AI-företag har inte någon MOAT – såvida de inte slutar ta ställning

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

Medan grundläggande AI-laboratorier investerar miljarder i modeller som tar år att bygga, upptäcker applikationslagret att det inte finns någon traditionell möjlighet till försvar. Er mördarfunction? Replicerad till fredag. Er tekniska fördel? Borta till nästa kvartal. Diversiteten bland spelare, 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 motstridigt sätt att komma ut: sluta försöka vinna med teknologi och börja bygga kapacitet för att överleva den. Den riktiga mötan ligger inte i den AI som används – utan i förmågan att använda vilken AI som helst.

Den grundläggande klyftan

Det finns ett grundläggande lager – de stora modellerna som ChatGPT, Grok och Gemini. flera 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 möta – annars kan resursutgifterna inte rättfärdigas. Detta är precis varför försök att värva ingenjörer från OpenAI är så välpublicerade: de besitter unik expertis som inte kan snabbt odlas till någon kostnad.

Men på applikationsnivå är allt helt annorlunda. Mycket färre resurser behövs, även om lite mer kreativitet krävs för att finjustera en LLM och lösa ett affärsproblem. Alla har sitt eget spel, sin egen approach, sin egen produkt. Diversiteten bland spelare dödar alla möjligheter till att ha en distinkt möta i någon marknad – text, ljud eller bild. Affärs Lösningar baserade på grundläggande AI dyker upp dagligen, företag dyker upp regelbundet och ofta är de inte olika varandra.

Möjliga differentierare i röstindustrin illustrerar denna utveckling: initialt försökte alla göra röster låta så mänskligt 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 måttet – ord/felhastighet – förbättrats avsevärt med framväxten av LLM som kan förstå kontextuell ordpassning.

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

Men behöver applikationsnivåprojekt en möta? Om du arbetar i en relativt stor marknad och du har mindre än 30 konkurrenter – kan du lämna allt 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 konkurrenter sprider sig som svamp – då måste du tydligt positionera din konkurrensfördel. Det spelar ingen roll om konkurrenter snabbt antar den.

Distribution som den riktiga mötan

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

De två typerna av fördel – och varför endast 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 mördarfunction som konkurrenter enkelt inte har. Den andra låter dig undvika att förlora på lång sikt, eftersom du bygger hållbarhet.

Med AI-produkter visar redan den faktiska praktiken 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 direkt – i samma ögonblick som den aktuella modell som ditt företag byggs på börjar tydligt halka efter den näst bästa.

Givet detta blir måttet på oberoende från underliggande LLM-lager en starkare möta än marknadsförings- eller tekniska ansträngningar ensamma. Att vara leverantörsagnostisk är inte bara en trevlig funktion – 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 är inte utbytbara. Utdata varierar med samma indata – även inom samma LLM, men ännu mer dramatiskt när du växlar mellan leverantörer. Varje modell reagerar på prompt och instruktioner på olika sätt: vissa följer riktlinjer bättre, andra sämre; prestanda kan vara språkspecifik eller målspecifik.

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

Uppfinningsutmaningen: För att upprätthålla multi-modellkompatibilitet måste du:

• Skapa separata prompt/instruktioner för varje LLM som producerar ditt önskade resultat
• Veta hur varje LLM skiljer sig och justera indata 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 ansträngningar för att finjustera varje modell. Den initiala investeringen är betydande: du måste utveckla prompt för alla LLM innan du kan växla fritt mellan dem. Dessutom täcker denna förberedelse endast befintliga modeller – när nya LLM dyker upp, börjar finjusteringsprocessen om.

Mötan kommer från att ha investerat i testinfrastruktur, promptteknisk expertis och operativ disciplin för att faktiskt upprätthålla kompatibilitet över flera LLM – 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 möta 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 är dyrt initialt. Ja, det kräver kreativt ingenjörsarbete som är svårt att automatisera. Ja, du upprätthåller i princip parallella promptstrategier för varje leverantör. Men detta är exakt vad som skapar inträdesbarriären. Mötan ligger inte i teknologin själv – den ligger i den operativa muskelminnet att hantera teknologisk förändring.

De flesta AI-företag optimerar för att vinna idag. De agnostiska optimerar för att fortfarande vara här imorgon. I en marknad där gårdagens genombrott är morgondagens baseline, är denna distinktion allt.