Что такое «юнит-экономика»
Юнит-экономика описывает доходы и расходы бизнеса, рассчитанные на одну «единицу» — клиента, подписку или единицу использования/обработки.
В традиционном SaaS единицей часто является клиент или пользователь. После создания продукта обслуживание дополнительных пользователей стоит почти ничего — маржинальные издержки стремятся к нулю. Это и обеспечивает высокую валовую маржу.
Ключевые показатели: CAC (стоимость привлечения клиента) и LTV (пожизненная ценность клиента). Их соотношение LTV/CAC отражает долгосрочную прибыльность.
С появлением AI-функциональности структура юнит-экономики резко меняется.
Почему ИИ меняет правила: исчезновение нулевой маржинальной себестоимости
Растущие переменные затраты: вычисление, токены, инфраструктура
Когда продукт использует LLM или ML-инференс, каждый запрос, API-вызов или промпт потребляет вычислительные ресурсы. Это означает, что стоимость «единицы использования» перестаёт быть близкой к нулю.
Затратная структура смещается от почти фиксированной (как в классическом SaaS) к переменной и напрямую зависящей от использования. Каждая AI-операция имеет реальную себестоимость.
Это приводит к росту COGS (себестоимости продаж) и может существенно снизить валовую маржу продукта, если не управлять затратами.
Итог: базовое допущение SaaS — «маржинальные издержки ≈ 0» — перестаёт работать.
Модели монетизации под давлением: ценообразование «по местам» теряет актуальность
Традиционная SaaS-монетизация (подписка на пользователя) подразумевает, что ценность зависит от количества пользователей. В AI-продуктах ценность создаёт сам ИИ — через объём выполненной работы, а не через количество людей.
Использование растёт, затраты растут, но доход на пользователя остаётся прежним — маржа падает.
Поэтому многие AI-компании переходят к гибридным или полностью расходным моделям: оплата за токены, за запрос, за задачу или за результат.
Новая рамка юнит-экономики для AI-продуктов
Для сохранения устойчивости AI-бизнесам требуется обновить подход к определению «единицы», формированию цены и моделированию прибыльности.
| Компонент | Что меняется с ИИ |
|---|---|
| Определение единицы | Вместо «клиент/место» единицей становится задача, транзакция, API-вызов, пакет токенов или объём выполненной работы. |
| COGS | Становится переменной: инференс, вычисления, токены, инфраструктура, энергия, участие человека. |
| Цена / модель дохода | Переход к потреблению: тарифы за использование, за результат, гибрид «подписка + объём». |
| Профиль маржи | Ниже, чем в классическом SaaS — маржа зависит от эффективности оптимизации AI-затрат. |
| Масштабируемость | Затраты растут вместе с использованием — нужны оптимизация моделей, кеширование, скидки, маршрутизация. |
| Соответствие цены ценности | Цена должна отражать создаваемый результат: автоматизацию, экономию времени, скорость обработки. |
Стратегии создания устойчивой AI-юнит-экономики
Чтобы AI-продукт был маржинальным, нужны новые принципы управления затратами и монетизацией:
Оценивайте стоимость взаимодействия заранее: до запуска функции — рассчитать себестоимость токена, запроса или инференса. Понять, какие функции окупаются, а какие нет.
Переходите на расходные или гибридные тарифы: оплата за выполнение, токены, операции. Это синхронизирует ценность и себестоимость.
Оптимизируйте инфраструктуру: более дешёвые модели, кеширование, батчинг, «модели по уровню сложности», уменьшение токенов в промптах.
Сегментируйте пользователей по затратности: выделяйте пользователей с высоким потреблением — им нужны квоты, ограничения или премиальные тарифы.
Отслеживайте новые KPI: не только MAU, но и: стоимость результата, маржа на задачу, удержание по объёму использования.
Прозрачность использования: квоты, кредиты, дашборды снижают риск неожиданных затрат и усиливают доверие.
Типичные ошибки и риски: почему AI-продукты теряют маржу
Недооценка стоимости инференса: при масштабировании маржа может внезапно стать отрицательной.
Волатильность использования: прогнозировать «стоимость пользователя» невозможно — всё зависит от паттернов нагрузки.
Ценообразование «по местам» субсидирует тяжёлых пользователей: расход растёт, доход нет.
Падение стоимости токенов → падение цены рынка: конкуренция давит на стоимость и на маржу.
Рост CAPEX и OPEX: обучение моделей, GPU, эксплуатация — требуют дисциплины и оптимизации.
Что это значит для PM, фаундеров и лидеров роста
- Успех определяется не количеством пользователей, а сочетанием использования, контроля затрат и ценности.
- AI-компоненты — это центры затрат, и каждая функция должна иметь свой ROI.
- Нужны новые KPI: стоимость на задачу, маржинальность результата, объёмное удержание.
- Модели монетизации должны меняться: от лицензий к ценообразованию, основанному на использовании или создаваемой ценности.
- Масштабируемость требует оптимизации архитектуры: моделей, маршрутизации, кеширования, мониторинга эффективности.
Заключение: юнит-экономика ИИ — новая возможность при условии дисциплины
ИИ меняет фундаментальную экономическую модель SaaS: переводит издержки из фиксированных в переменные, отделяет ценность от числа пользователей и требует новых моделей монетизации. Если игнорировать эти изменения, можно столкнуться с отрицательной маржинальностью и невозможностью масштабирования.
Но компании, которые:
- понимают новую экономику,
- управляют затратами,
- выстраивают прозрачность использования,
- корректируют модели ценообразования,
- оптимизируют AI-инфраструктуру,
создают устойчивые, ценностно-ориентированные и конкурентоспособные AI-продукты.