La contraofensiva de los GPT Wrappers: exclusividad en el mundo de los modelos de IA comercializados

defensibility: capacidad de defensa (junto con moat, se tradujo como exclusividad)
moat: foso

Ejemplos de servicios GPT Wrapper: Character.ai, Perplexity AI

ycombinator comentario: https://news.ycombinator.com/item?id=42971442

[xguru]

Este es un resumen.

• El sector de la IA ha logrado muchos avances durante el último año, con la aparición de nuevos participantes y un crecimiento acelerado de productos centrados en IA.
• Sin embargo, las startups de modelos de IA enfrentan preguntas fundamentales como las siguientes:
  • Si las startups de modelos de IA tienen defensas débiles y las alternativas de código abierto junto con nuevos participantes siguen erosionando su ventaja, ¿quién terminará ganando?
  • Las nuevas apps centradas en IA están mostrando un crecimiento sorprendente gracias al efecto novedad. Pero cuando con el tiempo la IA se vuelva una expectativa y desaparezca la novedad, ¿quién ganará la batalla de la distribución entre tantos productos nuevos? ¿Cómo crecerán los productos y llegarán a los clientes en un mercado saturado?
  • ¿Qué pasará si copiar otros productos se vuelve realmente trivial, como: "IA, crea una app igual a productxyz.com y hospédala en productabc.com"? Antes, copiar un producto nuevo tomaba meses, y durante ese tiempo había margen para construir una ventaja inicial. Pero si ahora se puede alcanzar al líder casi de inmediato, ¿cómo retendrán a los usuarios los productos?
  • En los últimos años, los productos de IA innovadores que no construían sus propios modelos fueron menospreciados como "wrappers de GPT" de baja tecnología. Sin embargo, durante las últimas décadas, los productos de consumo han creado un valor enorme aunque parecieran de bajo nivel técnico y con defensas débiles. ¿Será el futuro igual que el pasado?
• En este entorno, se está desatando una gran guerra entre los "wrappers de GPT", y las estrategias defensivas tradicionales —en especial las ventajas sostenidas en distribución y efectos de red— volverán a ocupar el centro del escenario.
• No aparecerán exactamente de la misma forma, pero al combinarse con capacidades de IA crearán nuevas variantes.
• De esta manera, la próxima generación de productos de IA evolucionará impulsada por las mismas fuerzas que llevaron las olas anteriores de computación, como Web 2.0, las criptomonedas y la economía on-demand.

¿Una teoría fallida de las defensas en IA?

• La teoría más popular sobre la defensibilidad en IA era simple y dominó la conversación en los últimos años:
  • Existía la observación de que la cantidad de datos/cómputo/energía necesaria para construir cada generación de modelos de IA crecería de forma exponencial.
  • En 2024 se necesitaban más de $100 millones, pero en el futuro harían falta miles de millones de dólares, creando un foso de "efectos de escala" frente a nuevos participantes.
  • Además, a medida que los modelos de IA se volvieran más poderosos, podrían hacer todo lo que una app quisiera, por lo que la mayoría de las apps quedarían reducidas a simples "wrappers de GPT" que interactúan con modelos base más potentes.
  • Bajo esta visión, unas pocas grandes empresas de modelos capturarían todo el valor e impondrían un impuesto al mundo de apps wrapper de GPT construido encima.
• A febrero de 2025, esta teoría enfrenta complejidades importantes:
  • Los modelos de punta solo están unos 6 meses por delante de los modelos de código abierto, y nuevos participantes están generando con regularidad modelos con rendimiento similar (Grok, DeepSeek, etc.).
  • Además, el volumen de datos de entrenamiento, donde al principio los grandes jugadores tenían una gran ventaja por su acceso temprano, está llegando a sus límites naturales.
  • Y aunque entrenar modelos de punta requiere mucho dinero/energía/cómputo, los competidores están logrando un rendimiento similar mediante destilación de modelos.
  • Al mismo tiempo, están apareciendo nuevas startups en la capa de aplicaciones, especializadas en nichos específicos como herramientas creativas, atención al cliente y legal, mostrando un crecimiento de ARR de $0 a más de $5 millones en menos de un año.
• En la mayoría de los casos, estas startups no especifican qué modelo base de IA integran, y a los usuarios o clientes tampoco les importa.
• ¿Es momento entonces de apostar por los wrappers de GPT? ¿Y cuál debería ser la nueva teoría de defensibilidad para esta nueva generación de apps centradas en IA? Entre tantas apps centradas en IA, ¿cuáles perdurarán?
• Por supuesto, también están los efectos de red. Hemos visto que los efectos de red jugaron un papel importante en la defensibilidad de la generación pasada de herramientas de colaboración laboral, marketplaces y redes sociales (lo traté en mi libro The Cold Start Problem) — y creo que también pueden jugar un papel grande en la era de la IA.

Wrappers de bases de datos y apps CRUD

• Tomar como referencia la curva de crecimiento (S-curve) de las web apps entre los años 90 y 2010 ayuda a entender la situación actual de la IA.
  • En la primera etapa del boom puntocom de los años 90, había que recaudar millones de dólares para construir la v1 de un sitio web. La infraestructura era insuficiente.
  • Había que instalar servidores directamente en centros de datos, usar stacks de software propietarios, y las estrategias de crecimiento eran métodos ineficientes tomados de la industria de bienes de consumo (CPG).
  • En ese momento, que un producto simplemente "funcionara" ya era un diferenciador importante, y las primeras empresas web eran fundadas principalmente por doctores en informática de Stanford.
• Pero dos generaciones después, construir sitios web se volvió sencillo gracias a avances como el código abierto, la computación en la nube y la publicidad de costo por clic (CPC).
  • Muchas web apps populares no eran más que simples "wrappers de bases de datos (o apps CRUD)".
  • Servicios como blogs, Twitter y Flickr fueron representativos, ofreciendo funciones simples de crear (Create), leer (Read), actualizar (Update) y eliminar (Delete) datos.
  • Con la aparición de Ruby on Rails y el software CMS, este tipo de desarrollo web se volvió aún más fácil.
  • Incluso entonces, los venture capitalists (VC) se preguntaban: "¿Puede un producto como Facebook tener defensibilidad?"
• Sin embargo, la era de Web 2.0 resolvió este problema aprovechando los efectos de red.
  • No se trataba solo de apps CRUD simples, sino de agregar funciones para que comunidades y redes completas compartieran datos y colaboraran.
  • Mientras la red se mantuviera, el producto adquiría defensibilidad, y ese fue el factor clave con el que Web 2.0 reactivó la tecnología de consumo.
  • También hubo casos parecidos en el pasado: el boom de los escritorios GUI basados en Windows/Mac a inicios de los 90 también fue impulsado por el aumento de "aplicaciones basadas en formularios" hechas con Visual Basic.
• Es decir, así como el stack tecnológico propietario y cerrado de la primera era de internet se abrió y se comoditizó en Web 2.0, es muy probable que la IA siga la misma trayectoria.
  • El eje de la competencia se desplaza de preguntas como "¿Se puede construir esto? ¿Se puede financiar su desarrollo?" hacia "Se puede construir, pero ¿la gente lo usará? ¿Y se sostendrá?".
  • Los productos de IA también se están subiendo a esta misma transformación y evolucionarán hacia nuevas formas que combinen efectos de red e IA.

Crecimiento y efectos de red en un mundo dominado por wrappers de GPT

• Los efectos de red se refieren al "fenómeno por el cual el valor de un producto aumenta a medida que crece el número de usuarios".
  • Casos representativos son los marketplaces, las redes sociales y las herramientas de colaboración.
• Se dará una competencia entre productos de IA que agreguen funciones de red y productos de red existentes que integren IA.
• En los mercados B2B y SMB, se añadirán de forma natural funciones de colaboración (comentarios, etiquetas, compartir) y soporte para equipos.
• Sin embargo, no está claro si la IA podrá reinventar de raíz las redes sociales.
  • La gente sigue queriendo interactuar con otros humanos.
  • Existe la duda de si la IA reemplazará las relaciones humanas o si cumplirá un rol de apoyo.
  • Por ejemplo, una app social basada en IA podría hacer que los usuarios compartan contenido interactivo personalizado, no solo memes simples basados en imágenes.
• Hasta ahora, no ha habido un caso de éxito total de un producto de IA orientado al consumidor.
  • Hay algunos casos como Character.ai, pero todavía no se ha consolidado una app de consumo centrada en IA que esté creciendo con fuerza.
  • La razón puede ser que los costos de API todavía no han bajado lo suficiente y que la competitividad de las empresas existentes sigue siendo fuerte.
  • También podría deberse a que todavía es difícil que la IA genere interacciones interesantes al nivel de los humanos.
• Pero si aparecen productos que combinen IA + funciones de red, aunque sean fáciles de copiar, los efectos de red crearán defensibilidad.
• Los efectos de red pueden organizarse en tres ejes:
  • Efectos de red de adquisición (Acquisition)
    • El producto puede aprovechar la red de usuarios existente para invitar a nuevos usuarios, compartir y aumentar el flujo de entrada.
    • Los productos de IA pueden generar contenido atractivo para incentivar de forma natural el compartir.
  • Efectos de retención (Retention) y participación (Engagement)
    • Los productos basados en red pueden reactivar a los usuarios existentes mediante comentarios, etiquetas, archivos compartidos, etc.
    • Los productos de IA simples tienen que depender de emails/notificaciones push, pero los productos basados en red pueden tener una retención mucho más fuerte.
  • Efectos de monetización (Monetization)
    • Cuanto más se use una herramienta de colaboración dentro de una empresa, mayor será la probabilidad de pasar a planes de mayor precio.
    • Si un juego social monetiza con elementos como la personalización de avatares, la interacción con amigos puede aumentar su valor.
• En última instancia, los productos de IA entrarán al mercado inicialmente con funciones novedosas, pero irán agregando funciones de red para crecer y construir defensibilidad.

¿Ganará la generación actual de IA o aparecerá una nueva generación?

• Si se observa la historia de la innovación tecnológica, cuando surge una nueva plataforma a las empresas existentes les ha costado adaptarse.
  • Por ejemplo, al inicio de la revolución móvil, Flipboard, Foursquare y Kik ganaron popularidad, pero al final fueron jugadores posteriores como Uber y DoorDash los que dominaron el mercado.
  • En la era actual de la IA, las startups tempranas de IA ofrecen novedad, pero también es posible que jugadores posteriores que combinen efectos de red logren un éxito mucho mayor.
• Además, como las grandes tecnológicas existentes están adoptando IA con rapidez, no hay garantía de que startups completamente nuevas vayan a ganar necesariamente.
• La era de la IA está cambiando con rapidez, y al combinarse con la IA, las estrategias defensivas existentes están formando nuevos mercados.
• Todavía no se sabe qué empresa ganará en el futuro, pero sin duda será una etapa interesante.

[felizgeek]

Resumen de comentarios

1. Factores de éxito de la IA y los LLM: las soluciones exitosas de IA/LLM requieren procesos ETL (Extract, Transform, Load) de alto rendimiento. En particular, la capacidad de preprocesar y agregar datos de un dominio específico determina la ventaja competitiva de una empresa.

2. El papel de los “wrappers” de IA: para superar al modelo base, un wrapper debe destacar en el procesamiento e integración de datos de un dominio específico. Eso constituye el verdadero foso competitivo (moat) de una empresa.

3. Código abierto y clonación: muchos productos usan código open source, pero a menudo se clonan sin leer realmente el código. Esto puede llevar a una innovación superficial, como en el caso de left-pad.

4. Competencia entre modelos grandes: los modelos grandes aumentan su cuota de mercado, y el resto de los productos debe competir a su alrededor. Junto con la rápida reducción del costo de inferencia, esto reduce la elección de modelos según cada caso de uso.

5. Posibilidad de clonar apps basadas en IA: las apps basadas en IA pueden ser difíciles de copiar. En especial, los prompts complejos y la interacción entre modelos representan un gran desafío en el proceso de clonación.

6. Competencia entre modelos y wrappers: en la capa de modelos, la competencia se intensifica, mientras que los wrappers pueden asegurar una ventaja competitiva desde la perspectiva de la ingeniería de software.

7. El papel del OS: los fabricantes de OS tienen una gran ventaja para integrar funciones de IA aprovechando el contexto del usuario. Esto puede dar una ventaja competitiva frente a los desarrolladores de apps existentes.

8. Elementos de creación de valor: los prompts especializados, el acceso a datos estructurados y los efectos de red podrían ser elementos clave para crear valor en el futuro.

9. La importancia de los datos de entrenamiento: los datos de entrenamiento pueden ofrecer una ventaja competitiva. Los datos que reflejan con precisión el comportamiento de usuarios específicos pueden ser un activo importante para diferenciarse de productos clonados.

10. Modelo de licencias y dependencia de plataformas: las empresas deben considerar la dependencia de plataformas específicas, lo que puede aumentar la incertidumbre. En particular, existe el riesgo de perder la mitad del mercado o de que se obligue a detener el negocio por órdenes geopolíticas.

[dongwon]

Coincido con el comentario en YC de que, para ser un buen wrapper, el ETL tiene que estar bien hecho...