·Fintech Accounting
Księgowość startupu AI w Estonii: co zrobić z rachunkiem za GPU
Największa pozycja kosztowa startupu AI po wynagrodzeniach to zwykle moc obliczeniowa – a sposób jej klasyfikacji decyduje o tym, jaką marżę brutto firmy zobaczą inwestorzy. Inferencja obsługująca płacących klientów to koszt sprzedaży; przebiegi treningowe i eksperymenty to B+R. Pomyl podział – i historia o marży z pitch decka rozsypie się na due diligence. Ten wpis przechodzi przez księgowość startupu AI na estońskim OÜ: klasyfikację kosztów GPU, kapitalizację lub odpisywanie rozwoju modeli, dlaczego estoński podatek 0% od zysku zatrzymanego pasuje firmom głodnym obliczeń, rozliczanie grantów i Horizon Europe, rozpoznawanie przychodów usage-based oraz raportowanie inwestorskie, które powinna produkować firma AI na seed+.
Wydatki na GPU – koszt sprzedaży czy B+R?
Uczciwa odpowiedź: jedno i drugie, a ten podział znaczy więcej niż niemal każda inna decyzja księgowa firmy AI. Obliczenia bezpośrednio obsługujące płacących klientów – inferencja dla produkcyjnych wywołań API, hosting wdrożonych modeli – należą do kosztu sprzedaży i tym samym obniżają marżę brutto. Obliczenia spalone na przebiegach treningowych, eksperymentach z fine-tuningiem i badaniach wewnętrznych to koszty operacyjne B+R i marży brutto nie dotykają. Dwie firmy z identycznymi wyciągami bankowymi mogą pokazać 40 punktów różnicy w marży brutto wyłącznie z powodu tej klasyfikacji.
Inwestorzy o tym wiedzą, dlatego zespoły due diligence na seed i Series A testują właśnie podział. Obronne podejście jest mechaniczne, a nie narracyjne: otaguj obliczenia na poziomie infrastruktury (osobne projekty lub konta dla inferencji produkcyjnej i dla treningu), pozwól księdze głównej dziedziczyć te tagi i raz udokumentuj politykę. Gdy twoja marża brutto zostanie zakwestionowana na spotkaniu z partnerami, zdanie "oto rozbicie billingu chmurowego, zmapowane linia po linii" kończy rozmowę tak, jak "szacujemy mniej więcej 60/40" nie skończy nigdy.
Kapitalizować koszty rozwoju modeli czy odpisywać w koszty?
Standardy rachunkowości pozwalają kapitalizować koszty prac rozwojowych jako wartość niematerialną, gdy spełnione są surowe kryteria: wykonalność techniczna, zamiar i zdolność ukończenia, prawdopodobna przyszła korzyść ekonomiczna i wiarygodnie mierzalny koszt. W praktyce większość pracy AI na wczesnym etapie to badania i eksperymenty, które tych testów nie przechodzą i muszą być odpisywane na bieżąco. Agresywna kapitalizacja poprawia tegoroczny P&L, ale tworzy aktywo, które trzeba amortyzować i które może stracić wartość w chwili, gdy model zostanie zastąpiony – a w AI to potrafi nastąpić kwartał później.
Nasza domyślna rada dla firm AI na etapie seed: odpisywać rozwój modeli w koszty, chyba że istnieje konkretne, trwałe aktywo z wyraźnym powiązaniem z przychodem – i umieć wyjaśnić ten wybór inwestorowi jednym zdaniem. VC na ogół wolą czysty, konserwatywny P&L od bilansu napompowanego samodzielnie zbudowanymi wartościami niematerialnymi. Dla rundy liczy się nie kosmetyka księgowa, lecz to, że ujęcie jest spójne, udokumentowane i wytrzymuje pytanie na due diligence.
Jak estoński podatek 0% od zysku zatrzymanego pomaga firmie AI?
Estonia pobiera podatek dochodowy od osób prawnych w wysokości 22% tylko przy wypłacie zysku. Zysk, który zostaje w spółce i jest reinwestowany w GPU, przebiegi treningowe i zespół, do momentu wypłaty jest opodatkowany stawką 0%. Dla startupu AI to przewaga strukturalna: każde euro marży generowanej przez produkt można zawrócić do obliczeń bez wycieku podatkowego po drodze. Rentowna firma AI w klasycznym systemie podatkowym najpierw płaci podatek i reinwestuje resztę; estońskie OÜ reinwestuje kwotę brutto.
Ta sama logika działa w przypadku venture. Spółki finansowane przez VC praktycznie nigdy nie wypłacają zysku przed exitem, co oznacza, że estoński reżim faktycznie odracza podatek na całą fazę wzrostu. W połączeniu z minimalnym kapitałem zakładowym 1 €, e-Residency dla zdalnych założycieli i jednym obowiązkowym rocznym sprawozdaniem do RIK ślad administracyjny tej struktury jest mały w stosunku do tego, co daje. Dyscyplina, jakiej wymaga, to porządna miesięczna księgowość, bo na niej stoi sprawozdanie roczne i każde przyszłe due diligence.
A co z grantami i finansowaniem Horizon Europe?
AI to jeden z najlepiej finansowanych obszarów w europejskich programach grantowych, a estońskie firmy regularnie korzystają z konkursów Horizon Europe, krajowego wsparcia innowacji i programów ekosystemu wokół Startup Estonia. Pieniądze z grantów są mile widziane, ale to nie przychód: zwykle ujmuje się je jako przychody przyszłych okresów i rozlicza do P&L w miarę ponoszenia dotowanych kosztów, a każdy grant niesie zasady kwalifikowalności kosztów, udziały współfinansowania i terminy raportowania, które księgowość musi obsługiwać od pierwszego dnia.
Praktyczny wymóg to osobna ewidencja kosztów: finansowane z grantu obliczenia, wynagrodzenia i podwykonawstwo muszą być identyfikowalne w księdze głównej, zwykle per projekt, z kartami czasu pracy tam, gdzie rozliczane są koszty osobowe. Dobudowywanie tego wstecz na etapie raportu jest bolesne, a ustalenia audytu mogą skończyć się zwrotem środków. Jeśli grant jest w drodze, strukturę księgowości projektowej trzeba postawić, zanim wydane zostanie pierwsze euro – to dokładnie ten rodzaj konfiguracji, który wyspecjalizowany księgowy robi w jedno popołudnie, a generalista odkrywa rok za późno.
Jak rozpoznawać przychód usage-based?
Większość produktów AI rozlicza się od użycia: za token, za wywołanie API, za stanowisko plus konsumpcję. Zasada księgowa: przychód rozpoznaje się w miarę faktycznego użycia, co dobrze współgra z fakturowaniem z dołu. Pakiety przedpłaconych kredytów to przypadek do pilnowania: gotówka otrzymana za kredyty pozostaje przychodem odroczonym, dopóki klient faktycznie ich nie skonsumuje, a niewykorzystane kredyty wiszą w bilansie jako zobowiązanie. Jeśli kredyty wygasają, polityka wygasania określa, kiedy pozostałe saldo można wreszcie rozpoznać.
Modele usage-based rozmywają też pojęcie MRR, więc metryki inwestorskie wymagają staranności: zakontraktowane wydatki, tempo konsumpcji i net revenue retention na bazie konsumpcji opowiadają prawdziwą historię. Księga główna powinna umieć wyprodukować przychód per klient i per miesiąc wprost z danych pomiarowych, uzgodnionych z operatorem płatności. Ten jeden potok – pomiar, faktura, księga – sprawia, że i audytor, i analityk rundy A ufają linii przychodu.
Czego oczekują inwestorzy, gdy burn napędzają obliczenia?
Burn firmy AI na seed+ ma inny kształt niż u klasycznego startupu SaaS: obliczenia mogą dorównywać funduszowi płac albo go przewyższać i skalują się z eksperymentami, a nie z liczebnością zespołu. Inwestorzy oczekują więc raportowania burn, które oddziela obliczenia od ludzi i pokazuje ekonomię jednostkową na jednostkę użycia: koszt tysiąca wywołań API, marżę na klienta i to, jak wydatki na trening mapują się na kamienie milowe roadmapy. Jedna zmieszana liczba burn ukrywa dokładnie to, co inwestor AI próbuje ocenić: czy krańcowe użycie jest rentowne.
TechAccounting wbudowuje to w miesięczne zamknięcie dla klientów AI: P&L z obronnym podziałem obliczeń na COGS i B+R, burn i runway z faktycznej gotówki, budżet kontra wykonanie, ewidencja projektów grantowych i payroll ESOP przez TSD. Księgowość w stałej cenie zaczyna się od 499 € miesięcznie, Compliance to 1 500 €, a Fintech & AML 3 000 € dla podmiotów regulowanych, konsultacja 150 € za godzinę. Cel jest prosty: gdy twój inwestor prowadzący zapyta, jak rachunek za GPU przepływa przez księgi, odpowiedź już leży w data roomie.