導語
要建立一個可持續盈利的企業，你需要在公司周圍建立堅固的防禦性護城河。在我們經曆一代人中最大的平台轉型之際，這一點尤其重要，因為應用程式正在移向雲端，被消費在 iPhone、Echo 和 Tesla 上，基于開源建構，并且由 AI 和資料驅動。這些劇變使一些現有的護城河變得無用，讓 CEO 們感覺幾乎不可能建立一個具有防禦性的業務。
LLaMA、Alpaca、Vicuna、RedPajama 等越來越多的模型開源使得 Google 表示”我們沒有護城河，OpenAI 也沒有。“Google 和 OpenAI 所持有的專有優勢正在被開源打亂，特别是 Meta 釋出的 LLaMA 模型的釋出，這一模式孕育出了一個以 LLaMA 為基礎模型，進行發展（并改進）的生态系統。谷歌表示“沖突的是，所有這些中唯一明确的赢家是 Meta。因為洩露的模型是他們的，他們實際上獲得了相當于整個地球的免費勞動力。”
然而，Meta并不是這一發展的唯一受益者。整個市場的初創公司，無論大小，也有優勢。在六年前釋出的原創文章《新護城河》中，筆者正确地指出了開源的力量，但錯誤地假設它隻有利于能夠大規模提供開源服務的大雲提供商。相反，這一新一代的AI模型可能會将權力重新轉移到初創公司，因為它們可以在産品中利用基礎模型——無論是開源的還是非開源的。
實際上，這一新波AI的一些早期受益者是已經能夠将生成性AI加入其應用的現有公司和初創公司，如 Adobe、Abnormal、Coda、Notion、Cresta、Instabase、Harvey、EvenUp、CaseText 和 Fermat。
借用達爾文的話來解釋即“能夠生存下來的公司不是最強大的（最大的、資本最充裕的或最知名的），而是最能适應整合 AI 的。”本文的重點不在于探讨是否存在護城河，而在于 AI 的價值在何處得以積累而爆發。
從曆史上看，開源技術已經降低了它所在層的價值，并将價值轉移到相鄰的層。例如，像 Linux 或 Android 這樣的開源作業系統減少了應用對 Windows 和 iOS 的依賴，并将更多的價值轉移到了應用層。這并不意味着開源層沒有任何價值（ Windows 和 iOS 絕對有價值！）。同時，你仍然可以通過基于雲的開源商業模型創造價值，比如Databricks、MongoDB 和 Chronosphere。
在六年前釋出的文章中，作者強調了鄰近層如何更受益于大型雲平台。然而，對于開源基礎模型，我們可以看到原本可能被 OpenAI 或 Google 捕獲的一部分價值現在可以轉移到圍繞 LLMs 的應用、初創公司和基礎設施上。OpenAI 和 Google 仍然可以擷取價值，而建構和運作這些巨型模型的能力仍然是一個護城河。建立開發者社群和網絡效應仍然是一個護城河，但在存在開源替代品的世界裡，這些護城河捕獲的價值減少了。
在這篇文章中，我們将回顧一些技術公司通常利用的傳統商業護城河，以及它們如何被打破。今天的初創公司需要建構智能系統 —— 由 AI 驅動的應用 —— "新的護城河"。企業可以建構幾種不同的護城河，并在時間的變化中随之改變護城河。
傳統商業護城河
要建立一個可持續盈利的企業，你需要在公司周圍建立堅固的防禦性護城河。在我們經曆一代人中最大的平台轉型之際，這一點尤其重要，因為應用程式正在移向雲端，被消費在 iPhone、Echo 和 Tesla 上，基于開源建構，并且由 AI 和資料驅動。這些劇變使一些現有的護城河變得無用，讓 CEO 們感覺幾乎不可能建立一個具有防禦性的業務。
01.
規模效應
一些最偉大且最老牌的技術公司都擁有強大的護城河。例如，微軟、谷歌和 Facebook（現在的 Meta ）都有基于規模經濟和網絡效應的護城河。
在這個技術轉型的時刻，建構有價值的AI産品的關鍵組成部分是基礎模型 ， 這些模型在數十億或萬億的參數上進行訓練，它們需要數億美元的訓練費用，以及為它們提供動力的計算資源。如果沒有 LLaMA 的釋出，大部分的價值可能将歸屬于像谷歌這樣的公司或像 OpenAI、Anthropic 和 Inflection 這樣有資本（和 GPU ）訓練這些模型的初創公司。我們面臨的一個問題是萬億參數模型與小型模型之間的平衡。如果競賽更偏向于越來越大的模型，那麼可能規模就成為了最終的護城河。
一個産品的規模越大，産品擁有的營運杠杆就越多，這反過來會降低你的成本。SaaS和雲服務可以具有強大的規模經濟：你可以在保持産品核心工程相對穩定的情況下，擴大你的收入和客戶基礎。
作為初創公司開發基礎模型的重要計算夥伴，全球三大雲提供商 AWS、Microsoft 和 Google 正在利用規模經濟和網絡效應來在目前的AI熱潮中保持競争力。訓練AI模型已經成為一個資料中心規模的問題，将計算和網絡組合成一個巨大的建築規模的超級計算機。
依賴大型雲提供商來運作複雜的機器學習模型甚至導緻 Oracle 作為首選合作夥伴的複興。這家公司最初在雲伺服器業務上落後，後面主要通過與 NVIDIA 合作，在 AI 方面做出了一系列趕超。Oracle 目前正在與一些領先的初創公司合作，包括 Adept、Character 和 Cohere。
02.
網絡效應
梅特卡夫法則提出，如果一個産品或服務的每一個額外使用者都能為所有其他使用者帶來更多的價值，那麼你的産品或服務就具有"網絡效應"。像 Slack 和 WhatsApp 這樣的消息應用，和 Facebook 這樣的社交網絡都是強大網絡效應的好例子。像 iOS、Android 和 Windows 這樣的作業系統具有強大的網絡效應，因為越多的客戶使用作業系統，就會有越多的應用在其之上建構。
最成功的雲廠商之一，亞馬遜網絡服務（AWS），既具有規模優勢，也具有網絡效應的力量。因為"那裡有客戶和資料"，更多的應用和服務得以在 AWS 上建構。反過來，提供解決方案的基礎設施生态系統吸引了更多的客戶和開發者，他們建構更多的應用，生成更多的資料，繼續良性循環，同時通過規模優勢降低亞馬遜的成本。
首批獲得使用者支援的創新者可以建立網絡效應。OpenAI 正在迅速地圍繞他們的模型建立第一個網絡效應壁壘。特别是他們的函數調用和插件架構可能會把OpenAI變成新的“ AI 雲”。然而建立網絡效應的競賽還為時過早，無法宣布任何公司為赢家。事實上，有許多玩家擴充了這個概念，建立了像 LlamaIndex、Langchain、AutoGPT、BabyAGI 等代理，所有這些都旨在自動化你的應用、基礎設施或生活的一部分。
03.
深科技/IP/産業積累
大多數科技公司都是從自有軟體或方法開始的。這些商業秘密可以包括對硬技術問題的核心解決方案、新的發明、新的流程、新的技術，以及後來保護開發出的知識産權（IP）的專利。随着時間的推移，公司的 IP 可能從特定的工程解決方案演變為積累的操作知識或對問題或過程的洞察。
如今一些 AI 公司正在建立自己的模型，它們既被用于開發應用程式，又作為服務提供給其他人使用。這個領域的初創公司包括 Adept、Inflection、Anthropic、Poolside、Cohere 等。如之前所言，這些模型的關鍵在于權衡模型訓練的成本。有趣的是，OpenAI、谷歌等早期基礎模型的先驅者是否能夠利用他們的深度技術建構起護城河，或者最終他們是否隻是面對開源和 AI 領域中的所有學術研究和工作的又一個模型。
04.
高轉換成本
一旦客戶開始使用你的産品，你希望他們盡可能難以切換到競争對手。你可以通過标準化、缺乏替代品、與其他應用和資料源的內建，或者因為你建構了一種根深蒂固且有價值的工作流程，使你的客戶依賴于它，來建立這種粘性。其中任何一種都可以作為一種形式的鎖定，使客戶難以離開。
一個有趣的思考是模型層或應用層是否存在切換成本。例如，Midjourney 有數百萬使用者使用其擴散模型生成圖像。如果出現了一個更好的模型，Midjourney 要替換自己的模型有多難？即使存在一個更好的模型，使用者要切換到另一個應用有多難？在接下來的幾年中，我們将看到公司試圖在應用層和潛在的模型層建立切換成本。
05.
品牌/客戶忠誠度
強大的品牌可以成為一種護城河。随着産品和客戶之間每一次積極互動，品牌優勢會随着時間的推移而變得更加強大，但如果客戶對其産品失去信任，品牌的實力很快就會消失。
在 AI 領域，信任至關重要，但對于許多人來說，這種信任尚未赢得。這些早期的 AI 模型可能會出現“錯覺”，給出錯誤的答案或産生奇怪的人設，比如 Bing 中的 Sydney。将會出現一場建立可信賴的 AI 和像 Trulens 這樣的工具的競賽，以獲得客戶的信任。
傳統護城河将被重塑
強大的護城河可以幫助公司在主要平台轉型中生存下來，但生存不能被誤解為蓬勃發展。
例如，高切換成本在一定程度上可以解釋為什麼在這些年頭之後，主機和“大型計算機”系統仍然存在。擁有深厚護城河的傳統企業可能不再是它們黃金時期的高增長驅動力，但它們仍然在産生利潤。公司需要在行業整體轉型的過程中認識到并做出反應，以免成為自己成功的受害者。
“切換成本”作為護城河：x86伺服器收入直到2009年才超過主機和其他“大型計算機”收入。
我們可以通過 NVIDIA 作為 GPU 主要提供商和 Intel 作為 CPU 主要提供商的财務表現來看到向 AI 平台的轉變。在 2020 年，NVIDIA 超過 Intel 成為市值最高的晶片提供商。在 2023 年，該公司市值達到了萬億美元。
這些大規模的平台轉變，比如雲計算和移動領域，都是技術潮流，為新進入者創造了機會，并使創始人能夠在現有護城河上建立自己的道路。
成功的初創公司創始人往往采取雙管齊下的政策：1）攻擊傳統企業的護城河；2）同時建立自己的可靠護城河，以順應新潮流。
AI 正成為當今的平台技術，這種新的 LLM 潮流有可能打破現有企業之間的等級體系。一個例子是，通過與 OpenAI 的 ChatGPT 內建，長期備受诟病的微軟必應（Bing）可能最終打破谷歌的搜尋護城河。
再比如，Facebook 擁有最牢固的社交網絡，但 Instagram 建構了一個以移動為主的照片應用，搭上智能手機的浪潮進行了 10 億美元的收購。在企業服務領域，像 Salesforce 這樣的 SaaS 公司正在打破像 Oracle 這樣的本地軟體公司的市場格局。現在，随着雲計算的出現， AWS、Azure 和 Google Cloud 正在為客戶創造直接的管道。這些平台轉變也可以改變買家和最終使用者的角色。在企業中，買家已經從中央 IT 團隊轉變為辦公室的知識工作者，再到使用 iPhone 的人，最後變成任何擁有 GitHub 賬戶的開發者。
如今，新的 LLM 模型已經創造了一個新的使用者類别：提示工程師。随着生成式 AI 模型被訓練用于各行各業，使用者的角色變得更加廣泛和多樣化。随着 AI 成為每個産品的内在組成部分，提示工程師的角色的持久性還有待觀察。
新護城河？
在目前的颠覆浪潮中，是否仍然有可能建構可持續的護城河？對于創始人來說，他們可能會覺得自己建立的每一個優勢都可能被另一個團隊複制，或者至少感覺隻有在大規模的情況下才能建立護城河。開源工具和雲計算已經将權力轉移到了“新的現有企業”——那些處于大規模、擁有強大分銷網絡、高切換成本和強大品牌的公司。這些公司包括蘋果、Facebook、谷歌、亞馬遜和 Salesforce 等。
為什麼感覺好像“沒有了護城河”可以建立？在雲計算和開源時代，攻擊困難問題的深度技術正在成為一種較淺的護城河。開源的使用使技術進步變得更難以實作商業化，而使用雲計算來傳遞技術則将防禦性轉移到産品的不同部分。那些過于關注技術而沒有将其放入客戶問題的背景中的公司将陷入進退兩難的境地，“處于開源和雲計算之間”。例如，像 Oracle 的專有資料庫這樣的現有技術正在受到 Hadoop 和 MongoDB 等開源替代品以及亞馬遜 Aurora 和 Google Spanner 等創新技術在雲端的攻擊。另一方面，建構出色的客戶體驗的公司可能會通過軟體的工作流程獲得防禦性。
我們相信，深度技術的護城河并沒有完全消失，可以圍繞知識産權建立可靠的商業模式。如果選擇技術棧中的一個領域，并成為絕對最佳的解決方案，同樣可以建立一個有價值的公司。然而，這意味着選擇一個沒有太多替代品、需要艱難工程和需要營運知識來擴充規模的技術問題。
基礎模型是當今的深度技術/知識産權護城河之一。基礎模型的所有者釋出 API 和插件，同時還在公司内部不斷努力開發更好的産品。開發人員可以相對輕松地在開源 LLM 之上建構應用，這導緻了大量的初創公司提供各種專用産品。但目前來說，大多數處于這一層的初創公司并沒有建立足夠的護城河。
一個潛在的可能是，大型模型可以解決大部分複雜問題，而較小的模型可以解決特定問題或為手機、汽車或智能家居等邊緣裝置提供動力。
如今，市場偏向于“全棧”公司，即提供應用邏輯、中間件和資料庫的 SaaS 産品。技術正在成為完整解決方案的一個無形組成部分（例如，“隻要你的食物能按時送達，誰關心你最喜歡的移動應用程式背景使用的是哪個資料庫！”）。在消費者領域，蘋果通過無縫地将硬體與軟體內建在一起，使內建或全棧體驗成為流行。這種內建體驗也逐漸主導企業軟體。雲計算和 SaaS 使得以成本效益的方式直接接觸客戶成為可能。是以，客戶越來越傾向于購買以 SaaS 應用程式形式提供的全棧技術，而不是購買技術棧的各個組成部分并建構自己的應用。對整個應用體驗或“技術棧頂部”的強調，也是作者通過額外的架構——企業系統的堆棧來評估公司的原因。
企業系統的堆棧
01.
記錄系統 (Systems of Record)
一個系統的底層通常是資料庫，上面建構着應用程式。如果資料和應用程式支援關鍵的業務功能，它就成為一個“記錄系統”。在企業中有三個主要的記錄系統：客戶、員工和資産。客戶關系管理（CRM）管理客戶，人力資源管理（HCM）管理者工，企業資源計劃（ERP）/财務管理管理資産。
幾代公司圍繞着擁有一個記錄系統建立起來，每一次技術浪潮都會産生一個新的勝者。在 CRM 領域，我們看到 Salesforce 取代 Siebel 成為客戶資料的記錄系統，Workday 取代了Oracle PeopleSoft 成為員工資料的記錄系統。Workday 還擴充到了财務資料領域。其他應用程式可以圍繞記錄系統建構，但通常不如實際的記錄系統有價值。例如，像 Marketo 和 Responsys 這樣的市場自動化公司圍繞 CRM 建立了大型業務，但從未像 Salesforce 那樣具有戰略意義或價值。
基礎模型并不取代現有的記錄系統，而是用于解鎖所有記錄系統中的價值和了解。如前所述，目前有幾個基礎模型。至于世界是否朝着幾個大型模型的發展方向演變，這些模型經過提煉或修剪後可以用于各種情況，還是存在一個較小模型的市場，目前還存在争議。無論哪種情況，這些模型都是我們在六年前的《新的護城河》中稱之為“智能系統”的關鍵要素。
02.
使用者參與系統 (Systems of Engagement)
使用者參與系統（Systems of Engagement™）是使用者和記錄系統之間的接口，它們可以成為強大的業務，因為它們控制着最終使用者的互動。
在大型機時代，記錄系統和參與系統是綁定在一起的，當時大型機和終端實際上是同一個産品。客戶/伺服器浪潮帶來了一批試圖占據你的桌面的公司，但他們最終被基于浏覽器的公司所颠覆，而後又被以移動為先的公司所取代。
目前一代争奪參與系統所有權的公司包括 Slack、亞馬遜 Alexa 和其他語音/文本/對話界面的初創公司。在中國，微信已成為一個占主導地位的參與系統，現在已成為覆寫從電子商務到遊戲等各個領域的一體化平台。
參與系統的更替速度可能比記錄系統快。連續幾代的參與系統并不一定消失，而是使用者不斷添加與其應用程式互動的新方式。在多管道世界中，擁有參與系統的所有權最有價值，如果你控制了大部分終端使用者的參與，或者是一個跨管道系統，能夠接觸到使用者所在的任何地方。
作為參與系統的最重要戰略優勢之一是，你可以與多個記錄系統共存，并收集通過你的産品傳遞的所有資料。随着時間的推移，你可以利用累積的所有資料，将你的參與位置演變成一個實際的記錄系統。
六年前，作者強調了聊天作為一種新的參與系統。Slack 和 Microsoft Teams 試圖成為企業的主要參與系統，并為企業應用程式提供聊天前端，但未能達到目标。這種以聊天為先的願景尚未實作，但基礎模型可能會改變這一點。我們可以通過詢問我們的 AI 助手來訂購晚餐或計劃度假，而不是打開 Uber 或 Instacart 這樣的應用程式來叫車或送貨。在每個人都擁有自己的AI助手的未來，所有的互動可能都會像是在使用消息應用程式。像 Siri 和 AAlexa這樣的基于 AI 的語音聊天系統将被像 Pi （Inflection.ai開發的個人智能助手）一樣的智能聊天系統取代。
OpenAI 的插件和接口調用的釋出正在建構一種新的建構和分發應用程式的方式，有效地使 GPT 成為一個新的平台。在這個世界中，聊天可能成為幾乎一切的前門，成為我們日常的參與系統。我們将會看到AI應用程式的使用者體驗在不久的将來如何演變，這将是非常有趣的。雖然聊天似乎在今天非常流行，但我們預計會看到多模态互動模型創造出超越聊天的新的參與系統。
03.
新護城河：智能系統 (Systems of Intelligence)
超級智能系統依舊是新的護城河。
“什麼是智能系統，為什麼它如此有防禦性？”
智能系統之是以有價值，通常是因為它跨越多個資料集和多個記錄系統。一個例子是将網站分析、客戶資料和社交資料結合起來，以預測終端使用者的行為、流失、生命周期價值（LTV）或提供更及時的内容。你可以在單個資料源或單個記錄系統上建構智能，但這個位置将更難抵禦擁有資料的供應商的競争。
對于初創公司而言，要在Oracle和SAP等老牌企業周圍蓬勃發展，需要将它們的資料與其他資料源（公共或私人）結合起來，為你的客戶創造價值。老牌企業在自己的資料上具有優勢。例如，Salesforce 正在建構一個名為 Einstein 的智能系統，從他們自己的記錄系統 CRM 開始。
在六年前提出建立“智能系統”的概念之後，我們見證了一些令人難以置信的人工智能應用程式的出現，例如 Tome、Notable Health、RunwayML、Glean、Synthesia、Fermat 等，還有成百上千的其他初創公司。雖然目前尚不清楚在這個新興堆棧中價值将累積在哪裡，但這個轉變為初創公司提供了充足的機會。
但正如之前提到的，我們最初沒有預見到大型語言模型的威力，這些模型真正增加了我們在六年前所稱的智能系統的價值。
而在LLM 應用程式中出現了一批“新堆棧”，包括一批新的中間件工具，用于連結提示或組合模型。就像我們看到創立了大量公司來使雲計算和存儲更易管理一樣，我們正在看到一批旨在使基礎模型更易于使用的初創公司。
這個新的中間件堆棧将包括資料架構，如 LlamaIndex，用于連接配接企業資料與 LLM；代理架構，如Langchain，用于建構應用程式和連接配接模型。此外，還需要一代新的安全性和可觀察性工具，以確定這些新應用程式的運作時間和安全性。
未來一代企業産品将使用不同的人工智能（AI）技術來建構智能系統。不僅應用程式将受到 AI 的改變，資料中心和基礎設施産品也将發生變革。我們可以将建構智能系統的主要領域歸類為以下三個方面：以客戶旅程為中心的面向客戶的應用程式、面向員工的應用程式（如人力資源管理、IT服務管理、财務等）或基礎設施系統（如安全、計算/存儲/網絡以及監控/管理）。除了這些廣泛的橫向用例之外，初創公司還可以專注于特定行業或市場，在垂直領域（如生命科學中的 Veeva或建築行業中的 Rhumbix ）建構基于獨特資料的智能系統。
以前的應用程式代替了數字化流程，但這些新的 AI 應用程式将增強和提升人類能力，使個人更加高效。
AI 工具已經存在，可以使設計工作、編碼、資料處理、法律工作和其他工作更加準确和快速。例如，在法律領域，像 Harvey.AI 和 Even Up Law 這樣的公司正在執行法律助理和律師的任務。Github Co-pilot 使每個開發者的生産力提升數倍，新開發者現在可以像經驗豐富的專業人士一樣編寫代碼。使用 Adobe 的的新産品Firefly 進行設計的設計師可以創作以前需要整個團隊完成的數字圖像。Tome、Coda 和Notion 等生産力應用程式現在使每個辦公桌上的工作者擁有了新的超能力，提高了速度和生産力。這些确實是技術承諾的由 AI 驅動的“鋼鐵俠裝備”。随着我們越來越依賴于基于 AI 的應用程式，管理和監控可信賴的 AI 變得更加重要，以確定我們不會基于幻覺做出決策。
在所有這些市場中，競争的焦點正在從舊的壁壘（資料的來源）轉向新的壁壘（如何利用資料）。利用公司的資料可以向客戶推銷增值産品，自動回複支援票，預防員工流失，并識别安全異常。使用特定于某個行業（如醫療保健、金融服務）或特定于某個公司（客戶資料、機器日志等）的資料來解決戰略問題的産品，看起來就像是一個非常深厚的壕溝，特别是如果 AI 能夠替代或自動化整個企業工作流程，或者建立一個由這種智能技術實作的新的增值工作流程。
建立記錄系統的企業應用程式一直是強大的商業模式。一些持久存在的應用程式公司，如 Salesforce 和 SAP，都建立在深厚的知識産權基礎上，從規模經濟中獲益，并随着時間的推移，在公司的工作流程和業務流程中積累了更多的資料和營運知識。然而，即使是這些現有巨頭也無法免受平台轉變的影響，因為新一代的公司正在攻擊他們的領域。
事實上，我們可能面臨着對 AI 營銷産生疲勞的風險，但所有的輿論反映了 AI 在改變許多行業的潛力。機器學習（ML）是一種受歡迎的 AI 方法，它可以與資料、業務流程和企業工作流程相結合，為建構智能系統提供上下文。谷歌是早期将機器學習應用于流程和工作流程的先驅：他們收集了每個使用者的更多資料，并應用機器學習在網頁搜尋的工作流程中提供更及時的廣告。還有其他正在發展的AI技術，如神經網絡，将繼續改變我們對這些未來應用程式的期望。
然而對于這個預測，作者認為在兩個方面的判斷有些錯誤：首先，AI 在目前不會讓人們産生疲勞的感覺。我們正在目睹下一個偉大技術浪潮的開始，興奮情緒理所自然較高。其次，基礎模型已經成為人工智能中最具變革性的進展。以此為例，許多先前的機器學習/人工智能公司正面臨被最新的 LLM（大型語言模型）所超越的風險。
這些以人工智能驅動的智能系統為新創企業提供了巨大的機遇。在這個領域取得成功的公司可以建構資料的良性循環，因為你生成和訓練産品所用的資料越多，你的模型就會變得越好，産品也會越來越出色。最終，産品會因每個客戶而定制，進而形成另一個護城河 - 高昂的切換成本。建立一個同時結合了系統的參與和智能甚至是企業整個技術層面的公司是有可能的，但是智能或參與系統可以成為新創企業針對現有企業的最佳切入點。建構一個系統的參與或智能并不是一項微不足道的任務，它需要深厚的技術背景，特别是在速度和規模方面。特别是那些能夠促進多個資料源之間智能層的技術将是必不可少的。
我們已經看到資料的良性循環正在發揮作用。不僅僅是資料在訓練原始模型方面的價值，還有使用者資料、模型和應用程式的回報循環，甚至是在極端情況下的強化學習等，随着時間的推移，所有這些都會堅固資料的護城河。
ChatGPT 或像 Inflection AI 的 Pi 這樣的個人 AI 工具有明顯的潛力成為每個任務的主要管道，無論是通路應用程式、開發軟體還是在各種場景下進行溝通。同時，像LlamaIndex這樣的資料架構将是将個人資料與 LLM 相連接配接的關鍵。模型、使用資料和個人資料的結合将為每個使用者或公司創造個性化的應用體驗。
最後，有些企業可以通過使用客戶和市場資料來訓練和改進模型，進而為所有客戶提供更好的産品，進而加快智能的發展。
初創公司可以建構一個有防禦性的商業模型，作為參與、智能或記錄的系統。随着人工智能的出現，智能應用将成為下一代偉大軟體公司的源泉，因為它們将成為新的護城河。
舊護城河即新護城河
人工智能的興起令人興奮，目前初創公司在建立新護城河的探索中也基本已經走了一整圈。事實證明，舊的護城河比以往任何時候都更重要。如果谷歌的“我們沒有壁壘”的預測成為現實，并且 AI 模型使任何可以通路 GPT 或 LLaMA 的開發人員都能夠建構智能系統，那麼我們如何建立一個可持續的業務呢？應用的價值在于如何傳遞價值。工作流程、與資料和其他應用的內建、品牌/信任、網絡效應、規模和成本效率都成為經濟價值和壁壘的創造者。能夠建構智能系統的公司仍然需要精通市場推廣。他們不僅要完美地找到産品與市場的契合點，還要找到産品與市場推廣的契合點。
人工智能并不改變初創公司的營銷、銷售或合作方式。人工智能提醒我們，盡管每一代技術都有其技術基礎，但企業建設的基本原理始終保持不變。
舊的壁壘其實也是新的壁壘。
作者 | SenseAI
來源 | 深思SenseAI.關注全球 AI 前沿，走進科技創業公司，提供産業多元深思。