Firmy AI nie mają przewagi konkurencyjnej – chyba że przestaną wybierać strony

Niekomfortowa prawda o produktach AI: Twoja przewaga konkurencyjna ma datę ważności liczoną w tygodniach, a nie latach.

Podczas gdy podstawowe laboratoria AI inwestują miliardy w modele, które wymagają lat rozwoju, firmy z poziomu aplikacji odkrywają, że przewagi konkurencyjne nie istnieją w tradycyjnym sensie. Twój zabójczy funkcjonalność? Zduplikowany do piątku. Twoja przewaga technologiczna? Zniknęła do następnego kwartału. Różnorodność graczy, dostępność modeli podstawowych i szybkość innowacji stworzyły rynek, w którym bycie pierwszym, najlepszym lub różnym nie gwarantuje już przetrwania.

Jednak jest sposób, by wyjść z tej sytuacji: przestań próbować wygrywać z technologią i zacznij budować zdolność do przetrwania jej. Prawdziwa przewaga konkurencyjna nie leży w AI, którą używasz – leży w Twojej zdolności do używania dowolnej AI.

Podział podstawowy

Istnieje warstwa podstawowa – duże modele takie jak ChatGPT, Grok i Gemini. Kilkadziesiąt modeli, szkolonych inaczej, każdy posiadający swoje własne zalety. Ale to jest podstawowa, wymagająca dużych nakładów pracy badawczo-rozwojowej: inżynierowie pracujący przez lata, wymagający ogromnych inwestycji. Każdy z nich posiada wyraźną przewagę – w przeciwnym razie nie można by uzasadnić nakładów. Dlatego właśnie próby werbowania inżynierów z OpenAI są tak szeroko komentowane: posiadają unikalną wiedzę, którą nie można szybko rozwinąć za żadną cenę.

Ale na poziomie aplikacji wszystko jest zupełnie inaczej. Wymagane są o wiele mniejsze nakłady, choć trochę więcej kreatywności jest wymagane, aby dostosować model językowy i rozwiązać problem biznesowy. Każdy ma swoją własną grę, swój własny podejście, swój własny produkt. Różnorodność graczy zabija wszelką możliwość posiadania wyraźnej przewagi na jakimkolwiek rynku – tekst, audio lub obraz. Rozwiązania biznesowe oparte na AI podstawowych pojawiają się codziennie, firmy pojawiają się regularnie, a często są nie do odróżnienia od siebie.

Możliwe różnice w branży głosowej ilustrują tę ewolucję: początkowo każdy próbował uczynić głosy brzmiącymi maksymalnie jak ludzkie, potem szybkość stała się pytaniem i wszyscy zaczęli rozwiązywać ten sam problem szybko. Teraz jesteśmy w erze tagów emocjonalnych. W rozpoznawaniu mowy główny wskaźnik – współczynnik błędów słów – znacznie poprawił się z pojawieniem się modeli językowych, które potrafią zrozumieć kontekstowe odpowiedniość słów.

W skrócie, brak przewagi konkurencyjnej jest wyjaśniony brakiem głębi w jakimkolwiek aspekcie istnienia produktu na poziomie aplikacji: jest płytki zarówno w składniku AI, jak i w aplikacji biznesowej. Podobnie jak przewaga modelu podstawowego jest wyjaśniona głębią jego rozwoju.

Czy jednak projekty na poziomie aplikacji potrzebują przewagi? Jeśli pracujesz na dość dużym rynku i masz mniej niż 30 konkurentów – możesz pozostawić wszystko tak, jak jest. Oczywiście, konkurenci mogą być dużymi firmami, takimi jak OpenAI i Anthropic – ale tutaj musisz polegać na subiektywnym poczuciu wielkości rynku i dynamiki, czy jest wystarczająco dużo jedzenia dla wszystkich, czy nie. Ale jeśli rynek jest dość mały, a konkurenci pojawiają się jak grzyby – wtedy musisz bardzo wyraźnie określić swoją przewagę konkurencyjną. Nie ma to znaczenia, czy konkurenci szybko ją przyjmują.

Dystrybucja jako prawdziwa przewaga

Podejrzewam, że w pewnym stopniu jest to słuszne twierdzenie, a prawdziwa przewaga leży w dziedzinie dystrybucji, a nie w samej technologii. Liczy się, jak szybko skalujesz swoją obecność u klientów i czy wartość produktu gwarantuje dobrą wartość klienta. W przeciwnym razie możesz zbudować jakąś aplikację B2C dla użytkowników, aby mogli się nią bawić, i mogą ją nawet rozprzestrzenić wirusowo, ale potem po prostu przestaną ją używać, gdy pojawi się następna nowa aplikacja.

Dwa typy przewagi – i dlaczego tylko jeden przetrwa

Istnieją dwa typy przewag konkurencyjnych. Pierwszy pozwala Ci wygrać tu i teraz z wyraźną przewagą – dzięki unikalnej wiedzy lub zabójczemu funkcjonalności, której konkurenci po prostu nie mają. Drugi pozwala Ci uniknąć przegranej w długiej perspektywie, ponieważ budujesz trwałość.

W przypadku produktów AI praktyka już pokazuje, że pierwszy typ przewagi zostaje skasowany niezwykle szybko: konkurenci zamykają lukę w przerażającym tempie.

Dlatego ma sens skoncentrować się na drugim typie: maksymalnej trwałości produktu. To jest osiągane przez zbudowanie produktu, który może działać z dowolnym dostawcą modelu językowego i przełączać się między nimi w瞬ku – w momencie, gdy bieżący model, na którym opiera się Twoja firma, zaczyna wyraźnie odstawać od następnego najlepszego.

Biorąc to pod uwagę, miara niezależności od warstwy modelu językowego staje się silniejszą przewagą niż wysiłki marketingowe lub techniczne same w sobie. Bycie niezależnym od dostawcy nie jest tylko miłym dodatkiem – jest to jedyna defensywna pozycja, gdy podłoże pod Tobą zmienia się co miesiąc.

Ukryta złożoność strategii wielomodelowej

Podczas gdy niezależność od dostawcy oferuje długoterminową ochronę, implementacja ujawnia znaczne wyzwania. Jak wyjaśnia Alexey Aylarov, “nie jest to łatwe, ponieważ wszystkie modele mają swoje własne specyfiki/problemy”.

Główny problem: modele językowe nie są wymienne. Wynik różni się przy tym samym wejściu – nawet w ramach tego samego modelu językowego, ale znacznie bardziej dramatycznie przy przełączaniu się między dostawcami. Każdy model reaguje na polecenia i instrukcje inaczej: niektóre słuchają wytycznych lepiej, inne gorzej; wynik może być specyficzny dla języka lub celu.

Konkretny przykład: rozważ usługi generowania obrazów/wideo, takie jak Sora lub Veo. Podaj im takie same dane wejściowe, a otrzymasz całkowicie różne wyniki. Ta zmienność dotyczy wszystkich aplikacji modeli językowych.

Wyzwanie dostosowania: aby utrzymać kompatybilność z wieloma modelami, musisz:

• Stworzyć oddzielne polecenia/instrukcje dla każdego modelu językowego, które dają pożądany wynik
• Wiedzieć, jak każdy model językowy różni się i dostosowywać dane wejściowe odpowiednio
• Zajmować się pracą, która jest często kreatywna, a nie rutynowa
• Przyjąć, że ten proces jest “relatywnie trudny do zautomatyzowania w większości przypadków”

Wymaga to znacznych nakładów pracy w celu dostosowania każdego modelu. Inwestycja początkowa jest znaczna: musisz opracować polecenia dla wszystkich modeli językowych, zanim będziesz mógł przełączać się między nimi swobodnie. Co więcej, ten przygotowanie obejmuje tylko istniejące modele – gdy pojawiają się nowe modele językowe, proces dostosowania zaczyna się od nowa.

Przewaga pochodzi z inwestycji w infrastrukturę testową, inżynierię promptów i dyscyplinę operacyjną, aby utrzymać kompatybilność z wieloma modelami językowymi – i powtarzać ten proces, gdy krajobraz ewoluuje. Ta zdolność staje się formą głębi technicznej, której konkurenci nie mogą łatwo odtworzyć, nawet jeśli zrozumieją strategię.

Paradoks: Twoja przewaga leży w tym, że jej nie masz

To, co sprawia, że niezależność od dostawcy jest tak potężna, polega na tym, że jest to jedyna przewaga konkurencyjna, która staje się silniejsza, gdy rynek staje się bardziej chaotyczny.

Gdy Twój konkurent zbuduje cały produkt na GPT-4, a lepszy model pojawi się, stoi w obliczu egzystencjalnej przebudowy. Gdy zbudujesz infrastrukturę, aby przełączać się między modelami, stoisz w obliczu zwykłego wtorku. Firmy, które przetrwają, nie będą tymi, które wybrały odpowiedni model – będą tymi, które nigdy nie musiały wybierać.

Tak, budowanie dla wielu modeli językowych jest drogie na początku. Tak, wymaga kreatywnej pracy inżynierskiej, która jest trudna do zautomatyzowania. Tak, utrzymujesz równoległe strategie promptów dla każdego dostawcy. Ale to właśnie tworzy barierę wejścia. Przewaga nie leży w samej technologii – leży w pamięci mięśniowej zarządzania zmianą technologiczną.

Większość firm AI optymalizuje się pod kątem wygranej dzisiaj. Firmy niezależne optymalizują się pod kątem bycia tu jutro. Na rynku, gdzie wczorajszy przełom jest dzisiejszą bazą, ta różnica jest wszystkim.