Как стартапы могут захватить и защитить долю рынка в эпоху искусственного интеллекта

Вам не избежать разговоров об искусственном интеллекте, как бы далеко и быстро вы ни бежали. Вокруг того, что смогут сделать современные технологии искусственного интеллекта (революционизировать каждую отрасль!) и на что способны современные технологии искусственного интеллекта (захватить мир!), ходит множество преувеличений. Ближе к делу TechCrunch + работает над тем, чтобы понять, где стартапы могли бы закрепиться на рынке, используя большие языковые модели (LLM), недавний и эффективный новый метод создания программного обеспечения с искусственным интеллектом.

Роль искусственного интеллекта в мире стартапов - не новая тема для разговоров. Несколько лет назад одна венчурная фирма спросила, как будут монетизироваться стартапы, ориентированные на искусственный интеллект, и не пострадают ли они от снижения маржи из-за затрат, связанных с запуском моделей от имени клиентов. Этот разговор утих только для того, чтобы с ревом возобновиться в последние кварталы, когда стало ясно, что, хотя технология LLM быстро развивается, ее запуск в нынешнем виде вряд ли обходится дешево. Но затраты - это только одна область, где у нас есть вопросы без ответов. Нам также невероятно любопытно, как стартапы должны подходить к созданию инструментов для технологий искусственного интеллекта, насколько оправданной окажется работа с ИИ, ориентированная на стартапы, и как начинающие технологические компании должны взимать плату за инструменты на базе искусственного интеллекта.

Учитывая объем капитала, приток которого в стартапы, работающие с искусственным интеллектом и создающие его сегодня, крайне важно, чтобы мы понимали рынок как можно лучше. Итак, мы попросили нескольких венчурных капиталистов, активно работающих в сфере инвестирования в искусственный интеллект, рассказать нам о том, что они видят на рынке сегодня. То, что мы узнали из опыта инвестирования, было полезным. Рик Гриннелл, основатель и управляющий партнер Glasswing Ventures, сказал, что в рамках нового технологического стека искусственного интеллекта “большая часть возможностей лежит на прикладном уровне”, где “лучшие приложения будут использовать свой внутренний опыт для создания специализированных инструментов среднего уровня и сочетать их с соответствующими базовыми моделями”. Стартапы, добавил он, могут использовать скорость в своих интересах, работая над “инновациями, итерациями и развертыванием решений” для клиентов.

Оправдает ли себя эта работа в долгосрочной перспективе? Эдвард Цай, управляющий партнер Alumni Ventures, сказал нам, что у него есть потенциально “противоречивое мнение о том, что венчурные капиталисты и стартапы, возможно, захотят временно уменьшить свое внимание к защищенности и сосредоточить внимание на продуктах, которые обеспечивают убедительную ценность и скорость вывода на рынок”. При условии массового внедрения это может сработать!

Исследование показало, что 42% пользователей Mac используют приложения с искусственным интеллектом ежедневно

Рик Гриннелл, основатель и управляющий партнер Glasswing Ventures

В формирующемся стеке LLM есть несколько уровней, включая модели, решения для предварительного обучения и инструменты тонкой настройки. Вы ожидаете, что стартапы будут создавать многоуровневые решения для отдельных уровней стека LLM или придерживаться более вертикального подхода?

Согласно нашему собственному представлению о технологическом стеке GenAI, мы разделяем ландшафт на четыре отдельных уровня: поставщики базовых моделей, компании среднего уровня, приложения для конечного рынка или верхнего уровня, а также полный стек или сквозные вертикальные компании. Мы считаем, что большая часть возможностей лежит на прикладном уровне, и на этом уровне, по нашему мнению, в ближайшем будущем лучшие приложения будут использовать свой внутренний опыт для создания специализированных инструментов среднего уровня и сочетать их с соответствующими базовыми моделями. Это “вертикально интегрированные” приложения или “полный стек". Для стартапов такой подход означает более короткое время вывода на рынок. Без переговоров или интеграции с внешними организациями стартапы могут внедрять инновации, повторять и внедрять решения ускоренными темпами. Эта скорость и маневренность часто могут быть отличительным фактором в захвате доли рынка или удовлетворении критической потребности рынка раньше конкурентов.

С другой стороны, мы рассматриваем средний уровень как канал, соединяющий основополагающие аспекты искусственного интеллекта с усовершенствованным уровнем специализированных приложений. Эта часть стека включает в себя передовые возможности, охватывающие тонкую настройку модели, оперативный инжиниринг и гибкую компоновку моделей. Именно здесь мы ожидаем появления сущностей, подобных Databricks. Тем не менее, динамика конкуренции на этом уровне представляет собой уникальную проблему. В первую очередь, появление поставщиков базовых моделей, расширяющихся до инструментов среднего уровня, повышает риски коммодитизации. Кроме того, признанные лидеры рынка, выходящие в эту сферу, еще больше усиливают конкуренцию. Следовательно, несмотря на всплеск стартапов в этой области, явных победителей еще предстоит выявить.

Такие компании, как Datadog, создают продукты для поддержки расширяющегося рынка искусственного интеллекта, включая выпуск инструмента LLM observability. Сократят ли усилия, подобные тому, что было создано Datadog (и аналогичные результаты крупных / действующих технологических компаний), рыночную зону, где стартапы могут развиваться и конкурировать?

Наблюдаемость LLM относится к категории “среднего уровня”, выступая катализатором для специализированных бизнес-приложений, использующих базовые модели. Все действующие компании, такие как Datadog, New Relic и Splunk, создали инструменты LLM observability и, похоже, вкладывают в это много долларов на исследования и разработки, что может сократить рыночную площадь в краткосрочной перспективе. Однако, как мы видели ранее на примере Интернета и облачных вычислений, действующие компании склонны внедрять инновации до тех пор, пока инновации не станут застойными. Поскольку искусственный интеллект становится именем нарицательным, которое находит применение во всех сферах деятельности, у стартапов появляется шанс предложить инновационные решения, которые разрушат и переосмыслят работу действующих сотрудников. Пока еще слишком рано с уверенностью говорить о том, кто станет победителем, поскольку каждый день выявляются новые пробелы в существующих структурах искусственного интеллекта. В этом заключаются большие возможности для стартапов.

Как робототехники думают о генеративном ИИ

Сколько места на рынке оставляют услуги крупнейших технологических компаний для небольших компаний и инструментов стартапов для внедрения LLM?

При рассмотрении ландшафта поставщиков моделей базового уровня, таких как Alphabet / Google Bard, Microsoft / OpenAI GPT-4 и Anthropic Claude, становится очевидным, что более значимые игроки обладают неотъемлемыми преимуществами в отношении доступности данных, кадрового резерва и вычислительных ресурсов. Мы ожидаем, что этот уровень превратится в олигополистическую структуру, подобную рынку облачных провайдеров, хотя и с добавлением сильного фактора с открытым исходным кодом, который приведет к значительному внедрению третьими сторонами. Рассматривая технологический стек generative AI, мы видим, что крупнейшие рыночные возможности лежат выше самой модели. Компании, которые внедряют API на базе искусственного интеллекта и операционные уровни для конкретных отраслей, создадут совершенно новые варианты использования и преобразуют рабочие процессы. Используя эту технологию для революционизации рабочих процессов, эти компании смогут получить значительную прибыль.

Однако важно признать, что рынок все еще далек от кристаллизации. LLM все еще находятся в зачаточном состоянии, их внедрение в крупных корпорациях и стартапах не достигло полной зрелости и доработки. Нам нужны надежные инструменты и платформы для обеспечения более широкого использования компаниями и частными лицами. Здесь у стартапов есть возможность действовать быстро, находить новые решения возникающих проблем и определять новые категории. Интересно, что даже крупные технологические компании осознают пробелы в своих услугах и начали вкладывать значительные средства в стартапы наряду с венчурными капиталистами. Эти компании применяют искусственный интеллект в своих внутренних процессах и, таким образом, видят ценность, которую стартапы привносят в развертывание LLM и интеграцию. Рассмотрим недавние инвестиции Microsoft, Nvidia и Salesforce в такие компании, как Inflection AI и Cohere.

Что можно сделать, чтобы гарантировать, что отраслевые стартапы, которые настраивают генеративные модели искусственного интеллекта для определенной ниши, окажутся оправданными?

Чтобы гарантировать, что отраслевые стартапы окажутся оправданными в условиях растущей интеграции искусственного интеллекта, стартапы должны уделять приоритетное внимание сбору конфиденциальных данных, интеграции сложного прикладного уровня и обеспечению точности выходных данных. Мы создали структуру для оценки защищенности уровней приложений компаний с искусственным интеллектом. Во-первых, приложение должно затрагивать реальную проблему предприятия, которую руководители считают приоритетной. Во-вторых, чтобы обеспечить ощутимые выгоды и долгосрочную дифференциацию, приложение должно состоять из передовых моделей, соответствующих конкретным и уникальным потребностям программного обеспечения. Недостаточно просто подключиться к OpenAI; скорее, приложения должны целенаправленно выбирать свои модели, балансируя между стоимостью, вычислениями и производительностью.

В-третьих, приложение настолько сложное, насколько сложны данные, которыми оно снабжается. Закрытые данные необходимы для получения конкретной и актуальной информации и для гарантии того, что другие не смогут воспроизвести конечный продукт. С этой целью внутренние возможности среднего звена обеспечивают конкурентное преимущество, одновременно используя мощь основополагающих моделей. Наконец, из-за неизбежной погрешности генеративного искусственного интеллекта нишевый рынок должен мириться с неточностями, которые по своей сути присущи субъективному и неоднозначному контенту, такому как продажи или маркетинг.

Насколько технической компетентностью, по предположению стартапов, будут обладать их будущие корпоративные заказчики в области искусственного интеллекта, и насколько этот предполагаемый опыт определяет выбор продукта стартапа и его выход на рынок?

В корпоративном секторе четко осознается ценность искусственного интеллекта. Однако многим не хватает внутренних возможностей для разработки решений с использованием искусственного интеллекта. Этот пробел предоставляет значительную возможность стартапам, специализирующимся на искусственном интеллекте, взаимодействовать с корпоративными клиентами. По мере развития бизнес-среды умение использовать искусственный интеллект становится стратегическим императивом.

McKinsey сообщает, что один только генеративный искусственный интеллект может принести до 4,4 триллиона долларов стоимости во всех отраслях благодаря написанию кода, анализу потребительских тенденций, персонализации обслуживания клиентов, повышению операционной эффективности и многому другому. Девяносто четыре процента бизнес-лидеров согласны с тем, что искусственный интеллект будет иметь решающее значение для успеха всех предприятий в течение следующих пяти лет, а общие глобальные расходы на искусственный интеллект, как ожидается, достигнут 154 миллиардов долларов к концу этого года, что на 27% больше, чем в 2022 году. Ожидается, что в ближайшие три года совокупный годовой темп роста составит 27% — ежегодные расходы на искусственный интеллект в 2026 году превысят 300 миллиардов долларов. Несмотря на то, что облачные вычисления остаются критически важными, бюджеты на искусственный интеллект сейчас более чем вдвое превышают бюджеты на облачные вычисления. Восемьдесят два процента бизнес-лидеров считают, что интеграция решений искусственного интеллекта повысит производительность их сотрудников и удовлетворенность работой, и стартапам следует ожидать высокого уровня желания и опыта работы с решениями искусственного интеллекта у своих будущих клиентов.

Amazon и MIT сотрудничают, чтобы изучить, как роботы влияют на рабочие места

Наконец, в последние кварталы мы наблюдаем замедление роста потребления технологических продуктов по цене, основанной на использовании. Приведет ли этот факт стартапы, создающие современные инструменты искусственного интеллекта, к более традиционному ценообразованию SaaS? (Схема ценообразования OpenAI, основанная на токенах и использовании, привела нас к этому вопросу.)

Траектория ценообразования, основанного на использовании, органично вписалась в потребности крупных языковых моделей, учитывая значительные различия в размерах запросов / выходных данных и использовании ресурсов на одного пользователя. Сам OpenAI тратит на вычисления более 700 000 долларов в день, поэтому для достижения прибыльности эти операционные расходы необходимо распределять эффективно. Тем не менее, мы видели мнение о том, что привязка всех затрат к объему, как правило, непопулярна у конечных пользователей, которые предпочитают предсказуемые системы, позволяющие им более эффективно планировать бюджет. Кроме того, важно отметить, что многие приложения искусственного интеллекта не полагаются на LLM в качестве основы и могут предоставлять обычные периодические цены SaaS. Без прямых обращений к поставщику моделей компании, занимающиеся созданием инфраструктуры или уровней добавленной стоимости для искусственного интеллекта, скорее всего, будут тяготеть к таким стратегиям ценообразования.

Технология все еще находится в стадии становления, и многие компании, скорее всего, добьются успеха с обоими типами моделей ценообразования. Другой возможностью, поскольку внедрение LLM становится все более распространенным, является внедрение гибридных структур с многоуровневыми периодическими платежами и лимитами использования для малого и среднего бизнеса и неограниченными уровнями использования, адаптированными для более крупных предприятий. Однако, пока технология больших языков остается сильно зависимой от притока данных, ценообразование, основанное на использовании, вряд ли исчезнет полностью. Взаимозависимость между потоком данных и структурой затрат сохранит актуальность ценообразования, основанного на использовании, в обозримом будущем.

Количество просмотров: 332