AI 公司没有护城河 – 除非他们停止站队

关于 AI 产品的一个令人不舒服的真相：你的竞争优势的保质期以周为单位，而不是年。

虽然基础 AI 实验室在需要多年时间构建的模型上投入了数十亿美元，但应用层公司却发现传统意义上的护城河并不存在。你的杀手级功能？在周五之前就会被复制。你的技术优势？在下个季度就会消失。玩家多样性、基础模型的可访问性以及创新速度的快速性已经创造了一个市场，在这里，成为第一、成为最好的或成为不同的并不保证生存。

但有一种违反直觉的出路：停止尝试用技术来赢，而是开始建立生存的能力。真正的护城河不在于你使用的 AI，而在于你使用任何 AI 的能力。

基础分裂

有一个基础层 – 像 ChatGPT、Grok 和 Gemini 这样的大型模型。几十个模型，训练方式不同，每个都有其自己的优势。但这是基础性的、研究密集型的工作：工程师们花费数年时间，需要大量的资源投入。每一个都具有独特的护城河 – 否则，资源投入就不能被证明是合理的。这就是为什么 从 OpenAI 招募工程师的尝试 被如此广泛报道：他们拥有无法快速培养的独特专业知识。

但在应用层面，事情完全不同。需要的资源要少得多，尽管需要稍微更多的创造力来微调一个 LLM 并解决商业问题。每个人都有自己的游戏、自己的方法、自己的产品。玩家多样性消除了在任何市场中拥有独特护城河的可能性 – 无论是文本、音频还是图像。基于基础 AI 的商业解决方案每天都在涌现，公司也在不断出现，通常它们彼此之间是无法区分的。

语音行业的可能区别说明了这种演变：最初，每个人都试图让声音听起来尽可能像人类，然后速度成为问题，每个人都开始快速解决同样的任务。现在我们处于情感标签的时代。在 语音识别 中，主要指标 – 字/错误率 – 随着能够理解上下文单词适当性的 LLM 的出现而显著改善。

简而言之，缺乏护城河的原因是应用层产品的任何方面都缺乏深度：它在 AI 组件和商业应用中都很肤浅。就像基础产品的护城河是由其开发的深度解释的一样。

但应用层项目需要护城河吗？如果你在一个相对较大的市场中工作，并且有不到 30 个竞争对手 – 你可以保持现状。当然，竞争对手可以是像 OpenAI 和 Anthropic 这样的大公司 – 但在这里，你需要依靠对市场规模和动态的主观感觉，是否有足够的空间让每个人都有份额。然而，如果市场相对较小，竞争对手像蘑菇一样涌现 – 那么你必须非常清楚地定位你的竞争优势。即使竞争对手迅速采用它，也无所谓。

分销作为真正的护城河

我怀疑在某种程度上这是一个有效的说法，真正的护城河在于分销领域，而不是技术本身。更重要的是，你如何快速扩大客户的存在，以及产品的价值是否能保证良好的 LTV。否则，你可以为用户构建一些 B2C 应用程序，他们可能会将其病毒式传播，但当下一个新应用程序出现时，他们可能会停止使用它。

两种类型的优势 – 以及为什么只有一个能生存

有两种类型的竞争优势。第一种让你在这里和现在以明显的优势获胜 – 感谢某些独特的专业知识或杀手级功能，竞争对手根本没有。第二种让你避免在长期内输掉，因为你正在建立可持续性。

在 AI 产品中，实际实践已经表明，第一种优势会被极其快速地抹去：竞争对手以惊人的速度缩小差距。

这就是为什么专注于第二种优势有意义：最大化产品的耐用性。这是通过构建一个可以与任何 LLM 提供商合作，并在当前业务构建的模型明显落后于下一个最佳模型时瞬间切换的产品来实现的。

鉴于此，独立于底层 LLM 层的程度成为比单纯的营销或技术努力更强大的护城河。成为供应商中立的不是很好的选择 – 这是在地面在每月变化时的唯一可防御的立场。

多模型策略的隐藏复杂性

虽然供应商中立性提供了长期保护，但实施却揭示了重大的挑战。正如 Alexey Aylarov 解释的那样，“这并不容易，因为所有模型都有自己的特点/问题。”

核心问题：LLM 不是可以互换的。输出会随着相同的输入而变化 – 即使在同一个 LLM 内，但在切换提供商时会更加明显。每个模型对提示和指令的反应都不同：有些遵循指南更好，其他的更糟糕；性能可能是语言特定的或目标特定的。

具体例子：考虑像 Sora 或 Veo 这样的图像/视频生成服务。给它们相同的输入，你会得到完全不同的结果。这种差异适用于所有 LLM 应用程序。

调优挑战：为了保持多模型兼容性，你必须：

• 为每个 LLM 创建单独的提示/指令以产生所需的结果
• 了解每个 LLM 的不同之处，并相应地调整输入
• 从事往往具有创造性而非例行性的工作
• 接受这个过程“在大多数情况下相对难以自动化”

这需要为每个模型进行大量的调优工作。初始投资是显著的：你必须在可以自由切换它们之前为所有 LLM 开发提示。此外，这种准备仅涵盖现有的模型 – 当新的 LLM 出现时，调优过程又开始了。

护城河来自于投资于测试基础设施、提示工程专业知识和运营纪律，以实际维护多个 LLM 之间的兼容性 – 并在景观演变时重复此过程。这种能力成为一种技术深度，竞争对手无法轻易复制，即使他们理解策略。

悖论：你的护城河在于没有护城河

以下是供应商中立性如此强大的原因：这是唯一一种随着市场变得更加混乱而变得更加强大的竞争优势。

当你的竞争对手在 GPT-4 上构建整个产品，而更好的模型出现时，他们面临着生存威胁。当你构建了可以在模型之间切换的基础设施时，你面临的是星期二。能够生存下来的公司不会是那些选择了正确模型的公司 – 而是那些从来没有选择过的公司。

是的，针对多个 LLM 进行构建是昂贵的。是的，它需要难以自动化的创造性工程工作。是的，你基本上为每个提供商维护着平行的提示策略。但这正是创造了进入壁垒。护城河不在于技术本身 – 而在于管理技术变化的运营记忆。

大多数 AI 公司都在优化今天的胜利。中立的公司正在优化明天的生存。在昨天的突破成为明天的基准的市场中，这种区别是至关重要的。