Startup AI gọi vốn năm 2026: 7 câu nhà đầu tư sẽ hỏi và số liệu cần chuẩn bị

Câu hỏi đã đổi, vì việc dựng sản phẩm đã rẻ đi

Hai năm trước, một bản demo AI chạy được đã đủ để mở cửa phòng họp. Năm 2026 thì khác: với các công cụ lập trình có AI hỗ trợ, một nhóm nhỏ dựng được sản phẩm trông khá chỉn chu trong vài tuần. Khi việc dựng không còn khó, nhà đầu tư dời sự chú ý sang những thứ khó sao chép hơn: dữ liệu bạn có, mức độ bạn hiểu ngành, doanh thu có ở lại hay không, và chi phí để tạo ra mỗi đồng doanh thu.

Bài này gom 7 câu hỏi hay gặp nhất khi startup AI ngồi với quỹ, kèm cách trả lời bằng số liệu thay vì bằng tính từ. Không phải quỹ nào cũng hỏi đủ cả 7 câu, nhưng nếu deck của bạn đã trả lời sẵn, buổi gặp sẽ đi thẳng vào phần đáng bàn.

1. Tháng sau có model mạnh hơn ra đời, bạn mạnh lên hay mất chỗ đứng?

Đây là câu hỏi phân loại nhanh nhất. Nếu giá trị sản phẩm của bạn chủ yếu là "gọi model rồi trình bày kết quả đẹp hơn", mỗi lần model nền nâng cấp là một lần người dùng có lý do bỏ bạn để dùng thẳng ChatGPT, Claude hay Gemini. Ngược lại, nếu model tốt hơn làm sản phẩm của bạn tốt hơn mà khách hàng vẫn cần bạn, đó là vị thế nhà đầu tư muốn thấy.

Cách trả lời tốt là chỉ ra cụ thể phần nào trong sản phẩm sẽ cải thiện khi model mạnh hơn (độ chính xác, tốc độ, chi phí), và phần nào model không tự làm được: dữ liệu riêng của khách hàng, tích hợp vào phần mềm họ đang dùng, quy trình phê duyệt, trách nhiệm với kết quả.

• Câu trả lời yếu: "chúng tôi có prompt tốt", "chúng tôi tinh chỉnh model riêng" (mà không nói vì sao người khác không làm được).
• Câu trả lời mạnh: "khi chuyển sang model mới, độ chính xác trên bộ kiểm thử của chúng tôi tăng từ X lên Y, còn khách hàng vẫn ở lại vì sản phẩm nằm trong quy trình duyệt hồ sơ hằng ngày của họ".

2. Thứ gì của bạn mà đối thủ dùng cùng model không chép được?

Khi phần mềm ngày càng dễ dựng lại, lợi thế cạnh tranh thường nằm ở bốn chỗ: dữ liệu độc quyền mà bạn có quyền sử dụng, hiểu biết chuyên sâu về một ngành, vị trí nằm sâu trong quy trình làm việc của khách hàng, và kênh phân phối. Bản thân model chỉ là một phần trong giải pháp, và là phần mà đối thủ thuê được với cùng mức giá.

Theo tóm tắt báo cáo State of AI tháng 01/2026 của ICONIQ (khảo sát khoảng 300 lãnh đạo công ty phần mềm làm sản phẩm AI), doanh nghiệp kết hợp được cả khác biệt về model lẫn khác biệt về sản phẩm có biên lợi nhuận gộp cao nhất trong nhóm khảo sát. Nói cách khác, nhà đầu tư đang thưởng cho sự khác biệt ở tầng sản phẩm, không chỉ ở tầng model.

Trên slide, hãy viết lợi thế thành thứ kiểm chứng được: bao nhiêu bản ghi dữ liệu ngành đã gán nhãn, bao nhiêu khách hàng đã tích hợp sâu, mất bao lâu để một đối thủ mới tích lũy được lượng dữ liệu tương đương.

3. Doanh thu có ở lại không?

Doanh thu AI có thể tăng rất nhanh và cũng rơi rất nhanh. Phân tích của Kyle Poyar cùng ChartMogul trên khoảng 3.500 công ty phần mềm (công bố 12/2025) cho thấy nhóm doanh nghiệp AI gốc có doanh thu từ 250.000 USD/năm trở lên chỉ giữ lại được trung vị 40% doanh thu từ khách hàng cũ sau một năm (GRR), và tính cả phần bán thêm thì NRR trung vị là 48%. Con số tương ứng của SaaS cho doanh nghiệp là NRR 82%.

Mức giá tạo khác biệt lớn. Cũng theo phân tích này, sản phẩm AI bán trên 250 USD/tháng có GRR 70% và NRR 85%, gần ngang SaaS cho doanh nghiệp; sản phẩm dưới 50 USD/tháng chỉ còn GRR 23% và NRR 32%. Tác giả gọi đây là cái giá của sản phẩm "vỏ bọc model": dễ mua thì cũng dễ huỷ.

a16z giải thích một phần hiện tượng này là "khách du lịch AI": người trả tiền vài tháng vì tò mò rồi rời đi. Họ đề xuất lấy tháng thứ 3 làm mốc tính cơ sở khách hàng thật, và đọc tỷ lệ doanh thu còn lại ở tháng 12 so với tháng 3 để đánh giá độ bền.

• Trình bày doanh thu theo nhóm khách hàng bắt đầu cùng tháng (cohort), không chỉ một đường tổng.
• Tách riêng doanh thu thử nghiệm (pilot, hợp đồng có điều khoản huỷ sau 3 tháng) khỏi doanh thu hợp đồng thật. Gọi tiền pilot là ARR là cách nhanh nhất để mất lòng tin khi quỹ đi vào thẩm định.
• Nếu còn quá sớm để có số giữ chân 12 tháng, hãy nói thẳng và đưa tín hiệu thay thế: tỷ lệ khách chuyển từ thử nghiệm sang hợp đồng năm, tần suất dùng hằng tuần, số khách tự gia hạn.

4. Biên lợi nhuận gộp sau chi phí gọi model là bao nhiêu?

Phần mềm truyền thống gần như không tốn thêm chi phí khi có thêm một khách hàng. Sản phẩm AI thì khác: mỗi lượt dùng là một lượt trả tiền cho model (chi phí suy luận, hay inference), nên chi phí tăng theo mức sử dụng.

Theo tóm tắt báo cáo ICONIQ tháng 01/2026, biên lợi nhuận gộp trung bình của sản phẩm AI dự kiến khoảng 52% trong năm 2026, tăng từ 41% năm 2024, và chi phí suy luận chiếm khoảng 23% doanh thu ở giai đoạn mở rộng. Dealroom (08/2026) so sánh mức này với khoảng 75 đến 85% mà phần mềm truyền thống duy trì suốt hai thập kỷ.

Nhà đầu tư không đòi bạn đạt biên lợi nhuận kiểu SaaS ngay. Họ muốn thấy bạn biết con số của mình và có đường cải thiện: chuyển việc đơn giản sang model rẻ hơn, lưu đệm kết quả, định giá theo mức dùng cho khách dùng nhiều.

• Trong mô hình tài chính, tách "chi phí gọi model" thành một dòng riêng trong giá vốn, không gộp vào chi phí máy chủ.
• Có sẵn số chi phí model trên mỗi khách hàng hoạt động mỗi tháng, và xu hướng của nó qua các tháng.
• Nếu giá bán là gói cố định, cho thấy điều gì xảy ra với biên lợi nhuận khi 10% khách dùng nhiều nhất tăng gấp đôi mức dùng.

5. Bạn biết sản phẩm trả lời đúng hay sai bằng cách nào?

Khi AI tạo ra kết quả gần như không tốn công, kỹ năng hiếm là biết kết quả nào tốt. Với nhà đầu tư, câu hỏi này kiểm tra xem đội ngũ có đo chất lượng một cách có hệ thống hay chỉ dựa vào cảm giác "thử thấy ổn".

Câu trả lời thuyết phục thường có ba phần: một bộ tình huống kiểm thử lấy từ ca thực tế của khách hàng (thường gọi là eval), một chỉ số chất lượng theo dõi qua từng phiên bản, và quy trình xử lý khi AI sai (ai phát hiện, sửa thế nào, khách hàng được báo ra sao). Ở các ngành như tài chính, y tế, pháp lý, phần "con người duyệt ở bước nào" thường quyết định khách hàng có dám dùng hay không.

Dữ liệu về những lần AI sai trong môi trường thật của khách hàng cũng là tài sản: nó giúp bạn cải thiện nhanh hơn đối thủ chỉ có dữ liệu thử nghiệm.

6. Dữ liệu lấy từ đâu, và bạn có quyền dùng không?

Nếu lợi thế của bạn là dữ liệu, quỹ sẽ hỏi nguồn gốc và quyền sử dụng. Ở Việt Nam, Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 có hiệu lực từ 01/01/2026, yêu cầu xử lý dữ liệu đúng mục đích, tối thiểu và có căn cứ pháp lý. Theo Tạp chí Luật sư Việt Nam, mức phạt hành chính tối đa với hành vi mua bán dữ liệu cá nhân là 10 lần khoản thu có được từ vi phạm. Nghị định 330/2026/NĐ-CP về xử phạt trong lĩnh vực an ninh mạng và bảo vệ dữ liệu cá nhân có hiệu lực từ 19/8/2026.

Vì vậy, những ý tưởng đang lan truyền như mua lại email, tin nhắn nội bộ của startup đã đóng cửa để huấn luyện AI cần được nhìn cả từ góc pháp lý, không chỉ góc cơ hội kinh doanh.

• Liệt kê từng nguồn dữ liệu: tự thu thập, khách hàng cung cấp, mua, hay lấy từ nguồn công khai.
• Với dữ liệu khách hàng cung cấp: hợp đồng có cho phép dùng để cải thiện sản phẩm chung không, hay chỉ dùng riêng cho khách đó?
• Có gửi dữ liệu sang model đặt máy chủ ở nước ngoài không, và đã xử lý yêu cầu về chuyển dữ liệu ra nước ngoài chưa.
• Đây là phần nên xác nhận với luật sư trước vòng thẩm định, không nên tự kết luận.

7. Khách hàng sẽ biết đến bạn bằng cách nào?

Khi ai cũng có thể làm ra sản phẩm, sự chú ý của khách hàng trở thành thứ khan hiếm. Nhà đầu tư ngày càng quan tâm đến kênh phân phối ngang với sản phẩm: bạn có một kênh mà đối thủ khó chen vào không, chi phí để có một khách hàng là bao nhiêu, và kênh đó có mở rộng được không.

Phân tích của Growth Unhinged gợi ý thêm một hướng: đi vào quy trình có ngân sách thật của doanh nghiệp, và bán gói năm thay vì gói tháng. Dữ liệu được dẫn trong bài cho thấy NRR của gói năm cao hơn gói tháng khoảng 10 đến 20 điểm phần trăm.

• Chi phí có một khách hàng theo từng kênh, không phải một con số trung bình.
• Tỷ lệ chuyển từ dùng thử sang trả tiền, và từ pilot sang hợp đồng năm.
• Nếu có lợi thế phân phối đặc biệt (đối tác, cộng đồng, quan hệ ngành), nêu bằng con số: bao nhiêu khách đến từ kênh đó.

Danh sách số liệu nên có trước buổi gặp

Gom lại, đây là những con số giúp bạn trả lời 7 câu trên mà không phải hẹn "em gửi sau":

• Doanh thu theo cohort, tách doanh thu pilot và doanh thu hợp đồng.
• GRR và NRR (hoặc tín hiệu thay thế nếu chưa đủ 12 tháng), tính từ mốc tháng thứ 3 nếu có nhiều người dùng thử ngắn hạn.
• Biên lợi nhuận gộp sau chi phí gọi model, và chi phí model trên mỗi khách hàng hoạt động.
• Kết quả bộ kiểm thử chất lượng qua các phiên bản, kèm quy trình xử lý khi AI sai.
• Bảng nguồn dữ liệu và căn cứ được phép sử dụng.
• Chi phí có khách hàng theo kênh, và tỷ lệ chuyển đổi chính.

Một lưu ý khi dùng số liệu tham khảo

Các con số trong bài chủ yếu đến từ thị trường Mỹ và châu Âu. Thị trường Việt Nam có mức giá, hành vi mua và cấu trúc chi phí khác, nên hãy dùng chúng để hiểu nhà đầu tư đang so sánh với điều gì, không phải làm mục tiêu cho riêng bạn.

Cũng cẩn thận với những con số lan truyền trên mạng xã hội về làn sóng AI (công ty bán dữ liệu kiếm hàng triệu USD mỗi tuần, startup đạt doanh thu tỷ USD trong một năm...). Phần lớn không kèm nguồn kiểm chứng được. Đưa chúng vào deck chỉ làm nhà đầu tư nghi ngờ phần còn lại.