Я провела два місяці, переглядаючи фінансові моделі 18 українських AI-стартапів — від ранніх pre-seed до тих, що вже на серії A. Те, що я знайшла, не співпадає з публічним образом галузі. Розповідь про «дорогі обчислення» — переважно міф. Витратна частина в українському AI-секторі будується інакше, ніж в інших галузях, і знання структури витрат — це перший крок до розуміння, де гроші насправді заробляються.
Структура типового AI-стартапу
Середній український AI-стартап з виторгом $80 000-150 000 на місяць має таку структуру витрат: зарплати — 64%, обчислення (API + GPU) — 18%, хмара та інфраструктура — 7%, маркетинг — 5%, інше — 6%. Цифра 18% на обчислення — це багато, але це не та цифра, через яку компанії згорають. Згорають через зарплати.
Парадокс: у класичному SaaS зарплати у виручці складають 50-55%, у AI-стартапі вони складають 60-70%. Це означає, що економіка AI-сектору гірше масштабується, ніж економіка традиційного SaaS. Кожен новий клієнт коштує дорожче, ніж раніше думали.
Скільки коштує один запит
Для GPT-4 Turbo один запит з 4 000 токенів вхідного контексту і 500 токенів відповіді коштує приблизно $0,054. Для Claude Opus 4.7 — $0,075. Для Gemini 1.5 Pro — $0,041. Це собівартість одного дотику. Якщо ваш продукт робить 8 викликів на одну дію користувача (підсумок плюс post-processing плюс семантичний пошук плюс reranking), реальна вартість дії — $0,4-0,8.
Тепер питання: скільки клієнт платить за цю дію? Якщо ви продаєте підписку за $19/місяць і клієнт робить 200 дій на місяць, ваша gross margin на цьому клієнті — відʼємна. Це не теоретичний приклад: трьох з 18 опитаних компаній мали саме таку юніт-економіку до недавнього часу.
Чому 70% — це обгортки
З 18 проаналізованих компаній 13 не мають власної моделі. Вони використовують OpenAI, Anthropic або Google API і додають інтерфейс плюс інтеграцію з конкретним вертикальним workflow. Це не погано — багато з них досить успішні. Але кожна з них має ризик: якщо OpenAI випустить продукт у тій самій вертикалі, обгортка стає непотрібною за тиждень.
З 5 компаній, що мають власні моделі, тільки 2 побудували їх «з нуля». 3 файнтюнінгують відкриті моделі (Llama, Mistral) під свою задачу. Власні моделі коштують серйозно дорожче (зарплати на ML-інженерів вище, плюс витрати на тренування і дату), але дають захист від змін у великих модельних провайдерів.
У наступній частині — про те, чому українські AI-стартапи систематично продають собівартість як інновацію, і як це впливає на доходність на одного клієнта.
