AI-стартап в 2025: как построить продукт на LLM и найти своё место
По данным CB Insights, в 2024 году AI-стартапы привлекли рекордные $97 млрд инвестиций. Конкуренция за внимание инвесторов и пользователей никогда не была выше. Но и никогда не было так просто запустить AI-продукт. Как найти своё место в этом хаосе?
Ошибка 1: «Обёртка над ChatGPT»
Первая волна AI-стартапов 2022–2023 годов строила простые оболочки над GPT: «ChatGPT для юристов», «ChatGPT для маркетологов». Большинство мертвы. OpenAI сам делает специализированные GPT, Microsoft встраивает Copilot везде. Просто переупаковать LLM — недостаточно.
Устойчивый AI-стартап строится на данных, которых нет у OpenAI, или на рабочих процессах, которые OpenAI никогда не будет оптимизировать.
Где реально есть возможности
Вертикальные AI-решения
Глубокая специализация в конкретной отрасли: AI для стоматологических клиник, AI для строительных подрядчиков, AI для управляющих компаний. Горизонтальные решения (ChatGPT) не могут конкурировать в глубине доменных знаний. Ключ — специфические данные и рабочие процессы отрасли.
AI + Workflow
Не просто чат, а полная автоматизация бизнес-процесса. Клиент платит не за «поговорить с AI», а за «закрытую задачу»: сгенерированный и отправленный отчёт, обработанный лид, написанный и опубликованный пост.
Proprietary Data Moat
Если ваш стартап генерирует или агрегирует уникальные данные — это защищённое конкурентное преимущество. Примеры: агрегатор отзывов с AI-аналитикой, платформа для медицинских данных, маркетплейс с AI-рекомендациями на собственных данных.
Технический стек для AI-стартапа
LLM-слой
Для большинства стартапов: Claude API (Anthropic) или GPT-4o API (OpenAI). Claude лучше для работы с большими документами и написания текстов. GPT-4o лучше для мультимодальных задач и экосистемной интеграции. Gemini — при работе с Google-экосистемой или нужна встроенная поиск-интеграция.
Оркестрация и RAG
LangChain или LlamaIndex для построения RAG-систем (поиск по корпоративным данным). Для продакшна — более надёжные альтернативы: LangGraph, Haystack. Векторные базы данных: Pinecone, Weaviate или pgvector (PostgreSQL).
Инфраструктура
Для старта: Vercel + Supabase + Anthropic API. Это позволяет запустить MVP за несколько дней и масштабироваться без переписывания. Для нагруженных систем: AWS/GCP + Redis для кэширования + мониторинг через Langfuse.
Монетизация AI-продуктов
Per-seat подписка
Классическая SaaS-модель: платишь за пользователя в месяц. Работает, когда AI используется как инструмент производительности для команд (Notion AI, GitHub Copilot).
Outcome-based pricing
Платишь за результат: за каждый закрытый тикет, за каждый сгенерированный лид, за каждый проанализированный документ. Выравнивает интересы компании и клиента. Anthropic сам использует эту модель при продаже Claude Enterprise.
Usage-based
Платишь за потреблённые ресурсы (API-вызовы, токены, сгенерированные документы). Подходит для платформ с непредсказуемым использованием.
Конкурентная защита AI-стартапа
Данные: уникальные обучающие данные или пользовательские данные
Рабочие процессы: глубокая интеграция в daily workflow клиента
Сеть: ценность растёт с ростом числа пользователей (marketplace-эффект)
Бренд: доверие и репутация в вертикали
Как не надо делать AI-стартап
Добавлять AI как buzzword без реальной пользы
Игнорировать latency — пользователи не ждут 30 секунд ответа
Не думать о безопасности и конфиденциальности данных (особенно в B2B)
Переоценивать надёжность LLM — галлюцинации всё ещё существуют
Не измерять качество AI-ответов — без метрик нет улучшений
Итог
AI-стартап в 2025 году — это не про то, чтобы «прикрутить GPT». Это про нахождение острой проблемы в конкретной вертикали, сбор или создание уникальных данных, глубокую интеграцию в рабочий процесс клиента и монетизацию через результат. Инструменты доступны всем — выигрывает тот, кто лучше понимает клиента.
