Bańka AI? Rundy seed po 300 mln dolarów budzą pytania

Startup zbiera 300 milionów dolarów w rundzie seed. Jego wycena potraja się w ciągu kilku miesięcy. Trudno nie zapytać: czy przypadkiem nie przesadzamy? Zespół podcastu Equity na TechCrunch Disrupt 2025 w San Francisco postawił tę niewygodną kwestię wprost na Builders Stage.

Kirsten Korosec, Max Zeff i Anthony Ha rozpoczęli tegoroczną edycję konferencji od tematu, który elektryzuje całą branżę technologiczną. Pytanie nie brzmi już "czy AI ma przyszłość", ale "czy obecne wyceny mają jakiekolwiek uzasadnienie w rzeczywistości".

Astronomiczne rundy finansowania stają się normą

Jeszcze kilka lat temu runda seed rzędu 5-10 milionów dolarów była standardem. Dziś startupy AI w pierwszym etapie finansowania zbierają kwoty porównywalne z rundami Series C dojrzałych firm. To nie są pojedyncze przypadki - to trend, który zmienia całą dynamikę venture capital.

Dla porównania: tradycyjny fundusz venture capital inwestował niegdyś 10 milionów dolarów w dziesięć różnych startupów, rozkładając ryzyko. Dziś pojedyncza runda seed pochłania trzykrotność tego budżetu. Oznacza to, że fundusze muszą być nie tylko większe, ale i bardziej skoncentrowane - a co za tym idzie, mniej skłonne do przyznania błędu, gdy inwestycja nie idzie zgodnie z planem.

Problem? Takie wyceny zakładają nie tylko sukces, ale wręcz dominację rynkową. Startup wyceniony na miliardy dolarów przed wypuszczeniem produktu musi stać się następnym Google'em czy Microsoftem. Ile firm faktycznie to osiąga?

Odpowiedź historyczna jest brutalna: zdecydowana mniejszość. Większość startupów nawet z dobrym produktem nie przebija się do poziomu wycen, które uzasadniałyby obecne rundy. W praktyce oznacza to, że inwestorzy świadomie akceptują model, w którym jeden unicorn musi pokryć straty całego portfela. Przy tak wysokich wycenach na wejściu, ten jeden unicorn musi być wyjątkowo duży.

Wyścig o centra danych i infrastrukturę

Równolegle z rundami finansowymi obserwujemy gorączkę budowy centrów danych. Firmy inwestują miliardy w infrastrukturę pod modele AI, często zanim dokładnie wiedzą, jakie konkretne zastosowania będą generować przychody. Klasyczny objaw przegrzania rynku - budowanie, zanim pojawi się realne zapotrzebowanie.

Zespół Equity zwrócił uwagę na paradoks: inwestorzy pompują pieniądze w infrastrukturę AI, podczas gdy wiele firm wciąż szuka biznesowych modeli, które faktycznie zarabiają. Mamy narzędzia coraz potężniejsze. Pytanie brzmi: czy mamy dla nich realne, opłacalne zastosowania?

Wystarczy spojrzeć na rynek procesorów graficznych. Popyt na układy NVIDIA przeznaczone do trenowania modeli był przez długi czas większy niż podaż, co windowało ceny i tworzyło kolejki oczekiwania liczące miesiące. Firmy rezerwowały moc obliczeniową z wyprzedzeniem, nierzadko bez gotowego produktu, który miałby tę moc wykorzystać. To zachowanie charakterystyczne dla rynku opartego na strachu przed brakiem dostępu - nie na chłodnej kalkulacji biznesowej.

Gdzie konkretnie idą te pieniądze?

Znaczna część kapitału trafia w kilka wyraźnych obszarów:

• Modele fundamentalne - firmy próbujące zbudować własne duże modele językowe konkurencyjne wobec GPT czy Claude
• Infrastruktura obliczeniowa - centra danych, specjalistyczne chipy, sieci przesyłu danych
• Aplikacje warstwowe - startupy budujące produkty na bazie cudzych modeli, które często nie posiadają żadnej realnej przewagi technologicznej
• Narzędzia dla deweloperów - platformy ułatwiające wdrażanie AI w istniejących produktach

Problem z tą ostatnią kategorią jest szczególnie widoczny: jeśli twój startup buduje nakładkę na API OpenAI, a OpenAI jutro wprowadzi tę samą funkcję natywnie, twoja wycena może wyparować w ciągu jednego ogłoszenia.

Czy historia się powtarza?

Kto pamięta bańkę dot-comową z 2000 roku, dostrzeże niepokojące podobieństwa. Wtedy też każdy startup z domeną ".com" mógł liczyć na finansowanie, niezależnie od realnego modelu biznesowego. Później przyszło otrzeźwienie i setki firm zbankrutowało.

Mechanizm był podobny: inwestorzy bali się przegapić kolejnego Amazona czy Google, więc finansowali wszystko, co brzmiało wystarczająco internetowo. Firmy bez przychodów, bez marży, nierzadko bez gotowego produktu - wszystkie dostawały pieniądze, bo narracja była zbyt pociągająca, żeby ją kwestionować. Dziś tę rolę pełni narracja o AGI i transformacji każdej branży przez sztuczną inteligencję.

Różnica? technologia AI faktycznie działa i ma realne zastosowania. Pytanie brzmi: czy obecne wyceny odpowiadają rzeczywistemu potencjałowi, czy może odzwierciedlają raczej FOMO inwestorów (fear of missing out - strach przed przegapieniem następnego big thingu).

To rozróżnienie jest kluczowe. Bańka dot-comowa nie oznaczała, że internet okazał się fałszywą obietnicą - wręcz przeciwnie. Amazon, Google i Facebook zbudowały po 2001 roku biznesy warte setki miliardów dolarów. Ale tysiące firm, które wzięły pieniądze w szczycie euforii, nie przeżyło korekty. Technologia była prawdziwa. Wyceny były nie.

Presja na szybkie przychody

Jednym z efektów ubocznych gigantycznych rund jest presja, której wcześniej startupy na wczesnym etapie nie doświadczały. Firma, która zebrała 300 milionów dolarów w rundzie seed, nie może sobie pozwolić na trzyletni okres eksperymentowania. Inwestorzy oczekują szybkiej ścieżki do przychodów, która uzasadni kolejną, jeszcze większą rundę.

To tworzy paradoksalną sytuację: startupy mające dostęp do największego kapitału w historii są jednocześnie pod największą presją czasową. Zamiast powoli budować produkt dopasowany do rynku, muszą rosnąć szybko - nawet jeśli oznacza to skróty, które długoterminowo podkopują fundament firmy.

Dyskusja na TechCrunch Disrupt 2025 nie przyniosła jednoznacznej odpowiedzi - i pewnie nie mogła. Bańki rozpoznaje się najlepiej w retrospekcji. Jedno jest pewne: jeśli jesteś w branży AI, najbliższe miesiące pokażą, które firmy budują realne wartości, a które surfują tylko na fali hype'u.

Źródła

• TechCrunch - Equity Live: From $300M seed rounds to data center builds, AI is feeling bubbly