AI’s Trillion-Dollar Probleem

Nu we 2025 ingaan, staat de kunstmatige intelligentie-sector op een cruciaal keerpunt. Terwijl de industrie nog steeds ongekende investeringen en aandacht trekt – vooral binnen het landschap van generatieve AI – suggereren enkele onderliggende marktdynamieken dat we op weg zijn naar een grote verschuiving in het AI-landschap in het komende jaar.

Op basis van mijn ervaring als leidinggevende van een AI-startup en observerend van de snelle evolutie van de industrie, denk ik dat dit jaar veel fundamentele veranderingen met zich mee zal brengen: van grote conceptmodellen (LCM’s) die als serieuze concurrenten van grote taalmodellen (LLM’s) zullen opkomen, tot de opkomst van gespecialiseerde AI-hardware, en de grote technologiebedrijven die grote AI-infrastructuuruitbreidingen zullen starten die hen eindelijk in staat zullen stellen om startups zoals OpenAI en Anthropic te overtreffen – en wie weet, misschien zelfs hun AI-monopolie veilig te stellen.

Unieke Uitdaging voor AI-Bedrijven: Geen Software of Hardware

Het fundamentele probleem ligt in de manier waarop AI-bedrijven opereren in een eerder ongezien middengebied tussen traditionele software- en hardwarebedrijven. In tegenstelling tot pure softwarebedrijven die voornamelijk investeren in menselijk kapitaal met relatief lage operationele uitgaven, of hardwarebedrijven die langetermijninvesteringen doen met duidelijke rendementen, worden AI-bedrijven geconfronteerd met een unieke combinatie van uitdagingen die hun huidige financieringsmodellen precair maken.

Deze bedrijven hebben enorme voorinvesteringen nodig voor GPU-clusters en infrastructuur, waarbij ze jaarlijks $100-200 miljoen uitgeven aan rekenbronnen alleen. Toch kunnen ze, in tegenstelling tot hardwarebedrijven, deze investeringen niet over langere perioden afschrijven. In plaats daarvan opereren ze op samengeperste tweejaarlijkse cycli tussen financieringsrondes, waarbij ze elke keer moeten aantonen dat ze exponentiële groei en state-of-the-art-prestaties behalen om hun volgende waarderingsverhoging te rechtvaardigen.

LLM’s Differentiatieprobleem

Hierbij komt een zorgwekkende trend: de snelle convergentie van de mogelijkheden van grote taalmodellen (LLM’s). Startups, zoals de unicorn Mistral AI en anderen, hebben aangetoond dat open-sourcemodellen prestaties kunnen behalen die vergelijkbaar zijn met die van hun gesloten broncounterparts, maar de technische differentiatie die eerder hoge waarderingen rechtvaardigde, wordt steeds moeilijker te behouden.

Met andere woorden, terwijl elk nieuw LLM indrukwekkende prestaties vertoont op basis van standaardbenchmarks, vindt er geen significante verschuiving plaats in de onderliggende modelarchitectuur.

De huidige beperkingen in dit domein komen voort uit drie kritieke gebieden: gegevensbeschikbaarheid, aangezien we zonder hoogwaardige trainingsmateriaal komen (zoals onlangs bevestigd door Elon Musk); curatiemethoden, aangezien ze allemaal soortgelijke menselijke feedbackbenaderingen hanteren die door OpenAI zijn gepionierd; en computatiearchitectuur, aangezien ze afhankelijk zijn van hetzelfde beperkte pool van gespecialiseerde GPU-hardware.

Wat naar voren komt, is een patroon waarbij de winst steeds meer voortkomt uit efficiëntie in plaats van schaal. Bedrijven richten zich op het comprimeren van meer kennis in minder tokens en het ontwikkelen van betere technische artefacten, zoals opvragingssystemen zoals grafiek-RAG’s (retrieval-augmented generation). Eigenlijk komen we dichter bij een natuurlijk plateau waarbij het werpen van meer bronnen naar het probleem afneemt.

Door de ongekende innovatiesnelheid in de afgelopen twee jaar, gebeurt deze convergentie van LLM-mogelijkheden sneller dan iemand had verwacht, waardoor een race tegen de klok ontstaat voor bedrijven die fondsen hebben opgehaald.

Op basis van de laatste onderzoektrends, is de volgende frontier om dit probleem aan te pakken de opkomst van grote conceptmodellen (LCM’s) als een nieuwe, baanbrekende architectuur die concurreert met LLM’s in hun kerngebied, dat is natuurlijke taalverwerking (NLP).

Technisch gezien zullen LCM’s verschillende voordelen hebben, waaronder de mogelijkheid om betere prestaties te behalen met minder iteraties en de mogelijkheid om soortgelijke resultaten te behalen met kleinere teams. Ik geloof dat deze next-gen LCM’s zullen worden ontwikkeld en gecommercialiseerd door spin-off teams, de beroemde ‘ex-big tech’-pioniers die nieuwe startups oprichten om deze revolutie te leiden.

Monetariseringstijdlijn Mismatch

De compressie van innovatiecycli heeft een ander kritiek probleem gecreëerd: de mismatch tussen tijd-tot-markt en duurzame monetisering. Terwijl we ongekende snelheid zien in de verticalisatie van AI-toepassingen – met bijvoorbeeld spraak-AI-agents die van concept tot omzetgenererende producten gaan in enkele maanden – maskeert deze snelle commercialisering een dieper probleem.

Bedenk dit: een AI-startup die vandaag voor $20 miljard wordt gewaardeerd, zal waarschijnlijk ongeveer $1 miljard aan jaarlijkse omzet moeten genereren binnen 4-5 jaar om een redelijke multiplicator te rechtvaardigen. Dit vereist niet alleen technische excellentie, maar ook een dramatische transformatie van het hele bedrijfsmodel, van R&D-georiënteerd naar verkoopgedreven, terwijl het tempo van innovatie en de enorme infrastructuurkosten worden behouden.

In die zin zullen de nieuwe LCM-georiënteerde startups die in 2025 zullen ontstaan, beter gepositioneerd zijn om fondsen op te halen, met lagere initiële waarderingen die hen aantrekkelijker maken voor beleggers.

Hardwaretekort en Nieuwe Alternatieven

Laten we eens nauwkeuriger kijken naar de infrastructuur. Vandaag de dag wordt elke nieuwe GPU-cluster gekocht voordat deze is gebouwd door de grote spelers, waardoor kleinere spelers worden gedwongen om zich te binden aan langetermijncontracten met cloudproviders of het risico lopen om volledig uit de markt te worden gedrukt.

Maar hier is wat echt interessant: terwijl iedereen vecht om GPU’s, is er een fascinerende verschuiving in het hardwarelandschap die nog steeds grotendeels over het hoofd wordt gezien. De huidige GPU-architectuur, genaamd GPGPU (General Purpose GPU), is buitengewoon inefficiënt voor wat de meeste bedrijven in productie nodig hebben. Het is alsof je een supercomputer gebruikt om een rekenmachine-app uit te voeren.

Dit is waarom ik geloof dat gespecialiseerde AI-hardware de volgende grote verschuiving in onze industrie zal zijn. Bedrijven zoals Groq en Cerebras (CBRS ) bouwen inferentiespecifieke hardware die 4-5 keer goedkoper is in gebruik dan traditionele GPU’s. Ja, er is een hogere ingenieurskost vooraf om modellen voor deze platforms te optimaliseren, maar voor bedrijven die grote inferentiewerklasten uitvoeren, zijn de efficiëntiegewinnen duidelijk.

Gegevensdichtheid en de Opkomst van Kleinere, Slimmere Modellen

Het verplaatsen naar de volgende innovatiegrens in AI zal waarschijnlijk niet alleen grotere rekenkracht vereisen – vooral voor grote modellen zoals LCM’s – maar ook rijkere, meer omvattende datasets.

Interessant genoeg beginnen kleinere, efficiëntere modellen grotere modellen uit te dagen door te profiteren van hoe dicht ze op beschikbare gegevens worden getraind. Bijvoorbeeld, modellen zoals Microsoft’s (MSFT ) FeeFree of Google’s Gema2B, werken met veel minder parameters – vaak ongeveer 2 tot 3 miljard – en behalen prestatieniveaus die vergelijkbaar zijn met die van veel grotere modellen met 8 miljard parameters.

Deze kleinere modellen zijn steeds concurrerender omdat ze een hoge gegevensdichtheid hebben, waardoor ze robuust zijn ondanks hun formaat. Deze verschuiving naar compacte, maar krachtige modellen, komt overeen met de strategische voordelen die bedrijven zoals Microsoft en Google hebben: toegang tot enorme, diverse datasets via platforms zoals Bing en Google Search.

Deze dynamiek onthult twee kritieke “oorlogen” die zich in de AI-ontwikkeling afspelen: een over rekenkracht en een over gegevens. Terwijl rekenbronnen essentieel zijn voor het verleggen van grenzen, wordt gegevensdichtheid even belangrijk, zo niet belangrijker. Bedrijven met toegang tot enorme datasets zijn uniek gepositioneerd om kleinere modellen te trainen met ongeëvenaarde efficiëntie en robuustheid, waardoor ze hun dominantie in het evoluerende AI-landschap versterken.

Wie Zal de AI-Oorlog Winnen?

In deze context vraagt iedereen zich af wie in het huidige AI-landschap het best gepositioneerd is om te winnen. Hier is wat voer voor gedachten.

Grote technologiebedrijven hebben GPU-clusters vooraf gekocht voordat ze zijn gebouwd, waardoor een schaarste-omgeving voor kleinere spelers is gecreëerd. Oracle’s bestelling van 100.000+ GPU’s en soortgelijke bewegingen van Meta en Microsoft exemplificeren deze trend.

Na investeringen van honderden miljarden in AI-initiatieven, hebben deze bedrijven duizenden gespecialiseerde AI-ingenieurs en onderzoekers nodig. Dit creëert een ongekende vraag naar talent dat alleen kan worden bevredigd door strategische overnames – waarschijnlijk resulterend in veel startups die in de komende maanden worden opgenomen.

Terwijl 2025 zal worden besteed aan grootschalige R&D en infrastructuuruitbreidingen voor deze actoren, zullen ze in 2026 in staat zijn om te slaan zoals nooit tevoren vanwege ongeëvenaarde bronnen.

Dit betekent niet dat kleinere AI-bedrijven gedoemd zijn – verre van dat. De sector zal blijven innoveren en waarde creëren. Sommige sleutelinnovaties in de sector, zoals LCM’s, zullen waarschijnlijk worden geleid door kleinere, opkomende actoren in het komende jaar, naast Meta, Google/Alphabet (GOOG ) en OpenAI met Anthropic, die allemaal spannende projecten uitvoeren op dit moment.

Echter, we zullen waarschijnlijk een fundamentele herstructurering zien van hoe AI-bedrijven worden gefinancierd en gewaardeerd. Terwijl venture capital meer selectief wordt, moeten bedrijven duidelijke paden naar duurzame unit-economie aantonen – een bijzondere uitdaging voor open-sourcebedrijven die concurreren met goed uitgeruste propriëtaire alternatieven.

Voor open-source AI-bedrijven in het bijzonder, kan de weg vooruit vereisen dat ze zich richten op specifieke verticale toepassingen waar hun transparantie en aanpasbaarheidsmogelijkheden duidelijke voordelen bieden ten opzichte van propriëtaire oplossingen.