LLMs et IA Générative : Révolutionnant les Startups ou Juste un Buzz Éphémère ? Questions Clés pour les Investisseurs et les Constructeurs
Sommaire
Introduction
La Puissance des Grands Modèles Linguistiques
La Perspective des Startups
Accélération Significative pour les Startups
L'Essor des Startups Basées sur les LLM
Le Côté Obscur des LLM
Perspectives des Investisseurs et Questions Clés
Agréable à Avoir vs. Indispensable
Économie d'Unité : Le Défi des Coûts Élevés
Défensabilité : Naviguer à travers les Vulnérabilités
Stratégies pour le Succès
Collecte de Données Propriétaires
Création de Modèles Propriétaires
Mise en Place de Boucles de Rétroaction
Conclusion
Introduction
Ce billet de blog explore le monde des grands modèles linguistiques (LLMs) et de l'IA générative, examinant leur impact sur l'écosystème des startups. En tant que fondateur et PDG de Zendog Labs, j'ai assisté à l'escalade du buzz entourant les LLMs et l'IA générative, et aux questions cruciales qui se posent pour les fondateurs et les investisseurs. Dans ce post, nous cherchons à discerner si les LLMs sont de simples modes surévaluées ou de véritables bouleversements pour les entreprises. Alors, plongeons-y !
La Puissance des Grands Modèles Linguistiques
Les LLMs, y compris le ChatGPT d'OpenAI, ont transformé l'écosystème des startups en fournissant une nouvelle infrastructure fondamentale. Les startups existantes les intègrent de plus en plus dans leurs opérations. Et, nous avons assisté à l'émergence de nouvelles startups uniquement axées sur les produits basés sur les LLMs.
Le charme des LLMs réside dans leur capacité à rationaliser les processus commerciaux et à optimiser l'utilisation des ressources. Les startups peuvent accomplir plus avec moins de ressources. Elles peuvent également améliorer leurs offres de produits, en fournissant des solutions comme les chatbots et les générateurs d'images pour les marchés cibles.
La Perspective des Startups
Accélération Significative pour les Startups
Les startups qui adoptent les capacités basées sur les LLMs en pivotant à partir de leurs modèles commerciaux hérités connaissent souvent une accélération remarquable. Nous avons assisté à cela avec plusieurs startups à travers divers cas d'utilisation, tels que la planification de voyages, la santé mentale et la génération de contenu, qui ont rapidement grandi après avoir intégré la technologie LLM. Nous supposons que les clients B2B et B2C explorent activement différentes applications basées sur les LLMs, ce qui conduit à une croissance organique et à une réduction des coûts d'acquisition de clients pour les startups et autres entreprises en cours de transition.
L'Essor des Startups Basées sur les LLMs
De plus, il y a eu une montée en flèche des startups qui sont entièrement construites autour des LLMs. Nous avons observé les annonces de lancement de ces startups devenir virales sur les médias sociaux, générant une adoption généralisée. De manière remarquable, certains de nos clients ont atteint des millions de vues, des dizaines de milliers de revenus et des centaines de milliers d'utilisateurs à partir d'un seul post sur une plateforme de médias sociaux. Ce succès est encore amplifié par l'encouragement à l'engagement, comme la fourniture de codes de réduction pour les 1 000 premiers commentateurs.
Le Côté Obscur des LLMs
Cependant, il est crucial de reconnaître que toutes les entreprises basées sur les LLMs n'ont pas des implications positives. Une tendance que nous avons remarquée est celle des influenceurs créant des avatars numériques pour les interactions de chat, où les individus payent à la minute pour s'engager dans des conversations avec une fausse persona. Nous avons vu des exemples de ce modèle être particulièrement populaire auprès de la communauté OnlyFans. Bien que ces entreprises puissent générer des profits substantiels, nous pensons qu'il est nécessaire d'avoir une intervention réglementaire pour faire face à l'extraction excessive de valeur. En tant qu'enthousiastes des startups, nous croyons fermement que les entreprises devraient s'efforcer de servir un but plus grand.
Perspectives des Investisseurs et Questions Clés
Avec des antécédents dans le capital-risque, nous sommes compétents pour naviguer à la fois dans les paysages des fondateurs et des investisseurs. Cela nous permet de guider les fondateurs dans le décodage de la psyché des investisseurs. Les investisseurs intéressés par les produits IA génératifs et les startups capitalisant sur les LLMs ont besoin de réponses à trois questions cruciales : distinguer les "indispensables" des "agréables à avoir", renforcer l'économie d'unité, et distinguer les produits durables et défendables des commodités. Pour que les startups retiennent l'attention des investisseurs, il est important qu'elles trouvent de bonnes réponses à ces trois questions.
Agréable à Avoir vs. Indispensable
Les investisseurs évaluent minutieusement la viabilité à long terme des produits basés sur les LLMs, évaluant en particulier si un produit tombe dans la catégorie des solutions "agréables à avoir" ou "indispensables". Les produits agréables à avoir risquent d'être facilement remplacés ou de perdre rapidement de la valeur, entraînant des taux d'attrition élevés et des valeurs de vie client faibles. À l'inverse, les solutions indispensables sont profondément intégrées dans les processus commerciaux critiques, les rendant difficiles, voire impossibles, à remplacer. Cela est illustré par des entreprises comme SAP, qui détiennent un pouvoir de tarification considérable en raison de la nature indispensable de leurs offres. Pour les fondateurs, il est crucial d'identifier les voies pour construire des solutions indispensables qui ne sont pas facilement remplaçables. Alors que d'autres produits peuvent générer des afflux de trésorerie à court terme, ils manquent le potentiel de devenir les moteurs de revenus durables que recherchent les investisseurs.
Économie d'Unité : Le Défi des Coûts Élevés
Les produits basés sur les LLMs posent un défi significatif en raison de leurs coûts de calcul élevés. Les startups dépendent souvent de fournisseurs d'infrastructure tiers comme OpenAI, ce qui ajoute aux dépenses. En conséquence, l'économie d'unité en pâtit, et de nombreuses startups dans l'espace IA générative luttent avec des marges brutes entre 20 et 30 %. Cela est particulièrement préoccupant puisque les entreprises de logiciels bénéficient généralement de marges brutes de 70 à 90 % ou même plus élevées. La responsabilité d'optimiser l'utilisation des ressources de calcul incombe aux DSI et aux équipes techniques, et les investisseurs sont vivement intéressés par la feuille de route technique de la startup pour améliorer l'économie d'unité.
Défensabilité : Naviguer dans les Vulnérabilités
Construire un produit sur une infrastructure tierce, comme OpenAI, soulève des préoccupations concernant la défensabilité de l'offre. L'accessibilité de l'API d'OpenAI a considérablement simplifié le processus de développement de produits basés sur les LLMs, au point où des freelances sur des plateformes comme Fiverr peuvent proposer de construire de tels produits pour aussi peu que 5 000 $. Cette facilité d'entrée soulève des questions sur l'unicité et la viabilité à long terme des entreprises basées sur les LLMs dans un paysage de plus en plus concurrentiel.
Stratégies pour le Succès
Après avoir exploré l'attrait des produits basés sur les LLMs pour les startups et les questions clés que les investisseurs se posent quant à leur viabilité, il est temps de se pencher sur les stratégies initiales que les startups ont adoptées pour construire des entreprises plus défendables, avec des marges brutes saines et une fidélité des clients à long terme.
Collecte de Données Propriétaires
D'abord, les startups privilégient la collecte de données propriétaires auprès des consommateurs et des clients d'une manière qui est en accord avec les réglementations sur la confidentialité des données. Ces données servent de ressource unique et convoitée pour l'entreprise, séduisant les investisseurs à la recherche d'entreprises défendables. En possédant, en exploitant et éventuellement en vendant ces données, les startups peuvent optimiser les modèles et débloquer de nouveaux flux de revenus.
Construction de Modèles Propriétaires
Une autre stratégie clé observée parmi les startups est le développement de modèles propriétaires adaptés à des cas d'utilisation spécifiques, en particulier dans la transition du contenu textuel au contenu visuel. En optimisant les modèles LLM existants pour s'adapter à leurs produits uniques, les startups peuvent efficacement réduire les besoins en données et les coûts de calcul. La capacité de peaufiner les modèles LLM pour des cas d'utilisation spécifiques permet aux startups de fournir des offres différenciées et à plus forte valeur ajoutée.
Mise en Place de Boucles de Rétroaction
Enfin, l'installation de boucles de rétroaction à travers lesquelles les utilisateurs peuvent évaluer les sorties générées par les LLMs est un aspect essentiel pour les startups. Les boucles de rétroaction aident les startups à améliorer les performances de leur produit et à approfondir leur engagement avec les utilisateurs. Plus important encore, ils fournissent des données d'apprentissage importantes qui améliorent les performances de l'IA.
Conclusion
Alors, les LLMs et l'IA générative sont-ils la prochaine grande révolution pour les startups ou simplement une mode éphémère ? À mon avis, ils ont le potentiel de transformer l'écosystème des startups, mais ils nécessitent une navigation prudente et stratégique. Pour les fondateurs de startups et les investisseurs, l'attention se portera sur le développement de stratégies pour surmonter les défis de la défensabilité, de l'économie d'unité et de la création de produits indispensables. Dans l'ensemble, l'avenir semble prometteur pour les startups et les investisseurs qui savent tirer parti de la puissance des LLMs et de l'IA générative.