Wertsteigerung im modernen KI-Stack

„Es gibt Jahrzehnte, in denen nichts passiert; und es gibt Wochen, in denen Jahrzehnte vergehen“ – Lenin

Von Akash Bajwa, Dr. Andre Retterath und Laurin Class von Digital West

In den letzten Jahren löste ein seismisches Ereignis nach dem anderen eine Lenin-Rezitation aus, so sehr, dass es sich irgendwann anfühlte, als würde man ins Leere schreien, was die meisten von uns desensibilisierte.

Doch wissenschaftliche Durchbrüche haben immer noch die Kraft, uns zu fesseln wie nichts anderes. Die schiere Euphorie, mit der die Menschen auf die neuesten Fortschritte bei transformatorbasierten großen Sprachmodellen reagieren, ist ohrenbetäubend. Die meisten Kommentare sind ungläubig angesichts der kolossalen Schritte, die die KI in diesem Jahr unternommen hat.

Es ist schwer, dem Gefühl zu widerstehen, dass wir uns am Anfang eines tiefgreifenden Technologiewandels befinden und einen klaren Blick auf den Horizont dessen richten, was in der Zukunft möglich ist.

In relativ kurzer Zeit haben Anleger bereits zahlreiche Analysen zu den Vorgeschichten der aktuellen KI-Entwicklung zusammengetragen. Für Investoren steht jedoch vor allem die Frage der Kapitalallokation im Vordergrund: Welche Komponenten der KI-„Wertschöpfungskette“ sind für VCs am attraktivsten?

Bei einem Markt, der sich so rasant entwickelt, basieren alle Schlussfolgerungen auf einer Grundlage von Annahmen. Trotz der unglaublich fesselnden Kraft der heutigen Modelle befinden wir uns noch in den Anfängen der Revolution . Was wir tun können, ist, verschiedene Züge auf dem Schachbrett zu simulieren und jedem Ergebnis Wahrscheinlichkeiten zuzuordnen, was uns einen gewissen Ausblick auf die Gewinner in der KI-Wertschöpfungskette geben sollte.

Der Stand der Dinge

Die Forschung an Maschinen, die menschliche Intelligenz nachahmen können, reicht bis in die 1950er Jahre zurück. Viele Gartner-Hype-Zyklen folgten und verblassten, aber die Forschung ging weiter und steigerte sich, wobei jeder weitere Durchbruch auf dem Korpus der Vorgänger aufbaute.

Im Laufe dieser Zyklen kam es zu einer allmählichen Verlagerung von wissenschaftlichen Veröffentlichungen und der akademischen Welt hin zu privaten Investitionen von kommerziell orientierten Organisationen . Im vorangegangenen Jahrzehnt wurden mehrere Forschungslabore sowohl von etablierten Unternehmen (z. B. Google, Meta) als auch von Start-ups (z. B. OpenAI) gegründet, die jeweils enorme Rechen- und Datenressourcen für die Weiterentwicklung von ML mobilisierten; Der Wandel in den folgenden Forschungsarbeiten ist deutlich zu erkennen.

Zwei Meilensteine ​​sind maßgeblich für den Wendepunkt verantwortlich, der mit der Entstehung der Forschungslabore zusammenfiel. Das erste Mal fand 2012 statt, als Alex Krizhevsky von der University of Toronto die Überlegenheit von Deep-Learning-Neuronalen Netzen gegenüber modernster Bilderkennungssoftware demonstrierte, indem er das Modell auf GPUs trainierte, die Billionen mathematischer Operationen verarbeiten konnten. Von diesem Zeitpunkt an verfügten ML-Modelle über die Rechenkapazität zur SkalierungDabei werden die vorteilhaften Eigenschaften von GPUs wie Parallelität genutzt, um rechenintensive Aufgaben wie die Matrixmultiplikation auszuführen, die den Kern von KI-Modellen bilden. GPUs sind anderen ASICs wie den TPUs von Google in Bezug auf den Marktanteil einen Schritt voraus (bei GPUs hat Nvidia den Löwenanteil des Marktes, aber dazu später mehr), obwohl TPUs für das Training vieler Modelle besser geeignet sind. Kurz gesagt: GPUs haben ein neues Paradigma der Rechenkapazität eröffnet.

Der zweite Auslöser war die Veröffentlichung eines bahnbrechenden Artikels im Jahr 2017 durch ein Forscherteam von Google. Das Papier skizzierte eine neue Architektur für Deep-Learning-Modelle, die auf neuartige Weise auf Aufmerksamkeitsmechanismen beruhte und auf frühere Methoden (wiederkehrende Netzwerke) verzichtete, um eine überlegene Leistung zu erzielen. Transformer-basierte Modelle eignen sich für Parallelität und sind daher in der Lage, den maximalen Nutzen aus GPUs zu ziehen, wobei weniger Zeit für das Training benötigt wird. Diese beiden bahnbrechenden Entwicklungen führten dazu, dass Transformer-basierte ML-Modelle seitdem florieren und deutlich mehr Rechenleistung erfordern.

Obwohl sich die anfänglichen Anwendungen von Transformers auf die Verarbeitung natürlicher Sprache konzentrierten, liefern aktuelle wissenschaftliche Arbeiten zu Transformern zahlreiche Belege dafür, wie transformativ (entschuldigen Sie das Wortspiel) diese Architektur über verschiedene Modalitäten hinaus über die Textgenerierung hinaus wirkt.

Wenn wir die Entwicklung der Modellleistung nach dem Transformer in die Zukunft extrapolieren (ohne weitere Durchbrüche bei Rechen- oder Modellarchitekturen zuzulassen), ist es kein Wunder, dass KI als nächster Plattformwechsel nach Personal Computing, Mobilgeräten und der Cloud angekündigt wird .

Unsere Wahrnehmung des technologischen Fortschritts ist oft zu linear und extrapoliert auf der Grundlage früherer Wachstumsraten, was uns daran hindert, exponentielle Veränderungen zu erkennen, wenn sie vor uns liegen.

Das führt natürlich dazu, dass wir die Bandbreite zukünftiger Ergebnisse unterschätzen und die wirklich plausiblen und absurden Zukunftsszenarien für die Entwicklung der KI und ihre Auswirkungen auf die Menschheit verwässern .

Die Abwägung dieser Ergebnisse gegen Wahrscheinlichkeiten führt direkt zu Investitionsthesen darüber, wie sich die KI-Wertschöpfungskette entwickeln wird, wo die langfristige Wertschöpfung stattfinden wird und wo dementsprechend die größten Unternehmen entstehen werden.

Unendliche Möglichkeiten

Die KI-Anbieterlandschaft passt nicht genau zu einer Wertschöpfungskette, da alle Komponenten in unterschiedlichem Maße ineinander übergehen – eine Dynamik, die sich mit der Zeit wahrscheinlich noch verstärken wird.

Dennoch deckt dieser Rahmen von Evan Armstrong die allgemeinen Konturen der Technologien ab, die den heutigen Anwendungen zugrunde liegen:

Compute unterstützt Unternehmen, die grundlegende Modellforschung betreiben und ihre Modelle auf riesigen Datenmengen trainieren , um den Entwicklern von Anwendungen ein vorab trainiertes Transformatormodell bereitzustellen. Diese Anwendungsentwickler entscheiden sich möglicherweise für eine Feinabstimmung des Modells mit domänenspezifischen Daten, um eine überlegene Leistung für bestimmte Anwendungen zu erzielen, die als Zugangspunkte zur KI für die allgemeine Bevölkerung dienen.

Um mit der Beantwortung der Frage der langfristigen Wertsteigerung zu beginnen, müssen wir zunächst die Bedingungen bestimmen, unter denen diese Unternehmen tätig sein werden. Eine der wichtigsten Variablen, die die Neigung eines bestimmten Unternehmens, sich in der Wertschöpfungskette vor- oder nachgelagert zu wagen, bestimmt, ist der Total Addressable Market (TAM) . Der Rahmen, den wir nutzen können, um darüber nachzudenken, ist:

1. Die der KI zuzuschreibende Gesamtwertschöpfung ist groß genug, um X Kategorien (Infrastruktur- und Anwendungsebene) abzudecken, und jede generiert einen Umsatz von X Milliarden
2. Wenn die gesamte Wertschöpfung nicht ausreicht , um eine Vielzahl von Kategorien zu unterstützen, welche Komponente der Wertschöpfungskette ist am besten dafür gerüstet, sich nach oben oder nach unten zu bewegen, um mehr Wert zu erzielen?

Der säkulare Trend war stark genug, um einen Unternehmenswert von mehreren Milliarden Dollar zu schaffen, der es geschafft hat, Abschwünge widerstandsfähiger zu überstehen als andere Softwarekategorien – die meisten der am schnellsten wachsenden Softwareunternehmen sind Cloud-Infrastrukturunternehmen, die die höchsten Multiplikatoren erzielen.

Man könnte argumentieren, dass einige dieser Kategorien von größeren, besser vertretbaren Schichten des Stapels zusammengefasst werden sollten (und viele versuchen dies auch ). Das kann durchaus in der Zukunft passieren, aber das übergeordnete Prinzip ist, dass die gesamte Wertschöpfung aus Daten groß genug war, um die Bildung mehrerer Kategorien auf Infrastrukturebene zu unterstützen. Jede Kategorie und ihre Gewinner gaben sich weitgehend damit zufrieden, sich auf ihr Kernwertversprechen zu konzentrieren, ohne dass ihnen andere aufgrund einer begrenzten Marktgröße im Nacken saßen.

Um diesen Punkt weiter zu veranschaulichen, können wir die Dateninfrastruktur der Fintech-Infrastruktur , insbesondere Open Banking, gegenüberstellen. Das Versprechen von Open Banking bestand darin, die von Banken errichteten Mauern für wertvolle Kundenbankdaten einzureißen und viele Anwendungen wie personalisierte Finanzmanagementtools, Kreditbewertung und -entscheidung sowie Konto-zu-Konto-Zahlungen freizuschalten. Es entstanden Infrastrukturakteure, die den Zugriff auf Bankkontodaten über saubere APIs ermöglichen, insbesondere Plaid in den USA und TrueLayer in Europa. Trotz der vermeintlich vielversprechenden Aussicht auf Open Banking verlief das Wachstum der Akzeptanz viel langsamer als von Fintech-Praktikern erwartet, was viele Infrastrukturanbieter dazu zwang, ihre Kunden zu kannibalisieren , indem sie in Upstream-Anwendungen vordrangen, vor allem in den Zahlungsverkehr.

Präzise Berechnungen der Marktgröße für KI sind überflüssig, aber ein Gespür für die Größenordnung gibt uns einen Hinweis auf die Wettbewerbsdynamik, die sich im Laufe der Zeit voraussichtlich entfalten wird. Ein qualitativer Ansatz wäre die Messung des latenten Marktes für generative KI-Anwendungen. Generative Transformatormodelle haben die Kosten für die Erstellung von Inhalten auf Null gesenkt , genau wie das Internet die Grenzkosten für die Verbreitung auf Null gesenkt hat. Es ist nicht übertrieben, für eine Zukunft zu plädieren, in der KI-gestützte Produkte als marktschaffende Innovation fungieren , die es bestehenden SaaS- und Verbraucheranwendungen ermöglichen wird, sowohl die Durchdringung als auch die Expansion von TAM voranzutreiben (radikalere Ergebnisse wie künstliche Superintelligenz oder digitale Lebensformen) .gehen weit über den Rahmen dieses Beitrags hinaus).

Es gibt mehrere Stellvertreter dieser latenten Nachfrage. Nehmen wir ChatGPT, eine Schnittstelle für GPT 3.5, die schneller auf 1 Million Nutzer anstieg als einige der bekanntesten Consumer-Tech-Unternehmen der Geschichte (OpenAI, eines der größten Closed-Source-Grundmodellunternehmen, erzielt angeblich einen Umsatz von 1 Milliarde US-Dollar). im Jahr 2024 und überlegen, ob ChatGPT monetarisiert werden soll ).

Oder nehmen Sie HuggingFace, eine Open-Source-Bibliothek mit vortrainierten Transformatoren, die Entwickler für verschiedene Anwendungen in der Produktion optimieren können (z. B. Textklassifizierung und -generierung) – es ist eines der am schnellsten wachsenden Open-Source-Projekte in der Geschichte.

Wir befinden uns noch in den Anfängen, aber die ersten Beweise bestätigen die Ansicht, dass KI tatsächlich einen Plattformwechsel von ähnlichem Ausmaß wie Mobilgeräte und die Cloud darstellt und dass auf dieser neuen Plattform ein Universum von Anwendungen entstehen wird.

Daher ist es keine Überraschung, dass die KI-Wertschöpfungskette oft mit einer Cloud-Infrastruktur verglichen wird.

Der Vergleich ist intuitiv: Eine Konzentration großer Unternehmen, die einen erheblichen Prozentsatz ihres Umsatzes für Investitionen ausgeben, um wichtige Infrastrukturen zu betreiben, die eine schnellere, kostengünstigere und skalierbarere Bereitstellung von Anwendungen ermöglichen. Die Infrastrukturanbieter (AWS, GCP, Azure) wurden zu Hyperscalern, indem sie sich einfach auf das konzentrierten, was sie am besten können, nämlich dass Anwendungen dem Endkunden einen Mehrwert bieten.

Der durch KI geschaffene Wert wird wahrscheinlich ausreichen, um eine Unternehmenswertschöpfung in Höhe von vielen Milliarden Dollar zu ermöglichen. Umstrittener ist die Qualität der zugrunde liegenden Einnahmen.

Für Anwendungen, die auf APIs der grundlegenden Modellunternehmen aufbauen, gibt es scheinbar keine Eintrittsbarrieren. Wie vertretbar sind ihre Margen und wie gut kann die Kundenbindung jemals werden? Werden die Basismodelle umgekehrt zu Massenprodukten, bei denen kaum oder gar keine Umstellungskosten für die Anwendungen anfallen, die ihre APIs nutzen? Oder kommt es zu einem kapitalen Wettrüsten zwischen einem Oligopol geschlossener Forschungsunternehmen, die in der Lage sind, den größtmöglichen Nutzen aus dem Stapel zu ziehen? Und schließlich: Wird KI jemals wirklich Open Source sein, oder werden geschlossene Unternehmen eine klaffende Lücke entwickeln, die ihre Open-Source-Pendants niemals schließen können?

Das Schachbrett ist fein ausbalanciert.

Das Recht zu gewinnen

Wie wir besprochen haben, sind die Vorläufer der heutigen Revolution übereinander gestapelte Bausteine ​​– GPUs, die sich als fähig erweisen, die Rechenlast zu bewältigen, die KI-Modelle erfordern, grundlegende Modellunternehmen, die eine Transformer-Architektur nutzen, und schließlich Anwendungen, die diese neueren Modelle nutzen. entweder über API oder Bereitstellung von Open-Source-Transformern. Diese Kette impliziert ein gewisses Maß an Abhängigkeit von den vorhandenen Blöcken, die zuvor vorhanden waren.

Beginnen wir mit der Untersuchung der Rechenschicht. Nvidias GPUs sind der Konkurrenz einen Schritt voraus, darunter sowohl der etablierten Konkurrenz von Google als auch von Startups wie Cerebras, Graphcore, Groq und SambaNova. Wir sind bereits mit der ungefähr gleichen Marktverteilung zwischen den Cloud-Hyperscalern AWS/GCP/Azure vertraut, die die Basismodelle hosten. Neben Nvidia sind die Cloud-Hyperscaler die Hauptakteure auf der Compute-Ebene, die alle stark investiert haben, um ihre Position zu behaupten.

Wir können sehen, wie die Cloud-Hyperscaler entweder direkt investiert oder mit grundlegenden Modellunternehmen zusammengearbeitet haben. Obwohl Nvidia diesen Geschäftsentwicklungspfad noch nicht eingeschlagen hat, hat das Unternehmen stark in die KI-Forschung investiert und erhält weiterhin Anerkennung für seine bahnbrechenden Beiträge – eine neue Generation von H100-GPUs ist in Sicht, die die bereits dominierende V100- und V100-GPU ergänzen soll A100-Chips.

Es besteht eine gesunde Symbiose zwischen der Rechen- und der Basismodellebene. Wenn wir ChatGPT nehmen, das 175 Milliarden Parameter hat, würde die hintere Mathematikrechnung darauf hindeuten, dass OpenAI Microsoft c. 100.000 US-Dollar pro Tag für die Kosten für den erforderlichen 8-GPU-Server. Innovationen auf der Siliziumschicht der Hardware erfordern „ einen Schwerpunkt auf Software und Verbindungen “ (die wahrscheinlichsten Herausforderer für Nvidias Position sind die Cloud-Hyperscaler selbst). Innovationen in der Grundlagenmodellforschung erfordern den Zugriff auf größere Datensätze, weitere Iterationen von Transformatormodellarchitekturen und Trainingsansätze. Dabei handelt es sich um sehr ausgeprägte, divergierende Fahrspuren .

Der Großteil der Investitions- und Forschungs- und Entwicklungsinvestitionen in der KI-Wertschöpfungskette entfällt jedoch auf diese beiden Ebenen, was die derzeit beobachteten Zusammenhänge erklärt. Die Dynamik zwischen der Rechen- und der Basismodellebene dürfte eher kollaborativ als wettbewerbsorientiert bleiben.

Die Daseinsberechtigung von Unternehmen für grundlegende Modellforschung besteht darin, leistungsfähigere Modelle zu produzieren, aber auf Forschungsebene gibt es eine Spaltung zwischen Closed-Source- und Open-Source-Ansätzen. Würde in einem vollkommen effizienten Markt das Kapital überproportional auf geschlossene Unternehmen verteilt werden, die besser in der Lage sind, Werte zu erzielen, und so Open-Source-Konkurrenten daran hindern, die Modellparität aufrechtzuerhalten? Es handelt sich um ein sehr plausibles Szenario, das im Widerspruch zur jüngsten Geschichte der Open-Source-Bereitstellung großer Modelle in kurzer Zeit steht.

Dies wirft die Frage auf, ob die meisten Produktionsanwendungsfälle (Anwendungen) von KI Open-Source-Modelle einsetzen (z. B. über Huggingface) oder die API geschlossener Unternehmen aufrufen . Die letztendliche Verteilung ist eine der wichtigsten Variablen für unsere Frage der langfristigen Wertsteigerung. Wir können dies am besten beobachten, indem wir die wahrscheinliche Werterfassung in Szenarien gegenüberstellen, in denen OpenAI (geschlossene Quelle) oder Stabilität (offene Quelle) einen bedeutenden Markt erschließen Aktie.

Wir können deutlich erkennen, wie das erklärte Ziel von Stability, ein nichtwirtschaftlicher Akteur zu bleiben, den Wert auf Anwendungen umverteilt, während in einer Welt allgegenwärtiger OpenAI-Modelle die Anwendungen einen Bruchteil des generierten Werts erfassen.

Wenn wir uns an die Analogie halten, dass grundlegende Modellforschungsunternehmen der Entwicklung der Cloud-Hyperskalierer (und der letztendlichen Marktverteilung) folgen, wird es in den nächsten Jahren zu einer Konsolidierung auf nur eine Handvoll Akteure kommen. Ein plausibles Szenario ist das, das wir bereits angesprochen haben: Closed-Source-Unternehmen ziehen sich von Open-Source-Konkurrenten zurück (unterstützt durch Kapital- und Talentschwungräder) und produzieren ein dauerhaftes Delta in der Modellleistung gegenüber Open-Source-Konkurrenten.

Die meisten Anwendungen stünden vor der schwierigen Wahl, minderwertige Open-Source-Modelle zu verwenden und diese zu optimieren, um die Lücke für ihre Domäne zu schließen, oder einfach die Überlegenheit der Closed-Source-APIs zu akzeptieren und sich mit der Preisgestaltung abzufinden.

Nachdem wir nun bereits einige Annahmen über die Entwicklung der Wertschöpfungskette getroffen haben, wollen wir diese Entwicklungen bis zum nächsten logischen Schritt verfolgen und die Anwendungs- oder Endpunktebene und ihre voraussichtliche Entwicklung besprechen.

Unternehmen, die auf der Anwendungsebene aufbauen, sind die Unternehmen, die am besten in der Lage sind, den Zugang zu KI für die breite Masse wirklich zu demokratisieren – ein anschauliches Beispiel ist Jasper für Vermarkter. Jasper hat die GPT-3-API in eine Benutzeroberfläche abstrahiert, die Textern die Leistungsfähigkeit des Modells zugänglich macht. Viele haben die Hebel beschrieben, die für Jaspers phänomenales Wachstum verantwortlich sind: Innerhalb von 18 Monaten nach der Einführung erreichte Jasper 70.000 Benutzer und generierte einen Umsatz von 75 Millionen US-Dollar, womit es zu den am schnellsten wachsenden SaaS-Unternehmen der Geschichte zählt.

Einige der Treiber für Jaspers Erfolg bei der Produktion von GPT-3 sind: Integrationen, die auf Anwendungsfälle für Texter zugeschnitten sind, die Förderung einer florierenden Community, die Best Practices und Vorlagen austauscht, ein präzises Onboarding zur Maximierung der Time-To-Value und die Einführung eines Headless-Ansatzes zur reibungslosen Verteilung . Der CEO von Jasper fasst die Leitphilosophie von Anwendungsschichtunternehmen am besten zusammen:

Das AI Grant-Programm , finanziert von Nat Friedman (ehemaliger CEO von Github) und Daniel Gross (früher leitete ML-Projekte bei Apple, startete das AI-Programm von YC), hat vielleicht die klarste Formulierung:

Manche Leute denken, dass das Modell das Produkt ist. Es ist nicht. Es handelt sich um eine Basistechnologie, die die Entwicklung neuer Produkte ermöglicht. Die bahnbrechenden Produkte werden KI-nativ sein und vom ersten Tag an auf diesen Modellen basieren, von Unternehmern, die sowohl verstehen, was die Modelle leisten können als auch wissen, was die Menschen tatsächlich nutzen möchten.

Das Anwendungsspektrum ist riesig und erstreckt sich über generative Modalitäten (z. B. Video, Bild, Code) und Anwendungsfälle (z. B. Texter, Videobearbeitung). Da viele dieser Anwendungen eine Größenordnung erreichen, wird das Schreckgespenst grundlegender Modelle immer größer, die nach oben wandern. Welche Hindernisse bestehen bei der Konsolidierung der grundlegenden Modellebene bei der Erfassung des Werts auf Produktebene ? Es lässt sich argumentieren, dass ChatGPT das Kernprodukt von Jasper bereits in gewissem Maße überflüssig macht. Es ist plausibel, dass das übermäßige Wachstum der Anwendungen eine undichte Speicherung verdeckt. Die Margen von Jasper werden auf 60 % geschätzt , was für Unternehmen der Anwendungsschicht jedoch sicherlich am oberen Ende liegt.

Auf dem Schachbrett werden die grundlegenden Modell- und Anwendungsschichten am ehesten kontrovers werden, wenn es um die Wertschöpfung auf sehr lange Sicht geht (auch wenn der auf KI zurückzuführende TAM in der Zwischenzeit wahrscheinlich eine gesunde Symbiose aufrechterhalten wird). Grundlegende Modellunternehmen, die so erhebliche Investitionsausgaben für die Verbesserung ihrer Modelle aufgewendet haben, würden argumentieren, dass sie besser in der Lage sind, sich upstream zu bewegen als die Anwendungen, die die Modelle einlagern und annähernd Leistungsparität erreichen.

Mehrere Unternehmen der Anwendungsschicht haben bereits versucht, ihre Modelle zu besitzen . RunwayML machte in seiner letzten Finanzierungsrunde auf seine Positionierung als Full-Stack-KI-Unternehmen aufmerksam (der Mitbegründer von RunwayML leistete einen wichtigen Beitrag zu den Modellen von Stability.ai), und Descript übernahm Lyrebird, um seine KI-Forschungsabteilung zu werden , beginnend mit Text -to-Speech-Produkt, Overdub.

Umgekehrt gibt es auch Beispiele dafür, dass grundlegende Modellforschungsunternehmen die Werkzeuge zur Implementierung ihrer Modelle bereitstellen – zum Beispiel Aleph Alpha*. Aleph Alpha baut eine europäische Alternative zu OpenAI auf, hostet seine Modelle im leistungsstärksten kommerziellen KI-Rechenzentrum in Europa und konzentriert sich auf europäische Sprachen (darunter natürlich Englisch) – die Sicherheitsvorteile sind für sensible Branchen wie Regierungen von entscheidender Bedeutung. Aleph Alpha nutzt außerdem effizientere Trainingsansätze, um mit weniger als 50 % der Modellgröße Spitzenleistungen zu erzielen. Am wichtigsten ist, dass Aleph Alpha zusätzlich zu seinen Basismodellen Werkzeuge bereitstellt, die die Bereitstellung seiner Modelle unterstützen . Auf diese Weise bietet Aleph Alpha ein Full-Stack-Produkt mit einem Top-Down-Enterprise-Sales-Ansatz.

Der Full-Stack-Ansatz beider Ansätze birgt ein großes Hindernis: Talent.

Es sind nicht die ML-Talente, die den Engpass darstellen – der Trend bei Informatik-Studierenden, die sich auf KI konzentrieren, ist ermutigend.

Der Talentengpass liegt an der Schnittstelle zwischen Forschung und Produkt .

„Kreative Menschen brauchen neue Klugheit, um erfolgreich rund um ML aufzubauen, und die Überschneidung zwischen großartigen Produktleuten und denen, die ML verstehen, ist heute gering.“

Die Entwicklung verbrauchertauglicher SaaS-Anwendungen zur Produktion von KI erfordert einen anderen Talentpool als den, der auf der Ebene des Grundmodells neue Maßstäbe setzt, wie Elad Gil feststellte :

Während wir von der Ära, in der es nur große Modelle gab, in die Ära von mehr Technik und Anwendungen übergehen, wird die andere Verschiebung im Marktsegment von Doktoranden und Wissenschaftlern hin zu Produkt-, UI-, Vertriebs- und App-Entwicklern erfolgen. Erwarten Sie in den kommenden Jahren einen Zustrom produkt-/app-/UI-zentrierter Gründer in diesen Bereich.

Gewinnerteams auf der grundlegenden Modell- und Anwendungsebene unterscheiden sich grundlegend. Grundlegende Modellunternehmen zeichnen sich dadurch aus, dass sie die besten ML-Forscher einstellen, während Unternehmen auf der Anwendungsebene am besten in der Lage sind, durch die Rekrutierung der besten Produkt- und Ausführungstalente zu Plattformen/Datensystemen zu werden.

Es gibt noch ein weiteres Element im Kampf zwischen dem Basismodell und der Anwendungsschicht: die etablierten Betreiber. Die günstigste Simulation der Zukunft für Anwendungen ist eine, bei der die Modelle kommerzialisiert werden (möglich, aber unwahrscheinlich, wenn wir davon ausgehen, dass sich das Kapital auf einige wenige Closed-Source-Unternehmen konzentriert) und bei den Anwendungen keine Umstellungskosten zwischen verschiedenen Modellanbietern anfallen. Wenn wir dieser Denkweise folgen, drängt sich sofort die Frage auf: Werden die etablierten SaaS-Unternehmen KI nicht in ihre Produktpalette integrieren ?

Beispielsweise hofft Copy.ai, sein KI-gestütztes Copywriting-Tool als Keil in Unternehmen zu nutzen und es schließlich in die bestehenden Software-Stacks seiner Kunden zu integrieren, um Wachstumsmarketing zu automatisieren und möglicherweise Hubspot zu ersetzen. Für die meisten Anwendungen ist ein ähnliches Spielbuch am Werk, bei dem KI als Keil verwendet wird, um schließlich eine Plattform oder ein Aufzeichnungssystem aufzubauen (vorausgesetzt, KI wird zur Massenware). In einem solchen Szenario sind KI-native Anwendungen nicht vor der Gefahr geschützt, dass etablierte Tools wie Notion, Figma, Hubspot und Slack, die bereits über die Distribution verfügen, KI in ihre Produktpalette integrieren.

Es gibt einige plausible Vektoren der Verteidigungsfähigkeit für Anwendungen, wie Vertikalisierung und begleitende Arbeitsabläufe, Feinabstimmung proprietärer Modelldaten (entweder Nutzungs- oder private Daten, die von einem Netzwerk, z. B. Gesundheitswesen, gesammelt werden) und Community/GTM. Dennoch ist der Weg für KI-native Anwendungsunternehmen, zu skalieren und gesunde Margen, Einheitsökonomie und Kundenbindung zu erzielen, angesichts der Bedrohungen aus der Modellebene und von etablierten SaaS-Unternehmen am gefährlichsten.

Letzte Worte

Wir erleben einen Plattformwechsel, der weitreichende Auswirkungen auf Wissensarbeiter und die Weltwirtschaft haben wird. Es gibt zu viele bewegliche Teile, um genau zu verstehen, wie sich die Technologie und ihre Wertschöpfungskette weiterentwickeln werden. Wir können lediglich plausible Zukunftsszenarien darstellen und anhand verschiedener Simulationen wahrscheinliche Gewinner in der Wertschöpfungskette interpolieren.

Geistige Flexibilität ist von größter Bedeutung. Bei Earlybird versuchen wir, unsere Annahmen bei jeder Gelegenheit zu testen.

Zu diesem Zweck freuen wir uns auf eine gesunde Debatte und Diskussion mit Gründern, Investoren und anderen Mitwirkenden des KI-Ökosystems in Europa.

Nehmen Sie gerne Kontakt mit uns auf und teilen Sie uns Ihre Gedanken mit: [email protected] , [email protected] , [email protected]

* Aleph Alpha ist ein Earlybird- Portfoliounternehmen

Weiterführende Literatur

• 6 neue Theorien über KI
• KI-Revolution: Transformatoren und große Sprachmodelle
• KI – Die Explosion
• Grundlagenmodelle: Die Zukunft geschieht nicht schnell genug – bessere Werkzeuge werden dafür sorgen, dass sie schneller geschieht
• Das Zeitalter des Open-Foundation-Modells
• Der Aufstieg des Jasper-Reiches
• Überblick und Anwendungen großer Sprachmodelle (LLMs)
• 4 Fragen zur KI
• Wenn Sie nicht der Erste sind, sind Sie der Letzte: Wie KI geschäftskritisch wird