AI-bedrijven hebben geen Moat – tenzij ze ophouden met partij kiezen

De ongemakkelijke waarheid over AI-producten: uw concurrentievoordeel heeft een houdbaarheidsdatum van weken, niet jaren.

Terwijl fundamentale AI-labs miljarden investeren in modellen die jaren duren om te bouwen, ontdekken toepassingsgerichte bedrijven dat moats in de traditionele zin niet bestaan. Uw dodelijke functie? Gedupliceerd tegen vrijdag. Uw technische voorsprong? Verdwenen tegen het volgende kwartaal. De diversiteit van spelers, de toegankelijkheid van fundamentale modellen en de snelheid van innovatie hebben een markt gecreëerd waarin het zijn van de eerste, de beste of het anders zijn niet langer garandeert overleving.

Maar er is een tegenintuïtieve manier om hier uit te komen: stop met proberen te winnen met technologie en begin met het opbouwen van de capaciteit om het te overleven. De echte moat ligt niet in de AI die u gebruikt – het ligt in uw vermogen om elke AI te gebruiken.

De Fundamentele Scheiding

Er is een fundamentele laag – de grote modellen zoals ChatGPT, Grok en Gemini. Enkele tientallen modellen, op verschillende manieren getraind, elk met zijn eigen voordelen. Maar dit is fundamenteel, onderzoeksintensief werk: ingenieurs die jarenlang werken, waarvoor een enorme resource-investering nodig is. Elk van deze modellen heeft een aparte moat – anders kan de resource-uitgave niet worden gerechtvaardigd. Dit is precies waarom pogingen om ingenieurs van OpenAI te werven zo goed worden geadverteerd: ze bezitten unieke expertise die niet snel tegen enige prijs kan worden ontwikkeld.

Maar op het niveau van de toepassing zijn de dingen compleet anders. Veel minder resources zijn nodig, hoewel iets meer creativiteit is vereist om een LLM te fine-tunen en een bedrijfsprobleem op te lossen. Iedereen heeft zijn eigen spel, zijn eigen aanpak, zijn eigen product. De diversiteit van spelers doodt elke mogelijkheid om een aparte moat in elke markt te hebben – tekst, audio of beeld. Bedrijfsoplossingen op basis van fundamentale AI komen elke dag tevoorschijn, bedrijven verschijnen regelmatig en vaak zijn ze niet van elkaar te onderscheiden.

Mogelijke differentiatoren in de spraakindustrie illustreren deze evolutie: aanvankelijk probeerde iedereen om stemmen zo menselijk mogelijk te laten klinken, toen werd snelheid de vraag en iedereen begon hetzelfde probleem snel op te lossen. Nu zijn we in de tijd van emotionele tags. In spraakherkenning is de belangrijkste metriek – woord/foutpercentage – aanzienlijk verbeterd met de komst van LLM’s die contextuele woordgeschiktheid kunnen begrijpen.

In het kort wordt de afwezigheid van een moat verklaard door het gebrek aan diepte in elk aspect van het bestaan van een toepassingsgericht product: het is ondiep zowel in de AI-component als in de bedrijfstoepassing. Net zoals de moat van een fundamenteel product wordt verklaard door de diepte van de ontwikkeling.

Maar hebben toepassingsgerichte projecten een moat nodig? Als u werkt in een relatief grote markt en u heeft minder dan 30 concurrenten, kunt u alles laten zoals het is. Natuurlijk kunnen concurrenten grote spelers zijn zoals OpenAI en Anthropic – maar hier moet u vertrouwen op een subjectieve gevoel van marktgrootte en -dynamiek, of er genoeg voedsel is voor iedereen of niet. Maar als de markt relatief klein is en concurrenten als paddenstoelen uit de grond schieten – dan moet u uw concurrentievoordeel heel duidelijk positioneren. Het maakt niet uit of concurrenten het snel overnemen.

Distributie als de echte Moat

Ik vermoed dat dit tot op zekere hoogte een geldige bewering is en dat de echte moat ligt in het distributiedomein, niet in de technologie zelf. Wat meer telt is hoe snel u uw aanwezigheid bij klanten kunt opschalen en of de waarde van het product een goede LTV garandeert. Anders kunt u een B2C-toepassing voor gebruikers bouwen om mee te spelen, en ze kunnen het zelfs virale verspreiding geven, maar dan stoppen ze er gewoon mee als de volgende nieuwe app verschijnt.

De twee soorten Voordelen – en waarom alleen één overleeft

Er zijn twee soorten concurrentievoordelen. De eerste laat u hier en nu winnen met een duidelijke voorsprong – dankzij unieke know-how of een dodelijke functie die concurrenten simpelweg niet hebben. De tweede laat u verliezen in de lange termijn, omdat u duurzaamheid opbouwt.

Bij AI-producten toont de praktijk in de echte wereld al aan dat het eerste type voordeel extreem snel wordt uitgewist: concurrenten sluiten de kloof met een angstaanjagende snelheid.

Daarom is het zinvol om te focussen op het tweede type: maximale productduurzaamheid. Dit wordt bereikt door een product te bouwen dat met elke LLM-provider kan werken en tussen hen kan schakelen op het moment dat het huidige model waarop uw bedrijf is gebouwd, duidelijk achterblijft bij het volgende beste model.

Gezien dit wordt de mate van onafhankelijkheid van de onderliggende LLM-lagen een sterkere moat dan marketing- of technische inspanningen alleen. Onafhankelijkheid van leveranciers is niet alleen een leukheidje – het is de enige verdedigbare positie wanneer de grond onder u maandelijks verschuift.

De verborgen complexiteit van een Multi-Model Strategie

Terwijl onafhankelijkheid van leveranciers op lange termijn bescherming biedt, toont de implementatie aanzienlijke uitdagingen. Zoals Alexey Aylarov uitlegt, “het is niet gemakkelijk, omdat alle modellen hun eigen specificaties/problemen hebben.”

Het Kernprobleem: LLM’s zijn niet inwisselbaar. De uitvoer varieert met dezelfde invoer – zelfs binnen hetzelfde LLM, maar veel dramatischer wanneer u tussen providers schakelt. Elk model reageert op prompts en instructies op een andere manier: sommige volgen richtlijnen beter, anderen slechter; prestaties kunnen specifiek zijn voor taal of doel.

Een concreet voorbeeld: overweeg beeld/video-genererende diensten zoals Sora of Veo. Geef ze identieke invoer en u krijgt compleet verschillende resultaten. Deze variatie is van toepassing op alle LLM-toepassingen.

De Afstemmingsuitdaging: om multi-model compatibiliteit te behouden, moet u:

• Afzonderlijke prompts/instructies voor elk LLM maken die uw gewenste resultaat produceren
• Weten hoe elk LLM verschilt en invoer dienovereenkomstig afstemmen
• U zich bezighouden met werk dat vaak creatief is in plaats van routine
• Aanvaarden dat dit proces “relatief moeilijk is om te automatiseren in de meeste gevallen”

Het vereist een aanzienlijke afstemmingsinspanning voor elk model. De initiële investering is aanzienlijk: u moet prompts voor alle LLM’s ontwikkelen voordat u vrij tussen hen kunt schakelen. Bovendien dekt deze voorbereiding alleen bestaande modellen – wanneer nieuwe LLM’s verschijnen, begint het afstemmingsproces opnieuw.

De moat komt voort uit het feit dat u geïnvesteerd heeft in de testinfrastructuur, de prompt-engineering-expertise en de operationele discipline om daadwerkelijk compatibiliteit over meerdere LLM’s te behouden – en om dit proces te herhalen naarmate het landschap evolueert. Deze capaciteit wordt een vorm van technische diepte die concurrenten niet gemakkelijk kunnen repliceren, zelfs als ze de strategie begrijpen.

De Paradox: uw Moat is er een van het niet hebben van een

Dit is wat onafhankelijkheid van leveranciers zo krachtig maakt: het is het enige concurrentievoordeel dat sterker wordt naarmate de markt chaotischer wordt.

Wanneer uw concurrent zijn hele product op GPT-4 bouwt en een beter model verschijnt, staat hij voor een existentiële redesign. Wanneer u de infrastructuur heeft gebouwd om modellen te schakelen, staat u voor een dinsdag. De bedrijven die overleven, zullen niet degenen zijn die het juiste model hebben gekozen – ze zullen degenen zijn die nooit hebben hoeven kiezen.

Ja, het bouwen voor meerdere LLM’s is duur in het begin. Ja, het vereist creatief engineeringswerk dat moeilijk te automatiseren is. Ja, u onderhoudt in wezen parallelle promptstrategieën voor elke provider. Maar dit is precies wat de toegangsblokkade creëert. De moat ligt niet in de technologie zelf – het ligt in de operationele spierherinnering van het beheersen van technologische verandering.

De meeste AI-bedrijven zijn gericht op winnen vandaag. De onafhankelijke bedrijven zijn gericht op er morgen nog zijn. In een markt waarin gisterens doorbraak morgens basislijn is, is dat onderscheid alles.