Твердження: у гонитві за прибутком від штучного інтелекту «продаж лопат» вже втратив свою ефективність

Автор: Ben Basche

Переклад: Глибока Течія TechFlow

Глибока Течія: «Золотошукачі продають лопати» колись була золотим правилом у стартап-спільноті. Але в епоху ШІ ця логіка перестала працювати — адже майнери самі відкрили свої магазини інструментів. OpenAI, Anthropic, Google систематично захоплюють сегменти середнього рівня, програмні помічники, автоматизацію браузерів та інші стартапи. Автор Ben Basche вважає, що справжні виживальні компанії у сфері ШІ — це не ті, що продають інструменти, а ті, що використовують ШІ як сировину у вертикальних галузях — «ювеліри» — глибоко занурюються у конкретні індустрії, володіють місцевими знаннями та мають унікальний контекст.

Повний текст:

Є фраза, яка стала рятівною для стартап-спільноти перед і після першої інтернет-бульбашки: «Золотошукачі продають лопати і кирки». Це означає, що справжній прибуток отримують не ті, хто копає золото, а ті, хто постачає інструменти майстрам. Багаті — це Levi Strauss, а не шукачі золота.

Це хороша модель. Вона дійсно працювала деякий час.

Але в галузі ШІ вона вже не актуальна. Якщо ваша компанія побудована на цій логіці, вам варто уважно подивитися, що сталося за останні дванадцять місяців.

Лабораторії — це весь технологічний стек

Ось що реально відбувалося — спочатку тихо, потім раптово вибухом.

OpenAI випустила Operator — агент, що може переглядати веб-сторінки, заповнювати форми, виконувати цілі задачі від початку до кінця. Потім Response API та Agents SDK — щоб розробники могли отримати нативні виклики інструментів, пам’ять та оркестрацію без сторонніх фреймворків. Далі з’явився Codex — хмарний програмний агент, що може самостійно писати, тестувати та ітеративно покращувати софт. І ще Deep Research. Будь-який з цих продуктів двохрічної давності міг би підтримати стартап із фінансуванням.

Anthropic випустила Claude Code, Computer Use, Projects з довготривалою пам’яттю та MCP (Model Context Protocol) — майже за ніч вони стали стандартом для зв’язку ШІ з зовнішніми інструментами та даними. Потім вони передали MCP Linux Foundation, щоб зробити його інфраструктурою, а не продуктом. Після цього — Claude in Excel, Claude in Chrome, Cowork.

Google представила Gemini 2.0 — з вбудованими інструментами та мультимодальним сприйняттям, інтегровану у Vertex AI як корпоративний контрольний центр, з готовими стратегічними та оркестраційними рішеннями.

Кожна з цих дій з’їдає частину ринку, який раніше належав стартапам.

Логіка «продажу лопат» має приховане припущення: лабораторії залишаться у своїй ніші. Створювати базові моделі, надавати API, залишаючи інструменти, оркестрацію та застосунки екосистемі. Це вже померло.

Загибель проміжного шару

Розглянемо, що саме відбувається з проміжним шаром.

LangChain — найяскравіший приклад «продажу лопат» у 2023 році. Це фреймворк для зв’язування викликів LLM, управління інструментами та пам’яттю. Тисячі команд створюють продукти на його основі, GitHub зірок понад 100 тисяч. До 2024 року багато команд почали писати блоги, пояснюючи, чому їх потрібно видалити з виробничого середовища. Не через погану якість, а тому, що базові моделі вже настільки розумні, що цей шар став зайвим. Абстракція, створена LangChain, вирішує минулі проблеми.

Водночас OpenAI випустила власний Agents SDK. Microsoft — AutoGen і Semantic Kernel. Лабораторії та їхні материнські компанії не купували LangChain. Вони просто інтегрували його функціонал у свої платформи.

Такий сценарій повторюється на кожному рівні: фреймворки агентів, менеджери підказок, RAG-пайплайни, системи оцінки, інструменти моніторингу — все це поглинається виробниками базових моделей у нативні продукти.

Гірка правда: коли OpenAI або Anthropic вбудовують оркестрацію безпосередньо у API, їм не потрібно перемагати у функціональності. Вони просто мають бути «достатньо» і вже «там». Розробники за замовчуванням обирають шлях найменшого опору. Ті стартапи, що мають хитромудрий проміжний шар, мають бути значно кращими, щоб зберегти перевагу під час безперервної еволюції моделей, і при цьому конкурувати з гігантами з необмеженим капіталом і контролем над інфраструктурою. Це не бізнес, а швидше науковий проект із обмеженим часом.

Майстри самі відкрили магазини інструментів, і лопати вже не продаються

Порівняння «продажу лопат» у сфері ШІ втрачає актуальність через ключову структурну різницю. У 1849 році Levi Strauss і ті, хто продавав інструменти, не копали золото самі. Майнери і постачальники були незалежними гравцями з різними інтересами.

У сфері ШІ лабораторії одночасно копають, продають інструменти, будують дороги і малюють карти. Вони мають сильний мотив контролювати весь стек технологій, бо кожен рівень — це новий замок, можливість розширити прибутки і створити захисний бар’єр.

Anthropic передала MCP Linux Foundation — це не благодійність. Це гарантія, що їхній стандарт стане універсальною інфраструктурою, як Ethernet. Стандарти — найпотужніша захисна стіна у технологічній галузі, бо вони безформні і вічні.

Отже, якщо ваша цінність у тому, щоб «з’єднати розробників і моделі, щоб зробити X простішим», потрібно врахувати: ця «середня» компанія вже помітила вас, має ресурси для копіювання і має структурні причини це зробити.

Що ж тоді працює?

Повернемося до аналогії з золотошукачами. Якщо лопати вже не продаєш, що тоді?

Продавайте ювелірні вироби.

Або ще краще: використовуйте золото як промислову сировину, створюючи продукти, які майнери самі не зацікавлені робити.

У реальній історії 1849 року ті, хто вижили у період буму, не продавали універсальні інструменти. Вони — ті, хто використовував золото як сировину і створював спеціалізовані продукти завдяки глибоким знанням. Ювеліри, стоматологи, пізніше — електрики. Вони мають таке розуміння конкретних застосувань, що універсальні фахівці не можуть їх повторити.

Версія для ШІ — це створення застосунків у вертикальних галузях — тих, що потребують реального контексту, який лабораторії не мають і не можуть швидко отримати.

Подумайте, у чому слабкі місця OpenAI, Anthropic і Google:

Вони не глибоко розуміють робочі процеси вашої галузі. Вони не мають стосунку до ваших клієнтів. Вони не можуть дешево отримати приватні дані, що роблять модель корисною у конкретних сценаріях. Вони ніколи не досліджуватимуть, чому, наприклад, у Півдній Африці ремісники так і не оформлюють рахунки, або чому мобільні платежі в Кенії — це складна операція, або чому у США медичні дозволи — це глибоко вкорінена операційна проблема.

Лабораторії будують горизонтальну інфраструктуру. Можливості — у вертикальних сферах, що вимагають географічних, регуляторних, культурних і галузевих знань.

Саме тому фінтех у нових ринках, юридичний ШІ для конкретних юрисдикцій, інструменти відповідності у регульованих галузях і нішеві автоматизації процесів — більш захищені, ніж «робити кращий LangChain».

Захисна стіна — не модель. Вона у контексті.

Промислове застосування золота

Ще один варіант — використовувати ШІ так само, як промислове застосування золота. Не як засіб збереження вартості або для демонстрації, а як компонент, що інтегрується у продукти, здатні створювати довгострокову економічну цінність.

Золото має неймовірну провідність. Тому його додають у кожну плату. Про нього не говорять і не роблять на нього хайпу. Воно тихо є ключовим входом у більшу систему.

Найстійкіші компанії у сфері ШІ зараз — ті, що використовують моделі як компоненти — вхід у продукт, що вирішує реальні проблеми, — а не як самостійний продукт. ШІ — це золото у схемі, а не у вітрині.

Практично це виглядає так: ви обираєте галузь із реальними болями, складним робочим процесом і важкодоступними даними, створюєте продукт, у якому базовий рівень — модель, що значно покращує процес. ШІ — це деталь, що реалізує рішення, а не головний продукт.

Це зовсім не те, що «ми обгорнули GPT-4 у оболонку». Оболонка — це вітрина, а схема — невидима.

Що згортається з ринку

Щоб бути ясним, ось кілька сегментів стартапів, які системно поглинаються лабораторіями з кінця 2024 року:

Фреймворки для оркестрації агентів. Зараз — це вбудовані функції OpenAI Agents SDK, Anthropic Toolchain, Google Vertex Agent Builder.

Програмні помічники для кодування. OpenAI Codex може автономно писати цілі репозиторії. Claude Code теж. GitHub Copilot — нативне рішення Microsoft. Ринок окремих стартапів, що займаються лише допомогою у програмуванні, суттєво звузився.

Автоматизація браузерів і комп’ютерів. OpenAI Operator, Anthropic Computer Use, Google Gemini Astra — всі мають продукти у цій сфері. Всі стартапи, що використовують LLM для RPA, — на захисті.

RAG-пайплайни і пошук за векторними представленнями. Вже майже комерціалізовані. Більшість API моделей мають вбудовану пошукову функцію. Відмінності між фреймворками зменшуються.

Універсальні помічники і інструменти підвищення ефективності. Їх поглинають Claude, ChatGPT і Gemini.

Менеджери підказок і системи оцінки. Все більше стають нативними функціями. LangSmith ще має потенціал, але це — гонка з часом.

Моделі дуже схожі: лабораторії виявляють популярний сегмент, визначають його як близький до свого ядра, і випускають оновлення. Не обов’язково краще, але інтеграція, за замовчуванням — дешевше, а поширення — незрівнянне.

Що тепер робити?

Якщо ви зараз займаєтеся стартапом у сфері ШІ, питання не в тому, чи є попит. Попит є скрізь. Питання — чи не з’їсть вас одна з великих лабораторій із бюджетом понад 10 мільярдів доларів, яка випустить продукт і знищить вашу нішу.

Якщо відповідь «так» або «можливо», це не бізнес, а функціонал.

Стратегія довгострокової конкурентної переваги має такі ознаки: глибока вертикальна спеціалізація (лабораторії можуть створювати універсальні моделі, але не вашу конкретну), приватні дані або зв’язки, що не можна легко знайти у відкритих джерелах, регуляторні та нормативні складнощі, що ускладнюють просте підключення через API, і канали поширення у спільнотах, де довіра і локальний контекст важливіші за базові можливості.

Золота лихоманка справжня. Скрізь — золото. Але майстри вже відкрили магазини, і лопати вже не продаються — їх замінили безліч капіталу.

Продавайте ювелірні вироби. Використовуйте золото як промислову сировину. Створюйте щось, що майнери самі не зацікавлені робити — бо це дуже вузьконаправлено, локально і глибоко вбудовано у галузеві знання, яких вони ніколи не матимуть.

Ось моя стратегія — саме так.