سرمایه استارتاپ‌های هوش مصنوعی در سال ۲۰۲۶ واقعاً به کجا می‌رود؟

چرخه سرمایه‌گذاری در هوش مصنوعی که با عرضه ChatGPT در اواخر ۲۰۲۲ آغاز شد، اکنون به اندازه‌ای دوام آورده است که الگویی مشخص را نشان دهد: نخست شوریدگی اولیه برای شرط‌بندی روی مدل‌های بنیادی، سپس دوره‌ای از تمرکز وقتی مشخص شد که آموزش مدل‌های پایه رقابتی به ده‌ها میلیارد دلار و پشتیبانی غول‌های ابری نیاز دارد، و اکنون موج دوم عمدی‌تر که بر جایی که هوش مصنوعی واقعاً پول می‌سازد متمرکز است.

داده‌های سه‌ماهه اول و دوم ۲۰۲۶ از PitchBook، Crunchbase و CB Insights نشان می‌دهد که سرمایه‌گذاری کل در استارتاپ‌های هوش مصنوعی در ایالات متحده با نرخ سالانه حدود ۸۵ میلیارد دلار در جریان است — هنوز بر اساس استانداردهای تاریخی فوق‌العاده است، اما نسبت به نرخ ۱۱۲ میلیارد دلاری سال ۲۰۲۴ کاهش یافته است. ترکیب این سرمایه‌گذاری بیش از رقم سرخط تغییر کرده است.

تأمین مالی مدل‌های بنیادی به تعداد انگشت‌شماری محدود شده است

زمینه آزمایشگاه‌های هوش مصنوعی عمومی با بودجه خوب به طور مؤثر متمرکز شده است. OpenAI، Anthropic، Google DeepMind و Meta AI بر تحقیقات مدل‌های پیشرو تسلط دارند با بودجه‌هایی که هیچ استارتاپ مستقلی نمی‌تواند با آنها رقابت کند. xAI (شرکت ایلان ماسک) آخرین نفری است که در این مقیاس جذب سرمایه کرد و در اواخر ۲۰۲۴ یک دور ۶ میلیارد دلاری را تکمیل کرد. Mistral AI در اروپا همچنان به عنوان آزمایشگاه پیشرو غیرآمریکایی سرمایه جذب می‌کند و در یک دور ۲۰۲۵ به ارزش حدود ۶ میلیارد دلار، ۱٫۱ میلیارد دلار جمع‌آوری کرد، اما خود را صریحاً به عنوان ارائه‌دهنده مدل معرفی کرده است نه یک شرکت محصول‌محور.

ورودی‌های جدید که دورهای نه‌رقمی برای آموزش مدل‌های بنیادی جدید جمع‌آوری می‌کنند، اساساً از چشم‌انداز تأمین مالی ناپدید شده‌اند. منطق ضمنی — که یک بینش معماری جدید یا پیشرفت آموزشی می‌تواند مدلی رقابتی با ۵۰۰ میلیون دلار تولید کند — آزمایش شده و ناکافی یافته شده است. نیازهای محاسباتی و مزایای مجموعه داده‌ای که شرکت‌های مسلط در اختیار دارند، خندقی ایجاد کرده است که سرمایه VC به تنهایی نمی‌تواند از آن عبور کند.

موج عامل‌های هوش مصنوعی

دسته‌ای که در نیمه اول ۲۰۲۶ بیشترین توجه سرمایه‌گذاران را جلب کرده است، عامل‌های هوش مصنوعی هستند: نرم‌افزاری که از LLM نه فقط برای تولید متن، بلکه برای اجرای خودمختار وظایف چندمرحله‌ای، استفاده از ابزار، مرور وب، نوشتن و اجرای کد، و تعامل با خدمات خارجی به نمایندگی از یک کاربر یا فرایند کسب‌وکار استفاده می‌کند.

چندین استارتاپ در این دسته در سال ۲۰۲۶ دورهای قابل توجهی جذب کرده‌اند. Cognition AI (سازنده عامل کدنویسی Devin) در سه‌ماهه اول ۲۰۲۶ یک Series B به ارزش ۱۷۵ میلیون دلار با ارزش‌گذاری ۲ میلیارد دلار جمع‌آوری کرد، پس از استقبال سازمانی قوی که در آن تیم‌ها از سیستم آن برای بازبینی خودمختار کد، نوشتن تست و رفع اشکال استفاده می‌کنند. Cohere با Command R+ و API سازمانی خود را به عنوان یک زیرساخت عاملی معرفی کرده است و در سال ۲۰۲۴ حدود ۵۰۰ میلیون دلار جذب کرد. Sierra AI که توسط مدیران پیشین Salesforce و Google برای ساخت عامل‌های خدمات مشتری هوش مصنوعی برای برندهای سازمانی تأسیس شد، در فوریه ۲۰۲۶ یک جذب ۲۵۰ میلیون دلاری را افشا کرد.

رشته مشترک کسب‌وکارهایی هستند که از «ارائه یک رابط چت به LLM به کاربران» به سمت «استقرار هوش مصنوعی که کار را بدون حضور انسان در هر مرحله انجام می‌دهد» حرکت کرده‌اند. سرمایه‌گذاران شرط می‌بندند که دسته دوم — که اغلب هوش مصنوعی عاملی نامیده می‌شود — نشان‌دهنده جایی است که ارزش اقتصادی با بلوغ فناوری متمرکز خواهد شد.

هوش مصنوعی عمودی: متخصصان برنده می‌شوند

بازده مالی پایدار در استارتاپ‌های هوش مصنوعی در ۱۸ ماه گذشته از متخصصان عمودی حاصل شده است: شرکت‌هایی که ابزارهای هوش مصنوعی را عمیقاً در گردش کار صنایع خاص ادغام می‌کنند، نه این که پلتفرم‌های افقی بفروشند.

در فناوری حقوقی، Harvey AI (هوش مصنوعی برای شرکت‌های حقوقی) در سال ۲۰۲۵ به ارزش‌گذاری ۳ میلیارد دلاری رسید پس از پذیرش سریع در میان Am Law 100. در مراقبت‌های بهداشتی، Nabla (مستندسازی بالینی هوش مصنوعی و نویسه‌برداری محیطی) و Suki (دستیار صوتی هوش مصنوعی برای پزشکان) هر دو ARR خود را بالای ۵۰ میلیون دلار افزایش داده‌اند. در امور مالی، مدیریت هزینه مبتنی بر هوش مصنوعی Ramp و ابزارهای تحقیق هوش مصنوعی AlphaSense از جمله سریع‌ترین محصولات نرم‌افزاری سازمانی در دسته‌های خود هستند.

الگوی میان این برندگان مشابه است: آنها وارد بازارهایی شدند که متخصصان زمان قابل توجهی را صرف کار دانشی می‌کنند که از نظر اطلاعات متراکم اما از نظر ساختاری قابل پیش‌بینی است (تحقیق حقوقی و تدوین اسناد، یادداشت‌برداری بالینی، تحلیل اسناد مالی)، جایی که مشتریان پول و تمایل به پرداخت دارند، و جایی که ادغام عمیق در گردش‌های کاری خاص — نه فقط یک ابزار عمومی — موقعیتی دفاع‌پذیر ایجاد کرد.

زیرساخت: لایه ابزارفروشی (picks-and-shovels)

با حرکت استقرار هوش مصنوعی از آزمایش به تولید، لایه‌ای از شرکت‌های زیرساختی برای پاسخگویی به نیازهای عملیاتی سازمان‌هایی که LLM را در مقیاس اجرا می‌کنند پدید آمده است. این دسته شامل موارد زیر است:

مشاهده‌پذیری و ارزیابی (Observability and evals): شرکت‌هایی مانند Brainlake، Langsmith (محصول نظارت LangChain) و Arize AI به تیم‌های مهندسی کمک می‌کنند بفهمند سیستم هوش مصنوعی مستقر آنها واقعاً چه می‌کند — تشخیص توهم، ردیابی هزینه‌ها، اندازه‌گیری کیفیت در مقیاس. این دسته تقریباً در سال ۲۰۲۲ وجود نداشت و اکنون به طور معمول در بودجه پروژه‌های هوش مصنوعی سازمانی گنجانده می‌شود.

بهینه‌سازی استنتاج (Inference optimisation): Together AI، Fireworks AI و Groq زیرساخت استنتاج با عملکرد بالا می‌سازند که برای خانواده‌های مدل خاص، تأخیر و هزینه کمتری نسبت به ارائه‌دهندگان اصلی ابری ارائه می‌دهد. بازار واقعی است: شرکتی که روزانه ۱۰ میلیون تماس API به یک LLM می‌زند انگیزه مالی قابل توجهی برای بهینه‌سازی هزینه‌های استنتاج دارد و ارائه‌دهندگان ابری مسلط در رقابت تهاجمی بر روی قیمت کند بوده‌اند.

خطوط لوله داده برای هوش مصنوعی (Data pipelines for AI): شرکت‌هایی مانند Unstructured، زیرساخت RAG Cohere و Weaviate (پایگاه‌های داده برداری) سیستم‌های دریافت داده، تکه‌تکه‌سازی و بازیابی را می‌سازند که هوش مصنوعی سازمانی را مفید می‌کند — به مدل‌ها اجازه می‌دهد با اسناد داخلی، پایگاه‌های داده و پایگاه‌های دانش شرکت کار کنند، نه فقط دانش عمومی وب.

سؤال دشوارتر: مشکلات کجاست؟

دسته‌هایی که در سال ۲۰۲۶ با بیشترین شک سرمایه‌گذاران مواجه هستند، آنهایی هستند که در ۲۰۲۲-۲۰۲۳ فرصت‌های واضح هوش مصنوعی به نظر می‌رسیدند اما پویایی رقابتی به طور نامطلوب تغییر کرده است.

ابزارهای نوشتاری هوش مصنوعی برای مصرف‌کنندگان (Jasper، Copy.ai و مشابهان آنها) با کالایی شدن مواجه هستند زیرا قابلیت‌هایی که ابتدا ارائه می‌دادند در محصولات عمومی ChatGPT، Claude و Gemini که در دسترس هر کاربری است جذب شده است. گزارش شده است که Jasper در سال ۲۰۲۴ نیروهای خود را کاهش داد و به سمت مدیریت برند سازمانی تغییر مسیر داد. مشکل اصلی: اگر ارزش پیشنهادی محصول شما «هوش مصنوعی متن بازاریابی می‌نویسد» است و آزمایشگاه‌های پیشرو آن قابلیت را با اشتراک ۲۰ دلار در ماه ارائه می‌دهند، قدرت قیمت‌گذاری شما از بین می‌رود.

ویرایشگرهای کد هوش مصنوعی با پویایی مشابهی روبرو هستند. ادغام عمیق GitHub Copilot با VS Code مایکروسافت و اکوسیستم Azure و بهبود سریع قابلیت‌ها در ابزارهای Cursor و JetBrains، بازار مستقل تکمیل کد هوش مصنوعی را بسیار رقابتی کرده است. ورودی‌های جدید باید بر اساس یکپارچگی گردش کار خاص برنده شوند، نه بر اساس قابلیت‌های مدل پایه.

سرمایه‌گذارانی که در محیط فعلی سازگارترین تصمیم‌ها را می‌گیرند، کسانی هستند که از پرسیدن «آیا هوش مصنوعی می‌تواند این کار را انجام دهد؟» — پاسخ تقریباً همیشه بله است — به «چه چیزی این محصول را دفاع‌پذیر می‌کند وقتی مدل‌های پایه بهبود می‌یابند و شرکت‌های مسلط ویژگی‌های مشابهی ارائه می‌دهند؟» تغییر جهت داده‌اند. پاسخ به آن سؤال تقریباً همیشه به سمت خندق‌های داده، یکپارچگی گردش کار و هزینه‌های جابجایی مشتری اشاره می‌کند، نه فقط کیفیت مدل.