์ฌ์ ๋ฆฌ๋
AI ๊ธฐ์ ๋ค์ MOAT๋ฅผ ๊ฐ์ง๊ณ ์์ง ์๋ค – ๋จ, ์ด๋ ํ ํธ์ ์ ํํ์ง ์์ผ๋ฉด
AI 제품에 대한 불편한 진실: 경쟁 우위를 점하는 기간은 주 단위로 측정되는 것이지, 연 단위로 측정되는 것이 아니다.
기초 AI 연구소에서는 수십억 달러를 투자하여 수년간 모델을 개발하지만, 애플리케이션 계층 회사들은 전통적인 의미에서 모트가 존재하지 않는다는 것을 발견하고 있다. 당신의 킬러 기능? 금요일까지 복제된다. 기술적인 우위? 다음 분기에 사라진다. 다양한 플레이어, 기초 모델의 접근성, 그리고 혁신의 속도는 먼저, 최고, 또는 다르게 존재하는 것이 더 이상 생존을 보장하지 않는 시장을 만들었다.
하지만 반직관적인 방법이 있다: 기술로 승리하려고 하지 말고, 그것을 переж기기 위한 능력을 구축하기 시작하라. 실제 모트는 사용하는 AI에 있지 않다 – 任意의 AI를 사용할 수 있는 능력에 있다.
기초 분할
기초 계층이 있다 – ChatGPT, Grok, Gemini와 같은 대형 모델. 수십 개의 모델이 다르게 훈련되어 각기 고유한 장점을 가지고 있다. 하지만 이것은 근본적인 연구 집중적인 작업이다: 수년간 노력하는 엔지니어,大量의 자원 투자가 필요하다. 각 모델은 고유한 모트를 가지고 있다 – 그렇지 않으면 자원 투자가 정당화될 수 없다. 이것이 왜 OpenAI의 엔지니어를 영입하는 시도가 इतन 잘 알려져 있는지 설명한다: 그들은 빠르게 배양할 수 없는 고유한 전문 지식을 가지고 있다.
그러나 애플리케이션 수준에서는 상황이 완전히 다르다. 훨씬 더 적은 자원이 필요하지만, 비즈니스 문제를 해결하기 위해 LLM을 미세하게 조정하는 데 약간 더 창의력이 필요하다. 모두가 자신의 게임, 자신의 접근 방식, 자신의 제품을 가지고 있다. 플레이어의 다양성이 모든 시장에서 모트를 가질 수 있는 가능성을 죽인다 – 텍스트, 오디오 또는 이미지. 기초 AI에 기반한 비즈니스 솔루션은 매일 등장하며, 회사들은 정기적으로 나타나며 종종 서로 구별할 수 없다.
음성 산업의 가능한 차별화는 이러한 진화를 설명한다: 처음에 모든 사람이 목소리를 최대한 인간처럼 만들려고 시도했다. 그런 다음 속도가 문제가 되고 모든 사람이 같은 작업을 빠르게 해결하기 시작했다. 이제 우리는 감정 태그의 시대에 있다. 음성 인식에서 주요 지표 – 단어/오류율 -은 문맥적 단어 적절성을 이해할 수 있는 LLM의 등장으로 크게 개선되었다.
간단히 말해서, 모트의 부재는 애플리케이션 수준 제품의 존재의 모든 측면에서 깊이가 없기 때문이다: AI 구성 요소와 비즈니스 애플리케이션 모두에서 얕다. 기초 제품의 모트는 개발의 깊이로 설명된다.
애플리케이션 수준 프로젝트는 모트가 필요할까? 상대적으로 큰 시장에서 일하고 30개 미만의 경쟁자가 있는 경우, 모든 것을 그대로 둘 수 있다. 물론 경쟁자는 OpenAI와 Anthropic과 같은 대형 회사일 수 있다 – 하지만 여기서 시장의 크기와 역학에 대한 주관적인 감각을 신뢰해야 한다. 모든 사람이 충분한 음식을 얻을 수 있는지 여부를 결정한다. 그러나 시장은 상대적으로 작고 경쟁자가 버섯처럼 생겨나면, 당신의 경쟁 우위를 매우 명확히 위치시켜야 한다. 경쟁자가 빠르게 채택하더라도.
배포를 실제 모트로
나는 어느 정도 이것이 유효한 주장이고 실제 모트는 기술 자체가 아닌 배포 영역에 있음을 의심한다. 클라이언트와 함께 빠르게 규모를 확장하는 것이 더 중요하며, 제품의 가치가 좋은 고객 수명 가치를 보장하는지 여부이다. 그렇지 않으면 사용자가 사용할 수 있는 B2C 애플리케이션을 구축할 수 있으며, 사용자가 그것을 바이러스적으로 퍼뜨릴 수도 있지만, 다음 새로운 앱이 나타나면 사용을 중지할 수 있다.
두 가지 유형의 우위 – 그리고 왜 하나만 살아남는가
경쟁 우위에는 두 가지 유형이 있다. 첫 번째는 현재 명확한 우위를 통해 승리하는 데 도움이 된다 – 고유한 노하우 또는 킬러 기능 때문에 경쟁자가 가지지 못하는 것이다. 두 번째는 장기적으로 패하지 않도록 도와준다 – 지속 가능성을 구축하기 때문이다.
AI 제품의 경우 실제 현실은 이미 첫 번째 유형의 우위가 매우 빠르게 지워진다는 것을 보여주고 있다: 경쟁자가 격렬한 속도로 차이를 메우고 있다.
그것은 두 번째 유형에 집중하는 것이 합리적이다: 최대 제품 내구성. 이것은瞬間적으로 전환할 수 있는任意의 LLM 제공업체와 함께 작동할 수 있는 제품을 구축함으로써 달성된다 – 현재 비즈니스에 기반을 둔 모델이 명백하게 뒤처지기 시작하는 순간.
이것이 기초 LLM 계층에서 독립성의 척도가 기술이나 마케팅 노력만큼 강력한 모트가 되는 이유이다. 벤더 중립적이지 않으면 좋을 것이지만, 이것은 매월 변화하는 기술적 변화에 대처하는 데 강력한 방어적 위치이다.
멀티 모델 전략의 숨겨진 복잡성
벤더 중립성이 장기적으로 보호를 제공하는 동안, 구현은 상당한 도전을 나타낸다. Alexey Aylarov는 “모델마다 고유한 특징/문제가 있기 때문에 쉽지 않다”고 설명한다.
핵심 문제: LLM은 교환 가능하지 않다. 동일한 입력에서 출력이 다르다 – 동일한 LLM 내에서조차, 그러나 제공업체를 전환할 때는 훨씬 더 극적으로. 각 모델은 지침과 지시에 다르게 반응한다: 일부 모델은 지침을 더 잘 따르며, 일부 모델은 언어 또는 목적에 따라 성능이 다를 수 있다.
구체적인 예: Sora 또는 Veo와 같은 이미지/비디오 생성 서비스를 고려하라. 동일한 입력을 제공하면 완전히 다른 결과가 나타난다. 이러한 차이는 모든 LLM 애플리케이션에 적용된다.
조정 도전: 멀티 모델 호환성을 유지하려면:
- 각 LLM에서 원하는 결과를 생성하는 별도의 프롬프트/지침을 생성해야 한다
- 각 LLM이 어떻게 다른지 알고 입력을 조정해야 한다
- 종종 창의적인 작업을 수행해야 한다 – 루틴 작업이 아니다
- 이 프로세스가 대부분의 경우 자동화하기 어렵다는 것을 받아들여야 한다
각 모델에 상당한 조정 노력이 필요하다. 초기 투자는 상당하다: 자유롭게 전환하기 전에 모든 LLM에 대한 프롬프트를 개발해야 한다. 또한 이 준비는 기존 모델만 다루며, 새로운 LLM이 등장하면 조정 프로세스가 다시 시작된다.
모트는 테스트 인프라에 투자하고, 프롬프트 엔지니어링 전문 지식과, 실제로 여러 LLM에서 호환성을 유지하는 운영 규율을 가지고 있으며, 이 프로세스를 반복하는 능력에서 나온다 – 랜드스케이프가 진화함에 따라. 이 기능은 경쟁자가 쉽게 복제할 수 없는 기술적인 깊이 형태가 된다 – 전략을 이해하더라도.
모순: 당신의 모트는 그것을 가지지 않는 것
벤더 중립성이 इतन 강력한 이유는 시장의 혼란이 커질수록競爭 우위가 더 강해지는 唯一의 경쟁 우위이기 때문이다.
경쟁자가 GPT-4에 기반한 제품을 구축하고 더 나은 모델이 등장하면, 그들은 존재론적인 재설계를 직면한다. 그러나 모델을 전환할 수 있는 인프라를 구축한 경우, 당신은 화요일을 직면한다. 생존하는 회사는 올바른 모델을 선택한 회사가 아니다 – 절대 선택하지 않은 회사가 된다.
예, 여러 LLM에 대한 구축은 초기에 비용이 많이 든다. 예, 이것은 자동화하기 어렵고 창의적인 엔지니어링 작업이 필요하다. 예, 당신은 실제로 각 제공업체에 대한 병렬 프롬프트 전략을 유지한다. 그러나 이것이 진입 장벽을 만드는 것이다. 모트는 기술 자체에 있지 않다 – 기술적 변화를 관리하는 운영적 근육 기억에 있다.
대부분의 AI 회사들은 오늘 승리하기 위해 최적화되고 있다. 중립적인 회사들은 내일 여전히 여기 있기 위해 최적화되고 있다.昨日の 혁신이 내일의 기준이 되는 시장에서, 이러한 구별은 모든 것을 결정한다.
