AI-bedrijven hebben geen moat – tenzij ze stoppen 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 toepassingslaagbedrijven dat moats in de traditionele zin niet bestaan. Uw killerfunctie? Gerepliceerd door vrijdag. Uw technische voorsprong? Verdwenen tegen het volgende kwartaal. De diversiteit aan spelers, de toegankelijkheid van fundamentale modellen en de snelheid van innovatie hebben een markt gecreëerd waarin het eerste, het beste of het anders zijn geen garantie meer voor overleving biedt.

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 zit niet in de AI die u gebruikt – het zit in uw vermogen om elke AI te gebruiken.

De fundamentale scheiding

Er is een fundamentale laag – de grote modellen zoals ChatGPT, Grok en Gemini. Een paar tientallen modellen, op verschillende manieren getraind, elk met zijn eigen voordelen. Maar dit is fundamenteel, onderzoeksintensief werk: ingenieurs die jarenlang werken, waarvoor een enorme investering in middelen nodig is. Elk van deze modellen heeft een duidelijke moat – anders kan de middelenuitgave niet worden gerechtvaardigd. Dit is precies waarom pogingen om ingenieurs van OpenAI te werven zo goed worden geadverteerd: ze beschikken over unieke expertise die niet snel tegen elke prijs kan worden gekweekt.

Maar op het niveau van de toepassing liggen de zaken compleet anders. Er zijn veel minder middelen nodig, hoewel iets meer creativiteit vereist is om een LLM te fine-tunen en een bedrijfsprobleem op te lossen. Iedereen heeft zijn eigen spel, zijn eigen benadering, zijn eigen product. De diversiteit aan spelers maakt elke mogelijkheid om een duidelijke moat in elke markt te hebben onmogelijk – tekst, audio of beeld. Bedrijfsoplossingen op basis van fundamentale AI komen dagelijks 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 metric – woord/foutpercentage – aanzienlijk verbeterd met de opkomst van LLM’s die contextuele woordgeschiktheid kunnen begrijpen.

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

Maar hebben toepassingslaagprojecten 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 subjectief gevoel van marktgrootte en -dynamiek, of er genoeg voedsel voor iedereen is 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 in het distributiedomein ligt, 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 via virale verspreiding verspreiden, maar dan gewoon stoppen met het gebruik ervan 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 enige unieke know-how of killerfunctie die concurrenten simpelweg niet hebben. De tweede laat u op lange termijn verlies vermijden, 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 verontrustende snelheid.

Daarom is het zinvol om u te concentreren 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 zodra het huidige model waarop uw bedrijf is gebouwd, duidelijk achterloopt op 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. Vendor-agnostisch zijn is niet alleen een leukheidje – het is de enige verdedigbare positie wanneer de grond onder u maandelijks verschuift.

De verborgen complexiteit van een multi-modelstrategie

Terwijl vendor-agnostisch zijn 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 Core-probleem: LLM’s zijn niet uitwisselbaar. De uitvoer varieert met dezelfde invoer – zelfs binnen dezelfde LLM, maar nog dramatischer wanneer u tussen providers schakelt. Elk model reageert op prompts en instructies anders: sommige volgen richtlijnen beter, anderen slechter; prestaties kunnen taalspecifiek of doelspecifiek zijn.

Een concreet voorbeeld: overweeg afbeelding/video-genererende diensten zoals Sora of Veo. Geef ze identieke invoer en u krijgt compleet verschillende resultaten. Deze variatie geldt voor alle LLM-toepassingen.

De Tuning-uitdaging: om multi-modelcompatibiliteit 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 te automatiseren in de meeste gevallen” is

Het vereist een aanzienlijke inspanning voor het afstemmen van 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 investeren in de testinfrastructuur, de expertise van prompt-engineering en de operationele discipline om daadwerkelijk compatibiliteit over meerdere LLM’s te behouden – en om dit proces te herhalen terwijl het landschap evolueert. Deze capaciteit wordt een vorm van technische diepgang 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 vendor-agnostisch zijn 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 exact wat de drempel tot toetreding creëert. De moat zit niet in de technologie zelf – het zit in het operationele geheugen van het beheersen van technologische verandering.

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