مشکل Wrapperهای هوش مصنوعی: چرا بیشتر استارتاپهای امروزی هوش مصنوعی تا سال ۲۰۲۸ وجود نخواهند داشت
الگویی در بازار استارتاپهای هوش مصنوعی در حال ظهور است که سرمایهگذاران شروع به بحث صادقانه درباره آن کردهاند و بنیانگذاران هنوز عمدتاً از آن اجتناب میکنند: بخش بزرگی از شرکتهایی که بین سالهای ۲۰۲۲ تا ۲۰۲۵ با تکیه بر موقعیتیابی هوش مصنوعی تأمین مالی شدهاند، روی زمان امانی ساخته شدهاند. مشکل این نیست که محصولات بدی میسازند. مشکل این است که محصولات آنها ویژگی هستند - و پلتفرمهایی که به آنها وابسته هستند، آن ویژگیها را سریعتر از رشد استارتاپها عرضه میکنند.
یک «Wrapper» در اصل چیست
یک Wrapper هوش مصنوعی، به معنای ناخوشایندی که این اصطلاح پیدا کرده است، استارتاپی است که ارزش پیشنهادی اصلی آن ارائه یک API LLM (OpenAI, Anthropic, Google) از طریق یک رابط کاربری تمیزتر، برای یک کاربرد خاص، با یک حاشیه سود است. کاربر محصول مبتنی بر GPT-4o یا Claude را بدون پیچیدگی API خام دریافت میکند. استارتاپ هزینه اشتراک دریافت میکند. ارائهدهنده مدل پایه درآمد حاصل از استنتاج را به علاوه رابطه با مشتری زمانی که همان قابلیت را به صورت بومی عرضه میکند، به دست میآورد.
جدول زمانی برای این مرحله آخر به طور قابل توجهی ثابت بوده است: ChatGPT Custom GPTها، ویژگیهای حافظه، مدیریت فایل، تولید تصویر، ایجاد سند مبتنی بر Canvas، و ابزارهای تنظیم لحن هر کدام ۱۲ تا ۱۸ ماه طول کشید تا از زمانی که یک دسته از استارتاپها حول آن قابلیت تأمین مالی شدند تا زمانی که OpenAI یا Anthropic آن را به صورت بومی عرضه کردند. استارتاپهایی که در آن بازه زمانی دفاعپذیری ساختند، زنده ماندند. آنهایی که این کار را نکردند، راه پیشرفتی در مقیاس قابل مقایسه ندارند.
مشکل اقتصاد واحد
مشکل ساختاری مشکل رقابتی را تشدید میکند. یک استارتاپ ساخته شده بر روی یک API LLM تجاری معمولاً با هزینههای استنتاجی مواجه است که ۷۰ تا ۸۰ درصد درآمد را در مقیاس متوسط مصرف میکند. کسبوکارهای سنتی SaaS حاشیه ناخالص ۷۰ تا ۸۰ درصد دارند. تفاوت یک مانع جزئی نیست - یک مدل کسبوکار کاملاً متفاوت است.
هزینههای بالای استنتاج به این معنی است که استارتاپهای Wrapper هوش مصنوعی نمیتوانند به اندازه کسبوکارهای SaaS قابل مقایسه در فروش، بازاریابی و توسعه محصول سرمایهگذاری کنند. آنها نمیتوانند مشتریان را به طور تهاجمی جذب کنند زیرا هر مشتری هزینه بیشتری برای خدمتدهی دارد. و با افزایش استفاده، مشکل حاشیه بدتر میشود نه بهتر، زیرا هزینههای استنتاج به صورت خطی با استفاده افزایش مییابد در حالی که هزینههای زیرساخت نرمافزاری در شرکتهای SaaS عمدتاً ثابت است.
شرکتهایی که اقتصاد واحد پایدار در هوش مصنوعی دارند، آنهایی هستند که یا مدلهای خود را آموزش میدهند (نیازمند صدها میلیون سرمایه) یا موارد استفادهای پیدا میکنند که ارزش ارائه شده به ازای هر استنتاج به اندازهای بالا است که ساختار حاشیه را پشتیبانی کند. بررسی قراردادهای حقوقی با قیمت ۵۰۰ دلار به ازای هر سند میتواند اقتصاد را پایدار نگه دارد. تولید خط موضوع ایمیل با هوش مصنوعی با ۲۰ دلار در ماه احتمالاً نمیتواند.
سرمایه خطرپذیر کجا رفت
در سهماهه اول ۲۰۲۶، تأمین مالی جهانی سرمایه خطرپذیر به حدود ۳۰۰ میلیارد دلار رسید که حدود ۸۰ درصد آن به شرکتهای هوش مصنوعی اختصاص یافت. از این مقدار، اکثریت قاطع در تعداد کمی از دورهای بزرگ متمرکز شد: OpenAI, Anthropic, xAI و Waymo به طور جمعی سهم شیر سرمایهگذاری خطرپذیر هوش مصنوعی را در آن سهماهه جذب کردند. زیرساخت مدلهای پایه، ساخت مراکز داده هوش مصنوعی و تعداد معدودی از شرکتهای عمودی هوش مصنوعی با خندقهای واقعی داده اختصاصی بقیه را جذب کردند.
بازار Seed و Series A برای استارتاپهای هوش مصنوعی همچنان فعال است، به طوری که استارتاپهای دارای موقعیت هوش مصنوعی ۴۲ درصد حق بیمه ارزشگذاری نسبت به همتایان غیر هوش مصنوعی دارند. اما توانایی جذب سرمایه به معنای توانایی ساخت یک کسبوکار پایدار نیست. بسیاری از شرکتهایی که در سالهای ۲۰۲۵ و ۲۰۲۶ دور Seed جمعآوری میکنند، در سال ۲۰۲۷ با لحظه Series A خود روبرو خواهند شد با رشدی که به فلات رسیده، چشمانداز رقابتی که حول آنها فشرده شده، و سرمایهگذارانی که نسبت به ادعای تمایز «اول هوش مصنوعی» بدبین شدهاند.
چه چیزی واقعاً کار میکند
استارتاپهایی که ارزش پایدار نشان میدهند، چند ویژگی مشترک دارند. اول، داده اختصاصی: شرکتهایی که دادههای آموزشی، حلقههای بازخورد، یا مجموعه دادههای دامنه خاصی را جمعآوری کردهاند که از دادههای عمومی قابل تکرار نیست، یک خندق واقعی دارند. استارتاپهای هوش مصنوعی حوزه سلامت با مشارکت در EHR, استارتاپهای حقوقی با کتابخانههای اسناد، و استارتاپهای فینتک با دادههای تراکنش میتوانند مدلها را به گونهای Fine-tune کنند که LLMهای عمومی به خوبی تکرار نمیکنند.
دوم، قیمتگذاری مبتنی بر نتیجه: شرکتهایی که مدل درآمد خود را با نتایج کسبوکاری که ارائه میدهند هماهنگ میکنند - کاهش هزینه، تولید درآمد، اجتناب از ریسک - میتوانند قیمتگذاری را تعیین کنند که اقتصاد واحد آنها را پشتیبانی کند. استارتاپی که درصدی از صرفهجویی هزینه حقوقی که به دست میآورد دریافت میکند، در بازاری اساساً متفاوت از استارتاپی است که اشتراک ماهانه ثابت برای دسترسی به تولید اسناد به کمک هوش مصنوعی دریافت میکند.
سوم، عمق اتوماسیون گردش کار: استارتاپهایی که فراتر از لایه UI رفته و با سیستمهای سازمانی یکپارچه شده، موارد حاشیهای نامرتب را در فرآیندهای کسبوکار واقعی مدیریت کرده، و اعتماد نهادی مورد نیاز برای اقدام خودکار به نمایندگی از کاربران را ساختهاند، هزینههای جابهجایی ایجاد کردهاند که یک ویژگی جدید مدل پایه نمیتواند فوراً از بین ببرد. این شرکتها در بخشهای غیر جذاب نرمافزار سازمانی سرمایهگذاری کردهاند - بررسیهای امنیتی، مستندات انطباق، پشتیبانی مدیریت تغییر - که قابلیت هوش مصنوعی محض جایگزین آن نمیشود.
پیام دشوار برای بنیانگذاران
اکوسیستم سرمایهگذاری خطرپذیر انگیزههایی برای تأمین مالی روایتهای خوشبینانه دارد. یک سرمایهگذار Seed که از شرکتی که موفق میشود صرفنظر کند، اشتباهی مرتکب شده که میتواند مشاهده کند. یک سرمایهگذار Seed که شرکتی را تأمین مالی میکند که به نرمی شکست میخورد، اشتباهی مرتکب شده که توجیه آن آسان است. این عدم تقارن به این معنی است که بنیانگذارانی که محصولات نازک Wrapper هوش مصنوعی میسازند، حتی با تشدید فشارهای ساختاری بر دستهبندی آنها، به یافتن تأمین مالی ادامه خواهند داد.
سوال صادقانه برای هر بنیانگذار استارتاپ هوش مصنوعی این است: شرکت من در دو سال آینده چه چیزی دارد که OpenAI, Anthropic یا Google نتوانند به عنوان یک ویژگی عرضه کنند؟ اگر پاسخ داده اختصاصی، یکپارچگی عمودی عمیق، یا رابطه مشتری مبتنی بر هزینههای جابهجایی نیست که سالها طول میکشد توسعه یابد، ساعت در حال تیکتاک است. بازار هوش مصنوعی واقعی، بزرگ و در حال رشد است. اما بیشتر ارزش به لایه زیرساخت و مجموعه محدودی از برنامههایی که میتوانند مدلهای کسبوکار دفاعپذیر بالای آن را پایدار کنند، تعلق میگیرد.