تا همین چند سال پیش، داشتن یک محصول اولیه قابلنمایش امتیاز مهمی برای یک بنیانگذار محسوب میشد. ساخت یک وبسایت حرفهای، طراحی رابط کاربری، نوشتن کد، تولید محتوا و آمادهکردن نسخه اولیه محصول به تیمی چندنفره و ماهها زمان نیاز داشت. سرمایهگذار با دیدن یک محصول کارآمد میتوانست نتیجه بگیرد که تیم، دستکم از توان فنی لازم برخوردار است.
هوش مصنوعی این نشانه را کماعتبار کرده است. امروز یک بنیانگذار میتواند با کمک ابزارهای تولید کد، طراحی، تحلیل بازار و تولید محتوا، ظرف چند روز نمونهای بسازد که از فاصله دور شبیه محصول یک شرکت بالغ به نظر برسد. هوش مصنوعی هزینه ورود به بازی استارتاپی را پایین آورده، اما همزمان کار سرمایهگذاران را پیچیدهتر کرده است: وقتی تقریبا همه میتوانند چیزی بسازند، تشخیص اینکه چه کسی میتواند یک شرکت ماندگار بنا کند دشوارتر میشود.
این فناوری فقط یک صنعت تازه برای سرمایهگذاری نساخته است؛ خود فرایند سرمایهگذاری خطرپذیر را تغییر داده است. پرسش قدیمی سرمایهگذار «آیا این تیم میتواند محصول را بسازد؟» بهتدریج جای خود را به پرسش سختتری میدهد: «اگر هزار تیم دیگر هم بتوانند همین محصول را بسازند، چرا این شرکت باید برنده شود؟»
پایان دوران MVP بهعنوان مزیت
هوش مصنوعی فاصله میان ایده و محصول اولیه یا MVP را بهشدت کوتاه کرده است. دستیارهای برنامهنویسی میتوانند بخش زیادی از کدهای تکراری را تولید کنند، خطاها را بیابند و مستندات فنی بنویسند. ابزارهای طراحی، صفحات محصول و هویت بصری میسازند. مدلهای زبانی نیز تحقیقات اولیه بازار، متن تبلیغاتی، پاسخگویی به مشتری و حتی پیشنویس قراردادها را انجام میدهند.
در یک آزمایش کنترلشده، توسعهدهندگانی که از GitHub Copilot استفاده کردند، یک وظیفه مشخص برنامهنویسی را بهطور متوسط [۵۵ درصد سریعتر به پایان رساندند. دادههای پلتفرم Carta نیز نشان میدهد که در سال ۲۰۲۵، اندازه میانه تیم یک استارتاپ در مرحله سرمایهگذاری بذری به فقط چهار نفر رسیده بود.
البته این اعداد به آن معنا نیست که هر محصولی اکنون با یک دستور متنی ساخته میشود. پژوهش METR درباره برنامهنویسان باتجربه متنباز نشان داد که ابزارهای ابتدای سال ۲۰۲۵ در پروژههای پیچیده و آشنا برای توسعهدهنده، حتی میتوانستند زمان انجام کار را ۱۹ درصد افزایش دهند. دادههای بعدی این مؤسسه از ابزارهای اواخر ۲۰۲۵ نشانههایی از بهبود بهرهوری نشان داد، اما پژوهشگران درباره قطعیت نتایج محتاط ماندند.
نتیجه برای سرمایهگذاران روشن است: هوش مصنوعی بیشترین اثر را در مرحلهای گذاشته که باید چیزی سریع ساخته و آزموده شود؛ نه لزوما جایی که محصول باید در مقیاس بالا، با امنیت، پایداری و مسئولیت حقوقی اداره شود.
در نتیجه، داشتن MVP دیگر آن علامت قدرتمند سابق نیست. محصول اولیه اکنون بیشتر نقطه شروع گفتوگو است تا مدرک برتری تیم.
پول بیشتر، اما برای تعداد کمتری از برندگان
کاهش هزینه ساخت محصول این تصور را ایجاد میکند که استارتاپهای هوش مصنوعی به سرمایه کمتری نیاز دارند. این گزاره در لایه نرمافزار تا حدی درست است، اما در سطح کل بازار تصویر متفاوتی دیده میشود.
براساس گزارش شاخص هوش مصنوعی دانشگاه استتفورد سرمایهگذاری خصوصی در شرکتهای هوش مصنوعی طی سال ۲۰۲۵ به ۳۴۴.۷ میلیارد دلار رسید؛ رشدی بیش از ۱۲۷ درصدی نسبت به سال قبل. شرکتهای فعال در هوش مصنوعی مولد نیز نزدیک به نیمی از این مبلغ را جذب کردند.
گزارش سازمان همکاری و توسعه اقتصادی تصویر متمرکزتری ارائه میکند: در سال ۲۰۲۵ شرکتهای هوش مصنوعی ۶۱ درصد از کل سرمایهگذاری خطرپذیر جهان را به خود اختصاص دادند و حدود ۷۳ درصد ارزش سرمایهگذاریهای این حوزه در معاملات بزرگتر از ۱۰۰ میلیون دلار متمرکز بود. تنها پنج معامله بزرگ نزدیک به یکچهارم کل سرمایه تزریقشده به شرکتهای هوش مصنوعی را تشکیل دادند.
بازار، بهعبارت دیگر، به شکل یک هالتر درآمده است. در یک سوی آن، گروه کوچکی از شرکتهای سازنده مدل، تراشه و زیرساخت قرار دارند که به میلیاردها دلار سرمایه نیاز دارند. در سوی دیگر، تیمهای کوچک نرمافزاری هستند که میتوانند با چند نفر و هزینهای محدود محصولی مبتنی بر مدلهای موجود بسازند. فضای میانیشرکتهایی با هزینه بالا اما بدون فناوری بنیادین یا شبکه توزیع قدرتمند بیش از همه تحت فشار قرار گرفته است.
این وضعیت تناقض اصلی عصر هوش مصنوعی است: تاسیس یک استارتاپ ارزانتر شده، اما ساختن یک شرکت واقعا متمایز ممکن است دشوارتر و گرانتر شده باشد.
سرمایهگذار دیگر مجذوب نسخه نمایشی نمیشود
در دوره قبلی فناوری، یک نسخه نمایشی درخشان میتوانست نشاندهنده ماهها کار فنی باشد. امروز همان نمایش ممکن است محصول چند روز کار، استفاده از یک مدل آماده و اتصال چند سرویس به یکدیگر باشد.
از اینرو، سرمایهگذاران حرفهای ناچارند کمتر به ظاهر محصول و بیشتر به آنچه پشت آن قرار دارد توجه کنند. کیفیت درآمد، نرخ بازگشت مشتری، هزینه واقعی استفاده از مدل، میزان وابستگی به تأمینکنندگان خارجی و امکان کپیکردن محصول، مهمتر از گذشته شدهاند.
پرسش کلیدی دیگر این نیست که محصول چه کاری انجام میدهد؛ این است که اگر شرکتهای بزرگ ارائهدهنده مدل، همین قابلیت را ماه آینده به محصول اصلی خود اضافه کنند، چه چیزی از استارتاپ باقی میماند؟
برای بسیاری از شرکتهای تازهتاسیس، پاسخ چندان امیدوارکننده نیست. محصولاتی که صرفاً یک رابط کاربری روی مدل دیگران قرار دادهاند، با سه خطر همزمان روبهرو هستند: کاهش قیمت خدمات پایه، ورود مستقیم شرکت صاحب مدل و امکان تقلید سریع از سوی رقبا.
در چنین بازاری، «زمان لازم برای کپیکردن» به یکی از معیارهای مهم بررسی سرمایهگذاری تبدیل میشود. اگر یک رقیب بتواند قابلیت اصلی محصول را طی یک آخر هفته بازسازی کند، کد شرکت مزیت دفاعی محسوب نمیشود.
مزیت واقعی باید در جای دیگری باشد: دسترسی اختصاصی به داده، جایگرفتن در فرایند روزانه مشتری، شبکه توزیع، مجوزهای قانونی، برند قابلاعتماد یا انباشتهشدن دانشی که با هر تعامل مشتری بهتر میشود.
هوش مصنوعی ارزش کد را از میان نبرده است؛ ارزش «کدِ صرف» را پایین آورده است.
از سرمایهگذاری روی تیم فنی به سرمایهگذاری روی سرعت یادگیری
کوچکترشدن تیمهای اولیه، معیار ارزیابی بنیانگذاران را نیز تغییر داده است. در گذشته، توانایی جذب مهندس و مدیریت تیم فنی بزرگ بخشی از مزیت بنیانگذار بود. اکنون یک تیم کوچک میتواند بخشی از خروجی یک شرکت بزرگتر را تولید کند.
این تحول قدرت چانهزنی بنیانگذاران توانمند را افزایش میدهد. آنها میتوانند پیش از جذب سرمایه، محصول بسازند، مشتری پیدا کنند و داده واقعی درباره تقاضا ارائه دهند. بنابراین الزام کمتری دارند که در مرحله ایده، بخش بزرگی از سهام خود را واگذار کنند.
اما سوی دیگر ماجرا آن است که انتظار سرمایهگذار نیز بالا رفته است. اگر ساخت نسخه اولیه ارزان و سریع شده، صرف داشتن ایده یا نمونه اولیه دیگر برای جذب پول کافی نیست. سرمایهگذار میتواند در همان مرحلهای که پیشتر یک پاورپوینت میدید، اکنون محصول، مشتری آزمایشی و شواهد استفاده مکرر را مطالبه کند.
در نتیجه، هوش مصنوعی الزاما تامین مالی را آسانتر نکرده است؛ خط شروع را جلوتر برده است.
شرکتهای برنده الزاما شرکتهایی نیستند که سریعتر کد مینویسند. آنها تیمهایی هستند که با سرعت بیشتری فرضیههای خود را رد یا تأیید میکنند: محصولی میسازند، آن را در اختیار مشتری قرار میدهند، رفتار واقعی او را میسنجند و پیش از تمامشدن منابع مسیر خود را اصلاح میکنند.
از این منظر، مهمترین اثر هوش مصنوعی کاهش «هزینه یادگیری» است. هر آزمایش ارزانتر شده و یک استارتاپ میتواند با زمان و بودجه ثابت، فرضیههای بیشتری را امتحان کند. سرمایهگذار نیز بهجای شمارش تعداد توسعهدهندگان، باید سرعت این چرخه یادگیری را بسنجد.
هوش مصنوعی در آن سوی میز سرمایهگذاری
تغییر فقط به بنیانگذاران محدود نیست. سرمایهگذاران نیز میتوانند با استفاده از هوش مصنوعی صدها طرح کسبوکار را طبقهبندی کنند، بازارهای مختلف را مقایسه کنند، قراردادها را مرور کنند و گزارش اولیه بررسی موشکافانه را سریعتر آماده سازند.
این ابزارها هزینه جستوجو و پردازش اطلاعات را کاهش میدهند، اما لزوما به تصمیم بهتر منجر نمیشوند. وقتی همه صندوقها از مدلهای مشابه، دادههای مشابه و شاخصهای مشابه استفاده کنند، احتمال رسیدن آنها به نتایج مشابه نیز بیشتر میشود. فناوریای که قرار بود دامنه انتخابها را گسترش دهد، ممکن است رفتار گلهای را تشدید کند.
[7/25/2026 3:12 PM] Lovely Shepherd: خطر دیگر، «دقت ظاهری» است. یک گزارش تولیدشده با هوش مصنوعی میتواند منسجم، عددی و قانعکننده باشد، بیآنکه دادههای زیربنایی آن کامل یا حتی صحیح باشند. سرعت بالاتر بررسی، جای قضاوت انسانی درباره انگیزه بنیانگذاران، کیفیت مشتریان و واقعیت بازار را نمیگیرد.
هوش مصنوعی میتواند پاسخها را سریعتر آماده کند؛ اما هنوز تضمین نمیکند که سرمایهگذار پرسش درستی مطرح کرده باشد.
مسئله ایران: هزینه کمتر، وابستگی بیشتر
برای اکوسیستم استارتاپی ایران، این تحول فرصتی مهم و در عین حال پرریسک است. ابزارهای هوش مصنوعی میتوانند هزینه برنامهنویسی، طراحی، تولید محتوا، پشتیبانی و تحلیل بازار را کاهش دهند. این ویژگی برای بازاری که در آن دسترسی به سرمایه محدود و حفظ نیروی متخصص دشوار است، اهمیت بیشتری دارد.
یک تیم کوچک ایرانی اکنون میتواند محصولی با کیفیت ظاهری و فنی قابلقبول بسازد، آن را به چند زبان عرضه کند و حتی پیش از جذب سرمایه بازارهای خارجی را بیازماید. اما اتکا به مدلها و زیرساختهای خارجی، ریسک تازهای ایجاد میکند: هزینه ارزی، محدودیت دسترسی، تغییر ناگهانی قیمت، تحریم و قطع سرویس.
به همین دلیل، سرمایهگذار ایرانی باید علاوه بر اندازه بازار، یک سناریوی ساده را بررسی کند: اگر قیمت خدمات هوش مصنوعی دو برابر شود یا دسترسی به مدل اصلی برای مدتی قطع شود، آیا کسبوکار همچنان زنده میماند؟
فرصتهای پایدارتر احتمالا در شرکتهایی شکل میگیرند که هوش مصنوعی را با یک مزیت محلی ترکیب میکنند: داده فارسی، شناخت رفتار مصرفکننده ایرانی، شبکه فروش، دسترسی به صنایع سنتی یا قرارگرفتن در فرایندهایی که شرکتهای جهانی شناخت و دسترسی اندکی به آنها دارند.
برچسب «هوش مصنوعی» بهتنهایی مزیت نیست. حتی ممکن است نشانه وابستگی بیشتر شرکت به زیرساختی باشد که مالک آن نیست.
سوال تازه سرمایهگذار
در عصر هوش مصنوعی، یک کمیته سرمایهگذاری باید پیش از صدور چک بداند چه تعداد مشتری واقعا برای محصول پول میپردازند، هزینه ارائه هر خدمت پس از محاسبه مصرف مدل چقدر است، چه دادهای بهطور اختصاصی در شرکت انباشته میشود و مشتری برای ترک محصول با چه هزینهای روبهرو خواهد شد.
مهمتر از همه، باید بپرسد: اگر مدلهای پایه هر سال بهتر و ارزانتر شوند، این شرکت قویتر میشود یا موضوعیت خود را از دست میدهد؟
شرکتی که با بهترشدن مدلهای عمومی مزیت بیشتری پیدا میکند، بر موج فناوری سوار است. شرکتی که با هر بهروزرسانی مدل نگران حذفشدن یکی از قابلیتهایش میشود، در برابر همان موج ایستاده است.
هوش مصنوعی زمان ساخت نخستین نسخه محصول را از ماهها به هفتهها و گاهی از هفتهها به روزها کاهش داده است. اما همین دستاورد، ارزش اقتصادی آن نسخه اولیه را پایین آورده است. کمیابی از «توان ساختن» به «توان توزیعکردن، حفظ مشتری و ایجاد اعتماد» منتقل شده است.
