تحلیل مدل درآمدی استارتاپ‌های هوش مصنوعی؛ چرا با وجود زیان سنگین، ارزش‌گذاری‌شان این‌قدر بالاست؟

اگر کسی از دنیای مالی سنتی به بازار استارتاپ‌های هوش مصنوعی نگاه کند، اعداد این صنعت را غیرمنطقی و حتی غیرقابل‌باور می‌بیند: شرکت‌هایی که سالانه میلیاردها دلار زیان می‌دهند، اما ارزش‌گذاری‌شان به ۸۰۰ میلیارد یا حتی نزدیک به یک تریلیون دلار می‌رسد. در این مقاله، به‌طور کامل بررسی می‌کنیم مدل درآمدی واقعی این شرکت‌ها چیست، چرا هزینه‌هایشان این‌قدر سنگین است، چطور سرمایه‌گذاران این ارزش‌گذاری‌های نجومی را توجیه می‌کنند، و این وضعیت چه شباهت‌ها و تفاوت‌هایی با حباب‌های مالی گذشته دارد.

مدل‌های درآمدی رایج در استارتاپ‌های هوش مصنوعی

پیش از هر چیز، باید بدانیم این شرکت‌ها اصلاً از چه راه‌هایی درآمد کسب می‌کنند:

۱. اشتراک مصرف‌کننده (Consumer Subscription)

مدلی که ChatGPT با پلن‌های Plus، Pro و Business دنبال می‌کند؛ کاربر ماهانه مبلغ ثابتی پرداخت می‌کند تا به قابلیت‌های پیشرفته‌تر دسترسی داشته باشد. مزیت این مدل، درآمد قابل‌پیش‌بینی و مقیاس‌پذیر است؛ اما هزینه‌ی خدمت‌رسانی به کاربران رایگان (که اکثریت پایگاه‌ی کاربری را تشکیل می‌دهند) هم باید از همین درآمد تأمین شود.

۲. فروش API (Usage-Based)

مدلی که عمدتاً برای توسعه‌دهندگان طراحی شده؛ مشتری به ازای هر توکن پردازش‌شده هزینه می‌پردازد. این مدل برای شرکت‌های زیرساختی مثل OpenAI و آنتروپیک، منبع اصلی درآمد سازمانی محسوب می‌شود.

۳. قراردادهای سازمانی (Enterprise)

فروش مستقیم به شرکت‌های بزرگ با قراردادهای سفارشی، معمولاً با حاشیه‌ی سود بالاتر، چون مشتریان سازمانی هزینه‌ی محاسباتی را از طریق قیمت قرارداد جبران می‌کنند.

۴. مدل «پوسته‌ی نازک» (Thin Wrapper)

مدلی که بسیاری از استارتاپ‌های کوچک‌تر دنبال می‌کنند: ساخت یک رابط کاربری روی مدل‌های زبانی بزرگ شرکت‌های دیگر (مثل GPT یا Claude) و فروش آن به‌عنوان یک محصول مستقل. طبق تحلیل سرمایه‌گذاران خطرپذیر، این مدل یکی از پرریسک‌ترین انواع کسب‌وکار هوش مصنوعی است.

چرا هزینه‌ها این‌قدر سنگین است؟

هزینه‌ی محاسباتی (Compute)؛ بزرگ‌ترین بلعنده‌ی نقدینگی

آموزش و اجرای مدل‌های زبانی بزرگ، نیازمند حجم عظیمی از پردازنده‌های گرافیکی تخصصی (GPU) است — سخت‌افزاری که هم گران است، هم برق و خنک‌سازی فراوانی مصرف می‌کند. طبق تحلیل‌های مالی منتشرشده، OpenAI برای سال ۲۰۲۶ حدود ۲۲ میلیارد دلار هزینه در برابر ۱۳ میلیارد دلار درآمد پیش‌بینی کرده — یعنی یک زیان عملیاتی معادل ۱۴ میلیارد دلار، و مجموع زیان تجمعی این شرکت تا سال ۲۰۲۸ می‌تواند از مرز ۱۴۳ میلیارد دلار عبور کند.

هزینه‌ی جذب استعداد

پژوهشگران برجسته‌ی هوش مصنوعی می‌توانند سالانه بین ۱ تا ۵ میلیون دلار حقوق و مزایا دریافت کنند. اگر یک شرکت چند صد نفر از این نیروهای متخصص را استخدام کند، فقط هزینه‌ی حقوق آن‌ها می‌تواند سالانه به ۱ تا ۲ میلیارد دلار برسد — پیش از احتساب هزینه‌ی محاسباتی.

نسبت سوزش پول (Burn Multiple)؛ معیاری که سرمایه‌گذاران واقعاً به آن نگاه می‌کنند

سرمایه‌گذاران خطرپذیر برای سنجش سلامت مالی یک استارتاپ هوش مصنوعی، از معیاری به نام «ضریب سوزش» (Burn Multiple) استفاده می‌کنند: مقدار پول سوزانده‌شده تقسیم بر درآمد سالانه‌ی تازه‌ی اضافه‌شده. اگر شرکتی ۲ میلیون دلار بسوزاند و فقط ۱ میلیون دلار درآمد تکرارشونده‌ی سالانه‌ی تازه اضافه کند، ضریبش ۲ است — قابل‌قبول. اما اگر برای همان ۱ میلیون دلار درآمد جدید، ۵ میلیون دلار سوزانده شود، ضریب ۵ نشانه‌ی یک مشکل جدی است. طبق هشدار صریح تحلیلگران این حوزه، اگر یک استارتاپ ۴۰ تا ۶۰ درصد از درآمدش را صرف هزینه‌ی فراخوانی API مدل‌های OpenAI یا آنتروپیک کند، آن شرکت واقعاً یک «کسب‌وکار نرم‌افزاری» نیست، بلکه صرفاً یک واسطه‌ی فروش مجدد (Reseller) با یک لایه‌ی رابط کاربری است.

نکته‌ی پیچیده‌تر این‌جاست که حتی با کاهش سالانه‌ی ۸۰ تا ۹۰ درصدی هزینه‌ی هر واحد پردازش (Inference)، حاشیه‌ی سود این شرکت‌ها لزوماً بهبود نمی‌یابد؛ چون انتظار کاربران هم هم‌زمان بالا می‌رود — مشتریانی که با کیفیت مدل‌های قدیمی‌تر (که اکنون ارزان شده‌اند) راضی نیستند و انتظار کیفیت مدل‌های جدیدتر و گران‌تر را دارند. نتیجه یک «تردمیل هزینه» است که هزینه‌ها را تقریباً ثابت نگه می‌دارد، حتی وقتی فناوری زیرساخت ارزان‌تر می‌شود.

مطالعه‌ی موردی: OpenAI در برابر Anthropic

مقایسه‌ی این دو غول اصلی صنعت، تفاوت‌های کلیدی در مدیریت مالی را روشن می‌کند:

OpenAI: درآمد ماهانه حدود ۲ میلیارد دلار (نرخ سالانه نزدیک ۴۰ میلیارد دلار)، اما با ضریب سوزش پولی که در سال ۲۰۲۶ حدود ۵۷ درصد از درآمد را می‌بلعد؛ به بیان دیگر، این شرکت به ازای هر ۱ دلار درآمد، حدود ۱.۲۲ دلار هزینه می‌کند. طبق برآوردها، این شرکت تا پایان ۲۰۲۶ حدود ۲۷ میلیارد دلار پول نقد خواهد سوزاند، و مسیر رسیدن به سودآوری کامل تا سال‌های ۲۰۲۹ به تعویق افتاده است. بخش بزرگی از این هزینه، پشتیبانی از ۹۰۰ میلیون کاربر رایگان هفتگی است — پایگاهی که فشار هزینه‌ای بسیار بالایی ایجاد می‌کند اما مستقیماً درآمدزا نیست.

Anthropic: با وجود درآمد کمتر در دوره‌های اولیه، ساختار مالی به‌مراتب کارآمدتری دارد؛ حدود ۸۰ درصد از درآمد این شرکت از مشتریان سازمانی (نه مصرف‌کننده‌ی رایگان) تأمین می‌شود — بخشی که پایدارتر و پرحاشیه‌سودتر است. ضریب سوزش این شرکت در سال ۲۰۲۶ حدود ۳۳ درصد از درآمد برآورد شده و پیش‌بینی می‌شود تا سال ۲۰۲۷ به تنها ۹ درصد برسد. طبق گزارش‌ها، این شرکت انتظار دارد در سه‌ماهه‌ی سوم ۲۰۲۶، برای اولین‌بار یک سه‌ماهه‌ی کاملاً سودآور (با سود عملیاتی نزدیک به ۱ میلیارد دلار) ثبت کند — هرچند مجموع زیان انباشته‌شده‌ی این شرکت از سال ۲۰۲۱ تاکنون هنوز بین ۱۰ تا ۱۵ میلیارد دلار برآورد می‌شود.

xAI (شرکت ایلان ماسک): نگران‌کننده‌ترین نسبت در میان این سه شرکت را دارد؛ طبق برآوردها، به ازای هر ۱ دلار درآمد، این شرکت نزدیک به ۲۶ دلار زیان متحمل می‌شود — رقمی که نشان می‌دهد این شرکت هنوز فاصله‌ی بسیار زیادی تا یک مدل کسب‌وکار پایدار دارد.

چرا سرمایه‌گذاران با وجود این زیان‌ها، ارزش‌گذاری‌های نجومی می‌پذیرند؟

منطق «برنده همه‌چیز را می‌برد»

سرمایه‌گذاران خطرپذیر روی این فرض شرط‌بندی می‌کنند که بازار هوش مصنوعی، مثل بسیاری از بازارهای فناوری پیشین (جست‌وجوی اینترنتی، شبکه‌ی اجتماعی)، در نهایت به سمت تسلط تعداد بسیار محدودی از بازیگران بزرگ حرکت خواهد کرد. کسی که امروز زیان می‌دهد اما جایگاه بازار را تثبیت می‌کند، ممکن است فردا انحصار یا شبه‌انحصار داشته باشد — سناریویی که سودهای آینده را چند برابر توجیه می‌کند.

روش‌های ارزش‌گذاری غیرمتعارف

طبق تحلیل کارشناسان مالی، ارزش‌گذاری شرکت‌هایی مثل OpenAI و آنتروپیک را نمی‌توان با مدل‌های سنتی (مثل جریان نقدی تنزیل‌شده) محاسبه کرد، چون هیچ‌کدام جریان نقدی آزاد پایداری ندارند. در عوض، سرمایه‌گذاران از ترکیبی از روش سرمایه‌گذاری خطرپذیر (که ارزش خروج آینده را با نرخ بازگشت موردنیاز تنزیل می‌کند)، ضرایب درآمد دورهای اخیر مشابه، و صرفاً قیمت آخرین دور سرمایه‌گذاری استفاده می‌کنند. نتیجه این است که اگر از ده سرمایه‌گذار بپرسید ارزش واقعی OpenAI چقدر است، ده پاسخ متفاوت (و همه قابل‌دفاع، اما هیچ‌کدام قابل‌اثبات) خواهید شنید.

مشکل شفافیت در ارقام ARR

یکی از پیچیدگی‌های مهمی که این ارزش‌گذاری‌ها را دشوارتر می‌کند، ابهام در نحوه‌ی گزارش «درآمد سالانه‌ی تکرارشونده» (ARR) است. طبق گزارش تحلیلی، شکاف بین ARR قراردادی واقعی (Contracted ARR) و ARR گزارش‌شده در استارتاپ‌های هوش مصنوعی می‌تواند به ۷۰ درصد برسد. برای مثال، یک استارتاپ ادعا کرده بود ۵۰ میلیون دلار ARR دارد، در حالی که رقم واقعی نزدیک‌تر به ۴۲ میلیون دلار بود؛ استارتاپ دیگری بیش از ۱۰۰ میلیون دلار ARR گزارش داده بود، اما تنها بخش کوچکی از آن واقعاً از مشتریان درحال‌پرداخت می‌آمد.

تمرکز سرمایه در دست تعداد اندکی از بازیگران

طبق گزارش Crunchbase، در نیمه‌ی نخست ۲۰۲۶، سرمایه‌گذاری خطرپذیر جهانی به رکورد ۵۱۰ میلیارد دلار رسید — عبور از کل سرمایه‌گذاری سال ۲۰۲۵. اما نکته‌ی مهم‌تر این است که تنها دو شرکت، OpenAI و آنتروپیک، به‌تنهایی ۲۱۷ میلیارد دلار (۴۳ درصد از کل سرمایه‌ی خطرپذیر جهان) را جذب کرده‌اند. این یعنی عملاً هر کسب‌وکاری که به هر شکل به زیرساخت هوش مصنوعی متکی است، تقریباً حتماً به یکی از این دو شرکت وابسته است — وضعیتی که ریسک سیستمی بزرگی برای کل اکوسیستم فناوری ایجاد می‌کند: چه این دو شرکت با موفقیت چشمگیر ادامه دهند، چه تحت فشار اقتصاد خودشان فروبپاشند، تأثیرش به کل صنعت سرایت می‌کند.

مقایسه با حباب دات‌کام؛ آیا تاریخ تکرار می‌شود؟

شباهت‌های میان وضعیت فعلی و حباب دات‌کام دهه‌ی ۱۹۹۰ میلادی، بارها توسط تحلیلگران مالی مطرح شده: شرکت‌هایی با زیان‌های عظیم، ارزش‌گذاری‌های مبتنی بر روایت (Narrative) به‌جای بنیادهای مالی سنتی، و سرمایه‌گذاری‌های عظیم زیرساختی که بازگشت سرمایه‌شان نامطمئن است. با این حال، یک تفاوت کلیدی وجود دارد که طبق تحلیل‌های اخیر بازار، داستان را کمی متفاوت‌تر می‌کند: بر خلاف بسیاری از شرکت‌های دوران دات‌کام که اصلاً درآمد قابل‌توجهی نداشتند، OpenAI اکنون درآمد ماهانه‌ی ۲ میلیارد دلاری و آنتروپیک نرخ درآمد سالانه‌ی نزدیک به ۶۵ میلیارد دلاری دارند — یعنی «مقیاس درآمد» شروع کرده دوباره در معادله‌ی ارزش‌گذاری اهمیت پیدا کند، نه صرفاً روایت رشد آینده.

با این حال، ریسک واقعی جای دیگری نهفته است: بخش وسیع‌تر بازار (شرکت‌های SaaS مبتنی بر هوش مصنوعی که مستقیماً مدل پایه نمی‌سازند) در معرض تعدیل شدید قیمت است. طبق گزارش‌ها، فقط در دو ماه ابتدایی ۲۰۲۶، بخش نرم‌افزار به‌طور کلی نزدیک به ۲ تریلیون دلار از ارزش بازار خود را از دست داد — نشانه‌ای از این‌که بازار در حال تجدیدنظر جدی درباره‌ی ارزش واقعی مدل‌های درآمدی مبتنی بر اشتراک سنتی (Seat-based) در برابر مدل‌های مبتنی بر مصرف واقعی است.

ریسک ساختاری دیگر: پرونده‌های حقوقی کپی‌رایت

یکی از تهدیدهای سیستمی که کمتر در تحلیل‌های مالی برجسته می‌شود، دهه‌ها پرونده‌ی حقوقی مرتبط با کپی‌رایت داده‌های آموزشی است که علیه OpenAI، گوگل، متا، مایکروسافت و Stability AI مطرح شده. اگر یک رأی قضایی مهم علیه این شرکت‌ها صادر شود — مثلاً الزام به پرداخت غرامت‌های کلان یا توقف استفاده از داده‌های خاص — می‌تواند کل مدل اقتصادی این صنعت را، که تا امروز به دسترسی نسبتاً آزاد به داده‌های آموزشی متکی بوده، به‌طور بنیادین دگرگون کند.

سناریوهای محتمل آینده

طبق تحلیل کارشناسان مالی، سه سناریوی اصلی برای آینده‌ی این صنعت متصور است:

۱. تثبیت تدریجی و سودآوری واقعی: شرکت‌هایی مثل آنتروپیک که ضریب سوزش پول را با سرعت کاهش می‌دهند و بر درآمد سازمانی پایدار تکیه دارند، ظرف دو تا سه سال به جریان نقدی مثبت می‌رسند و ارزش‌گذاری‌شان را با بنیادهای مالی واقعی توجیه می‌کنند
۲. ادغام و کاهش تعداد بازیگران: بخش بزرگی از استارتاپ‌های «پوسته‌ی نازک» که فقط رابط کاربری روی مدل‌های دیگران ساخته‌اند، در رقابت با ویژگی‌های جدیدی که خود شرکت‌های مدل پایه (OpenAI، آنتروپیک، گوگل) مستقیماً عرضه می‌کنند، از میدان خارج یا توسط رقبای بزرگ‌تر جذب می‌شوند
۳. تصحیح شدید بازار: اگر رشد درآمد نتواند با سرعت هزینه‌های زیرساختی هماهنگ شود، یا یک رویداد بیرونی (مثل رأی حقوقی مهم یا کاهش ناگهانی تمایل سرمایه‌گذاران) رخ دهد، بخش قابل‌توجهی از ارزش‌گذاری‌های فعلی می‌تواند به‌سرعت تعدیل شود — دقیقاً همان اتفاقی که در بخش گسترده‌تر بازار نرم‌افزار در اوایل ۲۰۲۶ رخ داد.

جمع‌بندی

مدل درآمدی استارتاپ‌های هوش مصنوعی، به‌ویژه در رده‌ی شرکت‌های مدل پایه، بر پایه‌ی یک شرط‌بندی بزرگ استوار است: هزینه‌ی هنگفت امروز، در ازای جایگاه بازار و سودآوری فردا. تفاوت کلیدی میان برندگان محتمل این بازی (مثل آنتروپیک با ضریب سوزش رو‌به‌کاهش و درآمد سازمانی پایدار) و بازندگان محتمل آن (استارتاپ‌های پوسته‌ی نازک که حاشیه‌ی سودشان به‌طور کامل توسط هزینه‌ی API مدل‌های دیگران بلعیده می‌شود)، نه در اندازه‌ی ارزش‌گذاری فعلی‌شان، بلکه در کیفیت و پایداری منبع درآمد و سرعت کاهش نسبت سوزش پول به درآمد نهفته است. برای هر سرمایه‌گذار یا کسب‌وکاری که به این اکوسیستم وابسته است، درسی که از این تحلیل برمی‌آید روشن است: عدد ارزش‌گذاری به‌تنهایی هیچ‌چیز را ثابت نمی‌کند؛ آنچه واقعاً اهمیت دارد، مسیر و سرعت رسیدن یک شرکت به یک مدل کسب‌وکار پایدار و مستقل از باد موافق سرمایه‌گذاران است.