ืื ืืืื ืืขื
ืืืจืืช AI ืืื ื ืืืืืงืืช ืืืืืช ืืื ื – ืืื ืื ืื ืื ืคืืกืงืืช ืืืืืจ ืฆื
האמת הלא נוחה על מוצרי AI: יתרון התחרותי שלכם הוא בתוקף למשך שבועות, לא שנים.
בעוד מעבדות AI יסודיות משקיעות מיליארדים במודלים שדורשים שנים לפיתוח, חברות ברמת היישום מגלות כי חומות הגנה אינן קיימות במובן המסורתי. התכונה המנצחת שלכם? מועתקת עד יום שישי. יתרון הטכנולוגי שלכם? נעלם עד רבעון הבא. מגוון השחקנים, נגישותם של מודלים יסודיים ומהירות החדשנות יצרו שוק שבו להיות הראשון, הטוב ביותר או השונה אינו מבטיח הישרדות.
אך יש דרך נגדית ליציאה: הפסיקו לנסות לנצח עם טכנולוגיה, והתחילו לבנות את היכולת לשרוד אותה. החומה האמיתית איננה ב-AI שאתם משתמשים – אלא ביכולתכם להשתמש בכל AI.
הפיצול היסודי
יש שכבה יסודית – המודלים הגדולים כמו ChatGPT, Grok ו-Gemini. כמה עשרות מודלים, מאומנים באופן שונה, כל אחד בעל יתרונות משלו. אך זוהי עבודה יסודית, מחקרית: מהנדסים עובדים במשך שנים, דורשים השקעה עצומה של משאבים. כל אחד מהם בעל חומת הגנה ייחודית – אחרת, ההוצאה לא יכולה להצדיק את עצמה. זה בדיוק מדוע ניסיונות לגנוב מהנדסים מ-OpenAI מפורסמים כל כך: הם בעלי מומחיות ייחודית שלא ניתן לפתח במהירות במחיר כלשהו.
אך ברמת היישום, הדברים שונים לחלוטין. מעט משאבים נדרשים, אם כי יותר יצירתיות נדרשת לכוונון LLM ולפתרון בעיה עסקית. לכולם יש משחק משלהם, גישה משלהם, מוצר משלהם. מגוון השחקנים הורג את כל אפשרות להחזיק בחומת הגנה ייחודית בכל שוק – טקסט, אודיו או תמונה. פתרונות עסקיים המבוססים על AI יסודיים צצים מדי יום, חברות מופיעות באופן קבוע, ולעיתים קרובות הן בלתי ניתנות להבחנה זו מזו.
הבדלים אפשריים בתעשיית הקול ממחישים את האבולוציה הזו: בתחילה, כולם ניסו להפוך קולות להישמע כמו של בני אדם, אז המהירות הפכה לשאלה וכולם התחילו לפתור את אותה משימה במהירות. עכשיו אנחנו בעידן של תגיות רגשיות. ב-זיהוי דיבור, המדד העיקרי – שיעור המילים לשגיאה – שופר באופן משמעותי עם הופעת LLMs המסוגלים להבין את התאימות המילולית ההקשרית.
בקיצור, היעדר חומת הגנה מוסבר על ידי היעדר עומק בכל אספקט של קיום מוצר ברמת היישום: הוא רדוד הן ברכיב ה-AI והן ביישום העסקי. כמו שחומת ההגנה של מוצר יסודי מוסברת על ידי עומק הפיתוח שלו.
אך האם פרויקטים ברמת היישום זקוקים לחומת הגנה? אם אתם עובדים בשוק יחסית גדול, ויש לכם פחות מ-30 מתחרים – אתם יכולים להשאיר הכל כמו שהוא. כמובן, המתחרים יכולים להיות גדולים כמו OpenAI ו-Anthropic – אך כאן אתם צריכים לסמוך על תחושה סובייקטיבית של גודל השוק והדינמיקה, האם יש מספיק “מזון” לכולם או לא. אך אם השוק קטן יחסית והמתחרים צומחים כמו פטריות – אז אתם חייבים לתפוס בבירור את יתרון התחרותי שלכם. זה לא משנה אם המתחרים מאמצים אותו במהירות.
ההפצה כחומת ההגנה האמיתית
אני חושב שבמידה מסוימת זו היא טענה תקפה, וחומת ההגנה האמיתית נמצאת בתחום ההפצה, ולא בטכנולוגיה עצמה. מה שחשוב יותר הוא כיצד אתם מרחיבים במהירות את נוכחותכם אצל לקוחות, ואם ערך המוצר מבטיח ערך LTV טוב. אחרת, אתם יכולים לבנות יישום B2C עבור משתמשים לשחק איתו, והם אפילו עלולים להפיץ אותו באופן ויראלי, אך אז פשוט להפסיק להשתמש בו כאשר האפליקציה החדשה הבאה מופיעה.
שני סוגי יתרון – ומדוע רק אחד שורד
ישנם שני סוגים של יתרונות תחרותיים. הראשון מאפשר לכם לנצח כאן ועכשיו עם יתרון ברור – הודות לידע ייחודי או תכונה מנצחת שמתחרים פשוט אין להם. השני מאפשר לכם להימנע מלהפסיד בטווח הארוך, כי אתם בונים קיימות.
עם מוצרי AI, הפרקטיקה בעולם האמיתי מראה כבר כי סוג היתרון הראשון נמחק במהירות מחרידה: מתחרים סוגרים את הפער במהירות מחרידה.
זה למה זה משמעותי להתמקד בסוג השני: עמידות מרבית של המוצר. זה מושג על ידי בניית מוצר שיכול לעבוד עם כל ספק LLM ולהחליף ביניהם באופן מיידי – ברגע שהמודל הנוכחי שעסקיכם בנוי עליו מתחיל להישאר מאחור באופן ברור מהמודל הבא הטוב ביותר.
נתון זה, מידת העצמאות משכבות LLM התחתונות הופכת לחומת הגנה חזקה יותר מאשר מאמצים טכניים או שיווקיים לבד. להיות עצמאי מספק אינו רק דבר נחמד – זו העמדה היחידה שמוגנת כאשר הקרקע מתחתיכם משתנה חודשית.
המורכבות הנסתרת של אסטרטגיית רב-מודל
בעוד שאגנוסטיות של ספק מציעה הגנה ארוכת טווח, יישום מגלה אתגרים משמעותיים. כפי שאלכסיי אילרוב מסביר, “זה לא קל, מכיוון שכל המודלים הם בעלי פרטים/בעיות משלהם”.
הבעיה העיקרית: LLMs אינם מתואמים. הפלט משתנה עם אותו קלט – אפילו בתוך אותו LLM, אך הרבה יותר דרמטית כאשר מעבר בין ספקים. כל מודל מגיב להוראות והנחיות באופן שונה: חלקם עוקבים אחר הנחיות טוב יותר, אחרים פחות; ביצועים יכולים להיות ספציפיים לשפה או למטרה.
דוגמה ממשית: שירותי יצירת תמונה/וידאו כמו Sora או Veo. תנו להם קלט זהה ותקבלו תוצאות שונות לחלוטין. שונות זו חלה על כל יישומי LLMs.
אתגר הכיול: כדי לשמור על תאימות רב-מודל, אתם חייבים:
- ליצור פרומפטים/הוראות נפרדים עבור כל LLM שמייצרים את התוצאה הרצויה
- לדעת כיצד כל LLM שונה ולכוונן קלטים בהתאם
- להיות מעורבים בעבודה שהיא לעיתים קרובות יותר יצירתית מאשר שגרתית
- לקבל כי תהליך זה “קשה יחסית לאוטומציה במרבית המקרים”
זה דורש מאמץ כיול משמעותי עבור כל מודל. ההשקעה הראשונית היא משמעותית: אתם חייבים לפתח פרומפטים עבור כל LLMs לפני שאתם יכולים להחליף ביניהם באופן חופשי. יותר מכך, הכנה זו מכסה רק מודלים קיימים – כאשר מודלים LLMs חדשים צצים, תהליך הכיול מתחיל מחדש.
חומת ההגנה באה מההשקעה בתשתית הבדיקות, מומחיות הנדסת פרומפטים ומשמעת פעילה לשמור על תאימות בין מודלים רבים – ולחזור על תהליך זה ככל שהנוף משתנה. יכולת זו הופכת לסוג של עומק טכני שמתחרים לא יכולים לשחזר בקלות, אפילו אם הם מבינים את האסטרטגיה.
הפרדוקס: חומת ההגנה שלכם היא שאין לכם אותה
זה מה שהופך את אגנוסטיות הספק לכל כך חזק: זו היתרון התחרותי היחיד שמתחזק ככל שהשוק הופך לכאוטי יותר.
כאשר המתחרה שלכם בונה את כל המוצר שלהם על GPT-4 ומודל טוב יותר יורד, הם מול עיצוב מחדש קיומי. כאשר אתם בנים את התשתית להחליף מודלים, אתם מול יום שלישי. החברות ששורדות לא יהיו אלו שבחרו במודל הנכון – הן יהיו אלו שמעולם לא נאלצו לבחור.
כן, בנייה עבור מודלים רבים היא יקרה מראש. כן, זה דורש עבודת הנדסה יצירתית שקשה לאוטומציה. כן, אתם בעצם מתחזקים אסטרטגיות פרומפטים מקבילות עבור כל ספק. אך זה בדיוק מה שיוצר את מחסום הכניסה. חומת ההגנה איננה בטכנולוגיה עצמה – היא בזיכרון המוסקלי הפעיל של ניהול שינויים טכנולוגיים.
רוב חברות ה-AI מופטמות לנצח היום. האגנוסטיות מופטמות להיות עדיין פה מחר. בשוק שבו פריצת הדרך של אתמול היא הבסיס של מחר, הבחנה זו היא הכל.
