Las características de IA SaaS se encuentran con aplicaciones sin fosos

Las características de IA SaaS se unen a aplicaciones sin obstáculos

Varias empresas SaaS empresariales han anunciado recientemente características de IA generativa, lo cual es una amenaza directa para las empresas startups de IA que carecen de una ventaja competitiva sostenible

En julio, profundizamos en las startups de IA generativa de la clase W23 de Y Combinator, específicamente en las startups que aprovechan grandes modelos de lenguaje (LLMs, por sus siglas en inglés) como GPT que alimenta a ChatGPT. Identificamos algunas tendencias importantes con estas startups, como el enfoque en problemas y clientes muy específicos (por ejemplo, contenido de marketing para pymes), integraciones con software existente (por ejemplo, con plataformas de CRM como Salesforce), capacidad de personalizar grandes modelos de lenguaje para contextos específicos (por ejemplo, la voz de la marca de tu empresa).

Una parte secundaria no tan enfatizada del artículo se centraba en los riesgos de moat (fosas) citando:

Un riesgo clave con varias de estas startups es la posible falta de una fosa a largo plazo. Es difícil sacar muchas conclusiones al respecto debido a la etapa en la que se encuentran estas empresas emergentes y la limitada información pública disponible, pero no resulta difícil encontrar puntos débiles en su defensibilidad a largo plazo. Por ejemplo:

Si una startup se basa en la premisa de: tomar LLMs base (grandes modelos de lenguaje) como GPT, desarrollar integraciones en un software de ayuda técnica para comprender la base de conocimientos y el estilo de escritura, y luego generar respuestas preliminares, ¿qué impide que una gran empresa de software de ayuda técnica (piensa en Zendesk, Salesforce) copie esta función y la ofrezca como parte de su conjunto de productos?

• Investigación de AI de SalesForce ha desarrollado ProGen Un gran avance en la ingeniería de proteínas mediante el uso de inteligencia artificial.
• Observando tu ganado usando tecnología de inteligencia artificial
• La actualización de Super Resolución de Video NVIDIA RTX mejora la calidad del video, preserva los detalles y se expande a las GPU de la serie GeForce RTX 20′.

Si una startup está desarrollando una interfaz innovadora para un editor de texto que ayuda con la generación de contenido, ¿qué impide que Google Docs (que ya está experimentando con el borrador automático) y Microsoft Word (que ya está experimentando con herramientas de Copilot) lo copien? Yendo un paso más allá, ¿qué impide que ofrezcan un producto un 25% peor y lo regalen como parte de un conjunto de productos existente (por ejemplo, Microsoft Teams apropiándose de la cuota de mercado de Slack)?

Eso es exactamente lo que ha sucedido en los últimos meses. Varias grandes empresas SaaS empresariales han anunciado y/o lanzado sus productos de IA generativa, como Slack, Salesforce, Dropbox, Microsoft y Google, por nombrar algunas. Esto representa una amenaza directa para las startups de IA generativa que están construyendo aplicaciones de productividad útiles para clientes empresariales pero que tienen una ventaja competitiva sostenible y limitada (es decir, sin fosa). En este artículo, profundizaremos en:

• Repaso de la cadena de valor de la IA
• Características recientes de IA de empresas SaaS empresariales
• Cómo las startups pueden construir fosas en este entorno

Repaso de la cadena de valor de la IA

No nos detendremos mucho en esto, pero como recordatorio rápido, una forma de entender cómo las empresas pueden obtener valor de la IA es a través del concepto de la cadena de valor de la IA. Específicamente, puedes desglosar la cadena de valor en tres capas:

• Infraestructura (por ejemplo, NVIDIA que fabrica chips para ejecutar aplicaciones de IA, Amazon AWS proporciona computación en la nube para IA, Open AI proporciona grandes modelos de lenguaje como GPT para la construcción de productos)
• Plataforma (por ejemplo, Snowflake proporciona una solución basada en la nube para gestionar todas tus necesidades de datos en un solo lugar, desde la ingestión hasta la limpieza y el procesamiento)
• Aplicaciones (por ejemplo, una startup que construye un producto que ayuda a las pymes a crear rápidamente contenido de marketing)

Aunque la ola de IA generativa comenzó con el lanzamiento de ChatGPT de OpenAI, que está impulsado por el modelo GPT (capa de infraestructura), cada vez está más claro que la infraestructura se está volviendo comoditizada, con varias grandes empresas entrando en el mercado con sus propios LLMs, incluyendo Facebook (LLaMA), Google (LaMDA), Anthropic, por nombrar algunas. La comoditización se explica por el hecho de que la mayoría de estos modelos se entrenan utilizando el mismo corpus de datos públicos disponibles (como CommonCrawl, que explora sitios en Internet y Wikipedia).

Fuera de este conjunto de datos, todas las grandes empresas que tienen un gran corpus de datos de primera mano están either protegiendo sus datos para sí mismos o creando modelos de licencias, lo que significa que estos datos van a estar either no disponibles o disponibles para todos los proveedores de modelos para su entrenamiento, es decir, una comoditización. Esta es una historia similar a la que se desarrolló en el mercado de la computación en la nube donde Amazon AWS, Microsoft Azure y Google Cloud ahora poseen una gran parte del mercado pero compiten agresivamente entre ellos.

Aunque el nivel de plataforma es un poco menos comoditizado y es probable que haya espacio para más jugadores para atender a una variedad de necesidades de los clientes (por ejemplo, startups vs SMBs vs clientes empresariales), se está moviendo en la dirección de la comoditización y los grandes jugadores están empezando a fortalecer sus ofertas (por ejemplo, Snowflake, que es una plataforma de almacenamiento de datos, adquirió recientemente a Neeva para desbloquear la aplicación de LLMs para empresas, Databricks, que es una plataforma de análisis, adquirió MosaicML para alimentar la IA generativa para sus clientes).

Por lo tanto, la mayoría del valor de la IA se va a generar en la capa de Aplicación. La pregunta abierta, sin embargo, es qué empresas probablemente se beneficiarán de las aplicaciones desbloqueadas por modelos de lenguaje grandes (como GPT). No sorprende que de las 269 startups en El lote W23 de Y Combinator, ~31% tenían la etiqueta AI auto-reportada. Si bien las aplicaciones son todas objetivamente útiles y crean valor para sus clientes, especialmente en el mundo del SaaS empresarial, se está volviendo cada vez más claro que las compañías SaaS incumbentes están en una posición mucho mejor para aprovechar los beneficios de la IA.

Características recientes de IA de empresas SaaS empresariales

Ha habido un frenesí de anuncios de empresas SaaS en las últimas semanas. Veamos algunos.

Slack inicialmente comenzó apoyando al bot ChatGPT para que funcione dentro de tu espacio de trabajo de Slack, tanto para resumir hilos como para ayudar a redactar respuestas. Esto se expandió rápidamente para soportar al bot Claude (Claude es el equivalente de Anthropic al modelo GPT). Lo más importante, Slack anunció su propia IA generativa construida nativamente dentro de la aplicación, que admite una amplia gama de capacidades de resumen en hilos y canales (por ejemplo, dime qué pasó en este canal hoy, dime qué es el proyecto X). Lo que podrían haber sido complementos construidos por startups ahora es una característica nativa construida por Slack, porque Slack puede fácilmente adoptar modelos como GPT de las estanterías y construir una funcionalidad de IA generativa. Esto no es terriblemente difícil de hacer y también le ahorra a Slack la molestia de tratar con integraciones / experiencias de usuario torpes de complementos desconocidos.

Otro anuncio vino de Salesforce. Su producto Einstein GPT se posiciona como IA generativa para su CRM. Permitirá a los usuarios de Salesforce hacer consultas sobre una amplia gama de cosas (por ejemplo, ¿quiénes son mis principales clientes potenciales en este momento?), generar y revisar automáticamente borradores de correos electrónicos e incluso crear flujos de trabajo automatizados basados en estas consultas. Es probable que la característica se vea mejor en capturas de pantalla de lo que es en realidad, pero sería una apuesta justa que Salesforce puede construir un producto razonablemente sin problemas en un año. De hecho, esta es la funcionalidad exacta que están construyendo algunas de las startups de IA generativa hoy en día. Si bien es útil a corto plazo, el éxito de estas startups depende no solo de ser mejores que Einstein GPT, sino de ser mucho mejores para que un comprador de SaaS empresarial esté dispuesto a asumir la fricción de incorporar un nuevo producto (no voy a nombrar startups en mi crítica porque construir productos desde cero es difícil y escribir críticas es más fácil).

En una línea similar, Dropbox anunció Dropbox Dash, que se posiciona como una búsqueda universal potenciada por IA. Admite una amplia gama de funcionalidades, como respuestas de preguntas y respuestas de todos los documentos almacenados en Dropbox, resumen de contenido en los documentos y responder preguntas específicas sobre el contenido de un documento (por ejemplo, ¿cuándo vence este contrato?). Nuevamente, hay startups de IA generativa hoy en día que están construyendo estas funcionalidades por partes, y Dropbox tiene un camino más fácil hacia el éxito a largo plazo dado que ya tienen acceso a los datos que necesitan y la capacidad de crear una interfaz perfecta dentro de su producto.

La lista continúa:

• Zoom anunció Zoom AI que proporciona resúmenes de reuniones, responde preguntas durante la reunión si te perdiste algo y quieres poner al día, y resume los hilos de chat. Varios startups hoy en día están construyendo estas características como productos separados (por ejemplo, herramientas de toma de notas).
• Microsoft 365 Copilot leerá tus correos electrónicos no leídos y los resumirá, responderá preguntas de todos tus documentos y redactará documentos, entre otras cosas. Estas capacidades también se integrarán perfectamente en interfaces de productos como Word, Excel, OneNote y OneDrive.
• Google tiene un producto equivalente llamado Duet AI para su conjunto de productos de productividad.
• Incluso OpenAI (aunque no es una empresa SaaS dominante) lanzó ChatGPT enterprise que básicamente se puede conectar a todas las herramientas de una empresa y proporcionar respuestas fáciles a cualquier pregunta de un empleado.

No estoy afirmando en absoluto que la batalla haya terminado. Si has utilizado productos de IA generativa hasta ahora, has experimentado algunos momentos sorprendentes pero también otros momentos no sorprendentes. Las propuestas para los productos mencionados son atractivas, pero la mayoría de ellos se están ejecutando como pilotos o son anuncios de noticias que describen un estado futuro del producto.

También existen varios problemas sin resolver que limitan la adopción de estos productos. Los precios varían mucho, algunos productos ofrecen características de IA de forma gratuita para competir, mientras que otros productos de copilot más amplios cobran una tarifa por asiento. Microsoft 365 Copilot tiene un precio de $30/usuario/mes y ChatGPT enterprise ronda los $20/usuario/mes — aunque esto puede parecer aceptable a primera vista para un consumidor, varios compradores empresariales podrían encontrar este precio ridículo a gran escala, especialmente considerando que los costos se acumulan rápidamente para miles de empleados. Las consideraciones sobre el intercambio de datos son otro gran obstáculo, ya que las empresas dudan en compartir datos sensibles con modelos de lenguaje (a pesar de que las ofertas de IA empresariales dicen explícitamente que no usarán datos de los clientes para fines de entrenamiento).

Dicho esto, estos son problemas que se pueden resolver y el enfoque con el que las grandes empresas SaaS están construyendo características de IA significa que se desbloquearán a corto plazo. Esto nos lleva de nuevo al problema del foso — las startups de IA generativa que se enfocan en clientes empresariales necesitan encontrar fosos fuertes si quieren seguir prosperando frente a las características de IA de los incumbentes de SaaS.

Cómo las startups pueden construir fosos en este entorno

Comencemos con los fosos obviamente no fosos: tomar un modelo de lenguaje grande ya existente y construir una pequeña propuesta de valor encima de él (por ejemplo, una mejor interfaz de usuario, conectarse a una sola fuente de datos) no crea una ventaja a largo plazo ni sostenible. Estas son bastante fáciles de imitar, y aunque tengas ventaja como primero en el mercado, perderás ante un competidor (que tiene un acceso más fácil a datos o más flexibilidad con las interfaces), o terminarás en una guerra de precios hasta el fondo.

Aquí hay algunos enfoques no exhaustivos para construir un foso alrededor de los productos de IA empresariales.

1. Especialización en dominio / vertical

Algunos dominios / verticales son más adecuados para construir aplicaciones de IA que otros. Por ejemplo, construir sobre software CRM es realmente difícil de defender porque las empresas de CRM como Salesforce tienen tanto las conexiones de datos como el control sobre las interfaces para hacerlo mejor. Podrías tener innovaciones realmente inteligentes (por ejemplo, crear un complemento de LinkedIn para redactar automáticamente correos electrónicos de contacto utilizando datos de CRM) pero los innovadores / jugadores primeros en el mercado no siempre ganan el mercado.

El ámbito legal es un ejemplo de un vertical donde las startups de IA podrían destacar. Los documentos legales son largos, requieren una cantidad increíble de horas de trabajo para leerlos y es un proceso frustrante para todos los involucrados. Resumir / analizar contratos, preguntas y respuestas a partir del contenido del contrato, resumir argumentos legales, extraer evidencia de documentos son tareas que consumen mucho tiempo y que podrían ser realizadas eficazmente por los LLMs. Casetext, Harvey.ai son un par de startups que tienen productos de copilot dirigidos a abogados, y han construido experiencias personalizadas que se adaptan específicamente a casos de uso legales.

Otro vertical que necesita urgentemente eficiencia es el de la salud. Hay varios desafíos al implementar IA en el campo de la salud, incluida la privacidad / sensibilidad de los datos, la complejidad de trabajar con una combinación de software (ERP, herramientas de programación, etc.) y la falta de profundidad técnica / agilidad entre las grandes empresas que construyen productos para el sector de la salud. Estas son oportunidades claras para que las startups lancen productos rápidamente y utilicen la posición de ser los primeros en el mercado como un foso.

2. Efectos de datos / red

Los modelos de aprendizaje automático (incluidos los modelos de lenguaje grandes) funcionan mejor cuanto más datos han tenido para entrenarse. Esta es una de las principales razones por las que, por ejemplo, Google Search es el motor de búsqueda más efectivo del mundo, no porque Google tenga todas las páginas del mundo indexadas (otros motores de búsqueda también lo hacen), sino porque miles de millones de personas utilizan el producto y cada interacción del usuario es un punto de datos que alimenta el modelo de relevancia de búsqueda.

El desafío con los productos de empresa, sin embargo, es que los clientes empresariales prohibirán explícitamente a los proveedores de software SaaS o IA utilizar sus datos para el entrenamiento (y con razón). Las empresas tienen mucha información confidencial, desde datos sobre clientes hasta datos sobre la estrategia de la empresa, y no quieren que estos datos se alimenten a los modelos de lenguaje grandes de OpenAI o Google.

Por lo tanto, esto es difícil de proteger, pero puede ser posible en ciertos escenarios. Por ejemplo, el contenido generado por herramientas de IA con fines publicitarios o de marketing es menos sensible, y es más probable que las empresas permitan que se utilicen estos datos para mejorar los modelos (y en consecuencia, su propio rendimiento futuro). Otra opción es tener una versión no empresarial de su producto, donde los datos de uso se incluyan automáticamente para el entrenamiento: los individuos y los usuarios de las pymes es más probable que estén de acuerdo con este enfoque.

3. Introducir múltiples fuentes de datos

La parte más difícil de aplicar modelos de lenguaje grandes a un caso de uso empresarial específico no es tomar un modelo de la estantería y desplegarlo, sino construir los conductos necesarios para canalizar el conjunto de datos relevante de una empresa para que el modelo lo acceda.

Supongamos que eres una gran empresa como Intuit que vende software de contabilidad e impuestos a pymes. Apoyas a decenas de miles de clientes de pymes y, cuando uno de ellos se pone en contacto contigo con una pregunta de soporte, deseas proporcionarle una respuesta personalizada. Es muy probable que los datos sobre qué productos utiliza este cliente se encuentren en una base de datos interna, los datos sobre sus interacciones más recientes con los productos se encuentren en otra base de datos, y su historial de preguntas de soporte pasadas se encuentre en un producto SaaS de atención al cliente. Una forma en que las startups de IA generativas pueden construir un moat es identificando casos de uso específicos que requieren múltiples fuentes de datos que no sean propiedad de un solo incumbente de SaaS grande, y construir las integraciones para canalizar estos datos.

Esto ha funcionado increíblemente bien en otros contextos, por ejemplo, todo el mercado de Plataformas de datos de clientes surgió de la necesidad de extraer datos de múltiples fuentes para tener una vista centralizada de los clientes.

4. Silos de datos

Las grandes empresas no desean exponer datos confidenciales a modelos, especialmente modelos propiedad de empresas que son competidores o tienen demasiado poder en el mercado (es decir, empresas con las que las empresas se ven obligadas a compartir datos debido a la falta de alternativas).

Del artículo YC W23, CodeComplete es un gran ejemplo de una empresa que surgió a partir de este problema:

La idea de CodeComplete surgió por primera vez cuando sus fundadores intentaron usar GitHub Copilot mientras estaban en Meta y su solicitud fue rechazada internamente debido a consideraciones de privacidad de datos. CodeComplete es ahora una herramienta de asistente de codificación de IA que se ajusta a la base de código propia de los clientes para ofrecer sugerencias más relevantes, y los modelos se implementan directamente en local o en la propia nube de los clientes.

5. Construir un producto más completo

Por todas las razones anteriores, personalmente soy escéptico de que la mayoría de las aplicaciones de IA independientes tengan el potencial de tener ventajas competitivas a largo plazo, especialmente aquellas que se dirigen a clientes empresariales. Ser el primero en entrar en el mercado definitivamente es una estrategia válida y puede conducir a una adquisición rápida, pero la única forma real de construir una ventaja competitiva fuerte es construir un producto más completo.

Una empresa que se centra únicamente en la generación automática de contenido para marketing siempre corre el riesgo de ser superada por una herramienta de marketing más grande, como una plataforma de marketing o una herramienta de generación creativa de una plataforma como Google/Meta. Una empresa que construye una capa de IA sobre una herramienta de CRM o ayuda al cliente probablemente será imitada por una empresa de SaaS incumbente.

La forma de resolver esto es construyendo un producto más completo. Por ejemplo, si el objetivo es permitir una mejor creación de contenido para marketing, un producto más completo sería una plataforma que resuelva los problemas principales del usuario (por ejemplo, el tiempo que se tarda en crear contenido, tener que crear múltiples tamaños de contenido) y luego incluya un conjunto de características de IA generativas poderosas (por ejemplo, generar la mejor imagen visual para Instagram).

Conclusion

Estoy emocionado por la cantidad de productividad que la IA generativa puede desbloquear. Aunque personalmente aún no he experimentado un salto significativo en la productividad, creo que sucederá rápidamente a corto plazo. Dado que las capas de infraestructura y plataforma se están estandarizando razonablemente, el valor más importante impulsado por la productividad alimentada por la IA se capturará mediante productos en la capa de aplicación. Especialmente en el espacio de productos empresariales, creo que una gran parte del valor será capturado por las empresas SaaS incumbentes, pero soy optimista de que surgirán nuevos productos más completos con un conjunto de funciones centrado en la IA y, en consecuencia, con una ventaja significativa.

🚀 Si te gustó este artículo, considera suscribirte a mi boletín semanal Unpacked. Cada semana, publico un análisis en profundidad sobre un tema tecnológico actual / estrategia de producto en forma de una lectura de 10 minutos. Saludos, Viggy.

Unpacked | Viggy Balagopalakrishnan | Substack

Análisis en profundidad sobre un tema tecnológico / estrategia de producto en tu bandeja de entrada cada semana. Haz clic para leer Unpacked, por Viggy…

thisisunpacked.substack.com

We will continue to update Zepes; if you have any questions or suggestions, please contact us!