Bliver AI-modeller til kommoditeter?

Microsofts CEO, Satya Nadella, har nylig sat gang i en debat ved at foreslå, at avancerede AI-modeller er på vej mod kommoditisering. I en podcast bemærkede Nadella, at grundlæggende modeller bliver mere og mere ens og bredt tilgængelige, sådan at “modeller i sig selv er ikke tilstrækkelige” til en varig konkurrencemæssig fordel. Han påpegede, at OpenAI – på trods af dets avancerede neurale netværk – “ikke er et model-firma; det er et produkt-firma, der tilfældigvis har fantastiske modeller”, og understregede, at den virkelige fordel kommer fra at bygge produkter omkring modellerne.

Med andre ord, kan det blot at have den mest avancerede model ikke længere garantere markedslederskab, da enhver performances forsvar kan være kortvarigt midt i den hurtige udvikling af AI-innovation.

Nadellas perspektiv har vægt i en branche, hvor teknologigiganter konkurrerer om at træne endnu større modeller. Hans argument antyder en skift i fokus: i stedet for at besætte sig med model-overlegenhed, bør virksomheder rette energi mod at integrere AI i “en fuld system-stack og succesfulde produkter.”

Dette genspejler en bredere opfattelse, at i dagens AI-gennembrud hurtigt bliver i morgen basalfunktioner. Da modeller bliver mere standardiserede og tilgængelige, flytter fokus til, hvordan AI anvendes i virkelige services. Virksomheder som Microsoft (MSFT ) og Google (GOOGL ), med omfattende produkt-økosystemer, kan være bedst placeret til at udnytte denne trend med kommodificerede AI ved at integrere modeller i brugervenlige tilbud.

Udvidelse af adgang og åbne modeller

For ikke så længe siden kunne kun en håndfuld laboratorier bygge stat-of-the-art AI-modeller, men denne eksklusivitet er på vej til at forsvinde. AI-kapaciteter er mere og mere tilgængelige for organisationer og endda enkeltpersoner, og dette fører til, at modellerne bliver set som kommoditeter. AI-forskeren Andrew Ng allerede i 2017 sammenlignede AI’s potentiale med “den nye elektricitet,” og foreslog, at ligesom elektricitet blev en almindelig kommoditet, der understøtter moderne liv, kunne AI-modeller blive grundlæggende faciliteter, der er tilgængelige fra mange leverandører.

Den seneste udvikling af åbne modeller har accelereret denne trend. Meta (Facebooks moderselskab) gjorde f.eks. en stor indsats ved at frigive kraftfulde sprogmodeller som LLaMA åbent til forskere og udviklere uden omkostninger. Argumentet er strategisk: ved at åbne deres AI, kan Meta fremme bredere adoption og få bidrag fra fællesskabet, samtidig med at de undergraver konkurrenternes proprietære fordele. Og endnu mere nylig eksploderede AI-verdenen med frigivelsen af den kinesiske model DeepSeek.

I billedgenereringsområdet viste Stability AIs Stable Diffusion-model, hvor hurtigt en gennembrud kan blive kommodificeret: inden for måneder efter dens åbne frigivelse i 2022 blev det et husnavn i generativ AI, tilgængeligt i utallige applikationer. I virkeligheden er det åbne økosystem eksploderende – der er titusinder af AI-modeller offentligt tilgængelige på repositoryer som Hugging Face.

Dette betyder, at organisationer ikke længere står over for en binær valgmulighed mellem at betale for en enkelt leverandørs hemmelige model eller intet som helst. I stedet kan de vælge mellem en menu af modeller (åbne eller kommercielle) eller endda finjustere deres egne, ligesom man vælger kommoditeter fra en katalog. Det store antal muligheder er et stærkt tegn på, at avanceret AI bliver en bredt delt ressource snarere end en nøje vogtet privilegium.

Cloud-giganterne gør AI til en utility-service

De store cloud-leverandører har været nøgleaktører – og drivere – af AI’s kommodificering. Virksomheder som Microsoft, Amazon (AMZN ) og Google tilbyder AI-modeller som on-demand-services, ligesom utilities leveret over cloud. Nadella bemærkede, at “modeller bliver kommodificerede i [den] cloud,” og fremhævede, hvordan cloud gjorde kraftfuld AI bredt tilgængelig.

Microsofts Azure-cloud har f.eks. et samarbejde med OpenAI, der giver enhver udvikler eller forretning mulighed for at få adgang til GPT-4 eller andre topmodeller via en API-opkald, uden at bygge deres egen AI fra bunden. Amazon Web Services (AWS) er gået et skridt videre med sin Bedrock-platform, der fungerer som en model-markedsplads. AWS Bedrock tilbyder en udvalg af grundlæggende modeller fra flere førende AI-virksomheder – fra Amazons egne modeller til modeller fra Anthropic, AI21 Labs, Stability AI og andre – alle tilgængelige gennem en enkelt administreret service.

Dette “mange modeller, en platform”-tilgang illustrerer kommodificering: kunder kan vælge den model, der passer deres behov, og skifte leverandør med relativ letthed, ligesom man handler med en kommoditet.

I praksis betyder det, at forretninger kan stole på, at cloud-platforme altid har en state-of-the-art-model tilgængelig, ligesom elektricitet fra et net – og hvis en ny model får opmærksomhed (f.eks. en startups gennembrud), vil cloud-platforme straks tilbyde den.

Differentiering ud over modellen selv

Hvis alle har adgang til lignende AI-modeller, hvordan kan AI-virksomheder differentiere sig selv? Dette er kernen i kommodificeringsdebatten. Konsensus blandt branchens ledere er, at værdien vil ligge i anvendelsen af AI, ikke kun algoritmen. OpenAIs egen strategi afspejler denne skift. Virksomhedens fokus de seneste år har været på at levere et poleret produkt (ChatGPT og dets API) og et økosystem af forbedringer – som finjusterings-tjenester, plugin-tilføjelser og brugervenlige grænseflader – snarere end blot at frigive rå model-kode.

I praksis betyder det, at tilbyde pålidelig ydelse, tilpasningsmuligheder og udviklerværktøjer omkring modellen. Ligesom Google DeepMind og Brain-teams, der nu er en del af Google DeepMind, kanaler deres forskning ind i Googles produkter som søgning, kontor-applikationer og cloud-API’er – integrerende AI for at gøre disse tjenester smartere. Den tekniske sofistikation af modellen er bestemt vigtig, men Google ved, at brugerne ultimativt bekymrer sig om de oplevelser, der er muliggjort af AI (en bedre søgemaskine, en mere hjælpsom digital assistent osv.), ikke modellens navn eller størrelse.

Vi ser også virksomheder differentiere sig gennem specialisering. I stedet for en model, der kan alt, bygger nogle AI-virksomheder modeller, der er tilpasset specifikke domæner eller opgaver, hvor de kan hævde overlegen kvalitet, selv i en kommodificeret landskab. F.eks. er der AI-startups, der fokuserer udelukkende på sundhedsdiagnostik, finans eller jura – områder, hvor proprietær data og domæne-ekspertise kan give en better model for den niche end et generelt system. Disse virksomheder udnytter finjustering af åbne modeller eller mindre specialiserede modeller, kombineret med proprietær data, for at udskille sig.

OpenAIs ChatGPT-grænseflade og samling af specialiserede modeller (Unite AI/Alex McFarland)

En anden form for differentiering er effektivitet og omkostninger. En model, der leverer lige så god ydelse til en brøkdel af den computermæssige omkostning, kan være en konkurrencemæssig fordel. Dette blev understreget af opdukken af DeepSeeks R1-model, der angiveligt matchede nogle af OpenAIs GPT-4-kapaciteter med en træningsomkostning på under 6 millioner dollar, dramatisk lavere end den estimerede 100+ millioner dollar, der er brugt på GPT-4. Sådanne effektivitetsgevinster antyder, at selv om output fra forskellige modeller kan blive ens, kan en leverandør differentiere sig ved at opnå disse resultater billigere eller hurtigere.

Til sidst er der kapløbet om at bygge brugerloyalitet og økosystemer omkring AI-tjenester. Når en forretning har integreret en bestemt AI-model dybt i sin arbejdsgang (med brugertilpassede prompts, integrationer og finjusterede data), er det ikke friktionsløst at skifte til en anden model. Leverandører som OpenAI, Microsoft og andre forsøger at øge denne loyalitet ved at tilbyde komplette platforme – fra udvikler-SDK’er til markedspladser for AI-tilføjelser – der gør deres AI til en fuld-stack-løsning snarere end en udskiftelig kommoditet.

Virksomheder bevæger sig op ad værdikæden: når modellen selv ikke er en beskyttelse, kommer differentieringen fra alt, der omgiver modellen – data, brugeroplevelsen, den vertikale ekspertise og integrationen i eksisterende systemer.

Økonomiske virkninger af kommodificeret AI

Kommodificeringen af AI-modeller har betydelige økonomiske implikationer. På kort sigt driver det omkostningerne for AI-kapaciteter ned. Med flere konkurrenter og åbne alternativer er priserne for AI-tjenester faldet dramatisk.

Over de seneste to år har OpenAI og andre leverandører reduceret priserne for adgang til sprogmodeller dramatisk. F.eks. faldt OpenAIs token-pris for sin GPT-serie med over 80% fra 2023 til 2024, en reduktion, der skyldes øget konkurrence og effektivitetsgevinster.

Ligesom nye aktører, der tilbyder billigere eller åbne modeller, tvinger etablerede leverandører til at tilbyde mere for mindre – enten gennem gratis niveauer, åbne kildeudgaver eller pakkeaftaler. Dette er god nyhed for forbrugere og virksomheder, der adopterer AI, da avancerede kapaciteter bliver mere og mere tilgængelige. Det betyder også, at AI-teknologi spreder sig hurtigere over økonomien: når noget bliver billigere og mere standardiseret, inkorporerer flere brancher det, hvilket fremmer innovation (ligesom billig kommodificeret PC-hardware i 2000’erne førte til en eksplosion af software og internet-tjenester).

Vi ser allerede en bølge af AI-adopteringsøkning i brancher som kundeservice, marketing og drift, drevet af lettilgængelige modeller og tjenester. Større tilgængelighed kan således udvide det samlede marked for AI-løsninger, selv om profitmarginerne på modellerne selv skrumpes.

Økonomiske dynamikker af kommodificeret AI (Unite AI/Alex McFarland)

Men kommodificering kan også omforme den konkurrencemæssige landskab på udfordrende måder. For etablerede AI-laboratorier, der har investeret milliarder i udviklingen af frontløbende modeller, rejser perspektivet om, at disse modeller kun giver midlertidige fordele, spørgsmål om ROI. De kan være nødt til at justere deres forretningsmodeller – f.eks. fokusere på enterprise-tjenester, proprietære datafordel eller abonnementsprodukter bygget oven på modellerne, snarere end at sælge API-adgang alene.

Der er også en kapløbs-aspekt: når enhver gennembrud i ydelse hurtigt mødes eller overgås af andre (eller endda af åbne fællesskaber), bliver vinduet til at moneterisere en ny model smallere. Dette dynamik driver virksomheder til at overveje alternative økonomiske beskyttelser. En sådan beskyttelse er integration med proprietær data (der ikke er kommodificeret) – AI, der er tilpasset et firma eget rige data, kan være mere værdifuld for det firma end nogen off-the-shelf-model.

En anden er regulering eller overholdelsesfunktioner, hvor en leverandør kan tilbyde modeller med garanteret privatliv eller overholdelse for enterprise-brug, differentierende på en måde, der går ud over ren teknologi. På en makro-skala, hvis grundlæggende AI-modeller bliver så almindelige som databases eller webservere, kan vi se en skift, hvor tjenesterne omkring AI (cloud-hosting, konsulenter, tilpasninger, vedligeholdelse) bliver de primære indtægtskilder. Allerede nu drager cloud-leverandører fordel af den øgede efterspørgsel efter beregningsinfrastruktur (CPU’er, GPU’er osv.) til at køre alle disse modeller – lidt ligesom en elektricitetsleverandør profiterer af forbruget, selv om apparaterne er kommodificerede.

I essensen kan AI’s økonomi komme til at ligne andre IT-kommoditeters: lavere omkostninger og større adgang fremmer bredere brug, skabende nye muligheder bygget oven på den kommodificerede lag, selv om leverandørerne af denne lag står over for smallere margener og behov for at innovere konstant eller differentiere andre steder.