W świecie startupów AI krąży pewien brudny sekret, o którym mało kto mówi głośno. Firmy technologiczne, które budują narzędzia oparte na sztucznej inteligencji, regularnie zawyżają swoje przychody, żeby wyglądać atrakcyjniej w oczach inwestorów. To nie jest teoria spiskowa - to udokumentowana praktyka, która ma realne konsekwencje dla firm kupujących te narzędzia.
Dlaczego powinno Cię to obchodzić, jeśli prowadzisz firmę w Polsce? Bo kiedy wybierasz narzędzie AI dla swojego biznesu, często kierujesz się tym, jak duża i "udana" jest firma, która je stworzyła. Myślisz: skoro mają miliony dolarów przychodu i wielkich inwestorów, to pewnie ich produkt jest solidny. Problem w tym, że te miliony mogą być mocno naciągane. A Ty podejmujesz decyzję o wdrożeniu na podstawie fałszywego obrazu.
Przyjrzyjmy się temu, jak dokładnie działa ten mechanizm i co z tego wynika dla polskich małych i średnich firm, które coraz śmielej sięgają po rozwiązania AI.
Jak startupom AI udaje się "pompować" przychody
Podstawowa metryka, którą startupom SaaS (czyli firmom sprzedającym oprogramowanie w modelu subskrypcji) mierzy się sukces, to ARR - roczny powtarzalny przychód. Jeśli firma ma ARR na poziomie 10 milionów dolarów, teoretycznie oznacza to, że jej klienci płacą łącznie 10 milionów rocznie za korzystanie z produktu. Brzmi prosto i przejrzyście. Problem w tym, że w branży AI ta metryka jest nagminnie nadużywana.
Oto najpopularniejsze triki, które stosują startupy AI:
- Wliczanie jednorazowych usług do ARR - firma sprzedaje klientowi wdrożenie za 200 000 dolarów (jednorazowa usługa konsultingowa), ale raportuje to jako powtarzalny przychód. W rzeczywistości klient nie zapłaci tej kwoty ponownie w następnym roku.
- Zawyżanie wartości kontraktów pilotażowych - klient podpisuje pilotaż za 5 000 dolarów miesięcznie na 3 miesiące, a startup liczy to jako 60 000 dolarów ARR, zakładając że klient zostanie na cały rok. Często nie zostaje.
- Liczenie "committed ARR" zamiast faktycznego - czyli wliczanie przychodów z umów, które zostały podpisane, ale klient jeszcze nie zaczął płacić, albo nawet takich, gdzie trwają dopiero negocjacje.
- Ukrywanie kosztów infrastruktury w marży - startup AI może mieć 10 milionów ARR, ale 7 milionów z tego idzie na opłaty za API do modeli językowych (np. za korzystanie z GPT-4 przez API OpenAI). Realna marża brutto to zaledwie 30%, podczas gdy tradycyjne firmy SaaS mają marże 70-80%.
Według danych z raportu Bessemer Venture Partners z 2024 roku, mediana marży brutto startupów AI wynosiła około 50-60%, w porównaniu do 75% dla klasycznych firm SaaS. To ogromna różnica, która oznacza, że nawet jeśli przychody są prawdziwe, firma jest znacznie mniej rentowna, niż sugerują nagłówki w mediach. Niektóre startupy AI operują z marżami brutto na poziomie zaledwie 20-30%, co stawia pod znakiem zapytania całą ich długoterminową opłacalność.
Dlaczego inwestorzy na to pozwalają (i dlaczego to problem)
Tu dochodzimy do sedna sprawy. Fundusze venture capital (VC) nie są naiwne - wiedzą, że liczby bywają naciągane. Ale mają własny interes w tym, żeby przymykać oko. Mechanizm działa tak: fundusz inwestuje w startup AI na wczesnym etapie. Potem, kiedy startup raportuje "imponujący" wzrost ARR, fundusz może podnieść wycenę firmy w kolejnej rundzie finansowania. Wyższa wycena oznacza, że udziały funduszu są warte więcej na papierze, co pomaga przyciągnąć nowych inwestorów do samego funduszu.
To błędne koło, w którym wszyscy uczestnicy mają motywację, żeby utrzymywać iluzję sukcesu - przynajmniej do momentu, kiedy muzyka przestaje grać. A kiedy przestaje, konsekwencje ponoszą zwykli użytkownicy produktów.
Weźmy konkretny przykład. W 2023 roku startup Jasper AI był wyceniany na 1,5 miliarda dolarów i raportował szybki wzrost przychodów. Rok później firma przeprowadziła masowe zwolnienia i drastycznie zmieniła strategię, bo okazało się, że klienci odchodzili szybciej, niż przybywali nowi. Firmy, które zdążyły zbudować swoje procesy marketingowe wokół Jaspera, musiały nagle szukać alternatyw.
Inny przypadek to firma Stability AI, twórca modelu Stable Diffusion. Przy wycenie przekraczającej miliard dolarów firma miała poważne problemy z generowaniem przychodów, a jej założyciel Emad Mostaque został zmuszony do rezygnacji w marcu 2024 roku. Firmy i freelancerzy, którzy zainwestowali czas w naukę tego ekosystemu, zostali z niepewnością co do przyszłości platformy.
Dla polskiej firmy, która wybiera narzędzie AI do automatyzacji obsługi klienta, generowania treści czy analizy danych, to nie jest abstrakcyjny problem z Doliny Krzemowej. To ryzyko, że narzędzie, na którym oprzesz swoje procesy, za rok może przestać istnieć lub drastycznie zmienić cennik, bo firma musi w końcu zacząć zarabiać naprawdę.
Praktyczny poradnik: jak polska firma powinna oceniać narzędzia AI
Nie chodzi o to, żeby bać się startupów AI i nie korzystać z ich produktów. Wiele z nich tworzy naprawdę wartościowe rozwiązania. Chodzi o to, żeby podejmować świadome decyzje. Oto konkretne kroki, które warto podjąć przed wyborem narzędzia AI dla swojej firmy:
1. Sprawdź model biznesowy, nie tylko funkcje produktu. Zanim zdecydujesz się na narzędzie, zadaj sobie pytanie: jak ta firma zarabia? Jeśli startup oferuje zaawansowane funkcje AI za 20 dolarów miesięcznie i nie ma jasnego modelu na rentowność, to prawdopodobnie subsydiuje Twoje korzystanie z pieniędzy inwestorów. To może działać przez rok, dwa - ale nie wiecznie. Szukaj firm, które mają przejrzysty cennik odzwierciedlający realne koszty.
2. Pytaj o wskaźnik retencji klientów, nie o ARR. Jeśli rozmawiasz z przedstawicielem handlowym narzędzia AI, zapytaj nie o to, ilu mają klientów, ale ilu klientów zostaje po pierwszym roku. Wskaźnik retencji netto (net revenue retention) powyżej 100% oznacza, że istniejący klienci wydają z czasem więcej - to dobry znak. Poniżej 80% to sygnał ostrzegawczy.
3. Unikaj uzależnienia od jednego dostawcy. To rada, która brzmi banalnie, ale w praktyce mało kto ją stosuje. Jeśli budujesz obieg pracy oparty na jednym narzędziu AI, zaplanuj od razu plan B. Na przykład: jeśli korzystasz z API jednego dostawcy do generowania treści, upewnij się, że Twoja integracja pozwala na stosunkowo łatwą zamianę na innego dostawcę. W praktyce oznacza to budowanie abstrakcji w kodzie lub korzystanie z platform pośredniczących.
4. Preferuj narzędzia z opcją samodzielnego hostowania. Jeśli to możliwe, wybieraj rozwiązania open source lub takie, które możesz uruchomić na własnej infrastrukturze. Modele takie jak Llama od Meta, Mistral czy polskie rozwiązania jak SpeakLeash dają Ci niezależność od losu jednego startupu. Tak, wymagają więcej pracy przy konfiguracji, ale eliminują ryzyko nagłego zamknięcia usługi.
5. Rób mały pilotaż przed dużym wdrożeniem. Zamiast od razu kupować roczną licencję dla całej firmy, zacznij od testu na jednym dziale lub jednym procesie. Daj sobie 2-3 miesiące na ocenę, czy narzędzie faktycznie dostarcza obiecaną wartość. W branży AI jest ogromna przepaść między efektownym demo a codziennym, niezawodnym działaniem w warunkach produkcyjnych.
Co to oznacza dla polskiego rynku AI
Polski rynek AI rozwija się dynamicznie. Według raportu fundacji Digital Poland z 2024 roku, ponad 30% polskich MŚP deklaruje korzystanie z jakiejś formy sztucznej inteligencji w swoich procesach. Jednocześnie Polska ma rosnący ekosystem startupów AI - firmy takie jak Infermedica, Synerise czy Eleven Labs (współzałożone przez Polaków) pokazują, że potrafimy budować produkty AI na światowym poziomie.
Ale właśnie dlatego warto być świadomym pułapek, które trapią globalny rynek. Polskie startupy AI też mogą ulegać pokusie naciągania metryk, szczególnie gdy starają się o finansowanie od zagranicznych funduszy VC, gdzie panują te same zasady gry. Jako klient lub partner biznesowy masz prawo - i powinieneś - zadawać trudne pytania.
Jest też pozytywna strona tej historii. Fala weryfikacji, która przechodzi teraz przez rynek AI, oznacza że firmy z napompowanymi metrykami będą odpadać. Zostaną te, które dostarczają realną wartość. Dla polskich firm kupujących narzędzia AI to w dłuższej perspektywie dobra wiadomość - rynek się oczyści, a produkty, które przetrwają, będą bardziej dojrzałe i wiarygodne.
Trzeba też uczciwie przyznać, że ocena kondycji finansowej startupu nie jest łatwa, szczególnie dla małej firmy, która nie ma działu analiz. Nie zawsze masz dostęp do danych o przychodach czy marżach dostawcy. Ale możesz obserwować sygnały pośrednie: częste zmiany cennika (zwykle w górę), masowe zwolnienia, odejścia kluczowych osób z zarządu, nagłe pivoty strategiczne. Każdy z tych sygnałów powinien skłonić Cię do przygotowania planu awaryjnego.
Warto też korzystać z polskiej społeczności AI. Grupy na LinkedIn, lokalne meetupy, społeczności takie jak Warsaw AI czy AI Poland to miejsca, gdzie można usłyszeć szczere opinie o narzędziach od ludzi, którzy faktycznie ich używają na co dzień. Opinia kolegi z branży, który testował dane narzędzie przez pół roku, jest warta więcej niż najładniejsza prezentacja sprzedażowa.
Podsumowanie
Rynek startupów AI przechodzi przez fazę, w której ambicje i marketing często wyprzedzają rzeczywistość. Zawyżanie przychodów to systemowy problem, nie incydentalne nadużycie - wynika ze struktury zachęt w ekosystemie venture capital. Dla polskich firm oznacza to jedno: nie daj się oślepić nagłówkom o kolejnej "jednorożcowej" firmie AI.
Zamiast tego stosuj zdrowy rozsądek i sprawdzone metody weryfikacji. Sprawdzaj model biznesowy dostawcy, pytaj o retencję klientów, unikaj uzależnienia od jednego narzędzia, testuj przed dużym wdrożeniem. Te proste zasady nie wymagają specjalistycznej wiedzy finansowej - wymagają tylko świadomości, że w branży AI nie wszystko złoto, co się świeci.
Polskie firmy mają szansę mądrze korzystać z rewolucji AI, ale to wymaga krytycznego myślenia. Lepiej wybrać mniej spektakularne, ale stabilne narzędzie od rentownej firmy, niż postawić wszystko na startup, który za rok może nie istnieć. Twoje procesy biznesowe zasługują na solidne fundamenty - niezależnie od tego, jak bardzo kuszące są obietnice najnowszego narzędzia AI.
Źródło: How VCs and founders use inflated ARR to kingmake AI startups - TechCrunch