Инвесторы платят 5,3x за ИИ-компании без защиты от копирования

Анализ 576 B2B-компаний в сфере ИИ, привлекших раунды от $50 млн с начала года, показал: инвесторы готовы платить премию только за те конкурентные преимущества, которые языковая модель не может воспроизвести. Исследование провели SC Moatti, управляющий партнёр Mighty Capital, и сообщество Products That Count, объединяющее более 600 тыс. продакт-лидеров. Методологическая основа — семь источников силы Хэмилтона Хелмера (7 Powers), адаптированная под специфику ИИ-рынка.

Контрпозиционирование — самая редкая и самая дорогая стратегия в выборке. Её используют лишь 5% компаний, но медианная оценка enterprise value составляет 5,3x на каждый привлечённый доллар — максимальный мультипликатор среди всех источников силы. Суть контрпозиционирования в том, что новичок строит бизнес-модель, структурно несовместимую с экономикой действующего игрока: тот не может её скопировать, не разрушив собственные доходы. Классический пример — Netflix против Blockbuster: последний мог бы перейти на подписку, но это уничтожило бы выручку от штрафов за просрочку, на которой держались магазины. В ИИ-секторе этот паттерн проявляется у вертикально интегрированных страховщиков, продающих напрямую работодателям: традиционные брокеры не могут повторить модель, не каннибализировав собственные отношения с клиентами и маржу андеррайтинга. Аналогично — у ИИ-систем управления выручкой, которые подорвали бы высокомаржинальный консалтинг legacy-вендоров. Действующий игрок видит угрозу, но сознательно не реагирует. Это рациональное бездействие и есть защита.

Сетевые эффекты — второй работающий источник силы. Продукт становится ценнее для каждого пользователя по мере роста числа участников, что ведёт к ситуации «победитель забирает всё» в границах сети. LinkedIn — хрестоматийный пример: больше рекрутеров привлекают больше кандидатов, те привлекают больше специалистов, которые привлекают новых рекрутеров. В выборке сетевые эффекты встречаются у 5% компаний, но дают мультипликатор 4,2x. Это самый капиталоэффективный путь к премии к оценке. B2B-вариант сети связывает не отдельных пользователей, а компании: бренды с фабриками, рекламодателей с аудиториями, платформы с партнёрами. Данные, накапливающиеся в таких взаимодействиях — издержки, производственные циклы, поведение аудитории, — со временем воспроизвести всё труднее. Главная сложность — одновременное подключение обеих сторон двустороннего рынка. Но тот, кто решает проблему холодного старта, получает актив, который конкурент с лучшей моделью не сможет купить.

Проприетарные данные, уникальный IP и эксклюзивный доступ — самая распространённая иллюзия защиты. Их используют 44% компаний, но мультипликатор — худший в выборке, 2,6x. Инвесторы видели слишком много случаев, когда проприетарные датасеты размывались фундаментальными моделями и синтетическими данными. Если преимущество в данных не накапливается так, чтобы со временем становиться труднее воспроизводимым, оно не считается защитой.

Издержки переключения — самая переполненная категория: 37% компаний. Они выглядят как защита, потому что клиенты не уходят. Но создание таких издержек требует глубокого встраивания в корпоративные процессы — инструментария, институциональной памяти, риска перестройки архитектуры, — что означает дорогие циклы продаж до того, как клиент станет «прилипчивым». Мультипликатор сопоставим с сетевыми эффектами (4x), но капитала требуется примерно в 10 раз больше. Это рабочий путь для основателей, которые строят product-led growth, снижая стоимость привлечения, или создают причины для совместной работы пользователей на платформе, превращая издержки переключения в сетевые эффекты.

Экономия на масштабе — игра, в которую большинство основателей не играют. Медианный мультипликатор, за исключением OpenAI, не даёт значимой премии. В условиях, когда разработка почти бесплатна, выигрыш дают только те защиты, которые модель не может сгенерировать: контрпозиционирование и сетевые эффекты. Остальные стратегии либо требуют непропорционально много капитала, либо не выдерживают конкуренции с фундаментальными моделями.