AI-virksomheder har ikke en moat – medmindre de holder op med at vælge side

Den ubehagelige sandhed om AI-produkter: jeres konkurrencefordel har en holdbarhedsperiode, der måles i uger, ikke år.

Mens grundlæggende AI-laboratorier investerer milliarder i modeller, der tager år at udvikle, opdager virksomheder på applikationsniveau, at moater ikke eksisterer i traditionel forstand. Jeres dræberfunktion? Repliceret om fredagen. Jeres tekniske fordel? Forsvundet om næste kvartal. Mangfoldigheden af spillere, tilgængeligheden af grundlæggende modeller og innovationshastigheden har skabt en markedssituation, hvor at være først, bedst eller forskellig ikke længere garanterer overlevelse.

Men der er en modsigende måde at komme ud af dette på: stop med at forsøge at vinde med teknologi og begynd at bygge kapaciteten til at overleve den. Den virkelige moat ligger ikke i den AI, I bruger – men i jeres evne til at bruge enhver AI.

Den grundlæggende skillevej

Der er en grundlæggende lag – de store modeller som ChatGPT, Grok og Gemini. Flere dusin modeller, trænet forskelligt, hver med sine egne fordele. Men dette er grundlæggende, forskningsintensivt arbejde: ingeniører, der arbejder i år, kræver massive ressourceinvesteringer. Hver af disse besidder en distinkt moat – ellers kan ressourceudgiften ikke retfærdiggøres. Det er præcis hvorfor forsøg på at lokke ingeniører fra OpenAI er så velkendte: de besidder unik ekspertise, der ikke kan udvikles hurtigt til enhver pris.

Men på applikationsniveau er tingene helt anderledes. Langt færre ressourcer er nødvendige, selvom lidt mere kreativitet kræves for at finjustere en LLM og løse et forretningsproblem. Alle har deres eget spil, deres egen tilgang, deres egen produkt. Mangfoldigheden af spillere eliminerer enhver mulighed for at have en distinkt moat på noget marked – tekst, lyd eller billede. Forretningsløsninger baseret på grundlæggende AI dukker op dagligt, virksomheder opstår jævnligt, og ofte er de ikke til at skelne fra hinanden.

Mulige differentieringsfaktorer i stemmeindustrien illustrerer denne udvikling: initialt prøvede alle at gøre stemmerne lyde maksimalt menneskelige, derefter blev hastighed spørgsmålet, og alle begyndte at løse det samme problem hurtigt. Nu er vi i æraen for emotionelle tags. I talegenkendelse er den primære målestok – ord-fejl-raten – mærkbart forbedret med opdukken af LLM’er, der kan forstå kontekstuel ordpassende.

I korte træk forklares fraværet af en moat ved manglen på dybde i enhver aspekt af et applikationsnivå-produkts eksistens: det er lavt både i AI-komponenten og i dens forretningsanvendelse. Ligesom moaten for et grundlæggende produkt forklares af dybden i dets udvikling.

Men har applikationsnivå-projekter brug for en moat? Hvis I arbejder i et relativt stort marked, og I har færre end 30 konkurrenter – kan I lade alt være, som det er. Selvfølgelig kan konkurrenterne være store som OpenAI og Anthropic – men her skal I stole på en subjektiv fornemmelse af markedets størrelse og dynamik, om der er nok mad til alle eller ej. Men hvis markedet er relativt småt, og konkurrenterne skyder op som svampe – så skal I meget tydeligt positionere jeres konkurrencefordel. Det betyder ikke, om konkurrenterne hurtigt adopterer det.

Distributionen som den virkelige moat

Jeg formoder, at til en vis grad dette er en gyldig påstand, og den virkelige moat ligger i distributionsdomænet, ikke i teknologien selv. Det, der betyder mere, er, hvor hurtigt I kan skalerer jeres tilstedeværelse hos kunderne, og om produktets værdi sikrer en god LTV. Ellers kan I bygge en B2C-applikation til brugere at lege med, og de kan endda sprede den viralt, men så bare stoppe med at bruge den, når den næste nye app dukker op.

De to typer af fordel – og hvorfor kun en overlever

Der er to typer af konkurrencefordel. Den første lader dig vinde her og nu med en klar fordel – takket være en unik know-how eller dræberfunktion, som konkurrenterne simpelthen ikke har. Den anden lader dig undgå at tabe på længere sigt, fordi I bygger bæredygtighed.

Med AI-produkter viser den virkelige praksis allerede, at den første type af fordel bliver slettet ekstremt hurtigt: konkurrenterne lukker gapet med en frygtindgydende hastighed.

Det er derfor, det har mening at fokusere på den anden type: maksimalt produktholdbarhed. Dette opnås ved at bygge et produkt, der kan arbejde med enhver LLM-udbyder og skifte mellem dem øjeblikkeligt – det øjeblik, den nuværende model, som jeres forretning er bygget på, begynder tydeligt at falde bagud i forhold til den næste bedste.

Givet dette bliver målet for uafhængighed af underliggende LLM-lag en stærkere moat end marketing- eller tekniske bestræbelser alene. At være uafhængig af udbyderen er ikke bare en nice-to-have – det er den eneste defensible position, når grundlaget under jer skifter månedligt.

Den skjulte kompleksitet i multi-model-strategi

Selvom uafhængighed af udbyderen tilbyder langsigtsbeskyttelse, afslører implementeringen betydelige udfordringer. Som Alexey Aylarov forklarer, “det er ikke let, da alle modeller har deres egne særlige problemer.”

Det centrale problem: LLM’er er ikke udskiftelige. Output varierer med samme input – selv inden for samme LLM, men langt mere dramatisk, når man skifter mellem udbydere. Hver model reagerer forskelligt på prompts og instruktioner: nogle følger retningslinjer bedre, andre dårligere; præstation kan være sprog-specifik eller mål-specifik.

Et konkrekt eksempel: Overvej billed-/video-genererings-tjenester som Sora eller Veo. Giv dem identisk input, og I får helt forskellige resultater. Denne variation gælder for alle LLM-applikationer.

Udfordringen ved finjustering: For at opretholde multi-model-kompatibilitet skal I:

• Oprette separate prompts/instruktioner for hver LLM, der producerer det ønskede resultat
• Kende til, hvordan hver LLM adskiller sig, og finjustere input derefter
• Engagere i arbejde, der ofte er kreativt snarere end rutine
• Acceptere, at denne proces er “relativt svær at automatisere i de fleste tilfælde”

Det kræver betydelig finjusteringsindsats for hver model. Den foreløbige investering er betydelig: I skal udvikle prompts for alle LLM’er, før I kan skifte frit mellem dem. Desuden dækker denne forberedelse kun eksisterende modeller – når nye LLM’er opstår, begynder finjusteringsprocessen igen.

Moaten kommer fra at have investeret i test-infrastruktur, prompt-ingeniør-ekspertise og operativ disciplin til at opretholde kompatibilitet på tværs af multiple LLM’er – og til at gentage denne proces, når landskabet udvikler sig. Denne kapacitet bliver en form for teknisk dybde, som konkurrenterne ikke let kan replikere, selv hvis de forstår strategien.

Paradokset: Jeres moat er i ikke at have en

Her er, hvad gør uafhængighed af udbyderen så kraftfuld: det er den eneste konkurrencefordel, der bliver stærkere, når markedet bliver mere kaotisk.

Når jeres konkurrent bygger hele deres produkt på GPT-4, og en bedre model dukker op, står de over for en eksistensiel redesign. Når I har bygget infrastrukturen til at skifte mellem modeller, står I over for en tirsdag. De virksomheder, der overlever, vil ikke være dem, der valgte den rigtige model – de vil være dem, der aldrig havde brug for at vælge overhovedet.

Ja, at bygge til multiple LLM’er er dyrt i starten. Ja, det kræver kreativt ingeniørarbejde, der er svært at automatisere. Ja, I vedligeholder parallelt prompt-strategier for hver udbyder. Men det er netop, hvad skaber barrieren for indtræden. Moaten ligger ikke i teknologien selv – det ligger i den operative muskelhukommelse for at håndtere teknologisk forandring.

De fleste AI-virksomheder optimerer for at vinde i dag. De uafhængige optimerer for at være her i morgen. I et marked, hvor gårsdagens gennembrud er i morgen baseline, er denne forskel alt.