OpenAI активно використовує рівень додатків? a16z: можливості поза «жовтою цегляною дорогою», підприємці ще мають шанси попереду

Question

a16z співзасновник зазначив, що рівень застосування штучного інтелекту не є єдиним бойовим полем, стартапам слід уникати прямих атак великих моделей компаній на горизонтальні інструменти, а зосередитися на глибокій роботі у вертикальних галузях. Стаття походить із допису у Твіттері.
(Передісторія: Google інвестує у платформу AI маршрутизації OpenRouter, оцінка 1,3 мільярда доларів, річне зростання 240%)
(Додатковий контекст: Sam Altman обговорює з засновником a16z: OpenAI робить ризиковані ставки на інфраструктуру, Sora — важливий стратегічний інструмент)

Зміст статті

Toggle

Тривога поширюється: чи поглинають великі моделі рівень застосування?
Лабіринт цегляної дороги: шлях до загибелі горизонтальних інструментів
Можливості країни Оз: вертикальні робочі потоки та захисні зони
Конкурентна перевага за рахунок витрат: маршрутизація моделей та посттренінг
Контрольна площина: цінність відповідності та управління

Саме це питання намагається відповісти співзасновник a16z Joe Schmidt у цій статті. Він використовує метафору «жовта цегляна дорога» з «Країни Оз», щоб поділити можливості застосування AI на дві категорії: перша — основний шлях, яким йдуть компанії-лабораторії великих моделей, наприклад, генерація коду, писання, створення зображень, універсальні агенти та горизонтальні офісні помічники; друга — «інші місця країни Оз», тобто ті вертикальні сценарії, що глибоко інтегровані у галузеві процеси, залежать від складних робочих потоків, накопичених даних, відповідності та системної інтеграції.

На його погляд, справжні можливості для стартапів — у другій категорії.

Від продажів до страхування, Joe Schmidt багаторазово підкреслює один і той самий логічний висновок: компанії готові платити не за більш розумне чат-окно, а за систему, яка відповідає за бізнес-результати. Вона повинна розуміти хаос у даних клієнтів, обробляти багатопартійне схвалення та крайні випадки, нести відповідальність за відповідність та аудит, а також при постійному оновленні моделей допомагати клієнтам з міграцією, маршрутизацією та оптимізацією витрат.

Це і є ключовий висновок статті щодо наступного покоління корпоративного програмного забезпечення: базові моделі стануть дедалі сильнішими і дедалі більш замінними; але справжня незамінність — у даних, процесах, управлінських можливостях і операційній пам’яті, що накопичуються навколо конкретних галузей та робочих потоків. Можливості компаній, що застосовують AI, полягають не у боротьбі за «жовту цегляну дорогу» з моделевими компаніями, а у проникненні у більш складні, брудні, повільні, але й більш прибуткові реальні бізнес-сценарії.

Останнім часом я постійно чую від засновників і потенційних співробітників одне й те саме питання: що ще можна зробити на рівні застосування AI? Чи, можливо, OpenAI та Anthropic зрештою знищать усе?

За цим питанням ховається типова AI-стурбованість. Деякі вже зробили висновок: якщо не хочеш залишитися вічно на рівні інфраструктури, єдине довгострокове місце — або в лабораторіях великих моделей, або у стартапах у робототехніці, передових технологіях або схожих передових сферах — теоретично, займатися тим, що «лабораторії не можуть зробити». Адже якщо кожен тип софту буде поглинутий, його або з’їсть Codex або Claude, або він стане непотрібним через появу нової моделі — найкращий варіант — швидко бігти!

Я визнаю, що сам майже є великим прихильником AI-гігантизму і вважаю, що вони говорять частково правду. Лабораторії великих моделей справді входять у значну частину рівня застосування. Але «рівень застосування» — це не однорідний набір можливостей. Ключовий критерій — ти йдеш «жовтою цегляною дорогою» чи у «інших місцях країни Оз».

Примітка: «жовта цегляна дорога» — це головна дорога до смарагдових міст країни Оз, що веде до «Магістра» у «Країні Оз».

«Жовта цегляна дорога» — це метафора, якою ми описуємо шлях, яким ідуть лабораторії великих моделей і на який вони вкладають величезні ресурси. Генерація коду, писання, створення зображень — ці задачі природно підходять для лабораторій, оскільки з підвищенням базових можливостей моделей вони стають кращими: кожен долар, вкладений у попереднє та посттренінгове навчання, безпосередньо покращує продукт.

Але у «інших місцях країни Оз» існують більш складні, зазвичай більш вертикальні задачі. Вони не просто пропонують компаніям горизонтальні інструменти, що можна під’єднати до стандартних систем і вирішити за допомогою базових навичок роботи з комп’ютером. Тут цінність здебільшого у навколишніх каркасах: ці каркаси роблять вихідні дані у галузі довіреними, відповідними та інтегрованими у бізнес-процеси. Базові можливості моделей, звичайно, важливі, але вже не є всім.

Ми це бачимо у реальному часі. OpenAI та Anthropic фактично визнають: вони не можуть вирішити всі проблеми за допомогою універсального AI-компаньйона. Вони вже оголосили про масштабні спільні проєкти з розгортанням у реальному часі, орієнтовані на налаштування та адаптацію моделей для бізнесу. Якщо б вони справді вважали, що наступна версія моделі вирішить усі питання, вони не вкладали б у такі проєкти мільярди доларів.

Тривога поширюється: чи поглинають великі моделі рівень застосування?

Отже, якщо ви хочете заробляти на застосуванні AI, не йдіть «жовтою цегляною дорогою», а шукайте можливості у «інших місцях країни Оз». Нижче — досвід, який ми та наші інвестори здобули на практиці.

Якщо ви хочете заснувати компанію, «жовта цегляна дорога» — найпомітніша, але й найризикованіша. Візьміть високопродуктивну модель, під’єднайте кілька готових інтеграторів, наприклад Google Drive, Slack, Salesforce, Notion, GitHub, і побудуйте над ними інтелектуальний шар управління. Це виглядає як магія.

Проблема у тому, що саме це роблять лабораторії великих моделей через Cowork і Codex. Очевидно, вони мають моделі, що дає їм кращу рентабельність, контроль і можливість встановлювати ціни для всіх downstream-учасників. Але ще важливіше — вони контролюють архітектурні рішення щодо того, для яких задач підходять продукти. Вони послідовно застосовують модель + виклики інструментів, що саме потрібно для горизонтальних задач з низькою кількістю кроків. Навіть якщо стартап зможе перевершити Codex або Claude Code, лабораторії мають широку дистрибуцію і найсильний бренд у галузі AI.

Якщо ви — компанія з застосуванням AI, і використовуєте той самий підхід: під’єднуєте ті самі інтегратори, без внутрішніх підмірних інтелектуальних агентів або налаштувань, без каналів розповсюдження — ви, ймовірно, йдете шляхом у нікуди.

Для стартапів ситуація не є безнадійною. За межами «жовтої цегляної дороги» все ще є великі можливості. Стартапи можуть мати клієнтів у цих сферах і вирішувати складні задачі.

Ці компанії створюють інтелектуальні досвіди: моделі інтегровані у складні інструменти, автоматизацію та мережі інтеграції — іншими словами, у софт. Це робить їх природно вертикальними. Вони можуть зосередитися на багатоступеневих, багатопартійних робочих потоках, проектуючи під кожну роль і вертикаль субінтелектуальні агенти, що вирішують задачі, недоступні горизонтальним платформам Anthropic і OpenAI: збирають контекст із різних систем, маршрутизують завдання до кількох відповідальних за різні етапи.

Ці задачі зазвичай залучають один або кілька застарілих систем, часто вимагають визначеності результату, оскільки невизначеність неприпустима, і іноді безпосередньо пов’язані з ключовими бізнес-результатами. Лабораторії великих моделей, звичайно, розуміють цінність таких задач: саме тому вони створюють власні аутсорсингові команди налаштувань, і саме тому з’являються групи компаній, що надають послуги з підсиленого навчання для великих клієнтів.

Заперечення до цієї точки зору: до сьогоднішнього дня ставки на моделі або лабораторії — погана інвестиція, оскільки вони навряд чи зможуть постійно прогресувати і з’їсти ринок застосувань.

Звісно, лабораторії будуть продовжувати вдосконалюватися. Але я вважаю, що компанії у «країні Оз» мають кілька довгострокових стратегій захисту.

Багато того, що ви внутрішньо засвоюєте у бізнесі, не існує у відкритих тренувальних датасетах: неформальні галузеві практики, стандарти без документації, знання, що зберігаються у головах працівників. Вони не публікуються у відкритих джерелах. Навіть при великих витратах на тренування, вони не замінять роботи, що глибоко інтегровані у внутрішні робочі процеси.

Тут працюють два «злі колеса»: одне — міжклієнтське, коли, побачивши більше варіацій одних і тих самих задач, модель з часом покращується за рахунок накопичення досвіду; інше — внутрішнє у клієнта, коли причини прийнятих рішень, неявні винятки та внутрішні правила проявляються лише у реальній взаємодії з системою.

Жовта цегляна дорога: шлях до загибелі горизонтальних інструментів

Навіть якщо дані клієнтів не можна використовувати між клієнтами, компанії можуть використовувати моделі для розпізнавання типів задач у різних клієнтів і керувати цим у майбутньому проектуванні. Якщо компанія вже обробила сотні або тисячі випадків юридичних коректувань, страхових перевірок або продажів, її розуміння задач вже не може бути легко скопійоване новачком.

Теоретично, горизонтальний агент може створити таку ж інфраструктуру навчання, але причина, чому він цього не робить, — окрім недостатньої уваги — у досвіді користувача. Збір знань залежить від того, які робочі процеси ви пропонуєте користувачам. Вертикальні гравці можуть проектувати інтерфейси, що відображають саме ту інформацію, яка потрібна для конкретної галузі, тоді як горизонтальні інструменти цього зробити не здатні. Набір оцінок, маркування вихідних даних, системи класифікації крайніх випадків — усе це може сформувати вертикальну «потік даних», що підтримує донастройки. Якщо у новачка немає подібного виробничого середовища, йому важко створити таку «потік». Це залежить від прав на дані, обсягу накопиченої продуктивної роботи та структури контрактів, але модель розпізнавання патернів і далі буде накопичуватися.

Лабораторії великих моделей вже займаються маршрутизацією: викликають різні моделі залежно від запиту, інтегруючи їх у базовий рівень. Але вони не здатні до міжпостачальницької маршрутизації, важко оцінювати конкуренцію для конкретних підзадач або використовувати найкращі відкриті моделі для вузьких сегментів.

Компанії у країні Оз у всьому ринку моделей обирають найкращі моделі для кожної підзадачі, а не просто використовують модель від одного лабораторного гіганта. Вони також беруть на себе ті задачі, що нікому не хочеться робити: повторно оцінюють нові моделі, переналаштовують під крайні випадки клієнтів, оновлюють підказки без порушення роботи системи. Лабораторії великих моделей не роблять цього для клієнтів. Вони продають нову модель і кажуть: «Мігруйте самі». Компанії у країні Оз беруть на себе ці витрати. Клієнти отримують найкращі інтелектуальні можливості і безперервність оновлень.

Якщо кожен запит передавати Opus 4.7, — це швидкий шлях у мінус. Найкращі компанії країни Оз маршрутизують між різними моделями залежно від складності задачі: найскладніші — до передових моделей, більшість — до середніх, а для вже підтверджених сценаріїв — до менших або до моделей з донастроюванням.

Деякі з них вже навчилися додатково донастроювати моделі під конкретні задачі клієнтів, забезпечуючи їх за значно нижчою ціною, ніж API передових моделей. Лабораторії великих моделей встановлюють «підлогу цін»: скільки доларів потрібно, щоб отримати мінімальний рівень інтелекту. Компанії у країні Оз пропонують зворотне: досягнення мінімального рівня інтелекту для конкретного робочого потоку за мінімальною ціною. Це можливо лише тоді, коли ви чітко розумієте, яку саме інтелектуальну якість потрібно для кожної підзадачі. Лабораторії не мають змоги зрозуміти всі галузі та задачі, тому їх ціна — нижча, але результат — більш контрольований.

Створення контрольної площини для клієнта у вертикальній галузі — це велика цінність. Це місце, де зосереджені дозволи, аудит, обмеження дій інтелектуальних агентів і реальні дії агентів.

Ця контрольна площина базується на конкретних кейсах і регуляторних обмеженнях, що різняться у галузях і ролях. Оскільки ці компанії мають інструменти, робочі процеси та дані, що безпосередньо контактують з інтелектуальними агентами, вони можуть забезпечити визначені результати, які важко досягти горизонтальними інструментами. Вони також беруть на себе регуляторні складнощі: закони США щодо цивільних судових процесів, правила адвокатської практики, HIPAA у медичній сфері, регуляції SEC і FINRA, страхові регуляції на рівні штатів тощо. Якщо горизонтальні гравці не перетворяться на сотні вертикальних галузевих компаній, вони не зможуть переконливо це зробити. CIO потребує партнера, який у контракті зможе чітко взяти на себе відповідальність за відповідність.

Все це зводиться до одного — фокусування.

Це може бути вертикальна галузь, наприклад, страхування, право, бухгалтерія; або функція, зроблена настільки глибоко, що охоплює продажі, обслуговування клієнтів, фінанси. У будь-якому випадку, ця робота вимагає довгострокової присутності у цій галузі, розуміння робочих процесів, крайніх випадків і регуляторних вимог. Лабораторії великих моделей не створені для цього. Вони мають обслуговувати всіх і всюди — це причина їхнього початкового вибору «жовтої цегляної дороги». Такий компроміс ускладнює проникнення у «інші місця країни Оз»: можна бути всюди, але не у всьому, або у всьому, але не у глибоких нішах.

Як це зрозуміти на практиці? Ось кілька порад від CEO 11x Prabhav Jain.

Можливості країни Оз: вертикальні робочі потоки та захисні зони

Щоб створити компанію, здатну протистояти впливу лабораторій великих моделей, корисною тактикою є орієнтація на конкретні результати, якими дійсно цікавляться клієнти. Для нас це — допомогти компаніям генерувати більше лідів і збільшувати продажі.

Звідси питання стає дуже конкретним: які активності ми хочемо повністю контролювати і які справді сприяють зростанню продажів? Розбиваємо кожну активність на задачі. Які з них підходять для інтелектуальних агентів, а які — ні? Які вимагають глибокого галузевого розуміння, а які — ні? Лабораторії великих моделей також пропонують робочі потоки, але коли їх кроків багато, вхідні дані хаотичні, стан важко пояснити або існують реальні обмеження — простого покращення моделі недостатньо. Тут робота повертається до класичного софтверного інжинірингу, і у цьому плані лабораторії мають менше переваг, ніж фокусовані застосування.

Наприклад, задачі, з якими ми працюємо: пошук потенційних клієнтів за власними сигналами, доповнення інформації про потенційних клієнтів, глибокий аналіз акаунтів, витяг контексту з CRM, створення інформаційних матеріалів для різних каналів, інтелектуальна оцінка кваліфікації потенційних клієнтів, системи доставки електронної пошти. Деякі з них — задачі для інтелектуальних агентів, деякі — ні. Вони не можуть бути вирішені одним запитом, потрібна глибока інженерія.

Ключове у метафорі країни Оз — у тому, що у будь-якому реальному робочому процесі приблизно половина — неінтелектуальні задачі, і саме вони не дають лабораторіям переваги. Під рівнем моделей їх здатність писати визначену логіку не перевищує вашу. А половина задач для інтелектуальних агентів все ще вимагає орієнтації на ціль, тонкої настройки, тренування та обмежень.

Галузеві знання зазвичай не входять до загальнодоступних тренувальних датасетів. Їх потрібно будувати з галузевих або функціональних даних і вводити у робочий процес у потрібний момент. Наприклад, коли наш інтелектуальний агент визначає, чи є вхідний контакт потенційним клієнтом, він має розуміти, що для конкретної галузі та конкретного профілю користувача — що є хорошою розмовою для продажу. Це — робота застосовної компанії, і ця здатність з часом буде зростати за рахунок накопичення досвіду.

Ще важливіше — ці навички швидко застарівають, оскільки сама компанія еволюціонує. Тому постійне оновлення робочих процесів і контексту — це і є конкурентна перевага. Наприклад, коли ми починали роботу з масштабованим email-розсиланням, «AI-писані листи» тільки з’явилися. Сьогодні вже відчувається, які листи справді написані AI, а які — людиною, і ця здатність змінюється кожні кілька місяців. Наші інтелектуальні системи мають постійно підлаштовуватися під ринкову динаміку, і саме тут закладається наш захисний щит. Насправді, незважаючи на цю динаміку, наш рівень відповіді зріс у 4 рази за останні кілька місяців, і ми допомогли клієнтам створити мільярди доларів у продажах.

Складні задачі — це справжнє джерело бізнес-вартості. Інакше ти просто робиш тонку обгортку.

Розбивши будь-яку достатньо складну бізнес-задачу, швидко з’являється хаос. Наприклад, у сфері GTM: якщо компанія вже твій клієнт, ти не повинен контактувати з конкретним контактом у цій компанії. Але це не так просто.

Можливо, у CRM є доменне ім’я цієї компанії. А що робити з компаніями з кількома десятками дочірніх? А якщо у CRM записано материнську компанію? А якщо у Salesforce застаріле поле для співпадінь, і ти випадково надсилаєш холодний лист керівнику з продажу, який вже є клієнтом? Реальні дані — хаотичні. Люди з цим борються, і моделі не зможуть просто так це подолати. Щоб навести порядок у цьому хаосі, потрібно проектувати інтелектуальні агенти, орієнтовані на конкретну проблему, а не просто підключати універсального помічника до CRM. Насправді, маючи доступ до наших даних, ми вже виявили, що їхня якість і актуальність перевищують внутрішні дані клієнтів, тому за замовчуванням орієнтуємося на свої дані.

Захисні зони — це недооцінений ресурс. Навіть у межах одного продукту кожна задача потребує своєї захисної зони. Для регульованих фінансових клієнтів це — інструменти, що гарантують відповідність, для медичних — HIPAA, для фінансів — правила SEC і FINRA, для страхування — регуляції штатів. Якщо горизонтальні гравці не перетворяться у сотні вертикальних компаній, вони не зможуть переконливо це зробити. CIO потребує партнера, який у контракті зможе взяти на себе відповідальність за відповідність.

Все зводиться до одного — фокусування.

Це може бути вертикальна галузь, наприклад, страхування, право, бухгалтерія; або функція, наприклад, продажі, обслуговування, фінанси. У будь-якому разі, ця робота вимагає довгострокової присутності у цій галузі, розуміння робочих процесів, крайніх випадків і регуляторних вимог. Лабораторії великих моделей не створені для цього. Вони мають обслуговувати всіх і всюди — тому й обрали «жовту цегляну дорогу». Такий компроміс ускладнює проникнення у «інші місця країни Оз»: можна бути всюди, але не у всьому, або у всьому, але не у глибоких нішах.