Ciemna strona rewolucji AI: Wysokie koszty drenują startupy z zysków

Historia niedoszłego przejęcia Windsurf przez OpenAI za około 3 miliardy dolarów, która ostatecznie zakończyła się sprzedażą udziałów Google’owi za 2,4 miliarda dolarów, to symptom głębszego zjawiska. Mimo imponującego wzrostu wyceny i zainteresowania inwestorów Venture Capital, startup zamiast kontynuować niezależną działalność, postanowił szukać kupca. Jak się okazuje, za fasadą sukcesu kryły się znacznie mniej optymistyczne realia.

Asystenci kodowania AI, choć cieszą się ogromną popularnością wśród programistów, generują dramatycznie niskie, a często wręcz ujemne marże brutto. Oznacza to, że koszt utrzymania produktu przewyższa przychody z jego sprzedaży. Głównym winowajcą są tu astronomiczne opłaty za korzystanie z zaawansowanych, dużych modeli językowych (LLM). Twórcy asystentów są pod presją, by zawsze oferować dostęp do najnowszych i najpotężniejszych modeli, ponieważ to one zapewniają najlepszą jakość kodu i debugowania – a te są z kolei najdroższe.

Konkurencja dodatkowo zaostrza sytuację. Na rynku działają giganci tacy jak GitHub CoPilot oraz Anysphere Cursor, posiadający już ogromne bazy użytkowników. W obliczu takich wyzwań, naturalną drogą do poprawy marż wydaje się budowanie własnych modeli AI. Pozwoliłoby to uniezależnić się od dostawców takich jak Anthropic czy OpenAI i znacząco obniżyć koszty. Jednak to rozwiązanie wiąże się z ogromnym ryzykiem i wymaga, jak w przypadku Windsurfa, znaczących inwestycji, na które startupy często nie mogą sobie pozwolić. Decyzja współzałożyciela Windsurfa, Varuna Mohana, by zrezygnować z budowy własnego modelu, pokazuje skalę tego problemu.

Nicholas Charriere, założyciel startupu Mocha, bez ogródek stwierdza, że marże na wszystkich produktach do generowania kodu są bliskie zeru lub wręcz ujemne. Według niego, koszty zmienne w całym sektorze są bardzo zbliżone, co wskazuje na systemowy charakter problemu, a nie jednostkowe potknięcia. Do tego dochodzi bezpośrednia konkurencja ze strony samych twórców modeli: Anthropic oferuje Claude Code, a OpenAI – Codex, co jeszcze bardziej zmniejsza pole manewru dla asystentów kodowania polegających na ich infrastrukturze.

Anysphere, twórca popularnego Cursor, mimo dynamicznego wzrostu i odrzucenia ofert przejęcia (w tym od OpenAI), także boryka się z problemem marż. W odpowiedzi na te wyzwania firma ogłosiła plany budowy własnego modelu, choć niedawne odejście kluczowych pracowników, którzy szybko wrócili do Anthropic, pokazuje trudności w realizacji tego ambitnego celu. Anysphere, podobnie jak inni, liczy na spadek kosztów inferencji LLM w przyszłości. Nie jest jednak pewne, czy taka tendencja się utrzyma. Najnowsze, bardziej złożone modele językowe bywają droższe w użyciu, ponieważ wymagają większej mocy obliczeniowej do realizacji skomplikowanych zadań.

Dynamiczne zmiany cen na rynku modeli AI to kolejny element niepewności. OpenAI wprowadziło niedawno GPT-4o, ze znacznie niższymi opłatami niż konkurencyjny Claude Opus 4.5 Anthropic. To zjawisko tworzy presję na innych graczy. Anysphere, zmuszone do dopasowania się do realiów rynkowych, niedawno zmieniło swoją politykę cenową, co spotkało się z zaskoczeniem części użytkowników Cursor. Choć firma, według doniesień, osiągnęła przychody na poziomie 500 milionów dolarów rocznie, transparentność komunikacji na temat zmian była daleka od ideału, co podkreślił CEO Anysphere, Michael Truell, w przeprosinach skierowanych do klientów. To pokazuje, jak krucha jest lojalność użytkowników w obliczu zmieniających się warunków rynkowych i finansowych.

Sytuacja Windsurfa, ich decyzja o wyjściu z rynku i ostateczna sprzedaż udziałów Google’owi, może być więc postrzegana jako pragmatyczne posunięcie. W obliczu zaciekłej konkurencji i negatywnych marż, wycofanie się z biznesu mogło być najrozsądniejszym wyjściem strategicznym.

Problemy Windsurfa i Anysphere rzucają cień na cały sektor. Jeśli nawet tak popularne i szybko rosnące startupy jak Replit, Lovable czy Bolt, generujące setki milionów dolarów przychodów, mają trudności z osiągnięciem rentowności, opierając się na modelach zewnętrznych, co to oznacza dla młodszych, mniej ugruntowanych branż aspirujących do wykorzystania LLM? Pytanie o długoterminową stabilność i rentowność biznesów „budowanych na AI” pozostaje otwarte. Jest to wyraźny sygnał, że sam dostęp do zaawansowanej technologii nie gwarantuje sukcesu rynkowego, a model finansowy jest równie kluczowy, co innowacyjność produktu.