AI-selskaper har ikke en grav – med mindre de slutter å velge side

Den ubehagelige sannheten om AI-produkter: din konkurransefordel har en holdbarhetstid målt i uker, ikke år.

Mens grunnleggende AI-laboratorier investerer milliarder i modeller som tar år å bygge, oppdager selskaper på applikasjonsnivå at gravene ikke eksisterer i den tradisjonelle forstand. Din dræperfunksjon? Reprodusert på fredag. Din tekniske fordel? Borte ved neste kvartal. Mangfoldet av spillere, tilgjengeligheten av grunnleggende modeller og innovasjonsfarten har skapt en markedsplass hvor å være først, å være best eller å være annerledes ikke lenger garanterer overlevelse.

Men det finnes en motintuitiv utvei: slutt å prøve å vinne med teknologi, og start med å bygge evnen til å overleve den. Den virkelige graven ligger ikke i AI-en du bruker – men i din evne til å bruke hvilken som helst AI.

Den grunnleggende skillelinjen

Det finnes en grunnleggende lag – de store modellene som ChatGPT, Grok og Gemini. Et få titalls modeller, trent forskjellig, hver med sine egne fordeler. Men dette er grunnleggende, forskningsintensivt arbeid: ingeniører som jobber i år, og som krever massive ressursinvesteringer. Hver av disse besitter en distinkt grav – ellers kan ikke ressursutgiftene rettferdiggjøres. Dette er nettopp hvorfor forsøk på å lokke ingeniører fra OpenAI er så godt publisert: de besitter unik ekspertise som ikke kan dyrkes raskt til noen pris.

Men på applikasjonsnivå er tingene helt annerledes. Langt færre ressurser er nødvendige, selv om litt mer kreativitet kreves for å finjustere en LLM og løse et forretningsproblem. Alle har sitt eget spill, sin egen tilnærming, sitt eget produkt. Mangfoldet av spillere dreper enhver mulighet for å ha en distinkt grav i noen marked – tekst, lyd eller bilde. Forretningsløsninger basert på grunnleggende AI dukker opp daglig, selskaper dukker opp jevnt, og ofte er de ikke å skille fra hverandre.

Mulige differensieringer i stemmeindustrien illustrerer denne utviklingen: først prøvde alle å gjøre stemmene høre maksimalt menneskelige ut, så ble hastighet spørsmålet og alle startet å løse samme oppgave raskt. Nå er vi i æraen for emosjonelle tags. I talegjenkjenning har hovedmålet – ord-feil-rate – merkbar forbedret med fremveksten av LLM-er som kan forstå kontekstuell ordpassende.

I korte trekk er fraværet av en grav forklart av mangelen på dybde i noen aspekt av et applikasjonsnivåprodukts eksistens: det er grunt både i AI-komponenten og i dens forretningsapplikasjon. Like som graven til et grunnleggende produkt forklares av dybden av dets utvikling.

Men trenger applikasjonsnivåprosjekter en grav? Hvis du jobber i et relativt stort marked, og du har mindre enn 30 konkurrenter – kan du la alt være som det er. Selvfølgelig kan konkurrentene være store som OpenAI og Anthropic – men her må du stole på en subjektiv fornemmelse av markedets størrelse og dynamikk, om det er nok mat til alle eller ikke. Men hvis markedet er relativt lite og konkurrentene spretter opp som sopp – må du veldig tydelig posisjonere din konkurransefordel. Det spiller ingen rol om konkurrentene raskt adopterer den.

Distribusjon som den virkelige graven

Jeg mistenker at til en viss grad dette er en gyldig påstand og at den virkelige graven ligger i distribusjonsdomenet, ikke i teknologien selv. Det som betyr mer er hvor raskt du skalerer din tilstedeværelse hos kunder og om produktets verdi sikrer god LTV. Ellers kan du bygge en B2C-applikasjon for brukerne å leke med, og de kan sogar spre den viralt, men så bare stoppe å bruke den når den neste nye appen dukker opp.

De to typer fordeler – og hvorfor bare en overlever

Det finnes to typer konkurransefordeler. Den første lar deg vinne her og nå med en tydelig fordel – takket være noen unik ekspertise eller dræperfunksjon som konkurrentene bare ikke har. Den andre lar deg unngå å tape på lang sikt, fordi du bygger bærekraft.

Med AI-produkter viser virkelige erfaringer allerede at den første typen fordel utradereksponeres ekstremt raskt: konkurrentene lukker gapet i en skremmende fart.

Derfor har det mening å fokusere på den andre typen: maksimal produktvarighet. Dette oppnås ved å bygge et produkt som kan fungere med enhver LLM-leverandør og skifte mellom dem øyeblikkelig – i det øyeblikket den nåværende modellen din forretning er bygget på begynner å tydelig falle bak den neste beste.

Gitt dette blir målet av uavhengighet fra underliggende LLM-lag en sterkere grav enn markedsførings- eller tekniske anstrengelser alene. Å være leverandør-agnostisk er ikke bare et hyggelig å ha – det er den eneste forsvarbare posisjonen når bakgrunnen under deg endrer seg månedlig.

Den skjulte kompleksiteten i multi-modell-strategi

Mens leverandør-agnostisk tilbyr langtidsbeskyttelse, avslører implementeringen betydelige utfordringer. Som Alexey Aylarov forklarer, “det er ikke lett, siden alle modeller har sine egne spesifikasjoner/problemer”.

Hovedproblemet: LLM-er er ikke byttbare. Utgangen varierer med samme inngang – selv innen samme LLM, men langt mer dramatisk når du skifter mellom leverandører. Hver modell reagerer forskjellig på instruksjoner og promter: noen følger retningslinjer bedre, andre verre; ytelse kan være språkspesifikk eller målspesifikk.

Et konkrekt eksempel: Vurdér bilde/video-genererings-tjenester som Sora eller Veo. Gi dem identisk inngang og du vil få helt forskjellige resultater. Denne variasjonen gjelder for alle LLM-applikasjoner.

Tilpasningsutfordringen: For å opprettholde multi-modell-kompatibilitet må du:

• Opprette separate promter/instruksjoner for hver LLM som produserer ditt ønskede resultat
• Kjenne til hvordan hver LLM forskjeller og tilpasse inngangene deretter
• Engasjere i arbeid som ofte er kreativt snarere enn rutinemessig
• Akseptere at denne prosessen er “relativt vanskelig å automatisere i de fleste tilfeller”

Det krever betydelig tilpasningsinnsats for hver modell. Forhåndsinvesteringen er betydelig: du må utvikle promter for alle LLM-er før du kan skifte fritt mellom dem. I tillegg dekker denne forberedelsen bare eksisterende modeller – når nye LLM-er dukker opp, begynner tilpasningsprosessen på nytt.

Graven kommer fra å ha investert i test-infrastruktur, prompt-ingeniør-ekspertise og operasjonell disiplin for å faktisk opprettholde kompatibilitet over flere LLM-er – og å gjenta denne prosessen når landskapet utvikler seg. Denne evnen blir en form for teknisk dybde som konkurrenter ikke lett kan replikere, selv om de forstår strategien.

Paradokset: Din grav er i ikke å ha en

Her er hva som gjør leverandør-agnostisk så kraftig: det er den eneste konkurransefordelen som blir sterkere når markedet blir mer kaotisk.

Når din konkurrent bygger hele produktet sitt på GPT-4 og en bedre modell dukker opp, står de overfor en eksistensiell redesign. Når du har bygget infrastrukturen for å skifte modeller, står du overfor en tirsdag. Selskapene som overlever vil ikke være de som valgte riktig modell – de vil være de som aldri måtte velge i det hele tatt.

Ja, å bygge for flere LLM-er er dyrt på forhånd. Ja, det krever kreativt ingeniørarbeid som er vanskelig å automatisere. Ja, du opprettholder i praksis parallelle prompt-strategier for hver leverandør. Men dette er nettopp hva som skaper barrieren for inngang. Graven ligger ikke i teknologien selv – den ligger i den operative muskelminnet for å håndtere teknologisk endring.

De fleste AI-selskaper optimaliserer for å vinne i dag. De agnostiske optimaliserer for å fortsatt være her i morgen. I et marked hvor gårsdagens gjennombrudd er morgendagens baseline, er denne distinksjonen alt.