Blir AI-modeller varor?

Microsofts VD Satya Nadella har nyligen väckt debatt genom att föreslå att avancerade AI-modeller är på väg mot kommoditisering. I en podcast observerade Nadella att grundläggande modeller blir alltmer lika och allmänt tillgängliga, till den grad att ”modellerna i sig inte är tillräckliga” för en varaktig konkurrensfördel. Han påpekade att OpenAI – trots sina avancerade neuronnät – ”inte är ett modellföretag, utan ett produktföretag som råkar ha fantastiska modeller”, och betonade att den verkliga fördelen kommer från att bygga produkter runt modellerna.

Med andra ord kan det enkelt faktum att man har den mest avancerade modellen inte längre garantera marknadsledarskap, eftersom varje prestandaledning kan vara kortvarig i den snabba takten av AI-innovation.

Nadellas perspektiv har tyngd i en bransch där teknikjättar tävlar om att utbilda allt större modeller. Hans argument implicerar en förskjutning av fokus: istället för att fixera sig vid modellens överlägsenhet bör företagen rikta sin energi mot att integrera AI i ”en fullständig systemstack och framgångsrika produkter”.

Detta ekar en bredare känsla att dagens AI-genombrott snabbt blir morgondagens basfunktioner. När modellerna blir mer standardiserade och tillgängliga flyttas fokuset till hur AI tillämpas i realtjänster. Företag som Microsoft (MSFT ) och Google (GOOGL ), med omfattande produktsystem, kan vara bäst positionerade för att dra nytta av denna trend av kommodiserad AI genom att integrera modeller i användarvänliga erbjudanden.

Ökad tillgång och öppna modeller

För inte så länge sedan kunde bara ett fåtal laboratorier bygga state-of-the-art-AI-modeller, men den exklusiviteten försvinner snabbt. AI-kapaciteter blir alltmer tillgängliga för organisationer och till och med individer, vilket ger upphov till tanken på modeller som varor. AI-forskaren Andrew Ng så tidigt som 2017 liknade AI:s potential vid ”den nya elen”, och föreslog att precis som el blev en allmänt tillgänglig vara som underbygger det moderna livet, kunde AI-modeller bli grundläggande tjänster som erbjuds av många leverantörer.

Den nyliga spridningen av öppen källkod-modeller har accelererat denna trend. Meta (Facebooks moderbolag), till exempel, skapade rubriker genom att släppa kraftfulla språkmodeller som LLaMA öppet till forskare och utvecklare utan kostnad. Resonemanget är strategiskt: genom att öppna källkoden för sin AI kan Meta sporra en bredare användning och få bidrag från communityn, samtidigt som man undergräver rivalernas proprietära fördelar. Och ännu nyligare exploderade AI-världen med lanseringen av den kinesiska modellen DeepSeek.

I området för bildgenerering visade Stability AI:s Stable Diffusion-modell hur snabbt ett genombrott kan bli kommodiserat: inom månader efter dess öppna lansering 2022 blev det ett hushållsnamn inom generativ AI, tillgängligt i otaliga applikationer. I själva verket exploderar det öppna källkod-ekosystemet – det finns tiotusentals AI-modeller offentligt tillgängliga i repository som Hugging Face.

Denna allmänna tillgänglighet innebär att organisationer inte längre står inför ett binärt val mellan att betala för en enda leverantörs hemliga modell eller ingenting alls. Istället kan de välja mellan en meny av modeller (öppna eller kommersiella) eller till och med finjustera sina egna, likt att välja varor från en katalog. Det stora antalet alternativ är ett starkt tecken på att avancerad AI blir en allmänt delad resurs snarare än en noggrant bevakad privilegium.

Molnjättarna gör AI till en tjänst

De stora molnleverantörerna har varit nyckelaktörer – och drivkrafter – bakom AI:s kommodisering. Företag som Microsoft, Amazon (AMZN ) och Google erbjuder AI-modeller som tjänster på begäran, liknande tjänster som levereras via molnet. Nadella noterade att ”modellerna blir kommodiserade i [molnet]”, och betonade hur molnet gör kraftfull AI allmänt tillgänglig. (META )

Verkligen har Microsofts Azure-moln ett samarbete med OpenAI, som tillåter varje utvecklare eller företag att komma åt GPT-4 eller andra toppmodeller via ett API-anrop, utan att bygga sin egen AI från grunden. Amazon Web Services (AWS) har gått ett steg längre med sin Bedrock-plattform, som fungerar som en modellmarknad. AWS Bedrock erbjuder ett urval av grundmodeller från flera ledande AI-företag – från Amazons egna modeller till de från Anthropic, AI21 Labs, Stability AI och andra – allt tillgängligt via en hanterad tjänst.

Denna ”många modeller, en plattform”-approach exemplifierar kommodisering: kunder kan välja den modell som passar deras behov och byta leverantör med relativ lätthet, likt att handla en vara.

I praktiken innebär det att företag kan lita på molnplattformar för att alltid ha en state-of-the-art-modell tillgänglig, likt el från ett nät – och om en ny modell får uppmärksamhet (säg en startup-genombrott), kommer molnet snabbt att erbjuda den.

Differentiering bortom modellen själv

Om alla har tillgång till liknande AI-modeller, hur differentierar sig AI-företag? Detta är kärnan i kommodiseringdebatten. Konsensus bland branschledare är att värdet kommer att ligga i tillämpningen av AI, inte bara algoritmen. OpenAI:s egen strategi reflekterar denna förändring. Företagets fokus de senaste åren har varit på att leverera en polerad produkt (ChatGPT och dess API) och ett ekosystem av förbättringar – som finjusterings-tjänster, plugin-tillägg och användarvänliga gränssnitt – snarare än att bara släppa rå modellkod.

I praktiken innebär det att erbjuda pålitlig prestanda, anpassningsalternativ och utvecklartillverkningar runt modellen. Likaså kanaler Google DeepMind och Brain, nu en del av Google DeepMind, kanalisera sin forskning till Googles produkter som sökning, kontorsapplikationer och moln-API – inbäddande AI för att göra dessa tjänster smartare. Den tekniska sofistikeringen av modellen är utan tvekan viktig, men Google vet att användarna i slutändan bryr sig om de upplevelser som möjliggörs av AI (en bättre sökmotor, en mer hjälpsam digital assistent etc.), inte modellens namn eller storlek.

Vi ser också företag differentiera sig genom specialisering. Istället för en modell som kan allt, bygger vissa AI-företag modeller anpassade till specifika domäner eller uppgifter, där de kan hävda överlägsen kvalitet även i en kommodiserad landskap. Till exempel finns det AI-startups som fokuserar uteslutande på hälso- och sjukvård, finansiell verksamhet eller juridik – områden där proprietär data och domänexpertis kan ge en bättre modell för den nischen än ett allmänt system. Dessa företag använder finjustering av öppna modeller eller mindre skräddarsydda modeller, kombinerat med proprietär data, för att sticka ut.

OpenAI:s ChatGPT-gränssnitt och samling av specialiserade modeller (Unite AI/Alex McFarland)

En annan form av differentiering är effektivitet och kostnad. En modell som levererar liknande prestanda till en bråkdel av den beräkningskostnad kan vara en konkurrensfördel. Detta betonades av framväxten av DeepSeek:s R1-modell, som rapporterades matcha vissa av OpenAI:s GPT-4-förmågor med en utbildningskostnad på under 6 miljoner dollar, dramatiskt lägre än den uppskattade 100+ miljoner dollar som spenderats på GPT-4. Sådana effektivitetsvinster antyder att medan utdata från olika modeller kan bli liknande, kan en leverantör skilja sig från andra genom att uppnå dessa resultat billigare eller snabbare.

Till sist finns det kapplöpningen att bygga användarloyalitet och ekosystem runt AI-tjänster. När ett företag har integrerat en viss AI-modell djupt i sin arbetsflöde (med anpassade prompter, integreringar och finjusterad data), är det inte friktionsfritt att byta till en annan modell. Leverantörer som OpenAI, Microsoft och andra försöker öka denna lojalitet genom att erbjuda omfattande plattformar – från utvecklar-SDK:er till marknader av AI-tillägg – som gör deras AI till en fullständig lösning snarare än en utbytbar vara.

Företag flyttar uppåt i värdekedjan: när modellen i sig inte är en skyddad position, kommer differentieringen från allt som omger modellen – data, användarupplevelse, vertikal expertis och integration i befintliga system.

Ekonomiska effekter av kommodiserad AI

Kommodiseringen av AI-modeller har betydande ekonomiska implikationer. På kort sikt driver den ner kostnaden för AI-kapaciteter. Med flera konkurrenter och öppna alternativ har prissättningen för AI-tjänster varit i en nedåtgående spiral som påminner om klassiska varumarknader.

Under de senaste två åren har OpenAI och andra leverantörer skurit ner priserna för tillgång till språkmodeller dramatiskt. Till exempel minskade OpenAI:s tokenpris för sin GPT-serie med över 80% från 2023 till 2024, en minskning som tillskrivs ökad konkurrens och effektivitetsvinster.

Likaså tvingar nya aktörer som erbjuder billigare eller öppna modeller etablerade leverantörer att erbjuda mer för mindre – antingen genom gratisnivåer, öppen källkod eller paketerbjudanden. Detta är goda nyheter för konsumenter och företag som antar AI, eftersom avancerade funktioner blir alltmer överkomliga. Det innebär också att AI-teknik sprids snabbare över ekonomin: när något blir billigare och mer standardiserat, inkorporerar fler branscher det, vilket driver innovation (liksom billig kommodiserad PC-hårdvara på 2000-talet ledde till en explosion av programvara och internet-tjänster).

Vi ser redan en våg av AI-antagande i sektorer som kundservice, marknadsföring och drift, driven av lättillgängliga modeller och tjänster. Större tillgänglighet kan därmed expandera den totala marknaden för AI-lösningar, även om vinstmarginalerna på modellerna själva minskar.

Ekonomiska dynamiker för kommodiserad AI (Unite AI/Alex McFarland)

Men kommodisering kan också omvandla den konkurrensutsatta landskapet på utmanande sätt. För etablerade AI-laboratorier som har investerat miljarder i att utveckla frontlinje-modeller, väcker utsikten till att dessa modeller endast ger tillfälliga fördelar frågor om avkastning på investeringen. De kan behöva anpassa sina affärsmodeller – till exempel fokusera på företagstjänster, proprietära datafördelar eller prenumerationsprodukter byggda ovanpå modellerna, snarare än att sälja API-åtkomst ensamt.

Det finns också en kapprustningsaspekt: när varje genombrott i prestanda snabbt möts eller överträffas av andra (eller till och med av öppen källkod-samhällen), minskar fönstret att monetisera en ny modell. Denna dynamik driver företag att överväga alternativa ekonomiska skydd. Ett sådant skydd är integration med proprietär data (som inte är kommodiserad) – AI som är trimmad på ett företags egen rika data kan vara mer värdefull för det företaget än någon standardmodell.

En annan är reglerings- eller regelefterlevnadsfunktioner, där en leverantör kan erbjuda modeller med garanterad sekretess eller regelefterlevnad för företagsanvändning, differentierande på ett sätt bortom ren teknik. På en makro-nivå, om grundläggande AI-modeller blir lika allmänt tillgängliga som databaser eller webbserver, kan vi se en förskjutning där tjänsterna runt AI (molnvärd, konsulttjänster, anpassningar, underhåll) blir de primära intäktsgeneratörerna. Redan drar molnleverantörer nytta av den ökade efterfrågan på beräkningsinfrastruktur (CPU, GPU etc.) för att köra alla dessa modeller – lite som en eldistributör som drar nytta av användning, även om apparaterna är kommodiserade.

I själva verket kan AI-ekonomin spegla den för andra IT-varor: lägre kostnader och större tillgänglighet sporrar omfattande användning, skapar nya möjligheter byggda ovanpå den kommodiserade skiktet, samtidigt som leverantörerna av den skiktet står inför snävare marginaler och behovet att innovativt förnya eller differentiera sig på annat sätt.