Как ломается “логика единорогов” в эпоху AI — и что это меняет в инвестировании

Продолжаю сборку содержательно интересных для меня и релевантных для работы в Vinden.one панельных сессий с конференции Machines Can Think, которая прошла в Абу-Даби в конце января этого года. В фокусе моих прикладных интересов сейчас находится стык инвестиций и AI, поэтому сессия Why Unicorn Logic Breaks in AI — and What Investors Should Do Instead напрашивалась сама собой. В ней участвовали:

• Peter Vesterbacka — сооснователь Rovio (Angry Birds), Slush

• Dany Farha — сооснователь и управляющий партнёр BECO Capital

• Eddy Farhat — исполнительный директор / Corporate Venture Capital, e& capital

• Ahmad Ali Alwan — CEO Hub71

Вот основные выводы по итогам сессии.

Единорог всё чаще = скорость и выручка при микрокоманде, а не масштаб штата

Одна из ключевых линий дискуссии: новые AI-компании могут выходить на сотни миллионов выручки очень быстро — и при этом оставаться очень маленькими по численности. Масштабирование всё меньше похоже на привычную модель «рост = найм», и всё больше — на модель «рост = продуктовая и инженерная архитектура».

Параллельно прозвучало важное наблюдение от инвестора по фаундерам из портфеля: если бы многие из них запускали свои компании сегодня, с текущим набором инструментов и знаний, они бы строили бизнес примерно вдвое меньшей командой.

Сдвиг логики: масштаб теперь — это не численность, а скорость поставки продукта, качество итераций и способность расти без линейного роста людей.

Слишком много денег становится не преимуществом, а риском

Звучала неожиданно жёсткая мысль: самое плохое, что может случиться со стартапом, — получить слишком много денег. Изобилие капитала упрощает оправдание неэффективности: появляются «жирные» процессы, лишние структуры, и компания перестаёт быть вынужденно точной и дисциплинированной.

На контрасте обсуждалась логика «вынужденной эффективности»: когда ресурсов меньше, приходится строить более экономно и инженерно аккуратно.

Сдвиг логики: капитал перестаёт быть автоматическим ускорителем. В AI-эре он легко превращается в «смазку» для слабой инженерии и плохих решений.

Центр тяжести уходит от “науки и вау-технологии” к инженерии и продукту

Важный переломный тезис панели: мы выходим из фазы «смотрим, что умеет блестящая технология», в фазу, где решает инженерия и продукт.

В AI-контуре это означает: выигрывает не тот, кто просто «подключил большую модель», а тот, кто строит систему так, чтобы она была экономной по вычислениям, управляемой по качеству, устойчивой в регулярных бизнес-процессах и пригодной для реального использования, включая требования безопасности и регуляторики.

Сдвиг логики: победа — это не «самый мощный AI», а правильно спроектированный продукт, который превращает AI в работающий механизм ценности.

Защитный ров смещается: память, агенты, маршрутизация моделей и локализация

Один из самых практически полезных блоков дискуссии — о том, что защитный ров в AI-продуктах всё меньше связан просто с доступом к большим языковым моделям и всё больше — с тем, как устроена система.

Память становится источником эффективности: если каждый раз «думать с нуля», даже очень умная система будет тратить ресурсы неразумно. Исполнение агентами добавляет ценность не только через ответы, но и через доведение действий до результата. Маршрутизация запросов позволяет отправлять простые задачи в лёгкие решения, а сложные — в тяжёлые модели. Локализация (на устройстве или внутри периметра организации) становится важной из-за стоимости, приватности, чувствительности данных и требований безопасности.

Это меняет экономику: рост использования не обязан означать пропорциональный рост затрат. При правильной архитектуре маржинальная стоимость может снижаться, а ценность — накапливаться.

Сдвиг логики: защитный ров создаёт не «модель», а архитектура: память + контекст + агенты + маршрутизация + локализация.

Данные и “вшитость AI в операции” становятся ключевыми атрибутами инвестируемости

Для инвесторов в AI-эпоху всё более критичны два признака: скорость поставки и итераций — способность быстро выпускать продукт и обновлять его по реальным данным, и данные, которые накапливаются и усиливают бизнес (эффект компаундинга), в сочетании с «вшитостью» AI в регулярный рабочий контур компании — когда это не эксперимент и не надстройка, а часть повседневной операционной ткани.

Сдвиг логики: инвестируют не в «AI-фичу», а в компании, где AI + данные + процессы создают нарастающее конкурентное преимущество.

Инвесторская карта слоёв: где можно играть, когда “верх” закрыт, а “низ” уже занят

Панель чётко описала реальность для региональных early-stage инвесторов: на уровне «железа» и инфраструктуры (GPU, роботы, цепочки поставок) это слишком далеко и часто не про раннюю стадию; на уровне базовых моделей вход дорогой и недоступный большинству классических фондов; на уровне прикладных продуктов (app-слой) в США уже сформированы сильные лидеры, которые быстро захватывают категории и поднимают огромные раунды.

Отсюда вытекает необходимость искать свою зону игры — что именно и как может строиться и выигрывать в регионе на ранней стадии, когда глобальная гонка уже идёт на максимальной скорости.

Регулируемые индустрии становятся интереснее — но через специализацию и контроль

Отдельный важный поворот: в первом поколении больших моделей многие избегали регулируемых отраслей из-за слишком высоких рисков ошибок и качества. Сейчас «правильная» стратегия для таких рынков звучит иначе: меньше универсальности, больше доменной специализации, более компактные модели, которые «знают одно» и работают надёжнее, и архитектура, минимизирующая непредсказуемость.

Сдвиг логики: в regulated-сегментах ценность создаёт не максимальная мощность, а контроль, специализация и устойчивость.

Экосистема снова в цене: вычисления, университеты, доступ к регулятору

Сильный блок был про то, что в AI-эпоху среда начинает весить больше: вычисления становятся дефицитом, который важнее денег; университеты и исследовательская база — источником кадров и технологий; доступность регулятора и скорость навигации по системе — реальным конкурентным преимуществом.

И это напрямую влияет и на компании, и на инвестиционную динамику: где проще строить, тестировать, комплаенсить и привлекать сильных людей.

Команда “может быть меньше”, но фаундерская устойчивость — не заменяется

Вопрос из зала был сформулирован жёстко: если команда частично заменяется AI-системами, что становится главным критерием оценки?

Ответ панели в практическом смысле свёлся к тому, что роль фаундера становится даже важнее: устойчивость, внутренняя энергия и «упрямый оптимизм», способность собрать правильных людей по мере роста и выдерживать длинную дистанцию.

Сдвиг логики: AI уменьшает потребность в «массе» команды, но усиливает важность личности и управленческой силы фаундера.

В итоге — что именно “ломается” в unicorn logic

1. Размер команды перестаёт быть прокси масштаба — маленькая команда может быстро делать огромную выручку.

2. Изобилие капитала становится источником неэффективности — деньги не гарантируют лидерство.

3. Побеждает инженерия продукта — память, агенты, маршрутизация моделей, локализация, контроль качества.

4. Защитный ров строится на данных и операционном внедрении AI, а не на самом факте использования моделей.

5. Среда (compute / talent / regulator) становится частью формулы успеха — особенно для регионов, которые хотят быть не рынком потребления, а местом строительства.