Частное финансирование также зависит от надёжных утверждений. Реестр утверждений фиксирует каждое существенное утверждение, использованное в презентации, комнате данных, предложении клиенту и инвестиционной записке.

Реестр утверждений также помогает основателям. Неподтверждённые утверждения можно скорректировать до начала процесса финансирования. Управленческие оценки можно превратить в наблюдаемые доказательства с помощью структурированных тестов.

Маховик доказательств

Защитимое приложение может построить законный и полезный маховик доказательств. Задачи клиентов создают данные об использовании, полученные с согласия или разрешённые договором. Сигналы проверки и результатов улучшают оценку. Оценки улучшают маршрутизацию, рабочие процессы и решения о выпуске. Лучше принимаемые результаты повышают внедрение и удержание. Продолжающееся использование создаёт более репрезентативные доказательства. Каждое звено требует прав, качества и экономической ценности.

Инвестор должен отвергать замкнутое по логике утверждение о «рве» на данных. Больший объём данных имеет ценность, только если данные разрешены, релевантны, достаточно размечены, включены в контролируемый процесс улучшения и трудновоспроизводимы для конкурента.

Ценность продукта, клиентский рабочий процесс и доказательства соответствия продукта рынку

Базовый уровень и контрфактический сценарий

Чтобы оценить ценность продукта, нужен базовый сценарий. Базовым сценарием может быть текущая работа людей, правила, существующее ПО, аутсорсинговая услуга или бездействие. Контрфактический сценарий должен отражать, что клиент реально делал бы без продукта. Сравнение продукта с нереалистичным ручным процессом завышает ценность.

Наиболее убедительным ранним доказательством является репрезентативное сравнение в рамках одного клиента. Оно использует одно и то же семейство задач, требования к услугам и окно принятия решений. Оно фиксирует различия входных данных, эффекты отбора и проверку. Рандомизированные тесты могут подходить для функций продукта. Операционные и регулируемые рабочие процессы могут требовать сопоставимых периодов, поэтапного внедрения или контролируемого теневого использования.

Мост производительности и выручки

Производительность становится ценностным предложением для клиента, когда клиент может перераспределить мощности, снизить фактические затраты, обслужить больший объём спроса, сократить время до получения выручки или уменьшить измеряемые потери. Выручка становится ценностью компании, когда законтрактованное использование превращается в собранную и удержанную валовую прибыль.

Лестница клиентских доказательств

Письма о намерениях, меморандумы о взаимопонимании, неоплачиваемый пилот, оплачиваемый пилот, производственный контракт и полученное продление следует отражать отдельно. Логотипы не заменяют эту классификацию.

Протокол клиентского референса

Клиентский референс должен быть авторизован и структурирован. Интервьюер подтверждает проблему, предыдущий рабочий процесс, процесс покупки, внедрение, время до получения ценности, качество, исключения, поддержку, частоту использования, широту пользователей, цену, намерение продлить и альтернативы. Инвестор фиксирует связь опрашиваемого с покупкой и повседневным использованием.

Референс — это подтверждённое клиентом доказательство. Он сильнее, когда сверен с договорными, продуктовыми и финансовыми записями. Чемпион, выбранный основателем, может дать ценные подробности и может не отражать позиции закупок, безопасности, финансов или конечных пользователей.

Дистрибуция и модель продаж

Приложения AI могут использовать продажи под руководством основателя, продуктовое внедрение, прямые корпоративные продажи, маркетплейсы, облачных партнёров, системных интеграторов, канальных партнёров и встроенную дистрибуцию. Каждая модель имеет свои затраты, контроль, время и концентрацию.

Техническая архитектура, цепочка поставок моделей и переносимость

Материалы по архитектуре

Архитектура должна показывать полный путь от пользователя и системы-источника до принятого результата. Она включает идентификацию, разрешения, перемещение данных, извлечение, промпты, маршруты моделей, инструменты, выполнение кода, защитные механизмы, проверку человеком, хранение, наблюдаемость и биллинг. На диаграмме должны быть разграничены клиентские среды, системы компании и третьи стороны.

Реестр провайдеров

OpenAI, Anthropic, Google и AWS публикуют разные структуры цен на модели, кэширование, пакетную обработку, инструменты, контекст и развёртывание [13-16]. Google также публикует информацию о жизненном цикле моделей и эндпоинтов, включая вывод из эксплуатации [17]. В реестре фиксируется точный используемый сервис, а не только бренд провайдера.

Прейскурантные цены могут меняться, а фактические расходы зависят от входных данных, выходных данных, повторных попыток, кэширования, использования инструментов, контекста, модальности и объёма. В рамках дью-дилидженса следует сверять позиции счетов с продуктовой телеметрией за репрезентативный период.

Концентрация и переключение

Исследование FTC отобранных партнёрств облачных провайдеров и разработчиков AI фиксирует обязательства по расходам на облако, условия эксклюзивности, доступ к конфиденциальной информации и потенциальные издержки переключения [11]. Отчёт касается этих партнёрств и не устанавливает условия частной компании-разработчика приложений. Он даёт полезную оптику для дью-дилидженса.

Концентрация измеряется по расходам, принятым результатам, критическим функциям, регионам и клиентам. Компания может выглядеть мультимодельной, при этом один провайдер выполняет все задачи, критичные для выручки. Резервный вариант, проходящий синтетический запрос, всё равно может давать сбой на клиентских инструментах, длинном контексте, поведении в области безопасности, структурированном выводе или задержке.

Тест на переносимость

Тест на переносимость прогоняет репрезентативный набор оценок для альтернативной модели или развёртывания. Он фиксирует изменения кода, изменения промптов, различия в схемах вывода, качество, нагрузку на проверку, задержку, стоимость, безопасность, условия работы с данными и время миграции. Результат может быть переносимым, частично переносимым или концентрированным.

Инвестору следует смоделировать как минимум три шока: рост удельной стоимости модели на 50%, отзыв основной модели в течение 90 дней и ограничение ёмкости в периоды пиковой нагрузки. Эти проценты и сроки являются гипотетическими иллюстративными исходными данными. Менеджмент должен заменить их своими договорными и операционными данными.

Зависимость от открытых весов и лицензий

Лицензия Meta Llama 4 Community License предоставляет определённые права и включает условия о распространении, указании авторства, допустимом использовании и масштабе [22]. Другие модели с открытыми весами имеют иные лицензии. Открытые веса не означают отсутствие ограничений. Компании следует сохранять точную версию лицензии, карточку модели, источник загрузки, изменения, уведомления, анализ допустимого использования и анализ распространения.

Оценка, надёжность, безопасность и операционные средства контроля

Контракт оценки

RMF NIST для AI использует функции руководства, картирования, измерения и управления [23]. Его Профиль генеративного AI определяет риски генеративного AI и рекомендуемые действия [24]. Текущие рекомендации OpenAI по моделям предписывают проводить оценку на репрезентативных задачах до миграции или оптимизации [29]. Рекомендации Anthropic по оценке начинаются с конкретных, измеримых и релевантных критериев успеха [30]. Эти источники поддерживают практическую дисциплину выпуска.

Контракт оценки определяет совокупность задач, выборку, эталонные данные, средство оценки, измерения, порог, серьёзность, подгруппу, модель/версию, промпт, среду инструментов и решение о выпуске. Набор тестов должен включать обычные, сложные, состязательные, неполные и выходящие за рамки случаи.

Релиз и мониторинг

Одного бенчмарка недостаточно. Релизы могут изменять версию модели, промпт, инструменты, извлечение данных, политики, код, данные и конфигурацию клиента. Компании следует сохранять манифест релиза и повторно запускать требуемый набор тестов. Затем производственный мониторинг сравнивает принятие, отказы, задержку и стоимость с ожиданиями от релиза.

Подтверждающие материалы по надёжности и инцидентам

Надёжность измеряется на границе принятого результата. Доступность может быть высокой, пока критически важный инструмент незаметно отказывает. Модель может отвечать, предоставляя недействительную схему. Рабочий процесс может завершиться после окна принятия решения клиентом. Реестр инцидентов должен включать сбои провайдеров, ухудшение качества, ошибки извлечения, устаревание данных, ошибки инструментов, события безопасности, аномалии расходов и очереди на проверку человеком.

Обеспечение

Профиль сообщества SSDF NIST добавляет практики генеративного AI в безопасную разработку программного обеспечения [25]. CISA и NCSC рассматривают вопросы безопасного проектирования, разработки, развёртывания и эксплуатации систем AI [26]. OWASP выявляет риски, включая инъекцию промптов, раскрытие конфиденциальной информации, уязвимости цепочки поставок и неограниченное потребление [27]. MITRE ATLAS предоставляет развивающуюся базу знаний об угрозах для предиктивных, генеративных и агентных систем AI [28].

Сертификаты безопасности и тесты на проникновение являются доказательствами в пределах их области действия и даты. Они не заменяют проверку архитектуры, историю инцидентов или средства контроля, специфичные для заказчика.

Права на данные, конфиденциальность, регулирование и интеллектуальная собственность

Точные условия оказания услуг

OpenAI заявляет, что входные и выходные данные для бизнеса и API по умолчанию исключаются из обучения [18]. Его соглашение об оказании услуг определяет деловые отношения и соответствующие права на контент [19]. Anthropic публикует информацию об использовании данных в коммерческих продуктах [20]. Условия Google Gemini API различают бесплатные и платные услуги, включая использование предоставленного контента и проверку человеком для бесплатных услуг, а также иной режим для платных услуг [21]. Рекомендации Google по нулевому хранению данных определяют настройки продуктов и функции, относящиеся к хранению [40].

Эти условия могут меняться. Компании следует хранить датированные договорные документы, настройки учётных записей и доказательства потоков данных. Ответ о конфиденциальности, основанный только на публичном заявлении провайдера на уровне бренда, неполон.

Реестр прав на данные

Реестр должен фиксировать качество и полезность данных отдельно от юридических прав. Правомерные данные могут быть нерелевантными. Полезные данные могут быть непригодны для использования, если отсутствует необходимое право.

UAE, DIFC, ADGM, защита данных в Саудовской Аравии и Великобритании

Федеральный декрет-закон UAE № 45 от 2021 года устанавливает федеральную нормативную базу в сфере персональных данных в пределах своей сферы действия [33]. Регламент 10 DIFC регулирует обработку персональных данных с помощью автономных и полуавтономных систем [34]. Руководство ADGM посвящено автоматизированному принятию индивидуальных решений, включая необходимость содержательной проверки человеком в соответствующих случаях [35]. PDPL Саудовской Аравии и имплементационная нормативная база устанавливают обязанности контроллера в пределах сферы действия [36]. Управление информационного комиссара Великобритании публикует руководство AI, охватывающее законность, справедливость, прозрачность, ограничение цели, минимизацию, точность, хранение, безопасность и подотчётность [37].

Эта таблица представляет собой индекс для дью-дилидженса. Она не является юридическим выводом.

Роли и прозрачность в рамках Закона ЕС об AI

Закон ЕС об AI различает поставщиков моделей, поставщиков систем, развёртывающих лиц и иных операторов и применяет обязанности в зависимости от роли и риска [31]. Европейская комиссия указывает, что обязательства по прозрачности, предусмотренные статьёй 50, применяются с 2 августа 2026 года, при этом для некоторых систем, размещённых на рынке ранее, предусмотрен особый переходный режим [32]. Компания GCC может попадать в сферу действия в зависимости от фактов — через размещение продукта на рынке, развёртывание или наличие затронутых лиц в Союзе.

Матрицу «продукт — роль» следует заполнять для каждого сценария использования и юрисдикции. Компания может быть поставщиком для одной функции, развёртывающим субъектом для другой и нижестоящим интегратором сторонней модели общего назначения. Формулировки договора должны соответствовать фактической архитектуре и механизмам контроля.

Происхождение авторских прав, патентов и кода

Бюро по авторским правам США опубликовало отчёты, посвящённые цифровым репликам, возможности охраны авторским правом результатов генеративного AI и обучению AI [38]. Пересмотренное руководство USPTO от ноября 2025 года устанавливает, что к изобретениям, созданным с помощью AI, применяются обычные стандарты авторства изобретений и изобретателями могут быть только физические лица [39]. Договоры с поставщиками и лицензии на открытые модели распределяют и резервируют различные права [19,21,22].

Сгенерированный код должен проходить те же проверки — ревью, тестирование, контроль безопасности, происхождения и лицензий, — что и код, написанный человеком. В рамках дью-дилидженса следует выборочно проверять коммиты и зависимости, а не полагаться только на документ с политикой.

Качество выручки, удержание и распределение

От договора до поступления денежных средств

Андеррайтинг выручки начинается с мостика на уровне клиента. Мостик связывает возможность, подписанный договор, обязанность по исполнению, доступ к продукту, использование, принятые результаты, счёт, поступление платежей, кредит, уступку, продление и расширение. Он также выявляет отношения с реселлерами, связанными сторонами, сетью основателей и стратегическими партнёрами.

Для годовой повторяющейся выручки должна быть письменная политика. Инвестор должен проверить, включены ли пилотные проекты, обязательства по потреблению, внедрение, профессиональные услуги, безотзывные договоры, минимальные объёмы использования, разовые платежи и просроченные счета. Заявленная ARR должна сверяться с графиком по клиентам и главной книгой в рамках политики.

Когорты

Когорта объединяет сопоставимых клиентов по периоду начала, сегменту, продукту, договору или источнику привлечения. Удержание выручки следует показывать как на валовой, так и на чистой основе. Удержание клиентов должно располагаться рядом с удержанием выручки, поскольку один расширяющийся клиент может скрыть широкую потерю клиентов.

Компания должна раскрывать размер и возраст когорты. Молодая когорта может демонстрировать высокое чистое удержание до первого значимого продления. Клиент с крупным первоначальным внедрением может вызвать сокращение без неудовлетворённости. Данные должны объяснять динамику.

Концентрация

Концентрация измеряется по выручке, валовой прибыли, поступлениям, принятым результатам, пайплайну и правам на критически важные данные. Клиент с высокой выручкой может иметь низкую маржу из-за выделенной инфраструктуры, услуг, поддержки или потребления модели. Дизайн-партнёр с низкой выручкой может быть операционно критичным, поскольку продукт зависит от его данных или отраслевой экспертизы.

Эффективность продаж

Стоимость привлечения клиента должна включать оплату труда сотрудников отдела продаж, маркетинг, мероприятия, время основателей, комиссии каналов, инжиниринг решений, проверку безопасности, пилотные проекты и внедрение, если они необходимы для привлечения когорты. При расчёте окупаемости используется валовая прибыль когорты, а не выручка.

Компания на ранней стадии может раскрывать базовую активность даже при отсутствии стабильного CAC. Полезные данные включают часы основателей по этапам, количество проверок безопасности, длительность пилотов, трудозатраты на внедрение, причины побед и поражений, а также время от подписания до приёмки в эксплуатацию.

Юнит-экономика, валовая маржа и план капитала

Реестр затрат в расчёте на принятый результат

Ценообразование на токены провайдера — лишь одна статья затрат [13-16]. Полная стоимость принятого результата может включать доступ к исходным системам, обработку документов, эмбеддинги, поиск, хранение контекста, ввод и вывод модели, кэширование, привязку к источникам, инструменты, выполнение кода, повторные попытки, неудачные вызовы, оркестрацию, наблюдаемость, безопасность, проверку человеком, поддержку и инфраструктуру под конкретного заказчика.

Иллюстративный мост валовой прибыли

Предположим исключительно для иллюстрации, что один клиент приобретает 10 000 принятых результатов в месяц по USD 1.20 за каждый. Ежемесячная выручка составляет USD 12,000.; стоимость модели и извлечения — USD 1,650; затраты на инструменты и инфраструктуру — USD 900; затраты на ручную проверку — USD 1,800; затраты на распределение поддержки и обеспечения надёжности — USD 750.. Иллюстративная валовая прибыль составляет USD 6,900, а валовая маржа — 57,5%.

Все входные данные в этом примере — это гипотетические допущения моделирования. Они не подтверждают какие-либо результаты компании или клиента. Отнесённая выручка, сокращение затрат и сокращение убытков остаются USD 0.

Декомпозиция маржи

Динамику маржи следует раскладывать по цене, объёму, структуре, маршруту модели, размеру промпта/контекста, кэшированию, использованию пакетного режима, доле проверок, доле сбоев, услугам под конкретного клиента и классификации в бухгалтерском учёте. Раскрытие Duolingo за 2025 год, связывающее генеративный AI и затраты на хостинг с динамикой валовой маржи, показывает, почему прямые затраты на AI должны включаться в мостик [10]. Разные показатели валовой маржи, которые раскрывают Palantir, UiPath и C3 AI, иллюстрируют различия продуктов и бизнес-моделей [7-9].

Снижение цены поставщика может улучшить маржу. Оно также может спровоцировать ценовую конкуренцию, открыть дорогу новым участникам или поддержать более качественный маршрут модели, сохраняющий удельную себестоимость. Андеррайтинг должен моделировать реакцию компании, а не предполагать, что вся экономия поставщика останется у акционеров.

Капиталоёмкость

Компании-разработчики приложений могут иметь низкую или высокую капиталоёмкость. Потребность в капитале растёт с длинными циклами корпоративных продаж, выделенными развёртываниями, приобретением данных, обучением моделей, гарантированными мощностями, разрешениями регулирующих органов, требованиями безопасности, операциями с участием людей и оборотным капиталом. Законтрактованные расходы на облачные сервисы могут создавать фиксированное обязательство до поступления клиентского объёма.

Мост по запасу денежных средств

Модель запаса денежных средств должна начинаться с подтверждённых банком денежных средств и сверять ежемесячные поступления и платежи. Затем руководство применяет фильтры по найму, поставщикам, продажам и регулированию. Совет директоров должен видеть базовый сценарий, сценарий задержки, сценарий снижения выручки, сценарий шока затрат и сценарий без привлечения финансирования.

План должен различать обязательные, законтрактованные, одобренные, дискреционные и неодобренные расходы. Использование средств превращается в список контрольных точек с доказательствами: приёмка производства, оценка на репрезентативной выборке, когорта продлений, порог валовой маржи, миграция поставщика, требование безопасности или этап лицензирования.

Скоринговая карта андеррайтинга, инвестиционная записка и негативный сценарий

Дизайн скоринговой карты

Скоринговая карта фиксирует достаточность доказательств, а не харизму основателя или ажиотаж вокруг категории. Каждой области присваивается статус: подтверждено, частично подтверждено, оценено менеджментом, не подтверждено или неблагоприятно. Числовая оценка может обеспечивать согласованность, но не должна скрывать критическую проблему.

Веса являются гипотетическими допущениями модели. Инвестиционный комитет должен утвердить собственные веса и критические ограничения (critical holds).

Пакет подтверждающих материалов к инвестиционному меморандуму

Негативные сценарии

Все шоки — это гипотетические иллюстративные вводные данные. Команда дью-дилидженса должна заменить их доказательствами, специфичными для компании, и уровнями серьёзности, утверждёнными комитетом.

Оценка и структура

Анализ оценки должен отделять текущие доказательства от стоимости опциона. Текущая стоимость может использовать наблюдаемые показатели выручки, удержания, валовой прибыли, роста и денежных потоков. Стоимость опциона может отражать новые продукты, географические рынки, наборы данных или возможности модели и должна учитывать вероятность, капитал и время.

Структура сделки может устранять пробелы в доказательствах за счёт поэтапного финансирования, этапов, резервов, прав на информацию, прав согласия, прав в совете директоров, вестинга основателей, опционных пулов и заверений. Юридический консультант должен подготовить и оценить сделку. Этапы должны находиться в зоне влияния менеджмента и определяться проверяемыми доказательствами.

Плейбуки для основателей и инвесторов

Индекс комнаты дью-дилидженса основателя

Основатель должен сохранять исходные записи и предоставлять сверки, а не подготовленную подборку выгодных скриншотов. Данные, позволяющие идентифицировать клиентов, и персональные данные должны передаваться только при наличии надлежащих полномочий и средств контроля.

Полевая проверка инвестора

Инвестор начинает со списка запросов и карты доказательств. Он формирует выборку клиентов по группам удержанных, расширенных, пилотных, оттокших клиентов и упущенных возможностей. Он воспроизводит ограниченную оценку. Он прослеживает выбранные договоры до использования, счетов и денежных поступлений. Он сверяет счета провайдеров с телеметрией. Он выборочно проверяет права собственности на исходный код и права на данные. Он тестирует одну миграцию провайдера. Он анализирует инциденты и отчетность совету директоров.

Вопросы к менеджменту

1. Какой именно результат для клиента принимается, кем и при каком пороге качества?
2. Какая производственная задача чаще всего даёт сбой и каково её последствие для клиента?
3. Для какого заявленного результата производительности имеются наблюдаемая базовая линия и контрфактический сценарий?
4. Какой поставщик, модель или инструмент критичен для удерживаемой выручки?
5. Сколько времени заняла бы репрезентативная миграция и когда её в последний раз тестировали?
6. Какое утверждение о данных подкреплено наиболее слабыми доказательствами прав?
7. Какая когорта клиентов обеспечивает наибольшую фактически полученную валовую прибыль?
8. Какому клиенту требуется больше всего ручной проверки или поддержки?
9. Какое существенное утверждение в презентации для инвесторов остаётся оценкой менеджмента?
10. Какой результат заставил бы менеджмент ограничить, переработать или прекратить продукт?
11. Какой план денежных средств действует, если следующее финансирование задержится на шесть месяцев?
12. Какая контрольная точка превращает наибольшую оставшуюся неопределённость в доказательства?

Дорожная карта на 12–18 месяцев с прохождением контрольных этапов

Дорожная карта начинается с определения и сверки. Она проходит через репрезентативную оценку, производственные доказательства, сохраняемую экономику и готовность к финансированию. Календарные сроки зависят от состояния компании, клиентского процесса и регуляторных требований.

Дорожная карта представляет собой последовательность контрольных точек доказательств. Компания может двигаться быстрее, когда надёжные доказательства уже существуют. Она может оставаться на этапе, если контрольная точка не пройдена. Решение может быть: продвинуть, ограничить, переработать, оставить в качестве исследования или остановить.

Ограничения, программа исследований и заключение

В этой статье представлена методика дью-дилидженса, основанная на публичных доказательствах. В ней не описываются инвестиция, когорта клиентов, оценка в производственных условиях или финансовая доходность. Рыночные данные относятся к разным наборам данных и периодам. Отчётность публичных компаний описывает зрелые бизнесы с экономическими характеристиками, которые могут не соответствовать профилю частного стартапа в сфере приложений. Цены и условия провайдеров могут измениться после даты отсечения доказательств.

Для внедрения методика требует доказательств от компании. Будущие исследования должны анализировать анонимизированные когорты по циклу «от контракта до поступления денежных средств», экономику принятых результатов, события миграции моделей, затраты на инциденты и результаты оценки по категориям приложений. Сравнительные исследования должны описывать полные границы рабочей нагрузки, модели, промпта, инструментов, проверки, задержки, сбоев и затрат. Исследование GCC должно различать федеральный правовой контекст, DIFC, ADGM и саудовский правовой контекст и использовать квалифицированный юридический анализ.

Инвестиционный вывод строго обоснован. Андеррайтинг приложений, нативных для AI, начинается с одного ценного рабочего процесса клиента и одного принятого результата, скорректированного на качество. Затем он отслеживает доказательства через архитектуру, цепочку поставок моделей, оценку, права на данные, продуктивное использование, контракт, инкассо, когорту, затраты и контроль. Компания получает нативную для AI классификацию, когда эта цепочка существенна и воспроизводима. Она получает инвестиционный кейс, когда удерживаемая ценность клиента, валовая прибыль, корпоративное управление и цена финансирования остаются достоверными в сценарии ухудшения.

Для инвесторов методика превращает ажиотаж вокруг категории в реестр утверждений, план полевых исследований, скоркарту и меморандум на основе доказательств. Для основателей она создаёт систему управления качеством продукта, ценностью клиента, зависимостью от провайдеров, правами на данные, валовой маржой и готовностью к привлечению финансирования. Обе стороны выигрывают от единого сверенного хранилища доказательств и явного учёта неопределённости.