Le aziende di intelligenza artificiale non hanno un MOAT – a meno che non smettano di scegliere da che parte stare

La verità scomoda sui prodotti di intelligenza artificiale: il tuo vantaggio competitivo ha una durata di vita misurata in settimane, non in anni.

Mentre i laboratori di intelligenza artificiale fondamentali investono miliardi in modelli che richiedono anni per essere sviluppati, le aziende che operano a livello di applicazione stanno scoprendo che i moat non esistono nel senso tradizionale. La tua caratteristica vincente? Riprodotta entro venerdì. Il tuo vantaggio tecnico? Scomparso entro il prossimo trimestre. La diversità dei giocatori, l’accessibilità dei modelli fondamentali e la velocità dell’innovazione hanno creato un mercato in cui essere i primi, essere i migliori o essere diversi non garantisce più la sopravvivenza.

Ma c’è un modo controintuitivo per uscirne: smettere di cercare di vincere con la tecnologia e iniziare a costruire la capacità di sopravvivere ad essa. Il vero moat non è nella tecnologia di intelligenza artificiale che si utilizza – ma nella capacità di utilizzare qualsiasi tecnologia di intelligenza artificiale.

La divisione fondamentale

C’è un livello fondamentale – i grandi modelli come ChatGPT, Grok e Gemini. Diverse decine di modelli, addestrati in modo diverso, ognuno con i propri vantaggi. Ma questo è un lavoro fondamentale e di ricerca: ingegneri che lavorano per anni, richiedendo un enorme investimento di risorse. Ognuno di questi possiede un moat distinto – altrimenti, l’esborso di risorse non potrebbe essere giustificato. È proprio per questo che i tentativi di assumere ingegneri da OpenAI sono così pubblicizzati: possiedono un’esperienza unica che non può essere rapidamente coltivata a nessun prezzo.

Ma a livello di applicazione, le cose sono completamente diverse. Sono necessarie molte meno risorse, anche se è richiesta un po’ più di creatività per adattare un modello di linguaggio e risolvere un problema aziendale. Ognuno ha il proprio gioco, il proprio approccio, il proprio prodotto. La diversità dei giocatori uccide qualsiasi possibilità di avere un moat distinto in qualsiasi mercato – testo, audio o immagine. Le soluzioni aziendali basate sull’intelligenza artificiale fondamentale emergono quotidianamente, le aziende appaiono regolarmente e spesso sono indistinguibili l’una dall’altra.

I possibili differenziali nell’industria della voce illustrano questa evoluzione: inizialmente, tutti hanno cercato di far suonare le voci il più umano possibile, poi la velocità è diventata la questione e tutti hanno iniziato a risolvere lo stesso compito velocemente. Ora siamo nell’era dei tag emozionali. Nel riconoscimento del parlato, il principale parametro – il tasso di errore per parola – è notevolmente migliorato con l’emergere di modelli di linguaggio in grado di comprendere l’adeguatezza contestuale delle parole.

In breve, l’assenza di un moat è spiegata dalla mancanza di profondità in qualsiasi aspetto dell’esistenza di un prodotto a livello di applicazione: è superficiale sia nella componente di intelligenza artificiale che nell’applicazione aziendale. Proprio come il moat di un prodotto fondamentale è spiegato dalla profondità del suo sviluppo.

Ma i progetti a livello di applicazione hanno bisogno di un moat? Se stai lavorando in un mercato relativamente grande e hai meno di 30 concorrenti – puoi lasciare tutto com’è. Naturalmente, i concorrenti possono essere grandi come OpenAI e Anthropic – ma qui devi affidarti a un senso soggettivo delle dimensioni del mercato e della dinamica, se c’è abbastanza cibo per tutti o no. Ma se il mercato è relativamente piccolo e i concorrenti spuntano come funghi – allora devi posizionare molto chiaramente il tuo vantaggio competitivo. Non importa se i concorrenti lo adottano rapidamente.

La distribuzione come vero moat

Sospetto che in una certa misura questo sia un’affermazione valida e il vero moat si trovi nel dominio della distribuzione, non nella tecnologia stessa. Quello che conta di più è quanto rapidamente si scala la propria presenza con i clienti e se il valore del prodotto garantisce un buon valore a lungo termine. Altrimenti, potresti costruire una qualche applicazione B2C per gli utenti da giocare, e potrebbero anche diffonderla in modo virale, ma poi semplicemente smettere di utilizzarla quando appare la prossima nuova app.

I due tipi di vantaggio – E perché solo uno sopravvive

Ci sono due tipi di vantaggi competitivi. Il primo ti consente di vincere qui e ora con un vantaggio chiaro – grazie a una conoscenza unica o a una caratteristica vincente che i concorrenti semplicemente non hanno. Il secondo ti consente di evitare di perdere a lungo termine, perché stai costruendo la sostenibilità.

Con i prodotti di intelligenza artificiale, la pratica reale sta già mostrando che il primo tipo di vantaggio viene cancellato estremamente rapidamente: i concorrenti chiudono la breccia a una velocità terrificante.

È per questo che ha senso concentrarsi sul secondo tipo: massima durabilità del prodotto. Ciò si ottiene costruendo un prodotto che possa funzionare con qualsiasi fornitore di modello di linguaggio e passare da uno all’altro all’istante – nel momento in cui il modello attuale su cui si basa l’azienda inizia chiaramente a rimanere indietro rispetto al prossimo migliore.

Date queste condizioni, la misura dell’indipendenza dagli strati di modello di linguaggio sottostanti diventa un moat più forte delle sole attività di marketing o tecnico. Essere agnostici nei confronti del fornitore non è solo un optional – è la sola posizione difendibile quando il terreno sotto di te si sposta mensilmente.

La complessità nascosta della strategia multi-modello

Mentre l’agnosticità del fornitore offre una protezione a lungo termine, l’implementazione rivela sfide significative. Come spiega Alexey Aylarov, “non è facile, poiché tutti i modelli hanno le loro specifiche e problemi”.

Il problema principale: i modelli di linguaggio non sono interscambiabili. L’output varia con lo stesso input – anche all’interno dello stesso modello di linguaggio, ma molto più drammaticamente quando si passa da un fornitore all’altro. Ogni modello reagisce ai prompt e alle istruzioni in modo diverso: alcuni seguono le linee guida meglio, altri peggio; le prestazioni possono essere specifiche della lingua o dell’obiettivo.

Un esempio concreto: considera i servizi di generazione di immagini/video come Sora o Veo. Date loro input identici e otterrete risultati completamente diversi. Questa varianza si applica a tutte le applicazioni dei modelli di linguaggio.

La sfida di regolazione: per mantenere la compatibilità multi-modello, è necessario:

• Creare prompt/istruzioni separati per ogni modello di linguaggio che producono il risultato desiderato
• Conoscere come ogni modello di linguaggio differisce e regolare gli input di conseguenza
• Intraprendere un lavoro che è spesso creativo piuttosto che di routine
• Accettare che questo processo è “relativamente difficile da automatizzare nella maggior parte dei casi”

Richiede uno sforzo di regolazione sostanziale per ogni modello. L’investimento iniziale è significativo: è necessario sviluppare prompt per tutti i modelli di linguaggio prima di poter passare liberamente tra di loro. Inoltre, questa preparazione copre solo i modelli esistenti – quando emergono nuovi modelli di linguaggio, il processo di regolazione inizia di nuovo.

Il moat deriva dall’aver investito nell’infrastruttura di testing, nell’esperienza di ingegneria dei prompt e nella disciplina operativa per mantenere effettivamente la compatibilità tra più modelli di linguaggio – e per ripetere questo processo mentre il panorama evolve. Questa capacità diventa una forma di profondità tecnica che i concorrenti non possono facilmente replicare, anche se capiscono la strategia.

Il paradosso: il tuo moat è nel non averne uno

Ecco cosa rende l’agnosticità del fornitore così potente: è l’unico vantaggio competitivo che diventa più forte mentre il mercato diventa più caotico.

Quando il tuo concorrente costruisce il proprio prodotto interamente su GPT-4 e un modello migliore si presenta, si trova di fronte a una ridisegnazione esistenziale. Quando hai costruito l’infrastruttura per passare da un modello all’altro, ti trovi di fronte a un martedì. Le aziende che sopravvivranno non saranno quelle che hanno scelto il modello giusto – saranno quelle che non hanno mai dovuto scegliere.

Sì, costruire per più modelli di linguaggio è costoso all’inizio. Sì, richiede un lavoro di ingegneria creativo che è difficile da automatizzare. Sì, stai essenzialmente mantenendo strategie di prompt parallele per ogni fornitore. Ma è proprio questo che crea la barriera all’ingresso. Il moat non è nella tecnologia stessa – è nella memoria muscolare operativa della gestione del cambiamento tecnologico.

La maggior parte delle aziende di intelligenza artificiale sta ottimizzando per vincere oggi. Le aziende agnostiche stanno ottimizzando per essere ancora qui domani. In un mercato in cui il balzo di ieri è la base di domani, quella distinzione è tutto.