Les entreprises d’IA n’ont pas de fossé – à moins qu’elles n’arrêtent de prendre parti

La vérité inconfortable sur les produits d’IA : votre avantage concurrentiel a une durée de vie mesurée en semaines, et not en années.

Alors que les laboratoires d’IA fondamentaux investissent des milliards dans des modèles qui prennent des années à construire, les entreprises du niveau application découvrent que les fossés n’existent pas dans le sens traditionnel. Votre fonctionnalité tueuse ? Reproduite le vendredi. Votre avance technique ? Disparue le trimestre suivant. La diversité des acteurs, l’accessibilité des modèles fondamentaux et la vitesse de l’innovation ont créé un marché où être le premier, être le meilleur ou être différent ne garantit plus la survie.

Mais il existe une façon contre-intuitive de sortir de cette situation : arrêter d’essayer de gagner avec la technologie et commencer à construire la capacité de survivre à la technologie. Le véritable fossé n’est pas dans l’IA que vous utilisez – c’est dans votre capacité à utiliser n’importe quelle IA.

La division fondamentale

Il existe une couche fondamentale – les grands modèles comme ChatGPT, Grok et Gemini. Plusieurs dizaines de modèles, formés différemment, chacun possédant ses propres avantages. Mais ceci est un travail fondamental, intensif en recherche : les ingénieurs travaillent pendant des années, nécessitant un investissement massif en ressources. Chacun de ces modèles possède un fossé distinct – sinon, le coût de l’investissement ne pourrait pas être justifié. C’est précisément pourquoi les tentatives de débauchage d’ingénieurs d’OpenAI sont si bien publiées : ils possèdent une expertise unique qui ne peut pas être rapidement cultivée à n’importe quel prix.

Mais au niveau application, les choses sont complètement différentes. Beaucoup moins de ressources sont nécessaires, même si un peu plus de créativité est requise pour affiner un LLM et résoudre un problème commercial. Chacun a son propre jeu, son approche, son produit. La diversité des acteurs tue toute possibilité d’avoir un fossé distinct dans n’importe quel marché – texte, audio ou image. Les solutions commerciales basées sur l’IA fondamentale émergent quotidiennement, les entreprises apparaissent régulièrement et sont souvent indiscernables les unes des autres.

Les différenciateurs possibles dans l’industrie de la voix illustrent cette évolution : initialement, tout le monde a essayé de faire des voix qui sonnent le plus humain possible, puis la vitesse est devenue la question et tout le monde a commencé à résoudre la même tâche rapidement. Maintenant, nous sommes à l’ère des balises émotionnelles. Dans la reconnaissance de la parole, le principal indicateur – le taux d’erreur de mot – a nettement amélioré avec l’émergence de LLM capables de comprendre l’adéquation contextuelle des mots.

En bref, l’absence de fossé est expliquée par le manque de profondeur dans n’importe quel aspect de l’existence d’un produit de niveau application : il est superficiel à la fois dans le composant IA et dans son application commerciale. Tout comme le fossé d’un produit fondamental est expliqué par la profondeur de son développement.

Mais les projets de niveau application ont-ils besoin d’un fossé ? Si vous travaillez dans un marché relativement grand et que vous avez moins de 30 concurrents – vous pouvez laisser tout tel quel. Bien sûr, les concurrents peuvent être de grands acteurs comme OpenAI et Anthropic – mais ici, vous devez vous fier à un sens subjectif de la taille et de la dynamique du marché, s’il y a suffisamment de nourriture pour tout le monde ou non. Mais si le marché est relativement petit et que les concurrents poussent comme des champignons – alors vous devez positionner très clairement votre avantage concurrentiel. Ça n’a pas d’importance si les concurrents adoptent rapidement.

La distribution en tant que véritable fossé

Je soupçonne que dans une certaine mesure, ceci est une affirmation valable et que le véritable fossé se trouve dans le domaine de la distribution, et non dans la technologie elle-même. Ce qui compte le plus, c’est à quelle vitesse vous élargissez votre présence auprès des clients et si la valeur du produit assure un bon LTV. Sinon, vous pourriez construire une application B2C pour les utilisateurs pour jouer, et ils pourraient même la diffuser de manière virale, mais ensuite simplement arrêter de l’utiliser lorsque la prochaine nouvelle application apparaît.

Les deux types d’avantages – Et pourquoi seul l’un survive

Il existe deux types d’avantages concurrentiels. Le premier vous permet de gagner ici et maintenant avec un avantage clair – grâce à une connaissance ou une fonctionnalité unique que les concurrents n’ont simplement pas. Le second vous permet d’éviter de perdre à long terme, car vous construisez la durabilité.

Avec les produits d’IA, la pratique réelle montre déjà que le premier type d’avantage est effacé extrêmement rapidement : les concurrents comblent l’écart à une vitesse terrifiante.

C’est pourquoi il est logique de se concentrer sur le second type : la durabilité maximale du produit. Cela est réalisé en construisant un produit qui peut fonctionner avec n’importe quel fournisseur de LLM et basculer entre eux instantanément – dès l’instant où le modèle actuel sur lequel votre entreprise est construite commence clairement à être en retard par rapport au prochain meilleur.

Compte tenu de cela, la mesure de l’indépendance par rapport aux couches LLM sous-jacentes devient un fossé plus solide que les efforts marketing ou techniques seuls. Être agnostique en matière de fournisseur n’est pas seulement un élément agréable à avoir – c’est la seule position défendable lorsque le sol sous vos pieds change mensuellement.

La complexité cachée de la stratégie multi-modèle

Alors que l’agnosticisme des fournisseurs offre une protection à long terme, la mise en œuvre révèle des défis importants. Comme l’explique Alexey Aylarov, “ce n’est pas facile, puisque tous les modèles ont leurs propres particularités/problèmes”.

Le problème principal : les LLM ne sont pas interchangeables. La sortie varie avec la même entrée – même au sein du même LLM, mais beaucoup plus dramatiquement lors du passage d’un fournisseur à un autre. Chaque modèle réagit aux invites et aux instructions différemment : certains suivent les directives mieux, d’autres moins bien ; les performances peuvent être spécifiques à la langue ou à l’objectif.

Un exemple concret : Considérez les services de génération d’images/vidéos comme Sora ou Veo. Donnez-leur une entrée identique et vous obtiendrez des résultats complètement différents. Cette variabilité s’applique à toutes les applications LLM.

Le défi de réglage : Pour maintenir la compatibilité multi-modèle, vous devez :

• Créer des invites/instructions séparées pour chaque LLM qui produisent le résultat souhaité
• Connaître la façon dont chaque LLM diffère et ajuster les entrées en conséquence
• S’engager dans un travail qui est souvent créatif plutôt que routinier
• Accepter que ce processus est “relativement difficile à automatiser dans la plupart des cas”

Cela nécessite un effort de réglage important pour chaque modèle. L’investissement initial est important : vous devez développer des invites pour tous les LLM avant de pouvoir basculer librement entre eux. De plus, cette préparation ne couvre que les modèles existants – lorsque de nouveaux LLM émergent, le processus de réglage commence à nouveau.

Le fossé vient de l’investissement dans les infrastructures de test, l’expertise en ingénierie d’invites et la discipline opérationnelle pour réellement maintenir la compatibilité sur plusieurs LLM – et pour répéter ce processus à mesure que le paysage évolue. Cette capacité devient une forme de profondeur technique que les concurrents ne peuvent pas facilement reproduire, même s’ils comprennent la stratégie.

Le paradoxe : Votre fossé est en n’en ayant pas

Voici ce qui rend l’agnosticisme des fournisseurs si puissant : c’est le seul avantage concurrentiel qui se renforce à mesure que le marché devient plus chaotique.

Lorsque votre concurrent construit son produit entier sur GPT-4 et qu’un meilleur modèle est publié, il est confronté à une refonte existentielle. Lorsque vous avez construit l’infrastructure pour basculer entre les modèles, vous êtes confronté à un mardi. Les entreprises qui survivront ne seront pas celles qui ont choisi le bon modèle – elles seront celles qui n’ont jamais eu à choisir.

Oui, construire pour plusieurs LLM est coûteux au départ. Oui, cela nécessite un travail d’ingénierie créatif qui est difficile à automatiser. Oui, vous maintenez essentiellement des stratégies d’invites parallèles pour chaque fournisseur. Mais c’est exactement ce qui crée la barrière à l’entrée. Le fossé n’est pas dans la technologie elle-même – c’est dans la mémoire musculaire opérationnelle de la gestion du changement technologique.

La plupart des entreprises d’IA sont optimisées pour gagner aujourd’hui. Les entreprises agnostiques sont optimisées pour être encore là demain. Dans un marché où la percée d’hier est la base de demain, cette distinction est tout.