AI企業にはモートは存在しない – 除非彼らが立場を選ばない限り

AI製品に関する不快な真実：あなたの競争上の優位性は、週単位で測られる期間を持つことになります。

基礎的なAI研究所は、数年かけて構築されるモデルに数十億ドルを投資していますが、アプリケーションレイヤーの企業は、伝統的な意味でのモートが存在しないことを発見しています。あなたのキラー機能？金曜日に複製されます。技術的なエッジ？来期までに消え去ります。プレイヤーの多様性、基礎モデルのアクセシビリティ、イノベーションのスピードが、最初に、最も優秀に、または異なることを保証することができなくなった市場を作り出しています。

しかし、逆説的な抜け道があります：テクノロジーで勝とうとするのをやめ、生き残る能力を構築し始めましょう。実際のモートは、使用するAIの中にありません – どのAIでも使用できる能力にあります。

基礎的な分裂

基礎的なレイヤーがあります – ChatGPT、Grok、Geminiのような大規模モデル。数十のモデルがあり、それぞれ異なる優位性を持っています。しかし、これは基礎的な、研究集約的な作業です：エンジニアが数年間労働し、巨大なリソース投資が必要です。各モデルには独自のモートがあります – そうでなければ、リソースの支出は正当化できないからです。これが、OpenAIのエンジニアを引き抜こうとする試みが広く報道されている理由です：彼らは、どの価格でさえも急速に育てることができない独自の専門知識を持っています。

しかし、アプリケーションレベルでは、状況は完全に異なります。必要なリソースははるかに少なく、基礎モデルの微調整とビジネス問題の解決に少し большеの創造性が必要です。誰もが自分のゲームを持っています。自分のアプローチ、自分の製品があります。プレイヤーの多様性が、テキスト、オーディオ、または画像のどの市場でも独自のモートの可能性を排除します。基礎的なAIに基づくビジネスソリューションが毎日登場し、企業が頻繁に現れ、そしてそれらはしばしば互いに区別できません。

ボイス業界の可能な違いは、この進化を示しています：初期の段階では、誰もが声が可能な限り人間に近づくようにしようとしました。次に、スピードが問題となり、誰もが同じタスクを迅速に解決し始めました。現在、感情タグの時代にあります。音声認識では、主なメトリック – 誤認語率 – は、コンテキストでの単語の適切性を理解できるLLMの出現により、著しく改善されています。

簡単に言えば、モートの欠如は、アプリケーションレベルの製品の存在のどの側面でも深さの欠如によって説明されます：AIコンポーネントとビジネスアプリケーションの両方で浅いです。基礎モデルのモートは、その開発の深さによって説明されるのと同様にです。

しかし、アプリケーションレベルのプロジェクトにはモートが必要ですか？あなたが比較的大きな市場で働いており、30未満の競合他社がある場合 – すべてをそのままにできます。もちろん、OpenAIやAnthropicのような大きな競合他社がいるかもしれません – しかし、ここでは、市場のサイズとダイナミクスの主観的な感覚に頼る必要があります。誰にとっても十分な「食べ物」があるかどうか、またはありません。

配布としての実際のモート

私はある程度、妥当な主張であると思います。実際のモートはテクノロジー自体ではなく、配布ドメインにあります。クライアントとのあなたの存在をどれだけすばやく拡大できるか、そして製品の価値が良いLTVを保証するかが重要です。そうでない場合、ユーザーが遊ぶB2Cアプリケーションを構築でき、そしてそれらはウイルス的に広まるかもしれませんが、次の新しいアプリが出てきたら、単にそれを使い止めることになります。

2つのタイプの優位性 – そしてなぜ1つだけが生き残る

競争上の優位性の2つのタイプがあります。最初のタイプは、明確なエッジがある現在に勝つことを可能にします – 独自のノウハウまたは競合他社が持っていないキラー機能のおかげで。

AI製品では、実践はすでに、最初のタイプの優位性が非常に速く消え去られることを示しています：競合他社がギャップを埋めるスピードは恐ろしいものです。

したがって、2番目のタイプに焦点を当てることが意味があります：最大の製品の耐久性。これは、どのLLMプロバイダーでも機能し、瞬時にそれらを切り替えることができる製品を構築することで達成されます – 現在のビジネスが構築されているモデルが明らかに次のベストモデルに遅れ始めたとき。

これにより、基礎となるLLMレイヤーからの独立性の尺度が、単独のマーケティングまたは技術的な努力よりも強力なモートになることになります。ベンダーに依存しないことは、好ましいものではありません – それは、毎月地面が変化するときに防御可能な立場です。

マルチモデル戦略の隠れた複雑さ

ベンダー非依存性は長期的な保護を提供しますが、実装は重大な課題を明らかにします。Alexey Aylarovによると、「簡単ではありません。すべてのモデルには独自の特性/問題があります」。

コア問題：LLMは交換可能ではありません。同じ入力で出力が変わります – 同じLLM内でさえも、しかしプロバイダーを切り替えたときにははるかに劇的に変わります。各モデルは異なる方法でプロンプトや指示に反応します：一部のモデルはガイドラインをより良く従い、他のモデルはそれほど従いません。パフォーマンスは言語特有のものかもしれませんし、目標特有のものかもしれません。

具体的な例：SoraやVeoのような画像/ビデオ生成サービスを考えてみましょう。同じ入力を与えると、完全に異なる結果が得られます。この変数は、すべてのLLMアプリケーションに適用されます。

調整の課題：マルチモデルの互換性を維持するには、次のようになります：

• 各LLM用に個別のプロンプト/指示を作成し、望ましい結果を生成します
• 各LLMがどのように異なるかを理解し、入力を調整します
• 創造的な作業に従事することが多いルーチンワークではなく
• このプロセスは「ほとんどの場合、自動化するのが比較的難しい」ということを受け入れる

各モデルに相当程度の調整努力が必要です。初期投資は大きいです：あなたは、自由に切り替える前にすべてのLLM用のプロンプトを開発する必要があります。また、この準備は既存のモデルにのみ対応しており、新しいLLMが登場すると、調整プロセスは再開されます。

モートは、テストインフラストラクチャ、プロンプトエンジニアリングの専門知識、そして実際に複数のLLM間の互換性を維持するための運用上の規律に投資することから来ます。さらに、このプロセスは、ランドスケープが進化するにつれて繰り返されます。この機能は、競合他社が戦略を理解していても簡単に複製できない技術的な深さの一種になります。

パラドックス：あなたのモートは、モートを持たないことにある

ベンダー非依存性が så 強力な理由は、市場がより混沌としてくなるにつれて、競争上の優位性が強化されるからです。

あなたの競合他社が製品の全体をGPT-4に基づいて構築し、より優れたモデルが登場した場合、彼らは存続上の再設計に直面します。ただし、モデルを切り替えるためのインフラストラクチャを構築した場合、あなたは火曜日を迎えるだけです。生き残る会社は、正しいモデルを選択した会社ではありません – モデルを選択する必要がなかった会社です。

はい、マルチモデルの構築は初期費用がかかります。はい、自動化が難しい創造的なエンジニアリング作業が必要です。はい、あなたは基本的に各プロバイダー用の並行したプロンプト戦略を維持しています。しかし、これがバリアーを生み出します。モートはテクノロジー自体の中にありません – それは技術的な変化を管理するための運用上の筋肉記憶の中にあります。

ほとんどのAI企業は、今日に勝つことを最適化しています。非依存的な企業は、明日もまだ存在することを最適化しています。昨日のブレークスルーが明日の基準となる市場では、この区別はすべてを意味します。