Due diligence jednostkowej ekonomiki AI: koszty inferencji, marże brutto

Due diligence jednostkowej ekonomiki AI to warstwa ekonomiczna due diligence technologii: ustrukturyzowany test sprawdzający, czy przychody spółki docelowej skalują się szybciej niż koszty dostarczania AI wraz ze wzrostem użycia. Znajduje się poniżej przeglądu produktu i technologii i zadaje węższe pytanie niż „czy to AI jest dobre?”. Pyta, ile faktycznie kosztuje obsłużenie jednej przyrostowej jednostki wykonanej pracy — przetworzonego dokumentu, zodpowiedzianego zapytania, ukończonego przepływu pracy — i czy ten koszt spada, czy rośnie wraz z rozszerzaniem bazy klientów. Trzema kluczowymi zmiennymi są koszt obsługi, wrażliwość marży brutto i siła cenowa: ile kosztuje uruchomienie przepływu pracy AI, jak bardzo marża jest narażona na zmiany tego kosztu oraz czy firma może utrzymać lub podnieść ceny, gdy koszty się zmieniają.

Ta warstwa zasługuje na własny strumień pracy, ponieważ koszt wytworzenia w AI zachowuje się inaczej niż w tradycyjnym oprogramowaniu. W klasycznym SaaS obsługa dodatkowego klienta jest niemal darmowa, więc marże brutto koncentrują się na wysokich poziomach, a due diligence może traktować je jako stabilne. W produktach AI duża część kosztu dostarczenia jest zmienna i mierzona: każdy przepływ pracy zużywa tokeny, a każdy token jest fakturowany przez dostawcę modelu lub opłacany jako moc obliczeniowa w chmurze i na GPU. Czy marże spółki docelowej wyglądają jak w tradycyjnym oprogramowaniu, czy są istotnie niższe — to pytanie empiryczne dotyczące jej własnej architektury, kontraktów i struktury klientów, a nie prawo kategorii.

Dyscyplina zespołów transakcyjnych polega na unikaniu uogólnionych twierdzeń w którejkolwiek stronę. Komentarze deklarujące, że oprogramowanie AI ma strukturalnie niższe marże, są równie niezweryfikowane jak założenie, że produkty AI mają marże typowe dla SaaS. Opublikowane benchmarki venture na 2025 rok pokazują szeroki rozrzut w obrębie tej samej kategorii: niektóre z najszybciej skalujących się spółek AI działają przy marżach brutto znacznie poniżej normy dla oprogramowania, czasem ujemnych na poziomie jednostkowym, podczas gdy wolniej rosnący konkurenci mieszczą się znacznie bliżej konwencjonalnych poziomów software'owych. Oba profile istnieją w tej samej kategorii, w tym samym czasie. Zadaniem w due diligence jest umiejscowienie spółki celu na tym spektrum na podstawie jej własnych liczb, a następnie sprawdzenie, jak trwała jest jej pozycja. Jest to uzupełnienie ekonomiczne perspektywy technologicznej opisanej w naszym frameworku due diligence fosy oprogramowania AI-native.

Definicja: testowanie, czy przychody skalują się szybciej niż koszty inferencji, zewnętrznych API i hostingu wraz ze wzrostem użycia przez klientów.

Kluczowe zmienne: koszt obsługi na workflow i na klienta, wrażliwość marży brutto na zmiany kosztów i użycia oraz siła cenowa pozwalająca utrzymać lub przenieść zmiany kosztów w ceny.

Dlaczego teraz: wyniki marżowe są specyficzne dla spółki i produktu, więc średnie sektorowe i narracje kategorii to słaby zamiennik własnego stosu kosztowego spółki celu.

Dyscyplina due diligence: żadnych uogólnionych twierdzeń o marżach; poniższy framework traktuje trwałość marży brutto jako hipotezę do udowodnienia, a nie założenie.

Pierwszym krokiem analitycznym jest zmapowanie, gdzie faktycznie znajduje się koszt wytworzenia AI. Widoczną pozycją jest wydatek na inferencję per token u dostawców modeli, rozliczany za milion tokenów według cen katalogowych różniących się w zależności od klasy modelu. Wokół niego znajdują się opłaty za zewnętrzne modele i API dla embeddingów, transkrypcji czy innych wyspecjalizowanych usług, hosting chmurowy i GPU dla modeli hostowanych samodzielnie, przechowywanie wektorowe i infrastruktura wyszukiwania oraz warstwa orkiestracji, która kieruje zapytania między nimi. Całość otaczają koszty ludzkie, które produkty AI nadal ponoszą: czas inżynierów na prompty i ewaluację, wsparcie klienta, a w wielu przypadkach praca weryfikacyjna lub QA nad wynikami AI.

Na podstawie tego stosu buduje się koszt zmienny na workflow i na klienta — punkt, w którym ta analiza spotyka się z due diligence finansowym. Weź reprezentatywny workflow, zmierz zużyte tokeny na przebieg, zastosuj uśrednioną cenę tokenu, dodaj udział kosztów hostingu, przechowywania i orkiestracji skalujących się z użyciem oraz uwzględnij koszt ludzki na jednostkę tam, gdzie wyniki są weryfikowane. Powtórzenie tego w segmencie klientów daje obraz kosztu obsługi, który można zestawić z przychodem na klienta, uzyskując marżę wkładu per segment. Wynik rzadko pokrywa się z tym, co prezentuje zarząd: większość materiałów zarządu pokazuje zagregowaną marżę brutto, a nie obraz kosztów na poziomie klienta.

Powtarzalnym wnioskiem jest to, że prawdziwy koszt workflow AI przekracza surową fakturę API. Rachunek za tokeny to najbardziej czytelna liczba, więc kotwiczy większość analiz wewnętrznych, ale w przewidywalny sposób zaniża koszt dostarczenia. Koszty wyszukiwania i przechowywania skalują się z korpus dokumentów, nie z przychodami. Orkiestracja często wywołuje tańsze modele wielokrotnie na jeden widoczny wynik. Nieudane przebiegi, ponowienia i ruch ewaluacyjny zużywają tokeny, które nigdy nie docierają do klienta. A warstwa ludzkiej weryfikacji, tam gdzie istnieje, to rzeczywisty koszt wytworzenia, którego żadna logika tokenów nie ujmuje. Model kosztu obsługi klasy due diligence zaczyna się więc od faktury API, ale musi być skorygowany w górę do pełnego kosztu dostarczenia.

Wydatek na inferencję per token u dostawców modeli, według stawek różniących się ostro w zależności od klasy modelu i zobowiązania wolumenowego.

Opłaty za zewnętrzne modele i API dla embeddingów, transkrypcji, filtrowania bezpieczeństwa i innych wyspecjalizowanych usług.

Hosting chmurowy i GPU dla modeli hostowanych samodzielnie lub fine-tunowanych, w tym pojemność zarezerwowaną, a nie zużywaną na żądanie.

Przechowywanie wektorowe, infrastruktura wyszukiwania i orkiestracja, które skalują się z rozmiarem korpusu i złożonością workflow, a nie z przychodami.

Koszty ludzkie i wsparcia: inżynieria promptów, ewaluacja, weryfikacja wyników i customer success, które są częścią kosztu obsługi, choć żadna logika tokenów ich nie pokazuje.

Krzywa deflacji to najlepiej udokumentowany trend w ekonomii AI i jest on naprawdę stromy. Analiza a16z historycznych cen od czasów GPT-3 wykazała, że dla LLM o równoważnej wydajności koszt inferencji spada mniej więcej 10x rocznie, a koszt stałego wyniku MMLU zmniejszył się tysiąckrotnie w ciągu trzech lat.[1] Stanford AI Index 2025 odnotowuje spadek kosztu zapytania do modelu o wydajności GPT-3.5 na MMLU z 20,00 USD za milion tokenów w listopadzie 2022 do 0,07 USD w październiku 2024 — redukcję ponad 280-krotną w około 18 miesięcy — i zauważa, że w zależności od zadania ceny inferencji LLM spadały od 9 do 900 razy rocznie.[2] Właśnie ten zakres, a nie pojedynczy nagłówkowy mnożnik, jest właściwym inputem do modelu marży, który powinien traktować deflację jako zmienną scenariuszową, a nie stałą.

W badaniach due diligence krzywa działa w obie strony, a pytaniem nie jest to, czy ceny spadają, lecz kto przechwytuje ten spadek. Jeśli marża brutto spółki docelowej poprawia się przede wszystkim dlatego, że jej dostawca modeli nieustannie obniża ceny katalogowe, ta poprawa jest przeniesieniem trendu branżowego, a nie dowodem na specyficzną dla firmy ekonomikę. Na rynkach konkurencyjnych dostawcy zwykle konkurują te oszczędności: klienci oczekują spadku cen wraz ze spadkiem kosztów dostawcy, a konkurenci agresywnie wyceniają swoje usługi, by zdobyć udziały w rynku. Most marżowy oparty na dalszej deflacji cen nakładów powinien być testowany warunkowo w scenariuszu, w którym deflacja zwalnia, albo w którym konkurencja zmusza spółkę do przeniesienia oszczędności na klientów. Równie dobrze spółka, której koszty spadają, ale ceny są sztywno ustalone w kontraktach, może być jednym z prawdziwych zwycięzców tego trendu; chodzi o to, by na podstawie dowodów ustalić, po której stronie przenoszenia kosztów znajduje się spółka.

Zarząd ma też dźwignie efektywności, które faktycznie może uruchomić, a pytania due diligence brzmią: których z nich używa spółka docelowa i ile każda z nich jest warta. a16z przypisuje spadek cen kilku niezależnym siłom: lepszej relacji kosztów do wydajności GPU, kwantyzacji modeli, optymalizacji oprogramowania zmniejszającej wymagania obliczeniowe i pamięciowe, mniejszym modelom trenowanym na większej ilości danych, lepszemu dostrajaniu instrukcji oraz konkurencji open source ściskającej marże w całym łańcuchu wartości.[1] Spółka docelowa może kierować rutynowe zapytania do mniejszych modeli i rezerwować modele graniczne dla trudnych przypadków, kwantyzować modele hostowane samodzielnie, buforować powtarzające się zapytania i ograniczać marnotrawstwo tokenów dzięki lepszemu wyszukiwaniu. Każda dźwignia ma koszt inżynieryjny i ryzyko jakościowe, więc testem jest to, czy spółka ma zmierzony plan działania dla tych dźwigni, czy traktuje spadające ceny jako jedyny plan poprawy marży.

Dowody deflacji: około 10x rocznie przy stałej wydajności, spadek ponad 280-krotny dla jakości na poziomie GPT-3.5 w około 18 miesięcy oraz spadki od 9 do 900 razy rocznie w zależności od zadania.[1][2]

Kto przechwytuje oszczędności: czy spółka docelowa zatrzymuje spadające koszty nakładów jako marżę, czy konkurencja cenowa przenosi je na klientów? Most marżowy powinien to określać, wraz z dowodami.

Dźwignie efektywności: routing modeli, kwantyzacja, buforowanie, optymalizacja promptów i wyszukiwania oraz mniejsze modele do pracy rutynowej. Które są wdrożone, które są zaplanowane i ile każda z nich jest warta w punktach bazowych marży brutto?

Test warunkowy: ponownie zweryfikuj profil marżowy przy założeniu, że deflacja cen nakładów istotnie zwalnia, i sprawdź, ile z planu przetrwa.

Zagregowane marże brutto ukrywają najważniejszy rozkład w biznesie AI: relację między intensywnością użycia a rentownością. W strukturze kosztów rozliczanych według użycia najaktywniejsi użytkownicy zużywają najwięcej tokenów, więc klienci, którzy najbardziej cenią produkt, mogą być najdrożsi w obsłudze. Testem due diligence jest uszeregowanie klientów według decyli użycia i obliczenie marży wkładu na klienta — przychód minus w pełni obciążone zmienne koszty świadczenia usługi — dla każdego decyla. Jeśli najwyższe decyle są najbardziej rentowne, wzrost oparty na użyciu komponuje marżę. Jeśli najwyższe decyle mają marżę wkładu na poziomie zerowym lub poniżej, wzrost niszczy wartość na granicy, a model cenowy jest niezgodny ze strukturą kosztów.

Ilustracyjna marża wkładu według decyla użycia. Kształt tej krzywej, a nie zagregowana marża brutto, decyduje o tym, czy wzrost użycia tworzy czy niszczy wartość. · Wygenerowane przez AI

Dopasowanie modelu cenowego to druga połowa analizy i należy ona do due diligence komercyjnego tak samo jak do obszaru finansowego. Kontrakty oparte na liczbie stanowisk oddzielają przychody od zużycia: klient, który podwaja swoje użycie przy stałej cenie za stanowisko, przekształca spadające koszty jednostkowe w zysk na marży, ale klient, który poczwórnia użycie, może doprowadzić marżę kontrybucyjną do wartości ujemnej. Kontrakty oparte na zużyciu lub hybrydowe ponownie wiążą przychody ze zużyciem i przenoszą szoki kosztowe na klienta, ale wystawiają spółkę docelową na konkurencję cenową wokół mierzonego inputu. Żaden z modeli nie jest z natury lepszy; pytanie brzmi, czy struktura kontraktów odpowiada strukturze kosztów i czy ceny zostały ustalone z uwzględnieniem powyższej analizy kosztu obsługi.

Dane rynkowe pokazują, jak szeroki jest rozrzut między poszczególnymi spółkami. Benchmarki Bessemera z 2025 roku wskazują, że szybko rosnące AI Supernovas osiągają około 25% marży brutto, często ujemnej na poziomie jednostkowym, wobec około 60% dla Shooting Stars, które rosną nieco wolniej.[3] Na warstwie infrastruktury TechCrunch donosi, że Anthropic oczekuje 50% marży zysku brutto w tym roku i 77% do 2028 roku, w porównaniu z ujemnymi 94% rok wcześniej.[4] Laboratorium frontierowe i firma aplikacyjna to różne biznesy, ale dla due diligence istotny jest sam rozrzut: firmy w tej samej kategorii obejmują pełne spektrum, a pozycja spółki docelowej zależy od jej własnego miksu zużycia, struktury kontraktów i dyscypliny kosztowej.

Mechanika przenoszenia kosztów dopełnia obraz. Gdy koszty inputów AI rosną — czy to przez zmiany cen u dostawcy modelu, ograniczenia wydajności, czy większe zużycie — czy spółka docelowa może zmienić ceny? Kontrakty ze stałymi cenami i bez limitów zużycia wchłaniają szok w całości. Kontrakty z cenami opartymi na zużyciu przenoszą go automatycznie. Roczne zobowiązania z oknami renegocjacji mieszczą się pośrodku. Pytania due diligence są konkretne: jaki udział przychodów odnawia się w ciągu najbliższych dwunastu miesięcy, co faktycznie mówią klauzule cenowe i czy zarząd przetestował tolerancję klientów na podwyżki cen odzwierciedlające wyższe koszty dostarczania usługi?

Ramka analizy sprowadza się do pięciu podstawowych testów, z których każdy powinien dać się zweryfikować na podstawie dokumentów, a nie narracji zarządu. Razem pozwalają ustalić, czy przychody rosną szybciej niż koszt obsługi, jakie założenia leżą u podstaw prognozowanej przez zarząd przyszłej marży oraz czy spółka jest w stanie przenieść wzrost kosztów AI na klientów.

Przychody a koszt obsługi: czy przychód na klienta rośnie szybciej niż w pełni obciążony koszt zmienny na klienta, w każdym decylu zużycia, w ciągu ostatnich ośmiu kwartałów?

Kontrybucja na poziomie klienta: czy klienci o najwyższym zużyciu są faktycznie najbardziej rentowni, czy wzrost koncentruje się wśród klientów o niskiej lub ujemnej kontrybucji?

Założenia mostu marżowego: co dokładnie napędza prognozowaną przez zarząd poprawę marży — deflacja cen inputów, dźwignie efektywności, działania cenowe czy mix — i czy każdy z tych czynników ma pokrycie w dowodach?

Zdolność do przenoszenia kosztów: czy spółka może przenieść wzrost kosztów AI na klientów poprzez warunki kontraktów, ceny oparte na zużyciu lub zmianę cen przy odnowieniu, i jaki udział przychodów jest chroniony?

Zależność od dostawców i cen: jak bardzo baza kosztowa jest narażona na decyzje cenowe, wydajnościowe i produktowe jednego dostawcy modelu i jakie alternatywy istnieją i za jaki koszt zmiany dostawcy?

Listę żądanych dowodów warto umieścić w data roomie wcześnie, bo przygotowanie tych dokumentów zajmuje czas i to właśnie one najczęściej okazują się niekompletne. Faktury chmurowe i API od wszystkich dostawców, logi zużycia tokenów według klienta i według workflow, rachunek zysków i strat na poziomie klienta lub co najmniej alokacja przychodów i kosztów na konto, kontrakty z dostawcami modeli wraz z warunkami zobowiązań wydatkowych i stawkami oraz dokumenty polityki cenowej regulujące zmianę cen i przenoszenie kosztów. Tam, gdzie dokument nie istnieje, sam ten fakt jest ustaleniem: spółka docelowa, która nie potrafi przypisać kosztów do klientów, nie potrafi obronić swojej historii marżowej.

Ryzyko koncentracji w łańcuchu wartości AI najlepiej zrozumieć na przykładzie z publicznego dokumentu emisyjnego. S-1 firmy CoreWeave, złożony przed jej debiutem giełdowym w 2025 roku, ujawnił, że Microsoft był jej największym klientem zarówno w 2023, jak i w 2024 roku, odpowiadając za 35, a następnie 62 procent przychodów.[5] Dwaj najwięksi klienci łącznie generowali 77 procent przychodów w 2024 roku, a zobowiązania typu take-or-pay, zazwyczaj na okres od dwóch do pięciu lat, stanowiły 96 procent przychodów w tym roku.[5] Sam dokument wskazywał, że każda negatywna zmiana popytu ze strony Microsoftu negatywnie wpłynie na działalność. Wniosek dla due diligence na poziomie spółki docelowej ma charakter strukturalny: na każdym poziomie łańcucha wartości AI niewielka liczba kontrahentów kontroluje kluczowe nakłady, a warunki, które narzucają — ceny, moce przerobowe, długość kontraktów — płyną bezpośrednio do kosztów własnych spółki zależnej.

Przeniesione na spółkę docelową pytania dotyczące strony podażowej są wprost. Czy spółka docelowa zależy od jednego dostawcy modeli lub jednej chmury w większości wydatków na inferencję i jaki udział tych wydatków stanowią stawki gwarantowane w porównaniu z cenami katalogowymi on-demand? Kontrakty z gwarantowanym wydatkiem kupują stabilność cen i priorytet mocy obliczeniowej, ale tworzą koszty minimalne, które utrzymują się, jeśli zużycie rozczaruje; ceny on-demand elastycznie reagują na zużycie, ale narażają spółkę docelową na ruchy cen katalogowych, na które nie ma wpływu. Analiza koncentracji powinna również obejmować stronę popytową: spółka docelowa, której przychody w dużym stopniu zależą od jednego lub dwóch klientów, dziedziczy tę samą kruchość, którą CoreWeave ujawnił, z dodatkowym ryzykiem, że jej najwięksi klienci mogą negocjować równoważne warunki z jej konkurentami.

Scenariusze kompresji marż należy następnie jawnie zmodelować. Najbardziej pouczającym niedawnym przypadkiem jest Anthropic, który według doniesień TechCrunch oczekuje 50-procentowej marży brutto w tym roku wobec ubiegłorocznej wartości minus 94 procent, z celem 77 procent do 2028 roku.[4] Nawet laboratorium graniczne z przewagą skali i własnymi programami efektywności traktuje marżę jako trajektorię do zarządzania, a nie stabilną liczbę. W przypadku spółki docelowej scenariusze do testów warunkowych to: ceny nakładów, które przestają spadać lub rosną, wzorce zużycia przesuwające się w stronę intensywniejszej konsumpcji, renegocjacja warunków przez kluczowego klienta przy odnowieniu umowy oraz zmiana struktury cen lub wycofanie modelu, od którego zależy produkt spółki docelowej, przez dostawcę modeli.

Dla private equity i fuzji oraz przejęć ustalenia te przekładają się na strukturę transakcji. Tam, gdzie trwałości marży nie można w pełni udowodnić, wycena powinna to odzwierciedlać — jako dyskonto lub jako cena zakładająca scenariusz stresowy, a nie scenariusz zarządu. Struktury earnout mogą powiązać wynagrodzenie z zrealizowaną marżą brutto, wiążąc sprzedających z profilem marży, który reprezentowali. Zakres gwarancji i rękojmi powinien wprost obejmować założenia kosztowe: trafność alokacji kosztów, warunki umów z dostawcami modeli oraz wszelkie zobowiązania z gwarantowanym wydatkiem, które w dniu zamknięcia stają się odpowiedzialnością kupującego. Nic z tego nie ma charakteru konfrontacyjnego; to standardowa reakcja na strukturę kosztów bardziej uzależnioną od kontraktów niż w tradycyjnym oprogramowaniu.

Ramę analityczną można przekształcić w sekwencyjny proces, który biegnie od dostępu do wirtualnej sali danych po komitet inwestycyjny. Każdy krok odpowiada testom i benchmarkom opisanym powyżej, a każdy z nich produkuje konkretny artefakt, który zespół transakcyjny może obronić.

Ingest danych z sali danych: połącz się z VDR i przetwórz faktury, umowy, modele finansowe oraz materiały zarządu zawierające dowody kosztowe, w tym faktury za chmurę i API, umowy z dostawcami modeli oraz dokumenty polityki cenowej z powyższej checklisty.

Pozyskaj dowody kosztowe: wyodrębnij logi zużycia tokenów i pozycje faktur u wszystkich dostawców, a następnie skoryguj surowy rachunek API w górę do w pełni obciążonej zmiennej kosztów na przepływ pracy, obejmującej hosting, przechowywanie, orkiestrację i weryfikację ludzką.

Zbuduj widok kosztu obsługi: skonstruuj marżę wkładu na klienta i na decyl zużycia, a następnie zestaw ją z przychodem na klienta, aby ustalić, czy najintensywniejsi użytkownicy są najbardziej rentowni.

Przetestuj most marżowy: rozłóż projektowany przez zarząd profil marży na deflację cen nakładów, dźwignie efektywności i działania cenowe, a następnie przeprowadź ponowną wycenę w scenariuszu spowolnionej deflacji, porównując z danymi o marżach BVP State of AI 2025.[3]

Spakuj ustalenia: zbierz wnioski dotyczące marży i koncentracji, sygnały ostrzegawcze oraz analizę przenoszenia kosztów w memo poparte dowodami dla komitetu inwestycyjnego.

Plausity wspiera każdy krok tego procesu. Data Room Ingestion łączy się z VDR i przetwarza faktury, umowy oraz modele finansowe w ciągu minut, dzięki czemu dowody kosztowe natychmiast trafiają do analizy, zamiast czekać na ręczne indeksowanie. AI-Analysis Engine czyta te dokumenty i dokonuje ich wzajemnej weryfikacji, łącząc pozycje faktur i logi zużycia z modelem zarządu oraz wskazując miejsca, w których liczby się nie zgadzają. Risk Radar ocenia ustalenia według istotności, wpływu finansowego i znaczenia dla transakcji, dzięki czemu ryzyka kompresji marży i koncentracji dostawców są klasyfikowane obok pozostałych pozycji rejestru ryzyk. Report Builder przygotowuje projekt memo popartego dowodami z pełną identyfikowalnością źródeł do dokumentów źródłowych, a Collaboration Hub utrzymuje spójność strumieni pracy w miarę, jak widok kosztu obsługi, most marżowy i materiały dla komitetu inwestycyjnego nabierają kształtu. Efektem jest analiza marży, w której każda liczba daje się wywieść z dokumentu w sali danych — a to standard, którego wymagają powyższe pięć testów.

Plausity to natywna platforma AI do Due Diligence i deal intelligence, która pomaga firmom doradczym M&A, funduszom VC i PE, zespołom corporate development oraz zespołom investment banking strukturyzować dowody, findings i pytania w ramach Data Room. Plausity wspiera ekstrakcję dowodów, source grounding, zarządzanie findings oraz przygotowanie Investment Committee — nie zastępuje analityków, doradców ani profesjonalistów inwestycyjnych, nie świadczy doradztwa prawnego, podatkowego, audytorskiego, regulacyjnego ani inwestycyjnego i nie podejmuje autonomicznych decyzji inwestycyjnych. Wszystkie findings wymagają weryfikacji przez człowieka.

Aby poznać kluczowe komponenty, zobacz silnik analizy AI Plausity oraz stronę Findings & Risk Intelligence. W kontekście workflow zespołowego zobacz, jak fundusze VC i PE oraz firmy doradcze M&A wykorzystują Plausity w aktywnych transakcjach.

1. [1] a16z.com — https://a16z.com/llmflation-llm-inference-cost/
2. [2] hai.stanford.edu — https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
3. [3] bvp.com — https://www.bvp.com/atlas/the-state-of-ai-2025
4. [4] techcrunch.com — https://techcrunch.com/2025/11/04/anthropic-expects-b2b-demand-to-boost-revenue-to-70b-in-2028-report/
5. [5] crn.com — https://www.crn.com/news/ai/2025/7-things-to-know-about-coreweave-s-s-1-top-customers-revenue-and-more