AI-yritykset eivät omaa MOAT:ia – Ellette lopetta picking sivuja

Epämukava totuus AI-tuotteista: kilpailuetusi on voimassa viikkoja, ei vuosia.

Perustutkimuslaboratoriot panostavat miljardeja malleihin, joiden kehittäminen kestää vuosia, mutta sovelluskerroksen yritykset ovat löytäneet, että perinteinen MOAT ei ole olemassa. Tappava ominaisuus? Se on toistettu perjantaihin mennessä. Tekninen etulyöntiasema? Se on poissa seuraavan neljänneksen lopussa. Pelaajien monimuotoisuus, perusmallien saatavuus ja innovaation nopeus ovat luoneet markkinat, joissa olla ensimmäinen, paras tai erilainen ei enää takaa selviytymistä.

Mutta on olemassa vastakkainen tapa päästä ulos: lopeta yrittäminen voittaa teknologian avulla ja aloita kapasiteetin rakentaminen sen selviytymiseksi. Oikea MOAT ei ole AI:ssa, jonka käytät – se on kykyä käyttää mitä tahansa AI:ta.

Perustavanlaatuinen jakautuminen

On olemassa perustavanlaatuinen kerros – suuret mallit kuten ChatGPT, Grok ja Gemini. Useat kymmenet malleja, koulutettu eri tavoin, kullekin omat edut. Mutta tämä on perustutkimuksellinen työ: insinöörit työskentelevät vuosia, vaativat massiivisia resursseja. Kullekin näistä on oma MOAT – muuten resursseinvestointi ei voisi olla perusteltua. Tämä on täsmälleen siksi, miksi yritykset yrittävät palkata insinöörejä OpenAI:sta ovat niin hyvin julkistettuja: he omistavat ainutlaatuista asiantuntemusta, jota ei voida nopeasti kehittää mihin tahansa hintaan.

Mutta sovellustasolla asiat ovat täysin erilaiset. Vähemmän resursseja tarvitaan, vaikka hieman enemmän luovuutta vaaditaan LLM:n hienosäätöön ja liiketoimintavaikeuksien ratkaisemiseen. Jokaisella on oma peli, oma lähestymistapa, oma tuote. Pelaajien monimuotoisuus tappaa mahdollisuuden olla erottuva MOAT missään markkinassa – teksti, ääni tai kuva. Liiketoimintaratkaisut perustuvat perusAI:hen, ja yritykset ilmestyvät säännöllisesti, usein ne ovat toisistaan erottamattomia.

Mahdolliset erottautumisen keinot äänialalla havainnollistavat tämän kehityksen: aluksi kaikki yrittivät tehdä äänet kuulostamaan mahdollisimman inhimilliseltä, sitten nopeus tuli kysymykseen ja kaikki alkoivat ratkaista samaa tehtävää nopeasti. Nyt olemme tunteellisten tagien aikakaudella. Puheentunnistuksessa päämittari – sana/virheosuus – on merkittävästi parantunut LLM:ien ilmestymisen myötä, jotka pystyvät ymmärtämään kontekstuaalisen sanan sopivuuden.

Lyhyesti, MOAT:in puute selitetään sovelluskerroksen tuotteen olemassaolon minkään asian puutteella: se on matala sekä AI-komponentissa että liiketoimintasovelluksessa. Niin ikään kuin perustavanlaatuinen tuotteen MOAT selitetään sen kehityksen syvyydellä.

Tarvitsevatko sovelluskerroksen projektit MOAT:ia? Jos työskentelet suhteellisen suurella markkinalla ja sinulla on vähemmän kuin 30 kilpailijaa – voit jättää kaiken sellaisenaan. Tietysti kilpailijat voivat olla suuria, kuten OpenAI ja Anthropic – mutta tässä sinun on turvauduttava subjektiiviseen markkinan koosta ja dynamiikasta, onko riittävästi ruokaa kaikille vai ei. Mutta jos markkina on suhteellisen pieni ja kilpailijat kasvavat sienien lailla – silloin sinun on selkeästi määriteltävä kilpailuetusi. Se ei ole väliä, jos kilpailijat nopeasti omaksuvat sen.

Jakelu on oikea MOAT

Epäilen, että tämä on jonkin verran validi väite, ja oikea MOAT sijaitsee jakelualalla, ei itse teknologiassa. Se, mitä on tärkeämpää, on, kuinka nopeasti skaalautat asiakkaidesi läsnäoloa ja tuotteen arvon varmistaa hyvän LTV:n. Muuten voit rakentaa B2C-sovelluksen käyttäjille leikkiä varten, ja he saattavat levittää sitä virallisesti, mutta sitten yksinkertaisesti lopettaa sen käytön, kun seuraava uusi sovellus ilmestyy.

Kaksi kilpailuetua – Ja miksi vain toinen selviää

On olemassa kaksi kilpailuedun tyyppiä. Ensimmäinen antaa sinun voittaa tässä ja nyt selkeällä etulyöntiasemalla – kiitos jollekin ainutlaatuiselle osaamiselle tai tappavalle ominaisuudelle, jota kilpailijat eivät vain omista. Toinen antaa sinun välttää häviämisen pitkällä aikavälillä, koska olet rakentamassa kestävyyttä.

AI-tuotteilla, käytännön kokemus osoittaa jo, että ensimmäinen kilpailuedun tyyppi häviää äärimmäisen nopeasti: kilpailijat sulkevat aukon hämmästyttävällä nopeudella.

Siksi on järkevää keskittyä toiseen tyyppiin: maksimaalinen tuotteen kestävyys. Tämä saavutetaan rakentamalla tuote, joka voi toimia minkä tahansa LLM-toimittajan kanssa ja vaihtaa niiden välillä välittömästi – hetkellä, jolloin nykyinen liiketoimintasi perustuu malliin, joka alkaa selvästi jäämään seuraavan parhaan mallin jalkoihin.

Tästä syystä LLM-kerrosten riippumattomuuden mitta on vahvempi MOAT kuin markkinointi- tai tekniset ponnistelut yksin. Olemassaolon LLM-tasoista riippumattomuus ei ole vain miellyttävä asia – se on ainoa puolustettavissa oleva asema, kun maaperä alla muuttuu kuukausittain.

Monimallistrategian piilotettu monimutkaisuus

Vaikka toimittajariippumattomuus tarjoaa pitkän aikavälin suojan, toteutus paljastaa merkittäviä haasteita. Kuten Alexey Aylarov selittää, “se ei ole helppoa, koska kaikilla malleilla on omat erityispiirteensä/ongelmat.”

Ydinongelma: LLM:t eivät ole vaihtokelpoisia. Tuloste vaihtelee samalla syötöllä – jopa saman LLM:n sisällä, mutta paljon dramaattisemmin siirryttäessä toimittajasta toiseen. Kunkin mallin reagointi ohjeisiin ja ohjeisiin on erilainen: jotkut noudattavat ohjeita paremmin, toiset huonommin; suorituskyky voi olla kielikohtainen tai tavoitteekohtainen.

Kokonainen esimerkki: Tarkastele kuvan/tallenteen generoimispalveluita kuten Sora tai Veo. Anna heille identtinen syöte, ja saat täysin erilaisia tuloksia. Tämä muuttuja koskee kaikkia LLM-sovelluksia.

Säätöhaaste: Ylläpitääksesi monimallin yhteensopivuutta, sinun on:

• Luotava erillisiä ohjeita/käskyjä kullekin LLM:lle, joka tuottaa haluamasi tuloksen
• Tiedettävä, miten kunkin LLM eroaa, ja säätää syötteitä vastaavasti
• Osallistuminen työhön, joka on usein luovaa eikä tavanomaista
• Hyväksyminen, että tämä prosessi on “suhteellisen vaikea automatisoida useimmissa tapauksissa”

Se vaatii merkittävää säätötyötä kullekin mallille. Alkuvaiheen investointi on merkittävä: sinun on kehitettävä ohjeet kaikille LLM:ille, ennen kuin voit vaihtaa niiden välillä vapaasti. Lisäksi tämä valmistelu kattaa vain olemassa olevat mallit – kun uudet LLM:t ilmestyvät, säätöprosessi alkaa alusta.

MOAT tulee testausinfrastruktuurin, ohjelmistosuunnittelun asiantuntemuksen ja operatiivisen kurin kehittämisestä – ja toistamisesta, kun maisema kehittyy. Tämä kyky muodostuu teknisen syvyyden muodoksi, jota kilpailijat eivät voi helposti replikoida, vaikka he ymmärtävät strategian.

Paradoksi: Sinun MOAT on siinä, ettei sinulla ole yhtään

Tässä on, mikä tekee toimittajariippumattomuuden niin voimakkaaksi: se on ainoa kilpailuetu, joka vahvistuu, kun markkina muodostuu kaoottisemmaksi.

Kun kilpailijasi rakentaa koko tuotteen GPT-4:ään ja parempi malli ilmestyy, he kohtaavat olemassaolokriisin. Kun olet rakentanut infrastruktuurin vaihtaa malleja, kohtaavat tiistain. Yritykset, jotka selviävät, eivät ole niitä, jotka valitsivat oikean mallin – ne ovat niitä, jotka eivät koskaan joutuneet valitsemaan lainkaan.

Kyllä, monimallin rakentaminen on kallista aluksi. Kyllä, se vaatii luovaa insinööritöitä, jota on vaikea automatisoida. Kyllä, olet ylläpitämässä rinnakkaisia ohjelmistosuunnittelustrategioita kullekin toimittajalle. Mutta tämä on juuri se, mikä luo esteen sisäänpääsyyn. MOAT ei ole itse teknologiassa – se on operatiivisessa muistissa teknisen muutoksen hallinnasta.

Useimmat AI-yritykset optimoivat voittamista tänään. Riippumattomat yritykset optimoivat selviytymistä huomenna. Markkinassa, jossa eilisen läpimurto on huomisen perusviite, tämä ero on kaikki.