Почему старый подход к due diligence в ИИ больше не работает
Если пару лет назад вы смотрели на ИИ‑стартап почти как на любой другой софт‑бизнес — команда, рынок, юнит‑экономика, — то в 2025 году это уже прямой путь к ошибкам. Технологический бум ИИ сделал проекты одновременно более масштабируемыми и куда более рискованными. По данным отчёта Stanford AI Index 2024, общий объём частных инвестиций в ИИ в мире с 2021 по 2023 год колебался, но ежегодно стабильно превышал десятки миллиардов долларов, при этом сделки поздних стадий стали реже, а ранние раунды — более «перегретыми». То есть денег много, конкуренция за лучшие сделки бешеная, а вот времени на глубокую проверку всё меньше. Поэтому due diligence венчурных проектов в сфере искусственного интеллекта нужно буквально «перепрошить» — добавить техническую глубину, внимание к данным и регуляторике, и научиться быстро отличать хайп от реальной устойчивой технологии.
Новые акценты: что стало критичным в ИИ‑due diligence
Главное изменение последних трёх лет: ИИ‑стартап — это уже не просто «ещё один SaaS». Теперь вы почти всегда имеете дело с комбинацией модели, инфраструктуры, доступа к данным и надстройки в виде продукта. Классическая оценка стартапов ИИ для венчурных инвестиций, когда инвестор смотрит только на слайды с метриками и логотипами клиентов, становится опасной: можно вложиться в команду без прав на данные, зависящую от одного внешнего API, или в продукт, который через год душат регуляторы. Поэтому в фокусе должны быть качество и источники данных, архитектура моделей, юридическая чистота training‑pipeline, устойчивость к изменениям цен на облако и API, а также соответствие новым требованиям по персональным данным и авторским правам на обучающие выборки.
Необходимые инструменты: чем вооружиться инвестору и аналитикам
Технический стек проверки ИИ‑стартапов
Чтобы не действовать «на глазок», вам нужен собственный набор инструментов и чек‑листов для ИИ. Во‑первых, доступ к специализированным сервисам мониторинга репозиториев и кода (GitHub, GitLab с расширенной аналитикой, SonarQube и аналоги), которые позволяют увидеть реальный объём разработки, а не только красивые демо. Во‑вторых, важно иметь возможность тестировать модели стартапа через sandbox‑доступ или специально подготовленный API: замерять латентность, стоимость inference, стабильность качества на ваших тестовых выборках. Наконец, юридический и compliance‑инструментарий становится таким же обязательным, как финансовые модели: услуги due diligence технологических стартапов ИИ всё чаще включают автоматизированные проверки лицензий на датасеты, библиотек с открытым исходным кодом и соответствия требованиям GDPR, DSA и местного регулирования ИИ. Всё это стоит недёшево, но с учётом роста чеков и рисков оно драматически снижает вероятность дорогих ошибок.
Данные, метрики и бенчмарки
За последние три года рынок ИИ создал целый зоопарк метрик и публичных бенчмарков, и без них оценивать стартап становится примерно как выбирать биотех по красивому бренду. Для генеративных моделей есть наборы наподобие MMLU, HELM и локальных тестов качества, плюс метрики стоимости вывода (cost per 1K tokens / per prediction). Для вертикальных решений (финтех, медтех, индустрия) важны бизнес‑метрики: снижение времени обработки заявки, уменьшение количества ошибок, прирост выручки на пользователя. Хорошей практикой становится просить стартап продемонстрировать результаты на независимых тест‑датасетах или хотя бы описать процедуру внутренней валидации. Если команда не может внятно объяснить, чем их модель лучше готовых API от крупных облачных провайдеров — это явный красный флаг и сигнал копнуть глубже.
Поэтапный процесс: как провести due diligence AI стартапа по‑новому
1. Предварительный скрининг: отсеиваем «чистый хайп»
На этом этапе ваша задача — за считанные дни понять, стоит ли углубляться. Здесь уже нельзя ограничиться питч‑деком. Смотрите на зависимость от крупных моделей (OpenAI, Anthropic, Google и т. д.), структуру расходов на облако, наличие собственных данных и IP. За последние три года множество сделок с ИИ‑проектами развалились именно потому, что стартап был, по сути, тонким интерфейсом над чужим API без moat’а. Запрашивайте список ключевых технических компонентов, архитектурную схему на одном слайде и конкретные кейсы использования. Если фаундеры уходят в общие слова и мантры про «революцию ИИ», но не могут описать архитектуру хотя бы на уровне блоков — это повод держаться настороже.
2. Технический due diligence: под капотом модели и инфраструктуры
Когда базовый интерес подтверждён, подключайте техническую экспертизу: своего штатного ML‑архитектора или внешних консультантов. Для последних трёх лет характерна тенденция: стоимость хороших специалистов по ревью ИИ‑проекта растёт, но и цена ошибки в десятки миллионов — тоже. Здесь важно проверить: какой именно стек используется (PyTorch, JAX, TensorFlow, специализированные фреймворки), в чём реальная новизна — в архитектуре, fine‑tuning, в данных или просто в упаковке. Оцените, насколько легко модель можно заменить внешним сервисом: если это возможно за неделю миграции, ваша переговорная позиция по оценке сильно меняется. Аналогично, анализируйте DevOps и MLOps‑практики: есть ли автоматизированные пайплайны, мониторинг дрейфа данных, A/B‑тесты. Без этого ИИ‑продукт часто ломается при первом же серьёзном росте нагрузки.
3. Данные и юридическая чистота: ключ к выживаемости
За три последних года именно споры вокруг данных чаще всего становились причиной громких скандалов и пересмотра сделок. Поэтому отдельный этап — глубокая проверка происхождения и статуса данных: что именно в training set, как они собирались, есть ли согласия пользователей, какая часть — синтетическая. Методики оценки рисков инвестиций в ИИ‑проекты здесь должны включать не только вероятность технологического фейла, но и риск судебных исков, блокировок регуляторов и репутационных потерь. Попросите у команды документированную политику работы с данными, образцы пользовательских соглашений и DPIA (Data Protection Impact Assessment), если проект работает с персональными данными в ЕС или аналогичных юрисдикциях. Если ничего этого нет, а продукт уже в продакшене, будьте готовы либо заложить в модель сильный дисконт, либо выдвигать жёсткие условия по доведению проекта до compliance после инвестиций.
4. Бизнес‑модель и экономика ИИ‑продукта
ИИ‑бум последних лет показал, что даже проект с впечатляющей технологией легко тонет в операционных расходах. Облако подорожало, крупные модели стали стоить ощутимых денег, и многие стартапы 2022–2024 годов получили неприятный сюрприз: маржа стремится к нулю. Поэтому в обновлённом процессе due diligence внимательно моделируйте структуру себестоимости: сколько стоит inference на одного пользователя, каков expected load, где порог, после которого выгоднее строить свои модели или собственную инфраструктуру. Анализируйте сценарии: рост цен на API на 50 %, удвоение требований к качеству, обязательный on‑prem для корпоративных клиентов. Если экономика не выдерживает таких стресс‑тестов, стартап либо останется «игрушкой», либо потребует многомиллионных допинвестиций для перестройки архитектуры и перехода на более дешёвый стек.
5. Команда и способность эволюционировать вместе с рынком
С середины 2021 по 2024 год ИИ‑стек несколько раз радикально менялся: от узких моделей к foundation‑моделям, от простых чат‑ботов к сложным агентным системам. Поэтому в due diligence сейчас важно не просто оценить текущий уровень компетенций, но и посмотреть, успевает ли команда адаптироваться. Обратите внимание, как быстро фаундеры и core‑инженеры реагируют на новые инструменты, меняют архитектуру, переходят с устаревших решений. Наличие people‑risk здесь критично: один‑два ключевых ML‑инженера могут держать на себе весь технологический стек, и их уход обрушит roadmap. Проверьте vesting, retention‑механизмы, планы по найму и доступ к таланту (особенно если стартап сидит не в топ‑хабах). В 2023–2024 многие сделки срывались именно из‑за того, что ИИ‑команда оказалась практически «несменяемой» и переоценённой.
Оценка стартапов ИИ для венчурных инвестиций: современные приёмы
Сравнение с «полкой» рынка и крупными провайдерами
Сейчас почти любой ИИ‑стартап конкурирует не только с такими же молодыми компаниями, но и с крупными облачными игроками, которые выпускают готовые решения «из коробки». Поэтому важный вопрос в новой оценке: может ли корпорация за полгода воспроизвести функциональность проекта, используя уже существующие сервисы крупного провайдера. Если ответ — да, то ваш чек должен строиться прежде всего на go‑to‑market и партнёрствах, а не на технологии как таковой. Сравнивайте качество, стоимость и масштабируемость решений стартапа с аналогами у hyperscalers: нередко оказывается, что преимущество стартапа — в глубокой специализации, экспертизе в домене и UX, а не в уникальной модели. Именно это надо фиксировать в инвестиционной гипотезе, чтобы не требовать от команды невозможного технологического «чуда».
Статистика рынка ИИ‑инвестиций за последние три года
Чтобы заземлить подход, полезно опираться на реальные данные. По открытым источникам (Crunchbase, CB Insights, Stanford AI Index) с 2021 по 2023 годы можно выделить несколько трендов: количество ИИ‑сделок остаётся высоким, но средний чек смещается в сторону более ранних стадий; доля ИИ в общем объёме венчурных инвестиций колеблется, но в ключевых регионах уже достигает двузначных процентов; при этом рост числа проектов в сфере генеративного ИИ резко увеличил конкуренцию за внимание инвесторов. Значимая часть раундов 2022–2024 годов приходилась на компании с ещё не доказанной бизнес‑моделью, но яркой технологией. Это привело к большему количеству down‑round’ов и пересмотренных оценок в 2023–2024 годах, когда рынок стал жёстче относиться к unit‑экономике и реальному adoption, а не только к красивым демо.
Методики оценки рисков и стресс‑тесты для ИИ‑проектов
Как встроить риск‑подход в стандартный процесс проверки
Современные методики оценки рисков инвестиций в ИИ‑проекты предполагают работу сразу по нескольким осям: технологический риск (модель не масштабируется или уступает конкурентам), риск данных и регуляторики, бизнес‑риск (нет платёжеспособного спроса), а также операционный риск (команда, процессы, безопасность). Полезно формализовать это в виде матрицы: по каждой оси задаёте 3–5 ключевых вопросов, оцениваете вероятность и влияние, и на выходе получаете наглядную картину, где именно самое «тонкое» место. В отличие от классических стартапов, ИИ‑проекты часто имеют более высокую технологическую и регуляторную составляющую; это означает, что даже при хорошей выручке проект может в один момент попасть под запреты или иски, и это нужно учитывать в структуре сделки: ликвидационные префы, поэтапное финансирование, KPI по compliance.
Моделирование сценариев и технических шоков
За три последних года инвесторы уже хоть раз видели, как выход новой модели от крупного вендора за один квартал обнуляет конкурентные преимущества целого сегмента стартапов. Поэтому в обновлённом подходе к due diligence имеет смысл прямо моделировать сценарий «технологического шока»: что будет, если завтра выходит модель, на 30–50 % дешевле и точнее, чем текущие решения, или регулятор вводит обязательный аудит высокорисковых систем. Спросите у фаундеров, есть ли у них план B: могут ли они переключиться на другую модель, изменив лишь часть пайплайна, или их продукт полностью «зашит» в один стек. Если ответов нет, закладывайте дополнительный риск‑дисконт и обсуждайте с командой необходимые изменения до или сразу после инвестиций, иначе можно оказаться с дорогим, но быстро устаревающим активом.
Устранение неполадок: что делать, если проверка буксует
Типичные проблемы в процессе ИИ‑due diligence
На практике due diligence ИИ‑стартапа часто застревает на одних и тех же местах: фаундеры не готовы раскрывать детали модели, нет нормальной документации по данным, кодовая база в хаотичном состоянии, а юридические вопросы откладываются «на потом». Плюс к этому, у инвестора может не быть внутренней экспертизы, чтобы глубоко оценить архитектуру: один ML‑консультант смотрит на проект с энтузиазмом, другой — с пессимизмом, и сделка зависает. Ещё одна распространённая проблема последних лет — завышенные ожидания по скорости проверки: на перегретом рынке фаундеры требуют принять решение за две недели, а полноценный технический и регуляторный аудит за такое время просто нереален. В результате обе стороны нервничают, и риск ошибочного решения растёт.
Как ускорить и углубить проверку без потери качества
Чтобы разрулить такие затыки, полезно заранее стандартизировать свой процесс и инструменты. Во‑первых, создать короткий, но жёсткий pre‑DD список артефактов: архитектурная схема, описание датасетов, политика конфиденциальности, диаграмма инфраструктуры. Без этого вы просто не заходите в сделку глубже. Во‑вторых, работать с пулом проверенных внешних экспертов по узким темам — безопасность моделей, юридические аспекты данных, аудит MLOps. В-третьих, использовать модульный подход: сначала даёте лёгкий «скрининг‑аудит» и только при адекватных результатах переходите к тяжёлому и дорогому полному ревью. Такой формат всё чаще встречается в услугах due diligence технологических стартапов ИИ, позволяя и инвестору, и фаундерам экономить время и ресурсы, не жертвуя глубиной там, где она действительно нужна.
Практическая инструкция: как по шагам адаптировать свой подход
Пошаговый план обновления процесса due diligence
1. Пересоберите чек‑лист. Добавьте отдельные блоки по моделям, данным, МL‑инфраструктуре и регуляторике, а не прячьте их в общий раздел «технологии».
2. Постройте карту экспертизы. Чётко обозначьте, какие вопросы берёт на себя внутренняя команда, а для каких заранее нужны внешние консультанты.
3. Введите стандартизированный pre‑DD пакет. Без минимального набора техдоков и инфы о данных не тратьте ресурсы на глубокий анализ.
4. Интегрируйте риск‑матрицу. По итогам каждого проекта фиксируйте профиль рисков и связывайте его с условиями сделки и оценкой.
5. Обновляйте методику каждые 6–12 месяцев. ИИ‑рынок меняется слишком быстро, чтобы процедура проверки оставалась неизменной годами.
Каждый из этих шагов звучит очевидно, но в связке они формируют новый, более реалистичный и защищающий инвестора подход к тому, как провести due diligence AI стартапа: с учётом и технологических деталей, и бизнес‑контекста, и новых регуляторных рисков.
Итог: due diligence в ИИ — это уже не «галочка», а ключевая компетенция фонда
В условиях технологического бума ИИ инвестирование превращается в игру с сильно возросшими ставками: с одной стороны, потенциал кратного роста, с другой — риск дорогих ошибок из‑за сырой технологии, проблем с данными или внезапных регуляторных поворотов. Поэтому современный due diligence венчурных проектов в сфере искусственного интеллекта нужно рассматривать не как бюрократическую формальность, а как стратегический актив: чем лучше вы умеете быстро и глубоко разбираться в таких проектах, тем сильнее ваше конкурентное преимущество на рынке. За последние три года стало ясно, что поверхностная проверка ИИ‑стартапов — это почти гарантированный путь к будущим down‑round’ам и конфликтам. А обновлённый, более технический и риск‑ориентированный процесс позволяет не только фильтровать слабые проекты, но и уверенно поддерживать сильные команды, помогая им выстроить устойчивые продукты в мире, где ИИ развивается быстрее, чем большинство инвестиционных меморандумов успевает устареть.