Усі прагнуть максимізувати токени: гонка озброєнь, яку ніхто не наважується зупинити

Автор: партнер Five Sources Capital 孟醒；джерело: LatePost

Ми обійшлися по Кремнієвій долині, і виявили, що навіть ті, хто створює хвилі, вже майже потонули у хвилях.

Ранком 24 березня 2026 року я сидів у залі для глядачів Demo Day YC W26 batch і, почувши, як п’ята компанія виходить на сцену з презентацією, вирішив більше не робити нотатки.

Це не тому, що це не важливо, а тому, що я усвідомив: те, що я записав, може за місяць вже застаріти.

У цьому потоці понад сотня компаній, їхні проєкти дуже схожі: приблизно 80% — вертикальні агентські рішення, наприклад, допомога юристам у обробці документів, допомога службі підтримки у розподілі завдань, допомога HR у відборі резюме.

Якщо б я побачив ці проєкти ще в жовтні минулого року, я, ймовірно, подумав би: «Дуже цікаво». Але проблема в тому, що за ці п’ять місяців світ змінився.

Claude Code перетворився з інструменту, орієнтованого на розробників, у майже універсальний інтерфейс для будь-кого. Після виходу Opus 4.6 весь вайб кодування знизився до мінімуму.

Ці вертикальні агентські рішення, поки не створили бізнесові бар’єри, сьогодні будь-який звичайний інженер, навіть я сам, може зробити за вихідні — вони вже втратили інвестиційну цінність.

Цикл проекту YC — три місяці, ця група компаній, що увійшла у грудні, разом із попереднім відбором — це «хороші компанії», відібрані ще п’ять місяців тому. А п’ять місяців у швидкості AI-ітерацій — це вже достатньо для кількох парадигмальних змін.

У 2012 році, коли я вперше заснував стартап і отримав запрошення на Fly Out від YC, YC тоді був майже єдиним у цій ніші, і компанії, яких вони відбирали, часто символізували «наступний напрямок». Але конкуренція змінюється, і за останні кілька років YC почав ставати швидше за світ, перетворюючись на відстежуючий індикатор (lagging indicator).

Система потоків YC — заявки, відбір, вступ, доопрацювання, презентації — працює вже понад десять років у мобільному інтернеті і дуже успішна. Але цей ритм створений для більш повільного світу.

За цей рік і пів, що минув у сфері ризикового капіталу, я раз на квартал приїжджаю до Кремнієвої долини — востаннє був у жовтні минулого року. Раніше кожен приїзд здавався швидким і динамічним, але ця «швидкість» зазвичай вимірювалася місяцями.

Цього разу потрібно рахувати по тижнях.

Одного вечора під час вечері один з моїх знайомих, що займається пост-тренінгами, сказав випадково:

«Я помітив, що Кремнієва долина вже починає йти позаду себе саму.»

Усі максимально токенізуються: гонка озброєнь, у якій ніхто не наважується зупинитися

Півроку тому, якщо б хтось сказав мені, що у Meta десятки тисяч інженерів використовують продукти конкурентів для написання коду, я б подумав, що це жарт.

Але це правда. Уся Meta — всі використовують Claude Code. Це не стартап, не експериментальна команда, а компанія з капіталізацією у трильйони доларів.

Безпека коду вже не важлива, токен-бюджет зірвався, рейтинги змагаються — весь Кремнієвий вал віддає гроші на AI. Але що далі?

Спершу про безпеку коду. Півроку тому це було б немислим — код є ключовим активом компанії, і як можна дозволити сторонньому API торкатися до нього? Спочатку у Meta так і думали: у них був внутрішній інструмент myclaw, що намагався вирішити цю проблему. Один з їхніх співробітників сказав мені, що вони створили продукт для кодування, але «незручний і нікому не потрібен». Після того, як його ніхто не почав використовувати, компанія пішла на поступки: якщо це не стосується клієнтських даних, можна користуватися Claude Code.

Потім почалися внутрішні наради, тренінги, оцінювання — як зробити організацію AI-native. Безпека коду, безпека використання — ці червоні лінії, що раніше були очевидними, тепер відсунуті на задній план: головне — швидкість.

З міркувань безпеки Google заборонив більшості співробітників використовувати Claude Code або Codex, але DeepMind — виняток. Команди, що працюють з моделлю Gemini та внутрішніми застосунками, використовують Claude Code.

Сам Google теж не сидить склавши руки: вони запустили внутрішній інструмент для кодування Antigravity, у лютому цього року заявили, що близько 50% нового коду пишеться AI.

Але навіть у цьому DeepMind продовжує використовувати Claude Code. Однією з причин є те, що Anthropic зробили для них приватну розгортку, і довіру базують на тому, що їхні моделі працюють на Google Cloud TPU. Але у Meta та інших гігантів технологій такої довіри немає — вони справді відкидають безпеку коду і зосереджуються на швидкості. Усі роблять ставку на одне: швидко.

Безпека коду — це перша зламана прапор, друга — токен-бюджет.

У кількох стартапах у Кремнієвій долині, що орієнтовані на AI, один інженер за рік витрачає близько 200 тисяч доларів на токени. Це не дивно, але важливо те, що ця сума вже майже дорівнює зарплаті топ-інженера. Здається, компанії використовують AI для економії на людях, але загальні витрати не зменшуються — просто людські витрати перетворюються у витрати на токени.

Meta тут — найекстремальніша. Вони створили внутрішній рейтинг споживання токенів: хто більше використовує — той у рейтингу, а на дні — можливо, звільнять. Тому співробітники Meta навіть змагаються за неофіційний титул «token legend».

Але одночасно Meta цього року провела дві масштабні скорочення — понад тисячу людей у сумі. З одного боку, всі використовують Claude Code для збільшення токенів, з іншого — масово звільняють.

Ці дві речі не суперечать одна одній — вони дві сторони однієї медалі.

Я подивився на одну компанію з C-рауном, її техлідер показав мені Slack — там працюють агенти, паралельно кілька Cursor агентів, і ще один вікно Claude Code для управління. Найпопулярніша тривога інженерів — що, якщо перед сном вони не знають, що роблять їхні агенти, і це їх лякає.

Але чи справді продуктивність зросла так сильно? З кінця минулого року багато CTO з провідних компаній з інтелектуальних систем і баз даних радісно говорять про «стовідсоткових інженерів» і «десятки разів ефективності». Раніше 60 людей за рік робили те, що тепер за тиждень роблять 2 людини з Claude Code.

Спершу я теж був у захваті, але згодом заспокоївся і почав ставити питання: добре, ефективність зросла у 100 разів, але чи зросли доходи компанії у 100 разів? Або розширилася продуктова лінійка у 100 разів? Адже «100-кратне» підвищення — це, можливо, просто оптимізація кількості звільнених.

Я не отримав чіткої відповіді. Насправді, 100-кратне підвищення ефективності — це лише 50% або 1 раз зростання доходів компанії.

У чому різниця? Зараз ніхто не може сказати точно.

«Використання такого обсягу токенів має перетворити компанію у щось інше. Але що саме — я не знаю.»

Один із засновників, що працює у сфері B2B-продажів, розповів мені, що його команда з 16 людей, двоє з них — продавці, за 12 місяців з нуля вийшли на 30 мільйонів доларів ARR — все завдяки AI-кодуванню. Такі випадки трапляються, але здебільшого я бачу, що стартапи створюють більше, але ці продукти ще не мають product-market fit (PMF).

Зараз у Кремнієвій долині популярно експериментувати з 100 способами застосування vibe coding, щоб побачити, що працює, а не обмежуватися 10. Але хто зможе зловити наступний тренд — ще важко сказати.

Найяскравіший контрприклад — внутрішня ситуація в Anthropic. Я запитав одного з їхніх співробітників: «Які найболючіші сценарії використання агентів у вас?» Він відповів: «Це oncall (оперативне реагування).»

Типовий сценарій oncall — якщо API Claude раптом починає відповідати повільніше, або один із моделей зависає, або користувачі отримують аномальні відповіді — інженер oncall має швидко знайти причину, визначити, чи це баг у коді, проблема з ресурсами чи сама модель — і вирішити, що робити далі.

Anthropic — одна з найсильніших компаній у світі з розробки кодових агентів, і цей сценарій — їхній профільний напрямок. Але навіть у них oncall-агенти досі незручні.

Ось і реальний стан справ у квітні 2026 року: парова машина вже винайдена, але іноді вона працює повільніше за воза. Важливо, що всі знають: парова машина рано чи пізно стане швидшою, тому всі шалено вкладаються: безпека коду, токен-бюджет, рейтинги — все на максимумі. Але коли парова машина справді зможе обігнати воза — ніхто не знає, і ніхто не наважується зупинитися і чекати.

Адже зупинка може коштувати дорожче, ніж помилка у витратах токенів.

Крім того, витрати на токени, ймовірно, зростають не лінійно. Це нагадує мій досвід з автоматичним водінням: у 2021 році в Шанхаї ми вперше зробили безперервне 5-годинне автоматичне водіння без втручання. Тоді це здавалося проривом. До цього тестові автопарки зростали поступово — 10, 15, 20 машин. Але після цього моменту швидко зросло до 100, 1000. Сьогоднішні агенти для кодування — це приблизно той самий етап.

У 2021 році в Шанхаї Didi вперше реалізував безперервне 5-годинне автономне водіння без втручання — це був важливий етап у розвитку внутрішнього автопілота в Китаї. На фото — тодішній COO Didi Autonomous Driving 孟醒 у розмові з Себастьяном Труном, «батьком безпілотних автомобілів» від Google, 2021.

METR — дослідницька організація у Каліфорнії, що оцінює AI-кодинг. Минулого року вони запропонували індекс: скільки часу агент може успішно виконати задачу з 50% ймовірністю (за часом, що потрібен людині-експерту). У березні 2025 року цей показник для Claude 3.7 Sonnet становив 50 хвилин; до кінця 2025 року Claude Opus 4.6 вже виконував за 14,5 годин. За два роки цей індекс подвоївся з 7 до 4 місяців. Як тільки надійність агентів підвищиться ще на один рівень, витрати на токени перестануть бути проблемою — вони зростатимуть у рази за одну ніч.

Є передбачення, яке здобуло широке визнання: до кінця цього року багато компаній (у тому числі великі технологічні гіганти) фактично зможуть обійтися 20% персоналу.

xAI зірвалася, і тепер ті, хто будував ракети, починають створювати моделі

У ресторані у Маунтін-В’ю, близько дев’ятої вечора, до мене сідає колега, що довго працював із Маском. Ми говорили понад три години, і я зрозумів, що він майже не казав нічого хорошого про Маска.

Один з деталей: я запитав його, як проходить його робота у xAI за три роки. Він сказав, що майже весь цей час жив у компанії, і вдома у нього майже нічого не облаштовано — навіть ліжка не купив. Спить у «sleeping pod» (спальні капсули), що нагадують хостели. Я порадив йому купити ліжко, адже він отримує великі акції. Він посміхнувся.

Робота у xAI — відома у Кремнієвій долині своєю інтенсивністю, але зараз команда вже зійшла приблизно на 90%. У них є група для звільнень, щодня додають нових.

Пусковим механізмом стала звільнення Тоні Ву, і це спричинило ланцюгову реакцію. За словами внутрішнього співробітника, «інші компанії могли б готуватися до піврічних відставань керівництва, а у xAI — достатньо місяця». Деякі ще в жовтні минулого року відчули невдоволення Маска, але не очікували такої швидкості очищення.

Зараз Маск починає залучати людей із SpaceX і Tesla для керівництва xAI — «ті, хто будував ракети, починають створювати моделі».

Незадоволення Маска — через те, що він вклав багато грошей і обчислювальних ресурсів, але Grok так і не увійшов у першу лінію. Чому? Це питання, яке задають усі, хто працював у xAI. Відповідь досить проста: команда дуже сильна і працює надзвичайно наполегливо, але управління виробництвом у галузі великих моделей — не його сильна сторона.

Я працюю в автоматичному водінні вже вісім років і маю свої спостереження. Маск раніше займався SpaceX і Tesla — це системна інженерія: довгі ланцюги, що включають софт, апаратне забезпечення, ланцюги постачання, — у всьому цьому є простір для інновацій. Але в кінцевому підсумку це — системна інженерія.

Він майстер у тому, щоб у довгих ланцюгах знаходити ключові важелі і максимально скорочувати час для їхнього вирішення. Розробка ракетних двигунів, повторне використання — все це результат такого мислення.

Але у xAI він не займається системною інженерією. Замість цього він робить три речі: спершу вкладає у найбільший у світі GPU-кластер (зараз його жартують, що xAI — це вже не neo lab, а neo cloud, що надає обчислювальні ресурси Cursor), потім ставить дедлайни, і сам особисто бере участь у розробці функцій продукту. Це — фокус на кількох точках, а не на цілому плануванні.

Інженери з автоматичного водіння знають: у пізніх стадіях між командами софту, інфраструктури і апаратури виникає головна суперечка — хто керує. Кожен напрямок потребує рішення на рівні CTO, але ніхто не розуміє всіх трьох сфер одночасно. Хороший підхід — щоб засновник, хоч і не розумів усіх деталей, вмів балансувати ресурси і визначати пріоритети: зараз — софт, потім — інфраструктура. Це — глобальне планування.

Проблема у xAI — відсутність такого глобального плану, лише швидкі спринти. Якби не було такого тиску, розумні люди могли б самі налагодити співпрацю, і з часом усі сфери знаходили б свій ритм. Але високий тиск Маска і відсутність цілісного плану призводять до розпорошення — кожен керівник захищає свої пріоритети, і немає спільного керівництва.

Успіх SpaceX і Tesla — ще й тому, що у цих галузях Маск майже не зустрічав рівних конкурентів, він змагався лише із самим собою. Але у AI ситуація інша: конкуренція — жорстока, і навіть OpenAI може бути поглинута Anthropic.

Один із співзасновників xAI минулого року сказав, що його здивували дві речі: перша — наскільки жорстока конкуренція, і друга — що застосувань у AI-епоху так мало, бо більшість вже «з’їдені» моделями.

Розквіт Anthropic — одна з найяскравіших драм у AI за минулий рік. Це також кардинально змінило фокус боротьби: якщо раніше змагалися за кількість користувачів C-краю і за відео, то тепер (на тимчасовій стадії) — у сфері toB і кодування.

Звісно, історія xAI — ще й історія «гроші приходять швидко і багато, що з цього буде?»

Я не шкодую, що мої друзі з xAI приєдналися — це одна з найшвидших історій збагачення у Кремнієвій долині. З перших десятків мільярдів доларів інвестицій до злиття з SpaceX і створення компанії вартістю 250 мільярдів доларів — всього за рік. І майже кожен із 9 співзасновників став мільярдером, а провідні інженери — мільйонами або десятками мільйонів доларів. Грошей у Кремнієвій долині справді багато. Якщо вони знову почнуть щось робити, у них буде достатньо ресурсів, щоб зайнятися тим, що їм цікаво, а не швидким заробітком.

Тривожні інженери, ще тривожніші дослідники

З інженерами зараз спілкуєшся — і виникає дивне відчуття: всі визнають, що майже не пишуть код, але при цьому всі роблять вигляд, що це не страшно, бо їх замінить AI, і вони зможуть «збити» тих, хто ще не перейшов на AI.

Зараз 80% софтверних інженерів мають основні навички, які вже замінює модель, і залишаються лише через те, що модель іноді помиляється і потрібно контролювати. Але й цей контроль скоро може зникнути.

Ще більш радикально — сьогодні так звані «AI-native організації» звучать дуже круто: кожен відділ оптимізує робочі процеси, переводить частину роботи в онлайн, створює навички. Але по суті — це людське «дистиляція»: ви перетворюєте свої можливості у навички машин, і компанія отримує ваші навички. Це вже — AI-інтеграція. І якщо через це зменшиться кількість працівників — це питання моралі. Зараз Meta саме цим і займається.

Хоча всі змагаються за токен-бюджет, відчувається, що у всьому Кремнієвому долині панує підсвідомий страх.

Ще більш несподівано — цей страх поширюється і на дослідників.

Дослідники — вершина піраміди талантів. Це не просто «науковці», а ті, хто у великих моделях займається тренуваннями і інноваціями. Вони відрізняються від інженерів тим, що: інженер — «створює», пише код, деплоїть, оптимізує; дослідник — «пропонує», придумує нові методи тренування, архітектури моделей, проводить експерименти.

Зараз навіть їхню роботу починає автоматизувати. Це те, що роблять у DeepMind — тренують моделі моделями, і це — один із трендів AI-епохи. Цього року з’явилися інструменти для автоматизації досліджень — AI scientist tools, harness frameworks. Але поки що більшість систем працює лише на рівні «публікація статей»: AI допомагає запускати експерименти і писати наукові роботи, але остаточне рішення — за людиною.

Компанії, як OpenAI, Anthropic, Google, прагнуть зробити ще більш радикальний крок: щоб цикл досліджень і оновлень моделей був закритим — щоб AI сам знаходив нові парадигми і прориви. Якщо це вдасться — це буде справжня заміна дослідника. Внутрішні експерименти Google DeepMind вже понад рік дозволяють моделям самостійно обирати, які експерименти запускати, оцінювати їх і рухатися далі — це вже «модель, що навчає себе».

Дослідники також мають мотивацію звільнятися — через високу ціну. Глобально їх кількість — кілька тисяч, і їхні зарплати — мільйони або десятки мільйонів доларів.

«Майбутнє — це коли 10 людей роблять роботу 100, отримують у 20 разів менше, а 90 — без роботи.»

І звільнення — це не лише цифри. Багато компаній першим кроком звільняють зовнішніх підрядників — індійські і філіппінські компанії, що займалися обслуговуванням клієнтів, обробкою даних, фінансовими операціями. Це означає, що країни, що залежали від сервісної економіки, — можуть опинитися під ударом. «Обслуговувальна» модель, що піднімала їх економіку, — може зникнути.

Усі у Кремнієвій долині дивляться на Meta: якщо їхній експеримент вдасться — збережуться доходи і підвищиться ефективність, — інші гіганти швидко підхоплять цю хвилю, і масове звільнення стане нормою. А механізм прискорення — жорсткий: спочатку ніхто не наважується звільняти, бо боїться знизити моральний дух, але коли це стане звичкою — звільнення будуть швидшими і безжальнішими.

Але разом із звільненнями з’являються нові робочі місця.

Багато стартапів починають наймати нову роль — «AI builder» — поєднання продакт-менеджера, фронтенд- і бекенд-інженера. Також з’являються позиції, що поєднують дата-сайєнтиста і ML-інженера, і ролі, що об’єднують контент-менеджера, маркетолога і операційного менеджера.

Попит на ці нові ролі у Кремнієвій долині дуже високий, але головна проблема — ніхто не знає, як їх наймати. Не можна просто оцінити резюме — ці ролі ще не існували, і їхні навички ховаються у власних проєктах. Не можна й просто написати код — головна компетенція тут — «естетика + AI-навички». Тому вже з’являються стартапи, що автоматично генерують симуляційне середовище для співбесід, щоб кандидат міг у реальному часі виконати завдання з AI. Це схоже на старі тестові завдання з програмування, але для нових навичок.

Коли AI зможе робити все, цінність людини зміниться: з «що я можу зробити» — на «що варто робити і що ні».

Два оцінки за раунд — NVIDIA на кожному «столі» має ставити фішки

Розповідаючи про тих, кого вже замінили — інженерів, дослідників, фінансистів — є одна роль, яка не лише не зникла, а й стає все більш впливовою у цій грі.

Це — NVIDIA.

Я думав, що дефіцит карток минулого року вже зменшився. Але цього разу я побачив, що дефіцит повернувся — і ще більш безжально.

Один із сигналів — якщо ви можете стабільно надавати API-сервіси, наприклад, Claude API, і досягти 99-го перцентилю стабільності — ви можете продавати свій API у 2-3 рази дорожче за офіційний.

Зростання попиту Anthropic на API призводить до частих збоїв — і це створює проблеми для агентських продуктів, що базуються на Claude.

Раніше бізнес із маршрутизації (Router) був простий — «я дешевший за офіційний», тому маю трафік. Тепер все навпаки: стабільність стала дефіцитним ресурсом. Декілька стартапів вже заробляють на цьому, і у Кремнієвій долині з’являються нові міні-версії Coreweave / Nebius.

І ця проблема з обчислювальними ресурсами — не лише у GPU. Елад Гіл недавно написав, що виробничі потужності пам’яті у Hynix, Samsung і Micron — ще щонайменше два роки на розширення. Це означає, що до 2028 року жодна AI-компанія не зможе суттєво випередити конкурентів за рахунок обчислювальних ресурсів. Обмеження у потужностях зміцнює монополію великих моделей — не через недбалість, а через фізичні обмеження виробництва.

Головна влада — у тих, хто має картки NVIDIA. Сучасні компанії, як CoreWeave, Lambda, Nebius — всі підконтрольні NVIDIA.

Розгортання NVIDIA — глибше, ніж я думав. Інвестор Reflection розповів, що їхній перший проєкт у цьому neo lab був у сфері кодування, і коли засновник зустрівся з Дженсеном Ху, той сказав: «Забудьте про кодування, зробіть для мене «американський DeepSeek», створіть американську відкриту модель, я дам вам гроші і картки». Reflection зробив поворот на 180 градусів.

Американський ринок капіталу також почав з’являтися у нових формах: у одному раунді фінансування — два різні оцінки. Інвестори, що зайшли раніше і мають хороші стосунки, — за нижчою оцінкою; великі гравці, як NVIDIA, — за високою. Такі структури вже з’являються і в Україні.

Але навіть NVIDIA не може контролювати те, чого немає.

У США зростає протест проти дата-центрів. Зараз у країні близько 100 проектів, і 40 з них — під загрозою зриву. У Мейн — ухвалили закон, що забороняє будівництво нових дата-центрів. У місті, що затвердило проект на 6 мільярдів доларів, половина депутатів була змушена уночі голосувати проти — і новий мер уже скасував рішення.

Обмеження у потужностях — не через поганий продукт або недостатню кількість користувачів, а через те, що фізичний світ не встигає за цифровим.

Це — ще один рівень «відставання».

Оцінювальна система Кремнієвої долини — перезапуск

Почнемо з цифри.

ВВП США — близько 30 трильйонів доларів. Виторг від OpenAI і Anthropic — приблизно по 30 мільярдів доларів на рік, тобто кожна вже становить 0,1% ВВП США. Якщо до кінця року вони досягнуть 100 мільярдів і більше, разом із хмарними сервісами та іншими доходами — AI займе близько 1% ВВП США. Це — з нуля до 1% за кілька років.

Це — неймовірний темп зростання. Але дивно, що чим швидше зростає цей показник, тим більше інвестори не знають, як його оцінювати — і система оцінки у Кремнієвій долині руйнується.

Я кілька разів говорив із друзями з вторинного ринку, і одне слово, що постійно з’являється — «re-rationalization» (відновлення раціональності у оцінках).

За останні роки інвестиції у AI базувалися на очікуваннях майбутніх грошових потоків: сьогодні — збитки — не проблема, головне — щоб через 3-5 років ARR був у рази більшим. Але ця модель вже не працює.

Проблема у DCF — найпростіша модель оцінки. Передбачаєш майбутні 10 років грошових потоків, додаєш terminal value — цінність компанії після стабілізації — і отримуєш оцінку. Зазвичай terminal value — 70-80% від усього.

Зараз обидва ці показники змінюються: по-перше, прогнозувати більше ніж на 3 роки — важко, бо через 3 роки (іноді й раніше) все може змінитися; по-друге, terminal value — взагалі важко порахувати, бо він базується на припущенні стабільної роботи компанії, а якщо AI може будь-коли все зруйнувати — цей сценарій стає недійсним.

Я порівняв це з інвестиціями у компанії, що не вийдуть із AI-руху — вони схожі на очікування ядерної бомби: знаєш, що вона обов’язково вибухне, але не знаєш коли. Тому оцінювати потрібно не «що станеться, якщо не вибухне», а «як швидко зреагуєш, коли вона вибухне». Це — зовсім інша логіка оцінки.

SaaS — перша сфера, що переоцінена у цю епоху. Snowflake у 2023 році, за моделлю DCF, потрібно було 100 років, щоб окупитися. Зараз її оцінка — у рази нижча. ServiceNow, Workday — теж. Це — лише початок.

Навіть навпаки — компанії, що мають великі моделі, оцінюються за іншим принципом: їхній майбутній потенціал — стабільне зростання. Вони не «згорять» раніше, а будуть розвиватися у межах своїх можливостей.

Раніше стартапи казали: «Мінімум зарплати, але опціони — у майбутньому будуть великі гроші». Але ця стратегія працює лише, якщо компанія існуватиме 15-20 років і буде цінною. Якщо ні — найрозумніше — отримувати зарплату у готівці.

Це змінює структуру витрат і логіку залучення капіталу.

Інвестори теж у болі. За останні 3-6 місяців майже всі фонди у Кремнієвій долині інвестували у щонайменше один neo lab. Вчені з відомих AI-лабораторій отримали мільярди доларів. Але тепер усі вважають, що це було трохи поспішно і дорого. Чому тоді інвестували? Тому що, якщо компанія справді зробить прорив — її зростання буде настільки швидким, що тоді оцінка здаватиметься низькою.

Один із інвесторів сказав прямо: «Ми або з нуля до 100, або з нуля до нуля. Краще ризикнути і отримати шанс на безмежний потенціал neo lab, ніж заробляти на дорогому A-раунді.»

Раніше вважалося, що 1 долар ARR — це 1 долар оцінки. Але тепер ця рівність руйнується.

Мінімальна мультиплікація для вертикальних агентів — близько