·Fintech Accounting
AI startuolio apskaita Estijoje: ką daryti su GPU sąskaita
Didžiausia AI startuolio išlaidų eilutė po atlyginimų paprastai yra skaičiavimai – ir tai, kaip jie klasifikuojami, nulemia, kokią įmonės bendrąją maržą pamatys investuotojai. Inferencija, aptarnaujanti mokančius klientus, yra pardavimo savikaina; treniravimo paleidimai ir eksperimentai – MTEP. Suklysk skirstydamas – ir pitch deck maržos istorija subyrės per diligence. Šis įrašas pereina AI startuolio apskaitą Estijos OÜ: GPU sąnaudų klasifikavimas, modelių kūrimo kapitalizavimas ar nurašymas, kodėl Estijos 0% mokestis nepaskirstytam pelnui tinka skaičiavimams godžioms įmonėms, dotacijų ir Horizon Europe apskaita, naudojimu grįstų pajamų pripažinimas ir investuotojų atskaitomybė, kurią turėtų rengti seed+ AI įmonė.
GPU išlaidos – pardavimo savikaina ar MTEP?
Sąžiningas atsakymas: abu, ir šis padalijimas reiškia daugiau nei beveik bet kuris kitas AI įmonės apskaitos sprendimas. Skaičiavimai, tiesiogiai aptarnaujantys mokančius klientus – inferencija produkcijos API užklausoms, įdiegtų modelių talpinimas – priklauso pardavimo savikainai ir todėl mažina bendrąją maržą. Skaičiavimai, sudeginti treniravimo paleidimams, fine-tuning eksperimentams ir vidiniams tyrimams, priklauso MTEP veiklos sąnaudoms ir bendrosios maržos neliečia. Dvi įmonės su identiškais banko išrašais vien dėl šios klasifikacijos gali parodyti 40 punktų bendrosios maržos skirtumą.
Investuotojai tai žino, todėl seed ir Series A diligence komandos tikrina būtent padalijimą. Apginama prieiga yra mechaninė, o ne pasakojamoji: žymėk skaičiavimus infrastruktūros lygiu (atskiri projektai ar paskyros produkcijos inferencijai ir treniravimui), leisk didžiajai knygai paveldėti šias žymas ir vieną kartą dokumentuok politiką. Kai tavo bendroji marža užginčijama partnerių susitikime, "štai debesijos sąskaitų išklotinė, sulyginta eilutė po eilutės" užbaigia pokalbį taip, kaip "vertiname maždaug 60/40" neužbaigs niekada.
Modelių kūrimo sąnaudas kapitalizuoti ar nurašyti?
Apskaitos standartai leidžia plėtros sąnaudas kapitalizuoti kaip nematerialųjį turtą, kai tenkinami griežti kriterijai: techninis įgyvendinamumas, ketinimas ir gebėjimas užbaigti, tikėtina būsima ekonominė nauda ir patikimai išmatuojamos sąnaudos. Praktikoje dauguma ankstyvosios stadijos AI darbo yra tyrimai ir eksperimentavimas, kurie šių testų neišlaiko ir turi būti nurašomi jiems atsirandant. Agresyvus kapitalizavimas pagražina šių metų P&L, bet sukuria turtą, kurį reikia amortizuoti ir kuris gali nuvertėti tą akimirką, kai modelis pakeičiamas – AI srityje tai gali įvykti jau po ketvirčio.
Mūsų numatytoji rekomendacija seed stadijos AI įmonėms – modelių kūrimą nurašyti į sąnaudas, nebent yra konkretus, ilgalaikis turtas su aiškiu ryšiu su pajamomis, ir mokėti pasirinkimą investuotojui paaiškinti vienu sakiniu. VC paprastai renkasi švarų, konservatyvų P&L, o ne balansą, išpūstą savo pačių sukurtu nematerialiuoju turtu. Raundui svarbu ne apskaitos kosmetika, o tai, kad traktavimas nuoseklus, dokumentuotas ir atlaiko diligence klausimą.
Kaip Estijos 0% mokestis nepaskirstytam pelnui padeda AI įmonei?
Estija ima 22% pelno mokestį tik tada, kai pelnas paskirstomas. Pelnas, liekantis įmonėje ir reinvestuojamas į GPU, treniravimo paleidimus ir komandą, iki paskirstymo apmokestinamas 0%. AI startuoliui tai struktūrinis pranašumas: kiekvieną produkto uždirbtą maržos eurą galima grąžinti į skaičiavimus be mokesčių nutekėjimo viduryje. Pelninga AI įmonė klasikinėje mokesčių sistemoje pirmiausia sumoka pelno mokestį ir reinvestuoja likutį; Estijos OÜ reinvestuoja bruto sumą.
Ta pati logika galioja rizikos kapitalo atveju. VC finansuojamos įmonės iki exit pelno beveik niekada neskirsto, vadinasi, Estijos režimas pelno mokestį faktiškai atideda visai augimo fazei. Kartu su 1 € minimaliu įstatiniu kapitalu, e-Residency nuotoliniams steigėjams ir viena privaloma metine ataskaita RIK struktūros administracinė našta maža, palyginti su tuo, ką ji duoda. Disciplina, kurios ji reikalauja, – tvarkinga mėnesinė apskaita, nes ant jos laikosi metinė ataskaita ir bet koks būsimas diligence.
O kaip dotacijos ir Horizon Europe finansavimas?
AI yra viena geriausiai finansuojamų sričių Europos dotacijų programose, ir Estijos įmonės reguliariai naudojasi Horizon Europe kvietimais, nacionaline inovacijų parama ir ekosistemos programomis aplink Startup Estonia. Dotacijų pinigai laukiami, bet tai ne pajamos: paprastai jie pripažįstami kaip atidėtosios pajamos ir perkeliami į P&L, kai patiriamos subsidijuojamos sąnaudos, o kiekviena dotacija atsineša sąnaudų tinkamumo taisykles, bendrojo finansavimo dalis ir atskaitomybės terminus, kuriuos apskaita turi palaikyti nuo pirmos dienos.
Praktinis reikalavimas – atskira sąnaudų apskaita: dotacijos finansuojami skaičiavimai, atlyginimai ir subranga turi būti identifikuojami didžiojoje knygoje, dažniausiai pagal projektus, su darbo laiko žiniaraščiais ten, kur deklaruojamos personalo sąnaudos. Atkurti tai atgaline data ataskaitos metu skausminga, o audito išvados gali baigtis lėšų susigrąžinimu. Jei dotacija pakeliui, projekto apskaitos struktūrą reikia sukurti prieš išleidžiant pirmą eurą – tai lygiai tokia sąranka, kurią specializuotas buhalteris padaro per popietę, o generalistas atranda metais per vėlai.
Kaip pripažinti naudojimu grįstas pajamas?
Dauguma AI produktų atsiskaito pagal naudojimą: už tokeną, už API iškvietimą, už vietą plius suvartojimą. Apskaitos principas: pajamos pripažįstamos naudojimui vykstant, o tai gerai dera su atsiskaitymu po fakto. Iš anksto apmokėti kreditų paketai – atvejis, kurį reikia stebėti: už kreditus gauti pinigai yra atidėtos pajamos, kol klientas jų realiai nesuvartoja, o nepanaudoti kreditai lieka balanse kaip įsipareigojimas. Jei kreditai baigia galioti, galiojimo politika nustato, kada likusį balansą pagaliau galima pripažinti.
Naudojimu grįsti modeliai taip pat išplauna MRR sąvoką, todėl investuotojų metrikoms reikia atidumo: įsipareigotos išlaidos, suvartojimo tempas ir grynųjų pajamų išlaikymas suvartojimo pagrindu pasakoja tikrąją istoriją. Didžioji knyga turi gebėti pateikti pajamas pagal klientą ir mėnesį tiesiai iš matavimo duomenų, sutikrintų su mokėjimų tvarkytoju. Būtent šis vienas konvejeris – matavimas, sąskaita, didžioji knyga – priverčia ir auditorių, ir Series A analitiką pasitikėti pajamų eilute.
Ko tikisi investuotojai, kai burn varo skaičiavimai?
Seed+ AI įmonės burn yra kitokios formos nei klasikinio SaaS startuolio: skaičiavimai gali prilygti darbo užmokesčio fondui ar jį viršyti ir auga su eksperimentais, o ne su darbuotojų skaičiumi. Todėl investuotojai tikisi burn atskaitomybės, kuri atskiria skaičiavimus nuo žmonių ir rodo vieneto ekonomiką naudojimo vienetui: kainą tūkstančiui API iškvietimų, maržą klientui ir tai, kaip treniravimo išlaidos siejasi su plano gairėmis. Vienas sumaišytas burn skaičius slepia lygiai tai, ką AI investuotojas bando įvertinti: ar ribinis naudojimas pelningas.
TechAccounting tai įdiegia į AI klientų mėnesio uždarymą: P&L su apginamu COGS/MTEP skaičiavimų padalijimu, burn ir runway nuo faktinių pinigų, biudžetas prieš faktą, dotacijų projektų sekimas ir ESOP darbo užmokestis per TSD. Fiksuoto mokesčio apskaita prasideda nuo 499 € per mėnesį, Compliance – 1 500 €, Fintech & AML – 3 000 € reguliuojamoms struktūroms, konsultacija – 150 € per valandą. Tikslas paprastas: kai tavo pagrindinis investuotojas paklaus, kaip GPU sąskaita teka per apskaitą, atsakymas jau bus data room.