AI-företag har ingen Moat – såvida de inte slutar välja sida

Den obekväma sanningen om AI-produkter: din konkurrensfördel har en hållbarhetstid som mäts i veckor, inte år.

Medan grundläggande AI-laboratorier investerar miljarder i modeller som tar år att bygga, upptäcker applikationsnivåföretag att det inte finns någon traditionell moat. Din dödande funktion? Replicerad på fredag. Din tekniska fördel? Borta nästa kvartal. Mångfalden av aktörer, tillgängligheten av grundläggande modeller och innovationshastigheten har skapat en marknad där att vara först, bäst eller annorlunda inte längre garanterar överlevnad.

Men det finns ett motintuitivt sätt att komma ut: sluta försöka vinna med teknologi och börja bygga kapacitet att överleva den. Den riktiga moaten ligger inte i den AI du använder – det ligger i din förmåga att använda vilken AI som helst.

Den grundläggande klyftan

Det finns en grundläggande nivå – de stora modellerna som ChatGPT, Grok och Gemini. Några dussin modeller, tränade på olika sätt, var och en med sina egna fördelar. Men detta är grundläggande, forskningsintensivt arbete: ingenjörer som arbetar i år, kräver enorma resursinvesteringar. Var och en av dessa besitter en distinkt moat – annars kan resursutgifterna inte rättfärdigas. Det är därför försök att värva ingenjörer från OpenAI är så välpublicerade: de besitter unik expertis som inte kan snabbt odlas upp till någon kostnad.

Men på applikationsnivå är saker och ting helt annorlunda. Mycket färre resurser behövs, även om något mer kreativitet krävs för att finjustera en LLM och lösa ett affärsproblem. Alla har sitt eget spel, sin egen approach, sitt eget produkt. Mångfalden av aktörer dödar alla möjligheter att ha en distinkt moat på någon marknad – text, ljud eller bild. Affärs Lösningar baserade på grundläggande AI dyker upp dagligen, företag dyker upp regelbundet och ofta är de inte skiljbara från varandra.

Möjliga differentierare i röstindustrin illustrerar denna utveckling: initialt försökte alla göra röster låta så mänskliga som möjligt, sedan blev hastighet frågan och alla började lösa samma uppgift snabbt. Nu är vi i eran av emotionella taggar. I taligenkänning har den viktigaste metriken – ord/fel-frekvens – förbättrats avsevärt med framväxten av LLM:er som kan förstå kontextuell ordpassning.

I korthet förklaras avsaknaden av en moat av bristen på djup i någon aspekt av en applikationsnivåprodukt: den är grundlig både i AI-komponenten och i dess affärsapplikation. Precis som moaten för en grundläggande produkt förklaras av djupet i dess utveckling.

Men behöver applikationsnivåprojekt en moat? Om du arbetar i en relativt stor marknad och har mindre än 30 konkurrenter – kan du låta allt vara som det är. Naturligtvis kan konkurrenterna vara stora som OpenAI och Anthropic – men här måste du lita på en subjektiv känsla av marknadens storlek och dynamik, om det finns tillräckligt med mat för alla eller inte. Men om marknaden är relativt liten och konkurrenterna sprider sig som svampar – då måste du tydligt positionera din konkurrensfördel. Det spelar ingen roll om konkurrenterna snabbt antar den.

Distributionen som den riktiga moaten

Jag misstänker att till viss del är detta ett giltigt påstående och den riktiga moaten ligger i distributionsdomänen, inte i teknologin i sig. Vad som är viktigare är hur snabbt du skalar din närvaro hos kunder och om produktens värde säkerställer en bra LTV. Annars kan du bygga någon B2C-applikation för användare att leka med, och de kan till och med sprida den viralt, men sedan bara sluta använda den när nästa nya app dyker upp.

De två typerna av fördel – och varför bara en överlever

Det finns två typer av konkurrensfördelar. Den första låter dig vinna här och nu med en tydlig fördel – tack vare någon unik know-how eller dödande funktion som konkurrenter inte har. Den andra låter dig undvika att förlora på lång sikt, eftersom du bygger hållbarhet.

Med AI-produkter visar den verkliga praktiken redan att den första typen av fördel suddas ut extremt snabbt: konkurrenter stänger gapet med en skrämmande hastighet.

Därför är det meningsfullt att fokusera på den andra typen: maximal produktbeständighet. Detta uppnås genom att bygga en produkt som kan fungera med vilken LLM-leverantör som helst och växla mellan dem omedelbart – i samma ögonblick som den aktuella modell som ditt företag bygger på börjar tydligt halka efter den nästa bästa.

Givet detta blir måttet på oberoende från underliggande LLM-lager en starkare moat än marknadsförings- eller tekniska ansträngningar ensamma. Att vara leverantörsagnostisk är inte bara en trevlig sak att ha – det är den enda försvarbara positionen när marken under dig förändras månadsvis.

Den dolda komplexiteten i en multi-modellstrategi

Medan leverantörsagnostik erbjuder långsiktig skydd, avslöjar implementeringen betydande utmaningar. Som Alexey Aylarov förklarar, “det är inte lätt, eftersom alla modeller har sina egna specifika problem”.

Kärnproblemet: LLM:er är inte utbytbara. Utmatningen varierar med samma inmatning – även inom samma LLM, men långt mer dramatiskt när man växlar mellan leverantörer. Varje modell reagerar på prompter och instruktioner på olika sätt: vissa följer riktlinjer bättre, andra sämre; prestanda kan vara språkspecifik eller målspecifik.

Ett konkret exempel: Tänk på bild-/videogenererande tjänster som Sora eller Veo. Ge dem identisk inmatning och du kommer att få helt olika resultat. Denna variation gäller för alla LLM-applikationer.

Justeringsutmaningen: För att upprätthålla multi-modellkompatibilitet måste du:

• Skapa separata prompter/instruktioner för varje LLM som producerar ditt önskade resultat
• Veta hur varje LLM skiljer sig och justera inmatningar därefter
• Engagera dig i arbete som ofta är kreativt snarare än rutinmässigt
• Acceptera att denna process är “relativt svår att automatisera i de flesta fall”

Det kräver betydande justeringsinsatser för varje modell. Den initiala investeringen är betydande: du måste utveckla prompter för alla LLM:er innan du kan växla fritt mellan dem. Dessutom täcker denna förberedelse endast befintliga modeller – när nya LLM:er dyker upp börjar justeringsprocessen om igen.

Moaten kommer från att ha investerat i testinfrastruktur, promptteknisk expertis och operativ disciplin för att faktiskt upprätthålla kompatibilitet över flera LLM:er – och för att upprepa denna process när landskapet utvecklas. Denna förmåga blir en form av teknisk djup som konkurrenter inte lätt kan replikera, även om de förstår strategin.

Paradoxen: Din moat är att inte ha någon

Här är vad som gör leverantörsagnostik så kraftfull: det är den enda konkurrensfördelen som blir starkare när marknaden blir mer kaotisk.

När din konkurrent bygger hela sin produkt på GPT-4 och en bättre modell dyker upp, står de inför en existentiell omkonstruktion. När du har byggt infrastrukturen för att växla modeller, står du inför en tisdag. Företagen som överlever kommer inte att vara de som valde rätt modell – de kommer att vara de som aldrig behövde välja alls.

Ja, att bygga för flera LLM:er är dyrt initialt. Ja, det kräver kreativt ingenjörsarbete som är svårt att automatisera. Ja, du underhåller i princip parallella promptstrategier för varje leverantör. Men detta är exakt vad som skapar inträdesbarriären. Moaten ligger inte i teknologin i sig – den ligger i den operativa muskelminnet att hantera teknologisk förändring.

De flesta AI-företag optimerar för att vinna idag. De agnostiska företagen optimerar för att fortfarande finnas imorgon. I en marknad där gårdagens genombrott är morgondagens baseline är den distinktionen allt.