Perusahaan AI Tidak Memiliki MOAT – Kecuali Mereka Berhenti Memilih Sisi

Kebenaran yang tidak nyaman tentang produk AI: keunggulan kompetitif Anda memiliki umur simpan yang diukur dalam minggu, bukan tahun.

Sementara laboratorium AI dasar mengeluarkan miliaran untuk model yang membutuhkan waktu tahunan untuk dibangun, perusahaan lapisan aplikasi menemukan bahwa moat tidak ada dalam arti tradisional. Fitur pembunuh Anda? Direplikasi pada Jumat. Keunggulan teknis Anda? Hilang pada kuartal berikutnya. Keragaman pemain, aksesibilitas model dasar, dan kecepatan inovasi telah menciptakan pasar di mana menjadi yang pertama, menjadi yang terbaik, atau menjadi berbeda tidak lagi menjamin kelangsungan hidup.

Tapi ada cara yang tidak terduga untuk keluar: berhenti mencoba menang dengan teknologi, dan mulai membangun kapasitas untuk bertahan hidup. Moat yang sebenarnya tidak ada pada AI yang Anda gunakan – tetapi pada kemampuan Anda untuk menggunakan AI apa pun.

Pembagian Dasar

Ada lapisan dasar – model besar seperti ChatGPT, Grok, dan Gemini. Beberapa lusin model, dilatih secara berbeda, masing-masing memiliki kelebihan tersendiri. Tapi ini adalah pekerjaan dasar, intensif penelitian: insinyur bekerja selama bertahun-tahun, memerlukan investasi sumber daya yang besar. Masing-masing dari ini memiliki moat yang berbeda – jika tidak, pengeluaran sumber daya tidak dapat dibenarkan. Ini adalah alasan mengapa upaya untuk merekrut insinyur dari OpenAI sangat dipublikasikan: mereka memiliki keahlian unik yang tidak dapat dengan cepat dikembangkan dengan harga apa pun.

Tapi di tingkat aplikasi, semuanya berbeda. Sumber daya yang jauh lebih sedikit diperlukan, meskipun sedikit lebih kreatif diperlukan untuk memperhalus LLM dan memecahkan masalah bisnis. Setiap orang memiliki permainan mereka sendiri, pendekatan mereka sendiri, produk mereka sendiri. Keragaman pemain membunuh kemungkinan memiliki moat yang berbeda di pasar mana pun – teks, audio, atau gambar. Solusi bisnis berbasis AI dasar muncul setiap hari, perusahaan muncul secara teratur, dan sering mereka tidak dapat dibedakan satu sama lain.

Perbedaan yang mungkin dalam industri suara menggambarkan evolusi ini: awalnya, semua orang mencoba membuat suara terdengar maksimal manusia, kemudian kecepatan menjadi pertanyaan dan semua orang mulai memecahkan tugas yang sama dengan cepat. Sekarang kita berada di era tag emosional. Dalam pengenalan ucapan, metrik utama – tingkat kesalahan kata – telah meningkat secara signifikan dengan munculnya LLM yang mampu memahami kesesuaian kata kontekstual.

Singkatnya, ketiadaan moat dijelaskan oleh kurangnya kedalaman dalam aspek apa pun dari keberadaan produk lapisan aplikasi: itu dangkal baik dalam komponen AI maupun aplikasi bisnis. Sama seperti moat dari produk dasar dijelaskan oleh kedalaman pengembangannya.

Tapi apakah proyek lapisan aplikasi memerlukan moat? Jika Anda bekerja di pasar yang relatif besar, dan Anda memiliki kurang dari 30 pesaing – Anda dapat meninggalkan semuanya seperti itu. Tentu saja, pesaing dapat menjadi besar seperti OpenAI dan Anthropic – tapi di sini Anda perlu mengandalkan rasa subjektif tentang ukuran dan dinamika pasar, apakah ada cukup makanan untuk semua orang atau tidak. Tapi jika pasar relatif kecil dan pesaing bermunculan seperti jamur – maka Anda harus dengan jelas memposisikan keunggulan kompetitif Anda. Tidak masalah jika pesaing dengan cepat mengadopsinya.

Distribusi sebagai Moat yang Sebenarnya

Saya curiga bahwa sampai batas tertentu ini adalah asersi yang valid dan moat yang sebenarnya terletak pada domain distribusi, bukan teknologi itu sendiri. Yang lebih penting adalah seberapa cepat Anda menskalakan kehadiran Anda dengan klien dan apakah nilai produk memastikan LTV yang baik. Jika tidak, Anda bisa membangun beberapa aplikasi B2C untuk pengguna bermain, dan mereka mungkin bahkan menyebarkannya secara viral, tapi kemudian hanya berhenti menggunakannya ketika aplikasi baru muncul.

Dua Jenis Keunggulan – Dan Mengapa Hanya Satu yang Bertahan

Ada dua jenis keunggulan kompetitif. Yang pertama memungkinkan Anda untuk menang sekarang dengan keunggulan yang jelas – berkat beberapa pengetahuan unik atau fitur pembunuh yang pesaing tidak memiliki. Yang kedua memungkinkan Anda untuk menghindari kehilangan dalam jangka panjang, karena Anda membangun keberlanjutan.

Dengan produk AI, praktik dunia nyata sudah menunjukkan bahwa jenis keunggulan pertama dihapus dengan sangat cepat: pesaing menutup celah dengan kecepatan yang mengerikan.

Itulah mengapa masuk akal untuk fokus pada jenis keunggulan kedua: daya tahan produk maksimum. Ini dicapai dengan membangun produk yang dapat bekerja dengan penyedia LLM apa pun dan beralih di antara mereka secara instan – saat model yang bisnis Anda dibangun mulai jelas ketinggalan dari yang terbaik berikutnya.

Dengan demikian, ukuran kemandirian dari lapisan LLM dasar menjadi moat yang lebih kuat daripada upaya pemasaran atau teknis saja. Tidak terikat dengan vendor bukanlah hal yang enak untuk dimiliki – itu adalah posisi yang dapat dibela ketika tanah di bawah Anda bergeser bulanan.

Kompleksitas Tersembunyi dari Strategi Multi-Model

Sementara netralitas vendor menawarkan perlindungan jangka panjang, implementasinya mengungkapkan tantangan yang signifikan. Seperti yang dijelaskan oleh Alexey Aylarov, “itu tidak mudah, karena semua model memiliki spesifikasi/masalah mereka sendiri.”

Masalah Inti: LLM tidak dapat dipertukarkan. Keluaran bervariasi dengan input yang sama – bahkan dalam LLM yang sama, tapi jauh lebih dramatis ketika beralih di antara penyedia. Setiap model bereaksi terhadap prompt dan instruksi dengan cara yang berbeda: beberapa mengikuti pedoman lebih baik, yang lain lebih buruk; kinerja dapat spesifik bahasa atau tujuan.

Contoh Konkret: Pertimbangkan layanan pembuatan gambar/video seperti Sora atau Veo. Berikan mereka input yang sama dan Anda akan mendapatkan hasil yang sama sekali berbeda. Variasi ini berlaku untuk semua aplikasi LLM.

Tantangan Pemutaran: Untuk mempertahankan kompatibilitas multi-model, Anda harus:

• Membuat prompt/instruksi terpisah untuk setiap LLM yang menghasilkan hasil yang diinginkan
• Mengetahui bagaimana setiap LLM berbeda dan menyesuaikan input sesuai
• Terlibat dalam pekerjaan yang sering kreatif daripada rutin
• Menerima bahwa proses ini “relatif sulit untuk dioptimalkan dalam sebagian besar kasus”

Ini memerlukan upaya pemutaran yang substansial untuk setiap model. Investasi awal sangat signifikan: Anda harus mengembangkan prompt untuk semua LLM sebelum Anda dapat beralih secara bebas di antara mereka. Selain itu, persiapan ini hanya mencakup model yang ada – ketika LLM baru muncul, proses pemutaran dimulai lagi.

Moat datang dari telah berinvestasi dalam infrastruktur pengujian, keahlian pemutaran prompt, dan disiplin operasional untuk mempertahankan kompatibilitas di seluruh LLM – dan untuk mengulangi proses ini karena lanskap berkembang. Kemampuan ini menjadi bentuk kedalaman teknis yang pesaing tidak dapat dengan mudah replikasi, bahkan jika mereka memahami strategi.

Paradoks: Moat Anda Adalah Tidak Memiliki Satu

Inilah yang membuat netralitas vendor sangat kuat: ini adalah satu-satunya keunggulan kompetitif yang menjadi lebih kuat ketika pasar menjadi lebih kacau.

Ketika pesaing Anda membangun produk mereka seluruhnya pada GPT-4 dan model yang lebih baik muncul, mereka menghadapi desain ulang eksistensial. Ketika Anda telah membangun infrastruktur untuk beralih model, Anda menghadapi Selasa. Perusahaan yang bertahan tidak akan menjadi mereka yang memilih model yang tepat – mereka akan menjadi mereka yang tidak pernah harus memilih sama sekali.

Ya, membangun untuk beberapa LLM sangat mahal di awal. Ya, itu memerlukan pekerjaan teknik kreatif yang sulit untuk dioptimalkan. Ya, Anda pada dasarnya mempertahankan strategi prompt paralel untuk setiap penyedia. Tapi ini adalah apa yang menciptakan hambatan untuk memasuki. Moat tidak ada pada teknologi itu sendiri – itu ada pada memori otot operasional mengelola perubahan teknologi.

Sebagian besar perusahaan AI mengoptimalkan untuk menang hari ini. Yang netral mengoptimalkan untuk masih ada di sini besok. Dalam pasar di mana temuan kemarin adalah baseline hari esok, perbedaan itu adalah segalanya.