مکانیسم سرمایه‌گذاری خطرپذیر: چگونه هوش مصنوعی ۸۶ درصد از بودجه نیمه اول ۲۰۲۶ را به خود اختصاص داد

اکوسیستم جهانی سرمایه‌گذاری خطرپذیر به سطحی از تمرکز رسیده است که در تاریخ مالی مدرن بی‌سابقه بوده است. بر اساس داده‌های نیمه اول سال ۲۰۲۶، استارتاپ‌های هوش مصنوعی ۸۶ درصد حیرت‌انگیز از کل سرمایه خطرپذیر تخصیص‌یافته در سراسر جهان را جذب کردند و تنها ۱۴ درصد برای مجموع سایر بخش‌ها باقی گذاشتند. این امر نشان‌دهنده شتابی عظیم نسبت به سال ۲۰۲۴ است، زمانی که هوش مصنوعی تقریباً نیمی از کل بودجه اولیه را به خود اختصاص داده بود. نیروی جاذبه محض هوش مصنوعی مولد و عاملی، مکانیسم‌های جذب، تخصیص و هزینه کردن سرمایه خطرپذیر را به طور اساسی بازآرایی کرده است.[1][2]

برای درک این تغییر، باید مکانیسم‌های اساسی شدت سرمایه را بررسی کرد. در طول رونق «نرم‌افزار به عنوان سرویس» (SaaS) در دهه ۲۰۱۰، یک استارتاپ می‌توانست با چند میلیون دلار به یک محصول قابل دوام و درآمد اولیه دست یابد، زیرا به میزبانی ارزان ابری و ابزارهای متن‌باز متکی بود. توسعه هوش مصنوعی، به ویژه در لایه‌های مدل‌های بنیادی و زیرساخت، بر اساس یک واقعیت فیزیکی و اقتصادی کاملاً متفاوت عمل می‌کند. آموزش مدل‌های پیشرفته نیازمند ده‌ها هزار واحد پردازش گرافیکی (GPU) تخصصی است که هزینه پایه ورود به این حوزه را به صدها میلیون دلار می‌رساند.[2][4]

این شدت سرمایه، شرکت‌های سرمایه‌گذاری خطرپذیر را مجبور کرده است تا استراتژی‌های ساختار سبد سهام خود را تغییر دهند. به طور سنتی، شرکت‌های VC به «قانون قدرت» متکی بودند – ده‌ها سرمایه‌گذاری کوچک انجام می‌دادند، انتظار داشتند بیشتر آنها شکست بخورند، در حالی که یک یا دو مورد کل سرمایه صندوق را باز می‌گرداندند. امروزه، هزینه هنگفت زیرساخت هوش مصنوعی به این معنی است که شرکت‌های VC مقادیر زیادی سرمایه را در تعداد انگشت‌شماری از «دورهای بزرگ» (mega-rounds) جمع‌آوری می‌کنند. میانگین دور دوم تأمین مالی (سری B) برای یک شرکت زیرساخت هوش مصنوعی اکنون ۱.۲ میلیارد دلار است، رقمی که تنها پنج سال پیش نشان‌دهنده یک دور تأمین مالی اواخر مرحله و پیش از عرضه عمومی اولیه (IPO) بود.[1][3]

یک مکانیسم حیاتی که این تمرکز را هدایت می‌کند، اقتصاد چرخشی «سرمایه‌گذاری خطرپذیر شرکتی» (CVC) است. شرکت‌های بزرگ فناوری – مانند مایکروسافت، گوگل، آمازون و انویدیا – نه تنها با پول نقد، بلکه با «اعتبارات محاسباتی» (compute credits) در این دورهای بزرگ شرکت می‌کنند. در این ساختارها، یک استارتاپ ارزش‌گذاری چند میلیارد دلاری دریافت می‌کند، اما بخش قابل توجهی از سرمایه تزریق شده بلافاصله به شرکت سرمایه‌گذار بازگردانده می‌شود تا هزینه میزبانی ابری و دسترسی به GPU پرداخت شود. این پویایی، ارقام کلی تأمین مالی را افزایش می‌دهد در حالی که استارتاپ‌ها را در اکوسیستم‌های فروشنده خاصی قفل می‌کند.[3]

پیامد اقتصاد کلان این تمرکز بیش از حد بر هوش مصنوعی، کمبود شدید نقدینگی برای استارتاپ‌های غیر هوش مصنوعی است. تأمین مالی برای نرم‌افزارهای سنتی، برنامه‌های کاربردی مصرف‌کننده و بیوتکنولوژی غیر هوش مصنوعی، ۴۱ درصد نسبت به سال گذشته کاهش یافته است. تحلیلگران صنعت از این وضعیت به عنوان «بحران سری B» یاد می‌کنند، جایی که شرکت‌های نرم‌افزاری با بنیان قوی و جریان نقدی مثبت، تقریباً غیرممکن می‌یابند که سرمایه رشد جذب کنند، زیرا با تز اصلی سرمایه‌گذاری فعلی صندوق‌های بزرگ که بر هوش مصنوعی متمرکز است، مطابقت ندارند.[2]

مکانیسم‌های ارزش‌گذاری نیز به طور کامل دو شاخه شده‌اند. شرکت‌های نرم‌افزاری سنتی در حال حاضر با میانگین تاریخی ۵ تا ۱۰ برابر درآمد سالانه تکرارشونده (ARR) خود ارزش‌گذاری می‌شوند. در مقابل، استارتاپ‌های هوش مصنوعی – به ویژه آنهایی که گردش کار عاملی یا مدل‌های اختصاصی توسعه می‌دهند – به طور معمول با ۵۰ تا ۱۰۰ برابر درآمد آتی قیمت‌گذاری می‌شوند، و در برخی موارد، صرفاً بر اساس قابلیت‌های نظری مدل‌های منتشر نشده خود ارزش‌گذاری می‌شوند. شرکت‌های VC اساساً کل بازار قابل دستیابی برای جایگزینی نیروی کار انسانی را قیمت‌گذاری می‌کنند، نه حاشیه سود فعلی نرم‌افزار را.[1][4]

این شکاف ارزش‌گذاری فشار زیادی بر «شرکای محدود» (LPs) – صندوق‌های بازنشستگی، موقوفات دانشگاهی و صندوق‌های ثروت دولتی که سرمایه را برای شرکت‌های VC فراهم می‌کنند – وارد می‌کند. شرکای محدود به طور فزاینده‌ای از مدیران صندوق می‌خواهند که قرار گرفتن سنگین خود در معرض یک بخش واحد و بسیار پرنوسان را توجیه کنند. در حالی که پتانسیل کسب سود از حمایت از پلتفرم بنیادی هوش مصنوعی بعدی نجومی است، ریسک تمرکز به این معنی است که یک اصلاح در ارزش‌گذاری‌های هوش مصنوعی می‌تواند به شدت بر بازده کل سال‌های سرمایه‌گذاری خطرپذیر تأثیر بگذارد.[2][3]

از نظر جغرافیایی، این تمرکز بودجه باعث تمرکز مجدد سریع صنعت فناوری شده است. در طول همه‌گیری، سرمایه خطرپذیر شروع به پراکنده شدن در سطح جهانی کرد. با این حال، الزامات فیزیکی هوش مصنوعی – به ویژه نیاز به نزدیکی به استعدادهای سخت‌افزاری تخصصی، مراکز داده بزرگ و آزمایشگاه‌های تحقیقاتی غالب هوش مصنوعی – سرمایه را به شدت به سمت سیلیکون ولی بازگردانده است. سانفرانسیسکو و منطقه وسیع‌تر خلیج در نیمه اول ۲۰۲۶ تقریباً ۶۰ درصد از بودجه جهانی هوش مصنوعی را به خود اختصاص دادند.[1][5]

یکی دیگر از تغییرات مکانیکی در چشم‌انداز VC، افزایش «استخدام از طریق تملک» (acqui-hire) به عنوان یک استراتژی خروج اصلی است. از آنجا که مجموعه استعدادهای قادر به ساخت معماری‌های پیشرفته هوش مصنوعی بسیار کوچک است، غول‌های فناوری موجود اغلب استارتاپ‌های هوش مصنوعی اولیه را در درجه اول برای جذب تیم‌های مهندسی آنها خریداری می‌کنند. این معاملات اغلب به گونه‌ای ساختار یافته‌اند که نظارت سنتی ضد انحصار را دور بزنند و یک رویداد نقدینگی برای شرکت‌های VC فراهم کنند، حتی اگر محصول اصلی استارتاپ هرگز به مقیاس تجاری نرسد.[3][5]

اقتصاددانانی که فناوری‌های با کاربرد عمومی را مطالعه می‌کنند، خاطرنشان می‌کنند که این الگوی تمرکز سرمایه کاملاً بی‌سابقه نیست، اگرچه مقیاس آن جدید است. خوشه‌سازی مشابهی در مراحل استقرار راه‌آهن، برق‌رسانی و اینترنت اولیه رخ داد. هزینه‌های هنگفت سرمایه‌ای اولیه مورد نیاز برای ساخت زیرساخت‌های اساسی، ناگزیر سرمایه‌گذاری در سایر بخش‌ها را تا زمانی که لایه بنیادی تکمیل شود و هزینه دسترسی کاهش یابد، تحت‌الشعاع قرار می‌دهد.[4][5]

با این حال، چرخه فعلی با موانع نظارتی منحصر به فردی روبرو است. نهادهای نظارتی ضد انحصار در ایالات متحده و اروپا به طور فزاینده‌ای در حال بررسی حلقه CVC-محاسبات هستند و این سؤال را مطرح می‌کنند که آیا سرمایه‌گذاری‌های عظیم ارائه‌دهندگان ابری در استارتاپ‌های هوش مصنوعی، رفتار ضد رقابتی محسوب می‌شود که برای انحصار بازار تقاضای محاسباتی نسل بعدی طراحی شده است. هرگونه اقدام نظارتی که این سرمایه‌گذاری‌های شرکتی را محدود کند، می‌تواند به سرعت رونق تأمین مالی هوش مصنوعی را کاهش دهد.[3][5]

برای اینکه مدل سرمایه‌گذاری خطرپذیر بتواند این سطح از سرمایه‌گذاری را حفظ کند، لایه کاربردی هوش مصنوعی باید شروع به تولید درآمد بی‌سابقه‌ای کند. در حالی که شرکت‌های زیرساختی و تولیدکنندگان نیمه‌رسانا در حال حاضر بخش عمده‌ای از ارزش اقتصادی را به دست می‌آورند، شرکت‌های VC شرط می‌بندند که هوش مصنوعی عاملی – سیستم‌هایی که قادر به اجرای مستقل وظایف پیچیده و چند مرحله‌ای هستند – تا سال ۲۰۲۸ تریلیون‌ها دلار ارزش سازمانی را آزاد خواهد کرد و ۱۴۲ میلیارد دلار تخصیص یافته تنها در شش ماه گذشته را توجیه خواهد کرد.[1][2]

اگر این درآمد لایه کاربردی در مقیاس پیش‌بینی شده محقق نشود، اکوسیستم خطرپذیر با یک ریسک ساختاری قابل توجه روبرو می‌شود. سرمایه قفل شده در بازی‌های زیرساخت هوش مصنوعی با ارزش‌گذاری بالا به راحتی قابل تخصیص مجدد نیست و اکوسیستم نرم‌افزار سنتی از سرمایه رشد مورد نیاز برای عمل به عنوان یک پشتیبان محروم شده است. ۱۸ ماه آینده برای تعیین اینکه آیا این تمرکز ۸۶ درصدی نشان‌دهنده تخصیص منابعی آینده‌نگر است یا یک قیمت‌گذاری تاریخی اشتباه در مورد ریسک، حیاتی خواهد بود.[4]

در نهایت، مکانیسم‌های سرمایه‌گذاری خطرپذیر از تأمین مالی توزیع نرم‌افزار به تأمین مالی محاسبات فیزیکی و تحقیقات الگوریتمی تکامل یافته است. این انتقال، سرمایه‌گذاری خطرپذیر را از یک طبقه دارایی با حاشیه سود بالا و سرمایه ثابت پایین، به چیزی شبیه به تأمین مالی زیرساخت سنتی تبدیل کرده و مسیر از استارتاپ تا شرکت سهامی عام را برای همیشه تغییر داده است.[2][5]