عنوان: هشدار گوگل به استارتاپهای هوش مصنوعی: دوران «لایهسازیِ ساده» روی مدلهای زبانی به پایان رسیده است
در موج انفجاری سرمایهگذاری و نوآوری در حوزه هوش مصنوعی، بسیاری از استارتاپها بهسرعت با تکیه بر مدلهای زبانی بزرگ (LLM) شکل گرفتند؛ اما بهگفته دارِن ماوری، مدیر بخش جهانی استارتاپهای گوگل در حوزه Cloud، DeepMind و آلفابت، دو مدل کسبوکار که زمانی داغ بودند — یعنی LLM wrapperها و تجمیعکنندههای مدل (AI aggregators) — حالا بیشتر شبیه درسهای عبرتآموز برای بنیانگذاران شدهاند. او در گفتوگو با پادکست Equity هشدار داد که این نوع استارتاپها «چراغ هشدار» دارند و نباید صرفاً به همان لایههای سطحی بسنده کنند.
توضیح: LLM wrapper و AI aggregator یعنی چه؟
– LLM wrapper: استارتاپهایی هستند که یک رابط کاربری، تجربه محصول یا لایه کاربردی روی مدلهای آمادهای مثل GPT، Claude یا Gemini میگذارند تا مسئلهای خاص را حل کنند؛ مثلاً اپلیکیشنی که به دانشآموزان در مطالعه کمک میکند یا دستیار قضایی برای وکلا. در عمل اگر نوآوری شما فقط یک UI روی یک مدل آماده باشد و مالکیت فکری عمیق نداشته باشد، ماندن در بازار دشوار خواهد شد.
– AI aggregator: پلتفرمهایی که چندین مدل زبانی را در یک API یا پنل تجمیع میکنند، درخواستها را بین مدلها مسیریابی میکنند و ابزارهایی مثل مانیتورینگ، حاکمیت و ارزیابی ارائه میدهند. نمونههایی چون Perplexity یا OpenRouter در این دسته قرار میگیرند.
چرایی نگرانی: تفاوت بین محصول موقتی و ارزش پایدار
ماوری میگوید بازار دیگر تحمل «برچسبزدن ساده» روی مدلهای موجود را ندارد. استارتاپها برای رشد نیاز به «خندقهای» عمیق و گسترده دارند—چه بهصورت تمایز افقی و چه تخصص عمقی در یک بازار عمودی. نمونههای موفقتر LLM wrapperها مثل Cursor (دستیار برنامهنویسی مبتنی بر GPT) یا Harvey AI (دستیار حقوقی) نشان میدهند که ترکیب مدلهای پایه با مالکیت فکری واقعی، دادههای اختصاصی، یا جریان کاری محصولی شده، مسیر پایدارتری است.
درس از تاریخِ رایانش ابری
ماوری وضعیت کنونی را با روزهای اولیه رایانش ابری در اواخر دهه ۲۰۰۰ و اوایل ۲۰۱۰ مقایسه میکند؛ زمانی که بسیاری از استارتاپها صرفاً زیرساختهای AWS را بازفروش میکردند و با ابزارهای ساده ورود مشتری را تسهیل مینمودند. وقتی خود آمازون ابزارها و قابلیتهای سازمانی ساخت و مشتریان آموختند چگونه سرویسها را مستقیم مدیریت کنند، آن دسته از شرکتها که ارزش افزوده واقعی مثل امنیت، مهاجرت یا خدمات DevOps ارائه نکرده بودند، از بازار حذف شدند. امروز هم افزایش قابلیتهای مدلسازان بزرگ و افزودن ویژگیهای سازمانی میتواند حاشیه سودِ واسطهها را متوقف کند.
توصیههای عملی برای استارتاپها
– ایجاد مالکیت فکری و دادهای: بهدنبال دادههای اختصاصی، روشهای آموزش یا مدلهای ترکیبی باشید که رقبا نتوانند بهراحتی کپی کنند.
– تمرکز عمودی یا تمایز افقی: تخصص در یک صنعت (حقوق، پزشکی، گیمینگ، تولید محتوا و غیره) معمولاً ارزش بیشتری ایجاد میکند.
– محصول مبتنی بر جریان کاری: فقط یک UI روی یک API نیست؛ محصول باید کاربر را در یک فرآیند کامل همراهی کند و ارزش ملموس بسازد.
– ابزارهای حاکمیت و ارزیابی با هوشمندی محصول: بهجای تنها مسیریابی بین مدلها، هوش مسیریابی مبتنی بر نیاز کاربر و کیفیت خروجی ایجاد کنید.
کجا هنوز فرصت هست؟
ماوری نسبت به پلتفرمهای توسعهدهنده و ابزارهای کدنویسی تعاملی (از قبیل بسترهایی مانند Replit و ابزارهایی شبیه Cursor) خوشبین است؛ این حوزه در سالهای اخیر جذب سرمایه و مشتری قابلتوجهی داشته و میتواند رشد پایداری را تجربه کند. همچنین او رشد در حوزههای مستقیم به مصرفکننده را محتمل میداند—ابزارهایی که توان محاسباتی و مدلهای پیشرفته را مستقیماً در اختیار کاربران قرار میدهند، مانند ابزارهای تولید ویدیو یا خلق محتوا.
چشمانداز فراتر از هوش مصنوعی
ماوری معتقد است که بیوتکنولوژی و فناوریهای زیستمحیطی (climate tech) نیز اکنون در کانون توجه سرمایهگذاری قرار دارند؛ دلیل مهم این است که حجم عظیمی از دادهها برای تولید ارزش در این حوزهها در دسترس است و این امکان را میدهد که راهحلهایی شکل بگیرند که پیشتر ممکن نبودند.
جمعبندی
پیام اصلی برای بنیانگذاران روشن است: دیگر نمیتوان صرفاً با پوشش دادن یک مدل زبانی مشهور و ارائه یک رابط ساده انتظار رشد و جذب سرمایه داشت. استارتاپهای هوش مصنوعی باید روی ایجاد مالکیت فکری، دادههای اختصاصی، تخصص عمودی و جریانهای کاری محصولی تمرکز کنند تا در بازاری که بازیگران بزرگ مدل و زیرساخت در حال افزایش قابلیتها هستند، دوام بیاورند و رشد کنند.