- El mercado de aplicaciones de IA se divide según la complejidad del problema y la dificultad de adopción, pero la ventaja competitiva sostenida depende, al final, de los datos acumulados durante el uso
- Los productos fáciles de adoptar pueden crear un flywheel de datos con uso masivo y feedback rápido, pero también son fáciles de reemplazar, por lo que quedan expuestos a la competencia de capital y datos con los proveedores de modelos
- Los productos enterprise difíciles de adoptar aprenden los sistemas y formas de trabajo de los clientes, construyen fosos de datos específicos por empresa y hacen que a los productos posteriores les resulte difícil reproducir la misma experiencia
- Los agentes de coding avanzaron rápido gracias a datos de aceptación y rechazo de sugerencias que ocurren decenas o cientos de veces al día, mientras que áreas como la generación de slides, con pocas señales finas de verificación, mejoran más lentamente
- En los próximos 12 a 24 meses podrían surgir ganadores en mercados donde tanto la adopción como la resolución son difíciles, como SRE y operaciones de seguridad, pero los ciclos de evaluación e implementación son largos y hay pocos datos y señales de verificación, por lo que la tasa de éxito podría ser baja
Mercados de IA divididos por complejidad y dificultad de adopción
- Aunque existan suficiente talento y capital, además de modelos mejorados, el desempeño de los agentes de IA varía mucho según el sector
- Manejan con precisión la prospección de clientes potenciales para ventas y las consultas de soporte al cliente, pero no logran generar de forma consistente slides de alta calidad
- La lógica de que simplemente se resuelven primero los problemas fáciles no alcanza para explicar por qué los agentes en el complejo campo del coding avanzaron más rápido
- El avance de los agentes de coding es resultado de que la adopción fácil derivó en una recopilación masiva de datos
- Los desarrolladores pudieron cambiarse a Cursor en unos 5 minutos sin aprobación adicional
- Los datos de uso crearon un flywheel que mejoró la experiencia del producto, y hoy todo el equipo de los autores usa Cursor Composer para generar código
- El mercado se divide en cuatro áreas según la dificultad de resolver el problema y de adoptar el producto
- Fácil de adoptar y fácil de resolver
- Fácil de adoptar pero difícil de resolver
- Difícil de adoptar pero fácil de resolver
- Difícil de adoptar y difícil de resolver
- Los productos de adopción fácil obtienen muchos datos, pero también son fáciles de reemplazar
- Los productos difíciles de adoptar, una vez instalados dentro de una empresa, aprenden cómo trabaja esa compañía y aseguran un foso de datos difícil de sustituir
Mercados fáciles de adoptar y fáciles de resolver
- La búsqueda de consumo con respuestas personalizadas era, desde 2023, un caso de uso de IA fácil de prever, y se expandió desde búsquedas de conocimiento general hasta consejos médicos
- Además de los proveedores de modelos base, nuevos actores como Perplexity y You.com también entraron en este mercado
- La barrera de entrada parece baja, pero en realidad se parece más a una trampa de valor
- Si una startup puede implementarlo fácilmente, un laboratorio de modelos frontier probablemente ya lo hizo o puede hacerlo con más facilidad
- Cuanto más claro es el caso de uso, más se concentra el uso en las aplicaciones de chat existentes
- OpenAI, Google y Anthropic pueden recopilar millones de datos de uso para mejorar los modelos en ese campo
- ChatGPT Health es un ejemplo de este tipo de expansión
- Los proveedores de modelos pueden subsidiar costos y aprender rápidamente nuevas áreas de aplicación gracias a sus grandes bases de usuarios, por lo que es probable que desplacen a los nuevos entrantes
- La lealtad de los usuarios también es baja: usan varios agentes de chat según el objetivo y, a diferencia del mercado de búsqueda web, los proveedores compiten desde posiciones relativamente similares
- Si surge una marca dominante, probablemente será un proveedor de modelos
Mercados fáciles de adoptar pero difíciles de resolver
- El coding es un problema complejo, pero desde el inicio fue fácil de adoptar a nivel individual
- Incluso en 2023 se podía comprobar el valor con solo pegar fragmentos de código en ChatGPT
- La calidad inicial era limitada, pero Cursor simplificó más ese proceso
- Como los ingenieros pueden elegir directamente su IDE, el costo de cambiar de IntelliJ o VSCode a Cursor tampoco era alto
- Las tareas de coding ofrecen ciclos de feedback rápidos y granulares
- Un desarrollador puede generar código decenas o cientos de veces al día
- Cada vez que acepta o rechaza una sugerencia, se agregan datos de entrenamiento que servirán para mejorar futuros modelos
- Este flywheel de datos permitió una mejora abrupta en la calidad de los modelos
- Los mercados complejos sin ciclos de feedback granulares, como la generación de slides, mejoran mucho más lentamente
- Resolver problemas difíciles requiere una gran inversión en uso de tokens y talento técnico, y al final puede exigir incluso entrenamiento de modelos y aprendizaje por refuerzo (RL)
- Los datos obtenidos mediante adopción fácil respaldan este tipo de inversión profunda, pero los laboratorios de modelos frontier también consideran los agentes de productividad de uso amplio como parte de su territorio
- Ya compiten intensamente en el mercado de agentes de coding
- Podrían lanzar más herramientas de productividad de oficina más allá de los editores de documentos tradicionales
- Es muy probable que haya una competencia de capital a gran escala, lo que dificulta que actores pequeños compitan sin inversiones enormes
- La adherencia del producto sigue siendo baja
- Se pueden usar varios agentes de coding al mismo tiempo
- Si aparece una aplicación que crea mejores slides, los usuarios pueden migrar fácilmente
- Las configuraciones personalizadas por empresa, como Cursor rules o templates de marca, pueden aumentar la adherencia, pero si surgen interoperabilidad o un estándar único, también podría ser fácil migrar
Mercados difíciles de adoptar pero fáciles de resolver
- Es el área donde la adopción de IA enterprise fue más activa en los últimos dos años; incluye casos en los que un LLM ejecuta playbooks como devoluciones de e-commerce o restablecimientos de contraseña
- Clasificarlo como fácil de resolver no significa que el producto carezca de profundidad
- A medida que las empresas buscaron resultados inmediatos con IA y adoptaron primero problemas claros, los ingresos de los líderes del mercado crecieron rápidamente
- Este mercado tiene dos puntos diferenciales
- Los agentes que procesan tickets de soporte al cliente o solicitudes de help desk de IT no pueden ser elegidos por una persona individual; requieren una decisión a nivel organizacional con participación del comité de compra
- Aunque los casos de uso sean relativamente simples, la integración con sistemas enterprise antiguos es difícil y engorrosa, por lo que los equipos capaces de lidiar con sistemas legacy tienen una gran ventaja
- Durante la integración enterprise se forma un foso de datos específico por cliente
- Los datos de agentes son difíciles de generalizar entre clientes, y es poco probable que las empresas permitan usarlos para entrenar modelos
- En cambio, el producto puede aprender cómo trabaja realmente cada cliente
- El conocimiento acumulado mejora el producto completo y, al mismo tiempo, aumenta la adherencia por cliente, haciendo que a un agente posterior le resulte difícil reproducir la misma experiencia
- Los inversionistas tratan a las grandes startups de este mercado como incumbentes de facto
- Todavía hay margen para innovación de producto, pero no está claro por qué una startup pequeña debería competir con Sierra o Decagon
- No está claro si el capital que levantaron se concentra en go-to-market (GTM) o en crear fosos tecnológicos, como modelos especializados en coding
- Si el capital solo se usa para go-to-market, las startups podrían tener que depender de competir en costos
Mercados difíciles de adoptar y difíciles de resolver
- Los workflows complejos de ingeniería y operaciones, como SRE y operaciones de seguridad, han recibido relativamente la menor atención entre las cuatro áreas
- Como pueden resolver tareas que las personas realizan durante horas o días, su valor potencial es grande, pero los workflows varían según la empresa, lo que hace que la evaluación y la implementación sean mucho más difíciles
- El producto de RunLLM se enfoca en esta área, y se espera que la próxima etapa de crecimiento también aparezca aquí
- Hay tres razones para pensar que crecerá rápido en los próximos años
- Los modelos de razonamiento ya pueden planear tareas complejas y manejar soluciones de varios pasos
- Una parte importante de la resolución del problema ocurre en la construcción y configuración de workflows fuera de la IA, y a medida que mejoran los agentes de coding ese proceso se vuelve más rápido y fácil
- Las empresas ya están abordando activamente los problemas fáciles, así que cuando busquen los pendientes pasarán a problemas más difíciles
- El foso de datos en esta área es el más complejo y, al mismo tiempo, tiene un gran valor potencial
- Si se desarrolla expertise sobre el workflow de una empresa, a otros productos les resulta muy difícil reproducirlo
- Reemplazar el producto se vuelve parecido a despedir a un ingeniero experimentado y sustituirlo por uno junior
- También existe la oportunidad de acumular expertise en capacidades clave específicas, como un agente SRE especializado en AWS
- Tienen menos datos que los agentes de coding y también es más difícil verificar los resultados, por lo que los ciclos de mejora son mucho más lentos
- Aunque existen empresas que levantaron enormes fondos, es difícil decir que estén tan firmemente establecidas como los líderes de los mercados fáciles de resolver y difíciles de adoptar, por lo que queda competencia de largo plazo
Límites cambiantes y el rol de la UX
- Los límites entre las cuatro áreas no son fijos, y tanto la complejidad del problema como la dificultad de adopción pueden cambiar
- Las capacidades de los modelos mejoraron mucho cada pocos meses, pero recientemente hay señales de que la mejora de los modelos se está estancando, por lo que el interés en el eje de complejidad se redujo relativamente
- La mayor posibilidad de cambio está en la experiencia de usuario (UX)
- La UX de las aplicaciones de IA todavía es un campo poco explorado
- Nuevos paradigmas de UX pueden cambiar la forma en que los usuarios adoptan un producto
- Claude Code para web es un ejemplo: ofrece agentes de coding en el navegador para que también puedan acceder usuarios a quienes un IDE o una terminal les resultan intimidantes
Próximos 12 a 24 meses
- En los próximos 12 a 24 meses se espera que surjan ganadores en mercados donde tanto la adopción como la resolución son difíciles
- Es probable que no avance de forma tan fluida como el crecimiento de Sierra y Decagon
- Los ciclos de evaluación serán más largos
- La implementación será más compleja
- La tasa general de éxito también podría ser más baja
- Si las empresas mejoran sus procesos y elevan el rendimiento de los modelos con los datos acumulados, podrán generar ingresos enormes en esta área
Aún no hay comentarios.