Проблема юнит-экономики AI-агентов на примере Harvey
M@startup_ventureавтор про «startups»
1 месКак AI-стартап Harvey столкнулся с падением маржинальности из-за высокого потребления токенов и перешел на собственную модель на базе Kimi K3.
Бизнес-модели, основанные на AI, сталкиваются с рисками неконтролируемого роста расходов на инфраструктуру.
- Фиксированная цена подписки при оплате за токены создает риск убыточности при высокой активности пользователей.
- Переход на собственные или оптимизированные open-source модели становится критическим фактором выживания для AI-сервисов.
- Эффективность AI-агентов может парадоксально вредить финансовым показателям компании-разработчика.
Когда AI-агенты работают слишком хорошо
У Harvey, AI-стартапа для юристов, за полгода валовая маржа упала с 50% до минус 50%. Агенты заработали настолько хорошо, что клиенты стали расходовать в 20 раз больше токенов. При этом места Harvey продаёт годовые места по фиксированной цене, а в OpenAI и Anthropic стартап платит за каждый токен.
Выход Harvey нашёл в собственной модели на базе открытой Kimi K3. Запрос подешевел на 90%, и маржа вернулась в плюс. Похожим путём уже идут Abridge, Decagon и Ramp.
Давайте сверимся, у кого что под капотом. Опрос ниже, а в комментах пишите, какая доля себестоимости уходит на токены
Андрей Резинкин | Money For Startup
Кратко (AI)
Стартап Harvey столкнулся с убыточностью из-за модели подписки с фиксированной ценой при резком росте потребления токенов пользователями. Решением стал переход на собственную модель на базе Kimi K3, что позволило снизить затраты на 90% и восстановить маржинальность.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖