Akrual Nilai di Stack AI Modern

“Ada beberapa dekade di mana tidak ada yang terjadi; dan ada minggu-minggu di mana dekade terjadi” — Lenin

Oleh Akash Bajwa, Dr. Andre Retterath, & Kelas Laurin dari Digital West

Selama beberapa tahun terakhir, satu demi satu peristiwa seismik memunculkan pelafalan Lenin, sedemikian rupa sehingga pada tahap tertentu rasanya seperti berteriak ke dalam kehampaan, kebanyakan dari kita tidak peka.

Terobosan ilmiah, bagaimanapun, masih memiliki kekuatan untuk mencengkeram kita seperti tidak ada yang lain. Euforia belaka yang membuat orang bereaksi terhadap kemajuan terbaru dalam model bahasa besar berbasis transformator sangat memekakkan telinga. Sebagian besar komentar meragukan langkah-langkah kolosal yang diambil AI tahun ini.

Sulit untuk menahan perasaan bahwa kita berada di babak awal dari perubahan teknologi yang mendalam, dengan pandangan penuh bintang ke cakrawala tentang apa yang mungkin terjadi di masa depan.

Dalam rentang waktu yang relatif singkat, investor telah mengumpulkan banyak analisis tentang anteseden momen AI saat ini. Top of mind bagi investor, bagaimanapun, adalah pertanyaan tentang alokasi modal: Komponen mana dari 'rantai nilai' AI yang paling menarik untuk VC?

Dengan pasar yang berkembang dengan kecepatan yang begitu ganas, kesimpulan apa pun akan bertumpu pada landasan asumsi. Terlepas dari kekuatan model yang sangat menawan saat ini, kita masih berada di babak awal revolusi . Apa yang dapat kita lakukan adalah mensimulasikan gerakan yang berbeda di papan catur dan menetapkan probabilitas untuk setiap hasil, yang seharusnya memberi kita pandangan jauh ke depan tentang pemenang dalam rantai nilai AI.

Keadaan Bermain

Penelitian tentang mesin yang mampu meniru kecerdasan manusia sudah ada sejak tahun 1950-an. Banyak siklus hype Gartner mengikuti dan memudar, tetapi penelitian terus berjalan, bertambah, dengan setiap terobosan berikutnya membangun di atas kumpulan pendahulunya.

Melalui siklus ini, terjadi pergeseran bertahap dari publikasi ilmiah dan akademisi ke investasi swasta dari organisasi yang berorientasi komersial . Dekade sebelumnya melihat pembentukan beberapa laboratorium penelitian dari kedua incumbent (misalnya Google, Meta) dan startup (misalnya OpenAI), masing-masing memobilisasi sumber daya komputasi dan data yang besar untuk memajukan ML; infleksi dalam makalah penelitian yang mengikutinya jelas terlihat.

Dua tonggak menjelaskan sebagian besar infleksi yang bertepatan dengan munculnya laboratorium penelitian. Yang pertama adalah pada tahun 2012, ketika Alex Krizhevsky dari University of Toronto mendemonstrasikan keunggulan jaringan saraf pembelajaran mendalam atas perangkat lunak pengenalan gambar yang canggih, setelah melatih model pada GPU yang mampu menangani triliunan operasi matematika. Sejak saat itu, model ML memiliki kapasitas komputasi untuk diskalakan, memanfaatkan keunggulan GPU seperti paralelisme untuk melakukan tugas intensif komputasi seperti perkalian matriks yang merupakan inti dari model AI. GPU melompat di depan ASIC lainnya seperti TPU Google dalam hal pangsa pasar (di dalam GPU, Nvidia memiliki pangsa pasar terbesar, tetapi lebih dari itu nanti), meskipun TPU lebih baik untuk pelatihan banyak model. Singkatnya, GPU membuka paradigma baru kapasitas komputasi.

Katalis kedua adalah publikasi makalah penting pada tahun 2017 oleh tim peneliti dari Google. Makalah tersebut menguraikan arsitektur baru untuk model pembelajaran mendalam yang mengandalkan mekanisme perhatian dengan cara baru, menghindari metode sebelumnya (jaringan berulang) untuk memberikan kinerja yang unggul. Model berbasis transformer cocok untuk paralelisme dan karenanya dapat memperoleh nilai maksimum dari GPU, membutuhkan lebih sedikit waktu untuk berlatih. Dua pengembangan penting ini memuncak pada model ML berbasis Transformer yang terus berkembang sejak saat itu, menghasilkan lebih banyak komputasi untuk skala.

Khususnya, meskipun aplikasi awal Transformers berfokus pada Pemrosesan Bahasa Alami, makalah akademis baru-baru ini tentang transformer memberikan banyak bukti tentang bagaimana transformatif (maafkan permainan kata-kata) arsitektur ini melintasi berbagai modalitas di luar pembuatan teks.

Saat kami mengekstrapolasi lintasan kinerja model pasca-Transformer ke masa depan (tanpa membiarkan terobosan lebih lanjut dalam arsitektur komputasi atau model), tidak mengherankan jika AI digembar-gemborkan sebagai pergeseran platform berikutnya setelah komputasi personal, seluler, dan cloud.

Persepsi kita tentang kemajuan teknologi seringkali terlalu linier, mengekstrapolasi berdasarkan tingkat pertumbuhan masa lalu, mencegah kita dari melihat perubahan eksponensial ketika itu ada di depan kita.

Itu secara alami membuat kita meremehkan kisaran hasil di masa depan , menipiskan skenario masa depan yang benar-benar masuk akal dan tidak masuk akal untuk pengembangan AI dan dampaknya terhadap umat manusia.

Menimbang hasil ini terhadap probabilitas secara langsung diterjemahkan menjadi tesis investasi tentang bagaimana rantai nilai AI akan berkembang, di mana tangkapan nilai jangka panjang akan berada , dan sepadan di mana perusahaan terbesar akan dibangun.

Kemungkinan Tak Terbatas

Lanskap vendor AI tidak secara rapi sesuai dengan kerangka rantai nilai, karena semua komponen berdarah satu sama lain hingga tingkat yang berbeda-beda — sebuah dinamika yang hanya akan semakin menonjol seiring berjalannya waktu.

Yang mengatakan, pembingkaian dari Evan Armstrong ini mencakup kontur umum dari teknologi di balik aplikasi saat ini:

Compute memberdayakan perusahaan riset model dasar yang melatih model mereka pada volume data yang sangat besar , untuk menghadirkan model transformator yang telah dilatih sebelumnya kepada pembuat aplikasi. Pembuat aplikasi ini dapat memilih untuk menyesuaikan model dengan data khusus domain untuk mendapatkan kinerja superior untuk aplikasi khusus yang berfungsi sebagai titik akses ke AI untuk populasi umum.

Untuk mulai menjawab pertanyaan tentang penangkapan nilai jangka panjang, pertama-tama kita harus menentukan kondisi di mana perusahaan-perusahaan ini akan beroperasi. Salah satu variabel terpenting yang akan menentukan kecenderungan perusahaan mana pun untuk menjelajah ke hulu atau hilir dirinya sendiri dalam rantai nilai adalah Total Addressable Market (TAM) . Framing yang bisa kita gunakan untuk memikirkan hal ini adalah:

1. Total penciptaan nilai yang diatribusikan ke AI cukup besar untuk mengakomodasi X kategori (tingkat infrastruktur & aplikasi) dan masing-masing menghasilkan pendapatan X miliar
2. Jika total penciptaan nilai tidak cukup untuk mendukung banyak kategori, komponen rantai nilai mana yang paling siap untuk bergerak ke atas atau ke bawah untuk menangkap lebih banyak nilai

Tren sekuler cukup kuat untuk menghasilkan miliaran dolar dalam nilai perusahaan, yang telah berhasil bertahan dari penurunan lebih tangguh daripada kategori perangkat lunak lainnya — sebagian besar perusahaan perangkat lunak yang tumbuh paling cepat adalah perusahaan infrastruktur cloud, yang menghasilkan kelipatan tertinggi.

Anda dapat berargumen bahwa beberapa dari kategori ini harus dimasukkan ke dalam lapisan tumpukan yang lebih besar dan lebih dapat dipertahankan (dan banyak yang mencoba melakukannya ). Itu mungkin terjadi di masa depan, tetapi prinsip yang lebih besar adalah bahwa total penciptaan nilai dari data cukup melimpah untuk mendukung pembentukan beberapa kategori di tingkat infrastruktur. Setiap kategori dan para pemenangnya sebagian besar puas untuk fokus pada proposisi nilai inti mereka tanpa yang lain menghela nafas karena ukuran pasar yang terbatas.

Untuk mengilustrasikan poin ini lebih jauh, kita bisa menyandingkan infrastruktur data dengan infrastruktur fintech , khususnya Open Banking. Janji Open Banking adalah untuk meruntuhkan tembok yang dibangun oleh bank untuk data perbankan pelanggan yang berharga, membuka banyak aplikasi seperti alat manajemen keuangan yang dipersonalisasi, penilaian dan pengambilan keputusan kredit, dan pembayaran rekening ke rekening. Pemain infrastruktur muncul untuk menyediakan akses ke data rekening bank melalui API bersih, terutama Plaid di AS dan TrueLayer di Eropa. Terlepas dari janji yang dirasakan dari perbankan terbuka, pertumbuhan adopsi jauh lebih lambat dari yang diharapkan oleh para praktisi fintech, yang memaksa banyak penyedia infrastruktur mengkanibalisasi pelanggan mereka dengan beralih ke hulu ke aplikasi, terutama pembayaran.

Perhitungan ukuran pasar yang tepat untuk AI tidak berguna, tetapi pengertian besarnya memberi kita indikasi tentang dinamika persaingan yang kemungkinan besar akan terungkap seiring waktu. Pendekatan kualitatif akan mengukur pasar laten untuk aplikasi AI generatif. Model transformator generatif telah menurunkan biaya pembuatan konten menjadi nol , seperti halnya internet menurunkan biaya distribusi marjinal menjadi nol. Tidaklah berlebihan untuk memperdebatkan masa depan di mana produk yang mendukung AI bertindak sebagai inovasi yang menciptakan pasar yang akan memungkinkan aplikasi SaaS dan konsumen yang ada untuk mendorong penetrasi dan ekspansi TAM (hasil yang lebih radikal seperti Kecerdasan Buatan atau bentuk kehidupan digitaljauh di luar cakupan posting ini).

Ada beberapa proksi dari permintaan laten ini. Misalnya ChatGPT, antarmuka untuk GPT 3.5, yang naik menjadi 1 juta pengguna lebih cepat daripada beberapa perusahaan teknologi konsumen paling terkenal dalam sejarah (OpenAI, salah satu perusahaan model dasar sumber tertutup terbesar, konon menghasilkan pendapatan $1 miliar pada tahun 2024 dan mempertimbangkan apakah akan memonetisasi ChatGPT ).

Atau gunakan HuggingFace, pustaka sumber terbuka transformator terlatih yang dapat disesuaikan oleh pengembang untuk berbagai aplikasi dalam produksi (misalnya, klasifikasi & pembuatan teks) — ini adalah salah satu proyek sumber terbuka dengan pertumbuhan tercepat dalam sejarah.

Kami masih berada di babak awal, tetapi bukti awal menegaskan pandangan bahwa AI benar-benar mewakili pergeseran platform yang besarnya serupa dengan seluler dan cloud, dan bahwa dunia aplikasi akan muncul di platform baru ini.

Maka, tidak mengherankan jika rantai nilai AI sering disamakan dengan infrastruktur cloud.

Perbandingannya intuitif: konsentrasi perusahaan besar yang membelanjakan % pendapatan yang signifikan pada belanja modal untuk memperkuat infrastruktur vital yang memungkinkan aplikasi dikirimkan dengan cara yang lebih cepat, lebih murah, dan lebih terukur. Penyedia infrastruktur (AWS, GCP, Azure) menjadi hyperscaler hanya dengan berfokus pada hal terbaik yang mereka lakukan, membiarkan aplikasi memberikan nilai kepada pelanggan akhir.

Nilai yang diciptakan oleh AI sepertinya cukup untuk menopang miliaran dolar dalam penciptaan nilai perusahaan. Kualitas pendapatan dasarlah yang lebih diperdebatkan.

Aplikasi yang dibangun di atas API dari perusahaan model dasar seolah-olah tidak memiliki hambatan untuk masuk. Seberapa dapat dipertahankan margin mereka dan seberapa baik retensi yang bisa didapat? Sebaliknya, apakah model dasar akan menjadi komoditas dengan sedikit atau tanpa biaya pengalihan untuk aplikasi yang menggunakan API mereka? Atau akankah ada perlombaan senjata modal antara oligopoli perusahaan riset tertutup, yang mampu mengekstraksi nilai maksimum dari tumpukan? Akhirnya, akankah AI benar-benar open source, atau akankah perusahaan tertutup mengembangkan celah menganga yang tidak akan pernah bisa dijembatani oleh rekan open source mereka?

Papan catur siap dengan halus.

Hak untuk menang

Seperti yang telah kita diskusikan, anteseden untuk revolusi hari ini adalah blok bangunan yang ditumpuk satu sama lain — GPU terbukti mampu menangani beban komputasi yang dibutuhkan model AI, perusahaan model dasar yang memanfaatkan arsitektur transformer, dan terakhir aplikasi yang memanfaatkan model yang lebih baru ini, baik melalui API atau menggunakan transformator sumber terbuka. Rantai ini menyiratkan tingkat ketergantungan tertentu pada blok yang ada sebelumnya.

Mari kita mulai dengan memeriksa lapisan komputasi. GPU Nvidia melompat di depan para pesaing, termasuk pesaing petahana dari Google dan dari perusahaan rintisan seperti Cerebras, Graphcore, Groq, dan SambaNova. Kami sudah terbiasa dengan distribusi pasar yang kira-kira sama antara hyperscaler cloud AWS/GCP/Azure yang menghosting model dasar. Bersama dengan Nvidia, aktor utama di lapisan komputasi adalah cloud hyperscaler, yang semuanya telah berinvestasi besar-besaran untuk mempertahankan posisi mereka.

Kita dapat melihat bagaimana cloud hyperscaler berinvestasi secara langsung atau bermitra dengan perusahaan model dasar. Meskipun Nvidia belum menempuh jalur pengembangan bisnis ini, Nvidia telah banyak berinvestasi dalam penelitian AI dan terus mendapatkan pengakuan atas kontribusi mutakhir mereka — generasi baru GPU H100 akan hadir, untuk melengkapi V100 dan V100 yang sudah dominan. Chip A100.

Ada simbiosis yang sehat antara lapisan model komputasi dan dasar. Jika kita mengambil ChatGPT, yang memiliki 175 miliar parameter, di belakang matematika amplop akan menunjukkan bahwa OpenAI membayar Microsoft c. $100rb per hari untuk biaya server 8-GPU yang diperlukan. Inovasi pada lapisan silikon perangkat keras membutuhkan ' penekanan pada perangkat lunak dan interkoneksi ' (penantang yang paling mungkin untuk posisi Nvidia adalah cloud hyperscaler itu sendiri). Inovasi dalam penelitian model dasar memerlukan akses ke kumpulan data yang lebih besar, iterasi lebih lanjut pada arsitektur model transformator, dan pendekatan pelatihan. Ini adalah jalur yang sangat berbeda dan menyimpang .

Namun, sebagian besar belanja modal dan R&D dalam rantai nilai AI terletak pada dua lapisan ini, yang menjelaskan perkawinan yang kita lihat. Dinamika antara komputasi dan lapisan model dasar cenderung tetap kolaboratif daripada kompetitif.

Raison d'être dari perusahaan riset model dasar menghasilkan model yang lebih kuat, tetapi ada pemisahan antara pendekatan sumber tertutup dan sumber terbuka di tingkat penelitian. Dalam pasar yang sangat efisien, apakah modal akan dialokasikan secara tidak proporsional ke perusahaan tertutup yang lebih mampu menangkap nilai, sehingga mencegah pesaing sumber terbuka mempertahankan paritas model? Ini adalah skenario yang sangat masuk akal, dan yang akan bertentangan dengan sejarah open-sourcing model besar baru-baru ini dalam jangka waktu singkat.

Ini menimbulkan pertanyaan apakah sebagian besar kasus penggunaan produksi (aplikasi) AI akan menerapkan model sumber terbuka (misalnya melalui Huggingface) atau memanggil API perusahaan tertutup . Distribusi akhirnya adalah salah satu variabel terpenting untuk pertanyaan kita tentang akrual nilai jangka panjang — kita dapat mengamatinya dengan baik dengan menyandingkan kemungkinan penangkapan nilai dalam skenario di mana OpenAI (sumber tertutup) atau Stabilitas (sumber terbuka) menghasilkan pasar yang signifikan membagikan.

Kita dapat melihat dengan jelas bagaimana tujuan Stabilitas untuk tetap menjadi aktor non-ekonomi mendistribusikan kembali nilai ke aplikasi, sedangkan di dunia model OpenAI yang ada di mana-mana, aplikasi menangkap sebagian kecil dari nilai yang dihasilkan.

Jika kita tetap menggunakan analogi perusahaan riset model dasar yang mengikuti lintasan cloud hyperscaler (dan akhirnya distribusi pasar), beberapa tahun ke depan akan terlihat konsolidasi hanya untuk segelintir pemain. Salah satu skenario yang masuk akal adalah skenario yang telah kami ajukan tentang perusahaan sumber tertutup yang menarik diri dari pesaing sumber terbuka (dibantu oleh roda gila modal dan bakat), menghasilkan delta abadi dalam kinerja model di atas pesaing sumber terbuka.

Sebagian besar aplikasi akan dibiarkan dengan pilihan yang jelas untuk mengambil model sumber terbuka yang lebih rendah dan menyempurnakannya untuk mempersempit celah untuk domain mereka, atau hanya menerima keunggulan API sumber tertutup dan menyetujui harga.

Sekarang setelah kita membuat beberapa anggapan tentang evolusi rantai nilai, mari ikuti perkembangan ini hingga langkah logis berikutnya dan diskusikan lapisan aplikasi atau titik akhir, dan bagaimana kemungkinannya untuk berjalan.

Perusahaan yang membangun di lapisan aplikasi adalah perusahaan yang paling tepat untuk benar-benar mendemokratisasi akses ke AI untuk massa — contoh ilustrasinya adalah Jasper untuk pemasar. Jasper telah mengabstraksi API GPT-3 menjadi UI yang membuat kekuatan model dapat diakses oleh copywriter. Banyak yang telah menutupi tuas yang bertanggung jawab atas pertumbuhan fenomenal Jasper, setelah mencapai 70.000 pengguna dan menghasilkan pendapatan $75 juta dalam waktu 18 bulan setelah peluncuran, di atas sana dengan perusahaan SaaS yang tumbuh paling cepat dalam sejarah.

Beberapa pendorong di balik kesuksesan Jasper dalam memproduksi GPT-3 adalah: integrasi yang disesuaikan untuk kasus penggunaan bagi copywriter, mengembangkan komunitas yang berkembang yang berbagi praktik dan template terbaik, menerapkan orientasi untuk memaksimalkan Time To Value, dan mengadopsi pendekatan tanpa kepala untuk memperlancar distribusi . CEO Jasper meringkas filosofi panduan perusahaan lapisan aplikasi terbaik:

Program Hibah AI , didanai oleh Nat Friedman (mantan CEO Github) dan Daniel Gross (sebelumnya menjalankan proyek ML di Apple, memulai program AI YC), mungkin memiliki artikulasi paling tajam:

Beberapa orang berpikir bahwa model adalah produk. Bukan itu. Ini adalah teknologi yang memungkinkan yang memungkinkan produk baru dibangun. Produk terobosannya akan asli AI, dibangun di atas model ini sejak hari pertama, oleh wirausahawan yang memahami apa yang dapat dilakukan model, dan apa yang sebenarnya ingin digunakan orang.

Semesta aplikasi sangat luas dan meluas melintasi modalitas generatif (mis. video, gambar, kode) dan kasus penggunaan (mis. copywriter, pengeditan video). Karena banyak dari aplikasi ini mencapai skala, momok model dasar yang bergerak ke atas tampak besar. Saat lapisan model dasar berkonsolidasi, apa hambatan bagi mereka untuk menangkap nilai tingkat produk ? Ada argumen yang dibuat bahwa ChatGPT sudah meniadakan produk inti Jasper sampai batas tertentu. Masuk akal bahwa pertumbuhan berlebih dari aplikasi menutupi kebocoran retensi. Margin Jasper diperkirakan mencapai 60% , tetapi ini tentu saja berada di atas untuk perusahaan lapisan aplikasi.

Di papan catur, model dasar dan lapisan aplikasi adalah yang paling mungkin menjadi permusuhan dalam hal penangkapan nilai dalam jangka panjang ( meskipun TAM yang dikaitkan dengan AI cenderung mempertahankan simbiosis yang sehat untuk sementara). Perusahaan model dasar, setelah mengeluarkan belanja modal yang signifikan untuk meningkatkan model mereka, akan berpendapat bahwa mereka berada pada posisi yang lebih baik untuk bergerak ke hulu daripada aplikasi dalam sumber model dan mencapai paritas kinerja yang mendekati.

Beberapa perusahaan lapisan aplikasi telah berusaha untuk memiliki model mereka sendiri . RunwayML membawa perhatian pada posisi mereka sebagai perusahaan AI tumpukan penuh dalam putaran pendanaan terbaru mereka ( salah satu pendiri RunwayML adalah kontributor utama model Stability.ai) dan Descript mengakuisisi Lyrebird untuk menjadi divisi penelitian AI mereka , dimulai dengan Teks mereka produk -to-Speech, Overdub.

Sebaliknya, ada juga contoh perusahaan riset model dasar yang menyediakan alat untuk mengimplementasikan model mereka - ambil Aleph Alpha*. Aleph Alpha sedang membangun alternatif Eropa untuk OpenAI, menghosting modelnya di pusat data AI komersial paling kuat di Eropa dan berfokus pada bahasa Eropa (tentu saja di antara bahasa Inggris) — keuntungan keamanan sangat penting bagi vertikal yang sensitif seperti pemerintah. Aleph Alpha juga memanfaatkan pendekatan pelatihan yang lebih efisien untuk mencapai kinerja canggih dengan ukuran model kurang dari 50%. Yang paling penting, Aleph Alpha menyediakan perkakas di atas model dasar mereka yang mendukung penyampaian model mereka . Dengan demikian, Aleph Alpha menyediakan produk full stack dengan pendekatan penjualan perusahaan top-down.

Menjadi full-stack dari salah satu pendekatan memiliki satu penghalang utama: bakat.

Bukan bakat ML yang menjadi penghambat — tren jurusan Ilmu Komputer yang berkonsentrasi pada AI sangat menggembirakan.

Kemacetan bakat berada di persimpangan penelitian dan produk .

'Dibutuhkan orang-orang kreatif, kepandaian baru, untuk membangun dengan sukses di sekitar ML, dan tumpang tindih antara orang-orang produk hebat dan mereka yang memahami ML saat ini kecil'

Membangun aplikasi SaaS tingkat konsumen untuk menghasilkan AI membutuhkan kumpulan bakat yang berbeda dengan yang mendorong batas pada tingkat model dasar, seperti yang dicatat Elad Gil :

Saat kita beralih dari era hanya model besar ke era lebih banyak rekayasa dan aplikasi, pergeseran lain di segmen pasar akan terjadi dari PhD dan ilmuwan ke pembuat produk, UI, penjualan, dan aplikasi. Harapkan masuknya pendiri produk/aplikasi/UI-sentris ke area ini di tahun-tahun mendatang.

Tim pemenang pada model dasar dan lapisan aplikasi pada dasarnya berbeda. Perusahaan model dasar unggul dengan mempekerjakan peneliti ML terbaik, sedangkan perusahaan lapisan aplikasi ditempatkan paling baik untuk menjadi platform/sistem catatan dengan merekrut bakat produk dan eksekusi terbaik.

Ada satu elemen lagi dalam pertempuran antara model dasar dan lapisan aplikasi: petahana. Simulasi masa depan yang paling menguntungkan untuk aplikasi adalah di mana model menjadi komoditas (mungkin tetapi tidak mungkin jika kita menganggap modal terkonsentrasi di sekitar beberapa perusahaan sumber tertutup) dan aplikasi tidak memiliki biaya peralihan antara penyedia model yang berbeda. Jika kita mengikuti alur pemikiran ini, maka pertanyaan yang langsung muncul di benak adalah: bukankah perusahaan SaaS yang sedang menjabat menggabungkan AI ke dalam rangkaian produk mereka ?

Misalnya, Copy.ai berharap untuk mengandalkan alat copywriting berbantuan AI sebagai irisan ke dalam perusahaan, yang pada akhirnya berintegrasi ke tumpukan perangkat lunak pelanggan mereka yang ada untuk mengotomatiskan pemasaran pertumbuhan, mungkin menggantikan Hubspot. Buku pedoman serupa sedang bekerja untuk sebagian besar aplikasi, menggunakan AI sebagai irisan untuk akhirnya membangun platform atau sistem catatan (dengan asumsi AI dikomoditisasi). Dalam skenario seperti itu, aplikasi asli AI tidak akan terlindungi dari ancaman alat lama seperti Notion, Figma, Hubspot, dan Slack, yang sudah memiliki distribusi, dari mengintegrasikan AI ke dalam set produk mereka.

Ada beberapa vektor pertahanan yang masuk akal untuk aplikasi, seperti vertikalisasi dan alur kerja yang menyertainya, penyempurnaan data hak milik model (baik penggunaan atau data pribadi yang dikumpulkan oleh jaringan, misalnya layanan kesehatan), dan komunitas/GTM. Meski begitu, dengan ancaman dari lapisan model dan dari perusahaan SaaS yang ada, jalur bagi perusahaan aplikasi asli AI untuk menskalakan dan mencapai margin yang sehat, ekonomi unit, dan retensi adalah yang paling penuh dengan ancaman.

Kata-kata terakhir

Kami sedang menyaksikan pergeseran platform yang akan memiliki implikasi luas bagi pekerja pengetahuan dan ekonomi global. Ada terlalu banyak bagian yang bergerak untuk memiliki pemahaman yang kuat tentang bagaimana teknologi, dan rantai nilainya, akan berkembang. Kami hanya dapat menyajikan skenario masa depan yang masuk akal dan menginterpolasi kemungkinan pemenang dalam rantai nilai berdasarkan simulasi yang berbeda.

Kelenturan mental adalah yang terpenting. Di Earlybird, kami mencoba menguji asumsi kami di setiap kesempatan.

Untuk itu, kami menantikan debat dan diskusi yang sehat dengan para pendiri, investor, dan kontributor lain untuk ekosistem AI di Eropa.

Silakan hubungi kami dan bagikan pendapat Anda: [email protected] , [email protected] , [email protected]

* Aleph Alpha adalah perusahaan portofolio Earlybird

Bacaan lebih lanjut

• 6 Teori Baru Tentang AI
• Revolusi AI: Transformers dan Model Bahasa Besar
• AI — Ledakan
• Model Fondasi: Masa depan tidak terjadi cukup cepat — Perkakas yang lebih baik akan mewujudkannya lebih cepat
• Model Era Fondasi Terbuka
• Bangkitnya Kerajaan Jasper
• Ikhtisar & Aplikasi Model Bahasa Besar (LLM)
• 4 pertanyaan tentang AI
• Jika Anda Bukan Yang Pertama, Anda Yang Terakhir: Bagaimana AI Menjadi Misi Penting