Считаем юнит-экономику AI-проекта: как учесть CAC и LTV для обучаемых моделей

Задача состоит в том, чтобы корректно рассчитать стоимость привлечения клиента и его пожизненную ценность для кастомного AI-проекта. В AI-проектах юнит-экономика считается иначе. CAC включает в себя стоимость presale-разработки, а LTV прогнозируют на основе будущих итераций по дообучению модели. Правильный расчет этих показателей помогает построить прибыльный deep-tech бизнес. В этой статье мы на конкретных примерах разберем, как это сделать.

Учитываем скрытые затраты в CAC

Классическая формула CAC, которая складывается из расходов на маркетинг и продажи, для AI-проектов неполная. Её нужно расширить, включив интеллектуальные и технические затраты на этапе пресейла. Продажа сложного AI-решения начинается задолго до того, как клиент перечислит первый платеж.

Затраты на создание рабочего прототипа или PoC (Proof of Concept) необходимо считать частью CAC. Представьте, что транспортная компания хочет внедрить AI для оптимизации маршрутов. Чтобы продать такое решение, нужно доказать его эффективность на данных клиента. Команда специалистов по данным тратит 200 часов на анализ и создание прототипа. Если внутренний час работы такого сотрудника стоит 3000 рублей, то стоимость PoC составит 600 000 рублей. Эти деньги компания инвестирует в привлечение одного клиента.

Формула расчета CAC для AI-проекта выглядит так:

CAC = (Затраты на маркетинг + Зарплата отдела продаж + Стоимость PoC) / Число привлеченных клиентов

Подготовка данных для демонстрации тоже требует ресурсов. Часто клиент предоставляет данные в необработанном виде. Чтобы прототип заработал, специалисты тратят десятки часов на очистку и разметку информации. Например, 50 часов работы с данными добавят к стоимости привлечения еще 150 000 рублей. Если игнорировать эти скрытые затраты, можно неверно оценить рентабельность проекта и начать работать в убыток.

Прогнозируем LTV, когда проект не заканчивается

Пожизненная ценность клиента в AI-проектах заключается не в единоразовом платеже за внедрение. Основной доход приносит цикл постоянных улучшений и поддержки. LTV здесь это сумма доходов от всех будущих доработок. Внедрение AI-модели похоже не на покупку автомобиля, а на обслуживание гоночного болида, который требует постоянной настройки.

Ценность для клиента создается через дообучение модели. Любая AI-модель со временем теряет точность, потому что внешние условия меняются. Чтобы она оставалась эффективной, ей нужно регулярное дообучение на новых данных. Вернемся к примеру с транспортной компанией. Через полгода цены на топливо изменились, а в городе открыли новые развязки. Модель оптимизации маршрутов устарела. Компания заключает годовой контракт на поддержку стоимостью 1,5 млн рублей, который включает ежеквартальное дообучение системы. Эти регулярные платежи формируют основу LTV.

Первый успешный проект открывает дорогу для новых продаж. Когда клиент видит реальную пользу от внедрения AI, он с большей вероятностью закажет новые решения. Например, после оптимизации маршрутов транспортная компания может захотеть внедрить AI для прогнозирования загрузки складов. Это новый проект стоимостью в несколько миллионов рублей. LTV можно спрогнозировать по формуле, которая учитывает доход от первого проекта, стоимость поддержки и вероятный доход от будущих продаж.

LTV = Доход от 1-го проекта + (Прогнозируемый доход от поддержки × Срок поддержки) + (Прогнозируемый доход от апсейлов × Вероятность продажи)

Рассматривая первый проект как «входной билет», компания может стратегически управлять отношениями с клиентом и увеличивать его пожизненную ценность.

Как ошибаются при расчёте юнит-экономики

Часто компании не учитывают в CAC стоимость создания прототипа. Логика рассуждений простая: «Мы же не выставляли за это счёт, значит, затраты нулевые». Такой подход игнорирует тот факт, что вы уже потратили самый ценный ресурс: сотни часов работы ваших лучших специалистов. Эти затраты необходимо считать, чтобы видеть полную картину стоимости привлечения.

Вторая ошибка связана с неверной оценкой LTV. Руководители радуются контракту на 5 миллионов рублей, но забывают о стоимости привлечения в 600 тысяч и будущих расходах на поддержку. Первый проект в сфере AI это инвестиция в будущие доходы, а не конечная прибыль. Оценивать его рентабельность только по первому чеку это прямой путь к кассовому разрыву.

Что делать, если клиент не согласен

Иногда клиент отказывается от платной поддержки, чтобы сэкономить. Ваша задача на этапе продажи донести ценность постоянного дообучения. Покажите на цифрах, как без обновлений точность модели упадёт за год, например, на 15 %. Объясните, к каким конкретным убыткам это приведёт. Предложите разные пакеты поддержки, чтобы сделать вход в долгосрочные отношения для клиента более комфортным.

Бывает, что прототип не показывает нужного результата на данных клиента. Это не провал, а полезный итог работы. Вы честно показали, что задача клиента в текущем виде не решается с помощью AI. Этим вы сэкономили ему миллионы рублей на полномасштабном внедрении, которое не принесло бы пользы. Такой результат доказывает вашу экспертизу и выстраивает доверие для будущего сотрудничества.

Выводы

Чтобы прибыльно работать в сфере AI, необходимо пересмотреть классические подходы к юнит-экономике. CAC должен включать стоимость presale-разработки, а LTV обязан учитывать прогнозируемый доход от будущего дообучения и развития системы.

Начните вести точный учет времени и ресурсов, которые вы тратите на создание PoC для потенциальных клиентов. Включите эти данные в расчет CAC, чтобы видеть реальную стоимость привлечения.

Пересмотрите свою модель продаж. Вместо того чтобы продавать один проект, предлагайте клиентам долгосрочное партнерство. Объясните, что поддержка и дообучение модели это обязательная часть продукта, которая сохраняет его ценность. Такой подход обеспечивает финансовую устойчивость и превращает вас из простого подрядчика в незаменимого технологического партнера.