Οι εταιρείες AI δεν έχουν MOAT – εκτός ανหยστερέψουν το πλευρό τους

Η άβολη αλήθεια για τα προϊόντα AI: το ανταγωνιστικό πλεονέκτημά σας έχει διάρκεια ζωής που μετράται σε εβδομάδες, όχι σε χρόνια.

Ενώ τα θεμελιώδη εργαστήρια AI επενδύουν δισεκατομμύρια σε μοντέλα που χρειάζονται χρόνια για να κατασκευαστούν, οι εταιρείες του επίπεδου εφαρμογής ανακαλύπτουν ότι τα moat δεν υπάρχουν στην παραδοσιακή έννοια. Η δολοφονική σας λειτουργία; Αναπαράγεται μέχρι την Παρασκευή. Η τεχνική σας προοπτική; Εξαφανίζεται μέχρι το επόμενο τρίμηνο. Η ποικιλία των παικτών, η προσβασιμότητα των θεμελιωδών μοντέλων και η ταχύτητα της καινοτομίας έχουν δημιουργήσει μια αγορά όπου το να είσαι πρώτος, να είσαι ο καλύτερος ή να είσαι διαφορετικός δεν гарантиζει την επιβίωση.

Αλλά υπάρχει ένας αντίθετος τρόπος εξόδου: σταματήστε να προσπαθείτε να κερδίσετε με την τεχνολογία και αρχίστε να χτίζετε την ικανότητα να επιβιώσετε από αυτήν. Το πραγματικό moat δεν είναι στην AI που χρησιμοποιείτε – είναι στην ικανότητά σας να χρησιμοποιήσετε οποιαδήποτε AI.

Το Θεμελιώδες Χάσμα

Υπάρχει ένα θεμελιώδες επίπεδο – τα μεγάλα μοντέλα όπως το ChatGPT, Grok και Gemini. Πολλές δεκάδες μοντέλα, εκπαιδευμένα διαφορετικά, το καθένα με τα δικά του πλεονεκτήματα. Αλλά αυτό είναι θεμελιώδες, ερευνητικό έργο: μηχανικοί που εργάζονται για χρόνια, απαιτώντας τεράστιες επενδύσεις σε πόρους. Το καθένα από αυτά έχει ένα ξεχωριστό moat – αλλιώς, η δαπάνη σε πόρους δεν μπορεί να δικαιολογηθεί. Αυτός είναι ο λόγος για τον οποίο οι προσπάθειες να αποσπάσουν μηχανικούς από την OpenAI είναι τόσο δημοφιλείς: κατέχουν μοναδική εμπειρογνωσία που δεν μπορεί να αναπτυχθεί γρήγορα σε οποιαδήποτε τιμή.

Αλλά στο επίπεδο εφαρμογής, τα πράγματα είναι εντελώς διαφορετικά. Λιγότεροι πόροι είναι απαραίτητοι, αν και λίγη περισσότερη δημιουργικότητα απαιτείται για να tinh chỉnh ένα LLM και να λύσει ένα επιχειρηματικό πρόβλημα. Ο καθένας έχει το δικό του παιχνίδι, τη δική του προσέγγιση, το δικό του προϊόν. Η ποικιλία των παικτών σκοτώνει οποιαδήποτε πιθανότητα να έχεις ένα ξεχωριστό moat σε οποιαδήποτε αγορά – κείμενο, ήχο ή εικόνα. Οι επιχειρηματικές λύσεις που βασίζονται σε θεμελιώδη AI εμφανίζονται καθημερινά, οι εταιρείες εμφανίζονται τακτικά και συχνά είναι αδιακρίτως παρόμοιες μεταξύ τους.

Οι πιθανές διαφορές στην βιομηχανία φωνής εικονογραφούν αυτή την εξέλιξη: αρχικά, όλοι προσπάθησαν να κάνουν τις φωνές να ακούγονται όσο το δυνατόν πιο ανθρώπινες, τότε η ταχύτητα έγινε το ερώτημα και όλοι άρχισαν να λύνουν το ίδιο έργο γρήγορα. Τώρα βρισκόμαστε στην εποχή των συναισθηματικών ετικετών. Στην αναγνώριση ομιλίας, ο κύριος δείκτης – ποσοστό λάθους/λέξης – έχει βελτιωθεί σημαντικά με την εμφάνιση των LLMs που μπορούν να κατανοήσουν την контекστοποιημένη ορθότητα των λέξεων.

Συνοπτικά, η απουσία moat εξηγείται από την έλλειψη βάθους σε οποιοδήποτε аспект της ύπαρξης ενός προϊόντος επιπέδου εφαρμογής: είναι ρηχό και στο συνθετικό AI και στην επιχειρηματική εφαρμογή. Όπως το moat ενός προϊόντος θεμελιώδους εξηγείται από το βάθος της ανάπτυξής του.

Αλλά χρειάζονται οι εταιρείες επιπέδου εφαρμογής moat; Αν εργάζεστε σε μια σχετικά μεγάλη αγορά και έχετε λιγότερους από 30 ανταγωνιστές – μπορείτε να αφήσετε όλα όπως είναι. Φυσικά, οι ανταγωνιστές possono να είναι μεγάλοι όπως η OpenAI και η Anthropic – αλλά εδώ πρέπει να βασίζεστε σε μια υποκειμενική αίσθηση του μεγέθους της αγοράς και της δυναμικής, αν υπάρχει αρκετό φαγητό για όλους ή όχι. Αλλά αν η αγορά είναι σχετικά μικρή και οι ανταγωνιστές βγάζουν σαν μανιτάρια – τότε πρέπει να τοποθετήσετε σαφώς το ανταγωνιστικό σας πλεονέκτημα. Δεν έχει σημασία αν οι ανταγωνιστές το υιοθετούν γρήγορα.

Η Διανομή ως το Πραγματικό Moat

Υποψιάζομαι ότι σε κάποιο βαθμό αυτό είναι μια έγκυρη δήλωση και το πραγματικό moat βρίσκεται στον τομέα της διανομής, όχι στην τεχνολογία herself. Το που matters περισσότερο είναι πόσο γρήγορα κλιμακώνετε την παρουσία σας με τους πελάτες και αν η αξία του προϊόντος σας διασφαλίζει καλή LTV. Αλλιώς, θα μπορούσατε να κατασκευάσετε κάποια εφαρμογή B2C για τους χρήστες να παίξουν με αυτήν, και μπορεί να την διαδώσουν ιογενώς, αλλά τότε απλώς να σταματήσετε να την χρησιμοποιείτε όταν εμφανιστεί η επόμενη νέα εφαρμογή.

Οι Δύο Τύποι Πλεονεκτημάτων – Και Γιατί Μόνο Ένας Επιζεί

Υπάρχουν δύο τύποι ανταγωνιστικών πλεονεκτημάτων. Ο πρώτος σας επιτρέπει να κερδίσετε εδώ και τώρα με μια σαφή προοπτική – χάρη σε κάποια μοναδική γνώση ή δολοφονική λειτουργία που οι ανταγωνιστές δεν έχουν. Ο δεύτερος σας επιτρέπει να αποφύγετε την ήττα στο μακρότερο χρονικό διάστημα, επειδή χτίζετε βιωσιμότητα.

Με τα προϊόντα AI, η πρακτική εφαρμογή δείχνει ήδη ότι ο πρώτος τύπος πλεονεκτήματος σβήνεται εξαιρετικά γρήγορα: οι ανταγωνιστές κλείνουν το χάσμα με τρομακτική ταχύτητα.

Γι’ αυτό έχει νόημα να εστιάσετε στον δεύτερο τύπο: μέγιστη διάρκεια ζωής του προϊόντος. Αυτό επιτυγχάνεται με την κατασκευή ενός προϊόντος που μπορεί να λειτουργήσει με οποιοδήποτε LLM provider και να μεταβαίνει μεταξύ τους άμεσα – τη στιγμή που το τρέχον μοντέλο στο οποίο βασίζεται η επιχείρησή σας αρχίζει να καθυστερεί明显 πίσω από το επόμενο καλύτερο.

Δεδομένου αυτού, το μέτρο της ανεξαρτησίας από τα υποκείμενα στρώματα LLM γίνεται ένα ισχυρότερο moat από τις προσπάθειες μάρκετινγκ ή τεχνικής μόνος. Η ανεξαρτησία από τον προμηθευτή δεν είναι απλώς ένα ωραίο να έχεις – είναι η μόνη αμυντική θέση όταν ο έδαφος κάτω από σας αλλάζει μηνιαίως.

Η Κρυφή Σύνθετη της Στρατηγικής Πολλαπλών Μοντέλων

Ενώ η ανεξαρτησία του προμηθευτή προσφέρει μακροπρόθεσμη προστασία, η εφαρμογή αποκαλύπτει σημαντικές προκλήσεις. Όπως εξηγεί ο Alexey Aylarov, “δεν είναι εύκολο,既然 όλα τα μοντέλα έχουν τις δικές τους ιδιαιτερότητες/προβλήματα”.

Το Κεντρικό Πρόβλημα: Τα LLMs δεν είναι ανταλλάξιμα. Η έξοδος ποικίλλει με την ίδια είσοδο – ακόμη και μέσα στο ίδιο LLM, αλλά πολύ πιο δραματικά όταν μεταβαίνεις μεταξύ προμηθευτών. Κάθε μοντέλο αντιδρά σε προτροπές και οδηγίες διαφορετικά: κάποια ακολουθούν οδηγίες καλύτερα, άλλα χειρότερα. Η απόδοση μπορεί να είναι γλώσσα-συγκεκριμένη ή στόχο-συγκεκριμένη.

Ένα Συγκεκριμένο Παράδειγμα: Σκεφτείτε τις υπηρεσίες γεννήτριας εικόνας/βίντεο όπως η Sora ή η Veo. Δώστε τους την ίδια είσοδο και θα λάβετε εντελώς διαφορετικά αποτελέσματα. Αυτή η διακύμανση ισχύει σε όλες τις εφαρμογές LLM.

Η Πρόκληση Ρύθμισης: Για να διατηρήσετε τη συμβατότητα πολλαπλών μοντέλων, πρέπει να:

• Δημιουργήσετε ξεχωριστές προτροπές/οδηγίες για κάθε LLM που παράγουν το επιθυμητό αποτέλεσμα
• Γνωρίζετε πώς διαφέρει κάθε LLM και ρυθμίστε τις εισόδους ανάλογα
• Ενεργείτε σε έργο που είναι συχνά δημιουργικό παρά руτίνη
• Αποδεχτείτε ότι αυτή η διαδικασία είναι “σχετικά δύσκολο να αυτοματοποιηθεί στις περισσότερες περιπτώσεις”

Απαιτεί σημαντική προσπάθεια ρύθμισης για κάθε μοντέλο. Η αρχική επένδυση είναι σημαντική: πρέπει να αναπτύξετε προτροπές για όλα τα LLMs πριν να μπορείτε να μεταβαίνετε ελεύθερα μεταξύ τους. Επιπλέον, αυτή η προετοιμασία καλύπτει μόνο τα υπάρχοντα μοντέλα – όταν εμφανίζονται νέα LLMs, η διαδικασία ρύθμισης αρχίζει ξανά.

Το moat προέρχεται από την επένδυση στην υποδομή δοκιμών, την εμπειρογνωσία μηχανικής προτροπών και την оперατική πειθαρχία για να διατηρήσετε τη συμβατότητα μεταξύ πολλαπλών LLMs – και να επαναλάβετε αυτή τη διαδικασία καθώς εξελίσσεται το τοπίο. Αυτή η ικανότητα γίνεται了一種 τεχνική βάθος που οι ανταγωνιστές δεν μπορούν εύκολα να αναπαράγουν, ακόμη και αν κατανοούν τη στρατηγική.

Η Παραδοξότητα: Το Moat σας είναι στο να μην Έχετε Κανένα

Εδώ είναι τι κάνει την ανεξαρτησία του προμηθευτή τόσο ισχυρή: είναι το μόνο ανταγωνιστικό πλεονέκτημα που γίνεται ισχυρότερο καθώς η αγορά γίνεται πιο χαотική.

Όταν ο ανταγωνιστής σας κατασκευάζει ολόκληρο το προϊόν του στη βάση του GPT-4 και ένα καλύτερο μοντέλο εμφανίζεται, αντιμετωπίζει μια υπαρξιακή ανασχεδιασμό. Όταν έχετε κατασκευάσει την υποδομή για να μεταβαίνετε μεταξύ μοντέλων, αντιμετωπίζετε μια Τρίτη. Οι εταιρείες που επιζούν δεν θα είναι αυτές που επέλεξαν το σωστό μοντέλο – θα είναι αυτές που δεν έπρεπε ποτέ να επιλέξουν.

Ναι, η κατασκευή για πολλαπλά LLMs είναι ακριβή αρχικά. Ναι, απαιτεί δημιουργική εργασία μηχανικής που είναι δύσκολο να αυτοματοποιηθεί. Ναι, διατηρείτε παράλληλες στρατηγικές προτροπών για κάθε προμηθευτή. Αλλά αυτό είναι ακριβώς τι δημιουργεί το εμπόδιο εισόδου. Το moat δεν είναι στην τεχνολογία herself – είναι στην оперατική μνήμη μυών της διαχείρισης της τεχνολογικής αλλαγής.

Οι περισσότερες εταιρείες AI βελτιστοποιούν για να κερδίσουν σήμερα. Οι αγνωστικές εταιρείες βελτιστοποιούν για να επιζήσουν αύριο. Σε μια αγορά όπου η χθεσινή καινοτομία είναι η βάση του αύριο, αυτή η διάκριση είναι όλα.