Маржа ИИ-продуктов, 52% против 75, 85% у классического SaaS

У программного обеспечения долгое время была своего рода суперспособность: продукт разрабатывается один раз, а распространить его на миллион пользователей стоит примерно столько же, сколько на одного. Почти вся выручка от каждого нового клиента шла прямо в прибыль. Это создавало валовую маржу в 75, 85%, уровень, которого не было ни у одной другой отрасли за всю историю. Такая экономика оправдывала агрессивное привлечение клиентов: раз обслуживание клиента почти ничего не стоило, а пожизненная ценность клиента считалась почти безгранично щедрой, компании могли жечь деньги на рост, зная, что экономика на одного клиента с масштабом только улучшается, а не ухудшается. Именно на этом принципе, набирать клиентов агрессивно сейчас, потому что юнит-экономика с масштабом становится только лучше, строилась вся формула роста SaaS-индустрии последние пятнадцать лет. Это была настоящая аномалия: у большинства отраслей экономика устроена иначе.

Затем появился ИИ и поднял ставки. Пользователи стали ждать от софта принципиально другого: не просто инструментов для хранения и поиска данных, а продуктов, которые рассуждают, генерируют и отвечают. Чтобы соответствовать этому ожиданию, продукту приходится обращаться к языковой модели, а каждое такое обращение, так называемый вызов инференса (в отличие от обучения модели, инференс, это сам процесс генерации ответа), стоит денег. Каждое действие пользователя теперь несёт затраты на вычисления, которые растут прямо пропорционально использованию. Для компаний прикладного уровня, то есть для подавляющего большинства стартапов, которые строят продукт поверх готовых базовых моделей, а не владеют собственной инфраструктурой (источник приводит в пример Legora, построенную на моделях Anthropic и OpenAI), это прямые расходы, реальные деньги, уходящие из компании. У софта и раньше была себестоимость, хостинг, трафик, комиссии платёжных систем, но она была небольшой, снижалась со временем и не имела отношения к самому продукту. ИИ делает эту себестоимость крупной, устойчивой и неотделимой от базового пользовательского опыта: впервые для софта, как и для физического производства, стал важен состав затрат на компоненты, из которых собран продукт.

Отсюда возникает компромисс, которого не существовало в традиционном SaaS. Модель, которую компания выбирает для обслуживания пользователей, влияет не только на её прибыль и убытки, но и на качество продукта, а значит, на конкурентную позицию. Выбираешь более дешёвую модель, сохраняешь маржу, но рискуешь потерять пользователей в пользу конкурента с лучшим продуктом. Выбираешь передовую модель, выигрываешь в качестве продукта, но теряешь в экономике. Маржа и качество впервые вступают в прямой конфликт на уровне каждой единицы продукта. Это решение сродни тем, что принимают производители физических товаров при выборе комплектующих, и теперь оно оказалось на столе у основателей софтверных компаний. На практике большинство ИИ-стартапов уже это понимают и как-то управляют компромиссом: одновременно используют несколько моделей, направляя рутинные задачи на более дешёвые или дообученные модели и эскалируя до передовых моделей только сложные случаи. Это рациональный ответ на реальное ограничение, но сам компромисс от этого никуда не девается: по мере роста продукта расходы на инференс, как правило, становятся главной статьёй затрат, обгоняя даже расходы на персонал.

Сейчас большинство компаний вполне рационально не задумываются о полных последствиях этого сдвига: рынок движется быстро, гонка за долю рынка реальна, и при такой высокой конкуренции жечь деньги на инференс, оправданное краткосрочное решение. Но это же откладывает проблему на потом: рано или поздно рынок созреет, ажиотаж уляжется, и компаниям придётся строить прибыльный бизнес поверх структуры затрат, о которой раньше никогда всерьёз не задумывались. Момент равновесия наступит, и основатели, которые думали о юнит-экономике с самого начала, окажутся в лучшем положении, когда это произойдёт.

Если маржа сжимается структурно, а по утверждению автора, это уже происходит, вся прежняя арифметика роста перестаёт работать. Согласно недавнему опросу ICONIQ (отчёт «State of AI: Bi-Annual Snapshot», январь 2026 года; опрошено около 300 руководителей софтверных компаний, разрабатывающих ИИ-продукты), средняя валовая маржа ИИ-продуктов в 2026 году, около 52%; год к году она растёт по мере того, как компании учатся управлять затратами (в 2024 году показатель был равен 41%), но всё ещё заметно ниже 75, 85%, которые инвесторы в SaaS привыкли считать нормой. Компании нельзя оправданно жечь деньги на агрессивное привлечение клиентов, если у этих клиентов есть реальные постоянные расходы на вычисления. Негласный контракт эпохи SaaS, «расти сейчас, маржа подтянется потом», перестаёт работать, если структура затрат не улучшается с масштабом так, как это было раньше.

Есть и второе измерение этого сжатия, которое объясняет уже происходящие изменения в ценообразовании: ИИ не просто повышает предельные затраты, он делает стоимость обслуживания каждого клиента гораздо более разной от клиента к клиенту, чего в традиционном SaaS не было. Например, пользователь, который делает сто обращений к модели, обходится компании значительно дороже, чем пользователь, который делает всего пять, тогда как в традиционном SaaS оба обходились почти бесплатно. Фиксированная подписка размазывает эту разницу по всей базе пользователей и работает до тех пор, пока самые активные пользователи не начинают обходиться настолько дорого, что это подрывает маржу. Рациональный ответ на это, оплата по факту использования: цена привязывается к тому, во что реально обходится обслуживание клиента. Не случайно ИИ-стартапы всё активнее двигаются именно в эту сторону: модель ценообразования меняется, потому что раньше изменилась модель затрат.

Оптимисты возражают: расходы на инференс быстро падают, и это правда. Но нельзя строить бизнес-модель на прорыве в стоимости, который ещё не произошёл. И даже если стоимость всё-таки упадёт, обычно срабатывает парадокс Джевонса: когда ресурс дешевеет, его начинают использовать больше, а не меньше. Парадокс назван в честь Уильяма Стэнли Джевонса, который в 1865 году заметил, что более эффективные угольные двигатели привели не к сокращению, а к росту потребления угля. Подешевевший инференс не превращается в прибавку к марже, его поглощают более глубокая интеграция ИИ в продукт, больше обращений к модели на одно взаимодействие и всё больше автономных агентов, работающих в фоне. Стоимость одного обращения падает, но число обращений на пользователя растёт быстрее.

Формула, которая вырисовывается из всего этого, меньше похожа на эпоху SaaS и больше, на то, как исторически строился бизнес там, где капитал стоил дорого: юнит-экономика продумывается с первого дня, цена отражает реальную структуру затрат, а рост финансируется самим бизнесом, а не инвесторами, которые ставят на будущее расширение маржи, которое может и не наступить. Всё это не надгробная речь по софтверной индустрии. Основатели, которые всерьёз относятся к этому компромиссу, думают, для кого именно они строят продукт и какой ценой, не обязательно строят компании хуже, чем поколение SaaS: возможно, они строят компании лучше, более продуманные, более устойчивые, более честные в отношении того, где на самом деле создаётся ценность. Эпоха нулевых предельных затрат породила выдающиеся компании. Но она же породила немало таких, что приняли благоприятную структуру затрат за настоящее конкурентное преимущество, и так и не узнали разницы между ними.

Ключевые факты

Традиционный SaaS десятилетиями держал валовую маржу 75, 85%, почти нулевая предельная стоимость обслуживания нового клиента оправдывала агрессивное привлечение пользователей: расходы на рост окупались, потому что экономика на одного клиента с масштабом только улучшалась.
У ИИ-продуктов появилась реальная себестоимость, которой раньше почти не было: каждый вызов модели (инференс) стоит денег и масштабируется вместе с использованием, из-за чего расходы на вычисления становятся крупной и неотделимой частью продукта, а не мелкой статьёй вроде хостинга.
По данным опроса ICONIQ (отчёт «State of AI: Bi-Annual Snapshot», январь 2026 года, около 300 опрошенных руководителей), средняя валовая маржа ИИ-продуктов в 2026 году, около 52% (в 2024 году было 41%), и это всё ещё заметно ниже традиционных 75, 85% у SaaS.
По мере роста продукта расходы на инференс, как правило, становятся главной статьёй затрат, обгоняя даже расходы на персонал; при этом стоимость обслуживания сильно разнится между пользователями, активный пользователь обходится компании намного дороже пассивного, что подталкивает индустрию к оплате по факту использования вместо фиксированных подписок.
Даже если стоимость инференса продолжит падать, парадокс Джевонса (в честь Уильяма Стэнли Джевонса, заметившего в 1865 году рост потребления угля от более эффективных двигателей) предполагает, что экономия не превратится в маржу, а будет поглощена ростом числа обращений к модели, более глубокой интеграцией ИИ и автономными агентами.

Почему это важно

Пятнадцать лет SaaS-индустрия жила на одной и той же аномалии: обслуживание дополнительного клиента стоило почти ноль, поэтому валовая маржа держалась на уровне 75, 85%, таких показателей не было ни у одной другой отрасли. Именно эта аномалия оправдывала весь стандартный сценарий роста: агрессивно и дорого привлекать клиентов сейчас, потому что юнит-экономика с масштабом только улучшается. ИИ ломает это допущение в его основе. Как только продукт начинает вызывать языковую модель на каждое действие пользователя, у компании впервые появляется настоящая переменная себестоимость, инференс, которая растёт вместе с использованием, а не размывается с масштабом. Опрос ICONIQ фиксирует это не как теорию, а как уже случившийся факт: средняя маржа ИИ-продуктов в 2026 году, около 52% против привычных 75, 85% у классического софта. Это меняет саму логику, на которой инвесторы и основатели строили софтверный бизнес последние полтора десятилетия.

Кому это важно

Основателям и финансовым директорам ИИ-стартапов прикладного уровня, тем, кто строит продукт поверх чужих базовых моделей (источник приводит в пример Legora, построенную на Anthropic и OpenAI) и каждый день решает, какую модель запускать под конкретный запрос. Тем, кто отвечает за ценообразование и выбирает между фиксированной подпиской и оплатой по факту использования. Инвесторам и аналитикам, которые оценивают ИИ-компании по мультипликаторам, унаследованным от эпохи SaaS, и рискуют завышать ожидания по марже. Основателям традиционного SaaS, которые встраивают в продукт функции на основе ИИ и тем самым впервые импортируют в свою экономику переменную себестоимость.

Как это применить

Из текста можно вынести несколько конкретных практик, которые уже применяют ИИ-основатели. Первое, маршрутизация запросов: держать в проде сразу несколько моделей и направлять рутинные задачи на более дешёвые или дообученные модели, эскалируя до передовой модели только сложные случаи. Второе, пересмотреть тарифы: раз стоимость обслуживания активного пользователя может быть намного выше, чем у пассивного, а фиксированная подписка эту разницу маскирует, стоит двигаться в сторону оплаты по факту использования, цена должна отражать реальную себестоимость. Третье, считать юнит-экономику с первого дня продукта, а не откладывать это до момента, когда рост «сам всё окупит»: расходы на инференс имеет смысл планировать так же тщательно, как производитель планирует состав затрат на комплектующие. Четвёртое, не рассчитывать на то, что падение стоимости инференса решит проблему маржи само по себе: по парадоксу Джевонса, подешевевшие вызовы модели, скорее всего, будут потрачены на более глубокую интеграцию и больше автономных сценариев, а не сохранятся в виде прибыли.

Можно ли доверять

Материал, авторское эссе (в выданном тексте нет ни имени автора, ни подписи), опубликованное в личном блоге nicolo.xyz и вынесенное на Hacker News, где оно набрало 50 баллов и 36 комментариев, то есть прошло через открытое обсуждение сообщества. Центральная фактическая опора текста, цифры 75, 85%, 52% и 41% и размер выборки около 300 руководителей, не выдумана автором, а взята из конкретного проверяемого источника: отчёта ICONIQ «State of AI: Bi-Annual Snapshot» за январь 2026 года. А вот более широкие тезисы, что расходы на инференс «как правило» обгоняют даже расходы на персонал, что рынок в целом движется к оплате по факту использования, поданы как авторская аргументация, без отдельных цифр или названных компаний в подтверждение. Ни одна конкретная компания не приведена как пример сжатия маржи от ИИ-инференса: Legora в тексте упомянута только как иллюстрация того, что такое «прикладной уровень», а не как доказательство тезиса. Момент, когда «рынок созреет» и наступит равновесие, никак не датирован, это прогноз, а не факт.

Риски и подводные камни

Цифры 52% и 41%, усреднённые показатели по выборке примерно из 300 руководителей, а не универсальный закон: у конкретной компании реальная маржа может сильно отличаться от среднего в любую сторону. В тексте нет ни одного числового ориентира по стоимости самого вызова модели или по ценам конкретных моделей, оценить масштаб проблемы в долларах на пользователя по этому материалу нельзя. Тезис о том, что инференс «как правило» обгоняет расходы на персонал по мере роста продукта, не подкреплён ни одной цифрой сравнения, это обобщение автора, а не измеренный факт. Точно так же не названо ни одной компании, которая уже перешла на оплату по факту использования, утверждение о движении рынка в эту сторону остаётся общим. И хотя автор признаёт, что стоимость инференса действительно падает, контраргумент через парадокс Джевонса, тоже прогноз на будущее, а не подтверждённый результат: он объясняет, почему падение цены может не спасти маржу, но не доказывает, что так произойдёт наверняка.