استارتآپهای هوش مصنوعی با ارزشگذاریهای خارج از عرف سنتی جذب سرمایه میکنند — دلیلش اینجاست
در سرمایهگذاری خطرپذیر سنتی، ارزشگذاری شرکتها به چند برابر درآمد، نرخ رشد و مسیر سوددهی گره خورده. یک شرکت SaaS با رشد سالانه ۵۰٪ معمولاً با ۱۵ تا ۲۰ برابر درآمد معامله میشود. این معیارها وجود دارند چون بهقدر کافی شرکت ساخته و فروخته شده تا بازار مشخص کند برای مجموعهای از شاخصها چقدر میپردازد.
شرکتهای زیرساخت هوش مصنوعی — بهویژه توسعهدهندههای مدلهای پیشرو — در این چارچوب نمیگنجند. ارزشگذاری ۶۱ میلیارد دلاری Anthropic، ۵۰ میلیارد دلار گزارششده برای xAI، بیش از ۳۰۰ میلیارد دلار OpenAI از جذب سرمایه ۲۰۲۵: هیچکدام با چند برابر درآمد مرسوم توجیه نمیشوند. با این حال سرمایهگذاران نهادی پیچیده — Google، Amazon، Microsoft، صندوق سرمایهگذاری عمومی عربستان، Sequoia، Andreessen Horowitz — چکها را مینویسند. برای فهمیدن اینکه چه میخرند، باید از کتاب بازی استاندارد VC خارج شد.
سرمایهگذارها فکر میکنند چه چیزی را ارزشگذاری میکنند
دارایی که شرکتهای پیشرو هوش مصنوعی دارند، در درجه اول درآمد نیست — بلکه موقعیت است. یک توسعهدهنده مدل با قابلیتهای پیشرفته در تنگنای یک پشته زیرساخت قرار دارد که همه چیز به آن وابسته خواهد بود. منطق این است: هرکس بهترین مدلهای بنیادی را کنترل کند، به لایه شناختی نرمافزار دسترسی دارد. اگر این لایه بهاندازهای که سرمایهگذارها باور دارند مهم باشد، ارزش اقتصادی که از آن عبور میکند در نهایت از درآمدهای فعلی پیشی خواهد گرفت.
این شبیه منطقی است که ارزشگذاریهای اولیه زیرساخت اینترنت را توجیه میکرد. یک شرکت فیبر نوری در سال ۱۹۹۹ با درآمد ناچیز میتوانست ارزشگذاری عظیمی داشته باشد اگر سرمایهگذارها باور داشتند ترافیک اینترنت چندین برابر میشود. سوال این نبود «این امروز چقدر میارزد؟» بلکه «ارزش اختیار در اختیار داشتن زیرساخت حیاتی در جهانی که این موضوع خیلی مهم میشود چقدر است؟»
برای هوش مصنوعی، آن شرط علیه چند فرض خاص بسته میشود: هزینه استنتاج به شدت کاهش خواهد یافت (AI را از نظر اقتصادی در کاربردهای بیشتری مقرونبهصرفه میکند)، قابلیتهای مدل به بهبود ادامه میدهند (مجموعه موارد استفاده قابل دسترسی را گسترش میدهند)، و مزیتهای اولین حرکت در زیرساخت آموزش و استعداد پایدار هستند (موانع ورودی ایجاد میکنند که حاشیه سود را حفظ میکنند).
مدل استارتآپ پشتیبانیشده با GPU
یکی از ویژگیهای غیرعادی اقتصاد استارتآپهای هوش مصنوعی، شدت سرمایهای است که قبل از تولید درآمد لازم است. آموزش مدلهای پیشرو هر بار صدها میلیون دلار هزینه دارد. یک استارتآپ که جذب سرمایه ۵۰۰ میلیون دلاری اعلام میکند، ممکن است ۳۰۰ میلیون دلار آن را در ۱۸ ماه اول صرف محاسبات کند. نسبت درآمد به بودجه جذبشده با معیارهای مرسوم نگرانکننده به نظر میرسد — تا زمانی که متوجه شوید هزینهها در حال ساختن یک دارایی (یک مدل آموزشدیده) است، نه سوزاندن در فروش و بازاریابی.
این به یک پویایی غیرعادی در جذب سرمایه منجر شده: شرکتهایی با تقریباً هیچ درآمدی با ارزشگذاریهایی جذب میکنند که به نتایج تریلیون دلاری اشاره دارد. این اعداد فقط در صورتی معنا پیدا میکنند که باور داشته باشید دارایی در حال ساخت — یک مدل پیشرو رقابتی — واقعاً کمیاب و بهاندازه کافی ارزشمند است که هزینه را توجیه کند. هرچه حوزه گسترش یافته، تعداد سازمانهایی که میتوانند در مرز رقابت کنند محدود مانده: آموزش نه فقط به سرمایه، بلکه به زیرساخت تخصصی، تراکم استعداد و دانش نهادی انباشته نیاز دارد که سالها طول میکشد تا ساخته شود.
بازار Seed: در سال ۲۰۲۶ برای جذب سرمایه چه لازم است
پایینتر از ردیف مدلهای پیشرو، محیط جذب سرمایه در سال ۲۰۲۶ گزینشیتر شده. موج ۲۰۲۳-۲۰۲۴ شرکتهای «AI wrapper» — برنامههایی که روی API OpenAI ساخته شده بودند با تمایز نازک — تا حد زیادی منطقی شده. سرمایهگذارانی که از آن شرکتها حمایت کردند دیدند وقتی API زیربنایی بهبود یابد و محصول را کالایی کند، چه اتفاقی میافتد.
آنچه اکنون در مرحله Seed و Series A تأمین مالی میشود، معمولاً در چند دسته قرار میگیرد. بازیهای زیرساختی — شرکتهایی که دیتابیسهای برداری بهتر، بهینهسازی استنتاج، ابزارهای Fine-tuning، یا چارچوبهای ارزیابی میسازند — همچنان سرمایه جذب میکنند زیرا مستقل از اینکه کدام مدل پیشرو برنده شود، ارزش ارائه میدهند. برنامههای کاربردی عمودی AI با مزیت داده واقعی و هزینههای جابجایی — AI پزشکی آموزشدیده روی دادههای بالینی اختصاصی، AI حقوقی عمیقاً یکپارچه با سیستمهای گردش کار — بادوامتر از ابزارهای افقی بهرهوری به نظر میرسند. و برنامههای چندوجهی یا دنیای فیزیکی (رباتیک، بینایی کامپیوتر برای موارد صنعتی) با بهبود قابلیتهای مدل در آن حوزهها، دوباره جذاب شدهاند.
ادغام در کجا اتفاق میافتد
تصاحبهای فناوری بزرگ در ۲۰۲۵-۲۰۲۶ عمدتاً تصاحب استعداد و فناوری بوده تا تصاحب درآمد. خرید تیمهای کلیدی از Character.AI توسط Google، سرمایهگذاری عمیقتر Microsoft در OpenAI، موقعیت بزرگ Amazon در Anthropic — الگو این است که بازیکنان مستقر برای دسترسی به قابلیت و استعداد هزینه میکنند، نه خرید جریانهای درآمد اثباتشده.
این برای بنیانگذاران مهم است چون مسیرهای خروج نیازی به رسیدن به سوددهی ندارند. تیمی که یک قابلیت AI مفید و اثباتشده میسازد، حتی در مقیاس متوسط، ارزش تصاحب واقعی دارد اگر آن قابلیت برای یک خریدار بزرگ فناوری سالها طول بکشد تا داخلی بسازد. مسیر «build to acquire» در هوش مصنوعی رایجتر از موجهای نرمافزاری قبلی است.
شرط زیرساختی در مقابل شرط کاربردی
قدیمیترین اصل در سرمایهگذاری در تب طلا این است که بیل بفروشید. معادل AI آن پایاننامه «کلنگ و بیل» است: به جای شرطبندی روی اینکه کدام کاربرد AI برنده میشود، روی زیرساختی شرط ببندید که همه صرفنظر از برنده کاربرد، به آن نیاز دارند. این منطق سرمایهگذاری عظیمی را به سمت GPU Cloud، Inference APIها، دیتابیسهای برداری و ابزارهای مشاهدهپذیری AI هدایت کرده.
استدلال مخالف این است که زیرساخت کالایی میشود. AWS هزینه خدماتی را که خود میفروخت پایین آورد، و همین پویایی در زیرساخت هوش مصنوعی در حال ظهور است. قیمتگذاری Inference API با افزایش رقابت به شدت کاهش یافته. عملکرد دیتابیس برداری در دیتابیسهای همهمنظوره جذب میشود. شرکتهایی که با ارزشگذاری بالا روی بازیهای صرفاً زیرساختی جذب سرمایه کردند، میبینند قدرت قیمتگذاریشان سریعتر از حد انتظار فرسایش مییابد.
چشمانداز جذب سرمایه در سال ۲۰۲۶ به بنیانگذارانی پاداش میدهد که میتوانند یک خندق پایدار را توضیح دهند — خواه داده اختصاصی، یکپارچگی عمیق مشتری، پیشروی قابلیت که با استفاده رشد میکند، یا مزیت توزیع که رقبای بزرگتر به راحتی نمیتوانند کپی کنند. دورانی که «ما AI انجام میدهیم» برای تمایز در یک دور تأمین مالی کافی بود، گذشته است.