Der Gegenschlag der GPT-Wrapper: Verteidigungsfähigkeit in einer Welt kommerzialisierter KI-Modelle

defensibility: Verteidigungsfähigkeit (zusammen mit moat hier als Monopolstellung übersetzt)
moat: Burggraben

Beispiele für GPT-Wrapper-Dienste: Character.ai, Perplexity AI

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

[xguru]

Dies ist eine Zusammenfassung.

• Im AI-Bereich gab es im vergangenen Jahr viele Fortschritte, neue Akteure sind aufgetreten, und AI-zentrierte Produkte verzeichnen ein rasantes Wachstum.
• Gleichzeitig stehen AI-Modell-Startups vor grundlegenden Fragen:
  • Wenn AI-Modell-Startups nur geringe Verteidigungsfähigkeit besitzen und Open-Source-Alternativen sowie neue Marktteilnehmer ihren Vorsprung kontinuierlich abschmelzen, wer wird am Ende gewinnen?
  • Neue AI-zentrierte Apps wachsen dank des Neuheitseffekts erstaunlich schnell. Doch wenn AI mit der Zeit zur Erwartung wird und der Neuigkeitswert verschwindet, wer gewinnt dann unter zahllosen neuen Produkten den Distributionswettbewerb? Wie können Produkte in einem überfüllten Markt wachsen und Kunden erreichen?
  • Was passiert, wenn das Kopieren anderer Produkte wirklich trivial wird, etwa wie: "AI, baue mir eine App, die mit productxyz.com identisch ist, und hoste sie auf productabc.com!" Früher dauerte es Monate, ein neues Produkt zu kopieren, und in dieser Zeit konnte man einen Vorsprung aufbauen. Wenn man aber sofort schnell aufholen kann, wie halten Produkte dann ihre Nutzer?
  • In den letzten Jahren wurden innovative AI-Produkte, die kein eigenes Modell gebaut haben, als Low-Tech-"GPT Wrapper" abgetan. Doch in den vergangenen Jahrzehnten haben Consumer-Produkte enorme Werte geschaffen, obwohl sie technisch simpel und wenig verteidigungsfähig wirkten. Wird die Zukunft wie die Vergangenheit sein?
• In diesem Umfeld ist ein großer Krieg zwischen "GPT Wrappern" im Gange, und traditionelle Verteidigungsstrategien – insbesondere dauerhafte Vorteile bei Distribution und Netzwerkeffekten – rücken wieder in den Vordergrund.
• Sie werden nicht in exakt derselben Form auftreten, aber in Kombination mit AI neue Ausprägungen hervorbringen.
• Auf diese Weise werden sich AI-Produkte der nächsten Generation entlang jener Kräfte entwickeln, die frühere Computing-Wellen wie Web 2.0, Krypto und die On-Demand-Ökonomie getragen haben.

Eine gescheiterte Theorie der AI-Verteidigung?

• Eine populäre Theorie zur AI-Verteidigungsfähigkeit war einfach und dominierte in den letzten Jahren den Diskurs:
  • Es gab die Beobachtung, dass die Menge an Daten/Compute/Energie, die zum Aufbau jeder neuen Generation von AI-Modellen nötig ist, exponentiell steigen werde.
  • 2024 waren dafür zwar mehr als 100 Millionen US-Dollar nötig, künftig würden aber Milliarden erforderlich sein, wodurch ein Burggraben aus "Scale-Effekten" gegenüber neuen Marktteilnehmern entstehe.
  • Außerdem hieß es, dass AI-Modelle mit zunehmender Leistungsfähigkeit alles tun könnten, was Apps wollen, sodass die meisten Apps zu simplen "GPT Wrappern" würden, die mit stärkeren Basismodellen interfagieren.
  • Aus dieser Perspektive würden einige wenige große Modellfirmen den gesamten Wert abschöpfen und der Welt der GPT-Wrapper-Apps darüber eine Art Steuer auferlegen.
• Im Februar 2025 ist diese Theorie jedoch mit erheblichen Komplexitäten konfrontiert:
  • State-of-the-art-Modelle liegen Open-Source-Modellen nur etwa sechs Monate voraus, und neue Marktteilnehmer erzeugen regelmäßig Modelle mit ähnlicher Leistung (Grok, DeepSeek usw.).
  • Zudem erreicht die Menge an Trainingsdaten, auf die große Akteure anfangs früh Zugriff hatten und dadurch große Vorteile besaßen, eine natürliche Grenze.
  • Und selbst wenn das Training von State-of-the-art-Modellen viel Geld/Energie/Compute erfordert, erreichen Wettbewerber über Model Distillation ähnliche Leistung.
  • Gleichzeitig entstehen neue Startups auf der App-Ebene, die auf bestimmte Nischen wie Kreativtools, Customer Service und Recht spezialisiert sind und innerhalb eines Jahres von 0 auf mehr als 5 Millionen US-Dollar ARR wachsen.
• In den meisten Fällen nennen diese Startups das zugrunde liegende AI-Modell, das sie integrieren, nicht ausdrücklich, und Nutzer oder Kunden kümmern sich auch nicht darum.
• Ist es nun Zeit, den GPT Wrappern die Daumen zu drücken? Und was sollte die neue Theorie der Verteidigungsfähigkeit für diese neue Generation AI-zentrierter Apps sein? Welche von den zahllosen AI-zentrierten Apps werden Bestand haben?
• Natürlich gibt es auch Netzwerkeffekte. Wir haben gesehen, dass Netzwerkeffekte in der vergangenen Generation bei Workplace-Collaboration-Tools, Marktplätzen, sozialen Netzwerken und mehr eine wichtige Rolle für die Verteidigungsfähigkeit gespielt haben (ich habe das in meinem Buch The Cold Start Problem behandelt) – und ich denke, dass sie auch im AI-Zeitalter eine große Rolle spielen können.

Datenbank-Wrapper und CRUD-Apps

• Ein Blick auf die Wachstumskurve (S-Kurve) von Web-Apps von den 1990er- bis in die 2010er-Jahre hilft, die aktuelle AI-Situation zu verstehen.
  • In der Frühphase des Dotcom-Booms in den 1990er-Jahren musste man Millionen aufnehmen, um v1 einer Website zu bauen. Der Grund war fehlende Infrastruktur.
  • Server mussten direkt in Rechenzentren installiert werden, man musste proprietäre Software-Stacks nutzen, und Wachstumsstrategien waren ineffiziente Ansätze, die aus der Konsumgüterindustrie (CPG) übernommen wurden.
  • Damals war schon die Tatsache, dass ein Produkt "funktioniert", ein zentrales Differenzierungsmerkmal, und die ersten Web-Unternehmen wurden überwiegend von Stanford-PhDs der Informatik gegründet.
• Doch zwei Generationen später wurde der Bau von Websites durch Entwicklungen wie Open Source, Cloud Computing und Cost-per-Click-(CPC)-Werbung einfach.
  • Viele beliebte Web-Apps waren bloß einfache "Datenbank-Wrapper (oder CRUD-Apps)".
  • Dienste wie Blogs, Twitter und Flickr sind typische Beispiele; sie boten einfache Funktionen zum Erstellen (Create), Lesen (Read), Ändern (Update) und Löschen (Delete) von Daten.
  • Mit dem Aufkommen von Ruby on Rails und CMS-Software wurde diese Art der Webentwicklung noch einfacher.
  • Schon damals stellten Venture Capitalists (VCs) die Frage: "Kann ein Produkt wie Facebook überhaupt Verteidigungsfähigkeit haben?"
• Das Web-2.0-Zeitalter löste dieses Problem jedoch durch die Nutzung von Netzwerkeffekten.
  • Es ging nicht mehr nur um einfache CRUD-Apps, sondern darum, Funktionen hinzuzufügen, mit denen Communities und ganze Netzwerke Daten teilen und gemeinsam nutzen konnten.
  • Solange das Netzwerk erhalten blieb, besaß das Produkt Verteidigungsfähigkeit, und genau das war ein Kernelement der Reaktivierung von Consumer-Tech durch Web 2.0.
  • Ähnliche Fälle gab es auch früher: Der GUI-Desktop-Boom auf Basis von Windows/Mac in den frühen 90ern wurde ebenfalls durch die Zunahme von "formularbasierten Anwendungen" mit Visual Basic beschleunigt.
• So wie der proprietäre und geschlossene Technologie-Stack des frühen Internets in Web 2.0 geöffnet und zur Commodity wurde, ist es sehr wahrscheinlich, dass AI demselben Verlauf folgt.
  • Der Wettbewerbsfokus verschiebt sich von den Fragen "Kann man das bauen? Kann man das nötige Geld dafür aufbringen?" hin zu "Man kann es bauen, aber werden die Leute es nutzen? Und wird es Bestand haben?"
  • Auch AI-Produkte folgen diesem Wandel und werden sich zu neuen Formen entwickeln, die Netzwerkeffekte und AI kombinieren.

Wachstum und Netzwerkeffekte in einer Welt, die von GPT Wrappern dominiert wird

• Ein Netzwerkeffekt bedeutet, dass "der Wert eines Produkts steigt, je mehr Nutzer es hat".
  • Typische Beispiele sind Marktplätze, soziale Netzwerke und Collaboration-Tools.
• Es wird einen Wettbewerb darum geben, ob AI-Produkte Netzwerkfunktionen hinzufügen oder bestehende Netzwerkprodukte AI integrieren.
• In B2B- und SMB-Märkten werden Collaboration-Funktionen (Kommentare, Tags, Teilen) und Team-Support ganz natürlich hinzukommen.
• Ob AI soziale Netzwerke grundlegend neu erfinden kann, ist jedoch ungewiss.
  • Menschen wollen weiterhin mit anderen Menschen interagieren.
  • Es gibt die Frage, ob AI menschliche Beziehungen ersetzen oder eher eine unterstützende Rolle spielen wird.
  • So könnte eine AI-basierte Social App Nutzer beispielsweise dazu bringen, nicht nur einfache bildbasierte Memes, sondern personalisierte interaktive Inhalte zu teilen.
• Bislang gibt es noch kein vollständig erfolgreiches Beispiel für ein Consumer-zentriertes AI-Produkt.
  • Es gibt einzelne Fälle wie Character.ai, aber schnell wachsende AI-zentrierte Consumer-Apps sind noch nicht etabliert.
  • Ein Grund ist, dass die API-Kosten noch nicht ausreichend gesunken sind und die Wettbewerbsfähigkeit bestehender Unternehmen hoch ist.
  • Ein weiterer Grund könnte sein, dass es noch schwierig ist, mit AI Interaktionen zu erzeugen, die auf menschlichem Niveau interessant sind.
• Wenn jedoch Produkte auftauchen, die AI und Netzwerkfunktionen kombinieren, mag das Kopieren zwar einfach sein, doch durch Netzwerkeffekte entsteht trotzdem Verteidigungsfähigkeit.
• Netzwerkeffekte lassen sich entlang von drei Achsen ordnen:
  • Akquisitions-Netzwerkeffekte
    • Das Produkt kann das bestehende Nutzernetzwerk einsetzen, um neue Nutzer einzuladen, Inhalte zu teilen und den Zulauf zu erhöhen.
    • AI-Produkte können attraktive Inhalte erzeugen und dadurch organisches Teilen anstoßen.
  • Retention- und Engagement-Effekte
    • Netzwerkbasierte Produkte können bestehende Nutzer über Kommentare, Tags, geteilte Dateien usw. reaktivieren.
    • Einfache AI-Produkte müssen sich auf E-Mails/Push-Benachrichtigungen stützen, während netzwerkbasierte Produkte deutlich stärkere Bindung haben können.
  • Monetization-Effekte
    • Je breiter Collaboration-Tools innerhalb eines Unternehmens genutzt werden, desto höher ist die Wahrscheinlichkeit eines Wechsels in höherpreisige Tarife.
    • Wenn Social Games durch Elemente wie Avatar-Anpassung Umsatz erzeugen, kann die Interaktion mit Freunden den Wert steigern.
• Letztlich werden AI-Produkte zunächst mit neuartigen Funktionen in den Markt eintreten, dann aber nach und nach Netzwerkfunktionen hinzufügen, um zu wachsen und Verteidigungsfähigkeit aufzubauen.

Wird die aktuelle AI-Generation gewinnen, oder entsteht eine neue Generation?

• Ein Blick auf die Geschichte technologischer Innovation zeigt, dass bestehende Unternehmen sich beim Auftauchen neuer Plattformen oft schwertun, sich anzupassen.
  • Zu Beginn der Mobile-Revolution wurden etwa Flipboard, Foursquare und Kik populär, doch am Ende dominierten Nachzügler wie Uber und DoorDash den Markt.
  • Auch im heutigen AI-Zeitalter sorgen frühe AI-Startups zwar für Neuheit, doch spätere Akteure, die Netzwerkeffekte kombinieren, könnten am Ende erfolgreicher sein.
• Zugleich übernehmen bestehende Big-Tech-Unternehmen AI sehr schnell, daher gibt es keine Garantie, dass völlig neue Startups zwingend gewinnen werden.
• Das AI-Zeitalter verändert sich rasant, und während sich bisherige Verteidigungsstrategien mit AI verbinden, entsteht ein neuer Markt.
• Noch ist nicht klar, welches Unternehmen am Ende gewinnen wird, aber es wird auf jeden Fall eine spannende Zeit.

[felizgeek]

Zusammenfassung der Kommentare

1. Erfolgsfaktoren von AI und LLMs: Erfolgreiche AI-/LLM-Lösungen benötigen zwingend leistungsfähige ETL-Prozesse (Extract, Transform, Load). Insbesondere die Fähigkeit zur Vorverarbeitung und Aggregation von Daten in einem bestimmten Fachgebiet entscheidet über den Wettbewerbsvorteil eines Unternehmens.

2. Die Rolle von AI-"Wrappern": Damit Wrapper dem Basismodell überlegen sind, müssen sie bei der Verarbeitung und Integration fachspezifischer Daten besonders stark sein. Das bildet den eigentlichen Wettbewerbsschutz (moat) eines Unternehmens.

3. Open Source und Kopieren: Viele Produkte nutzen Open-Source-Code, werden aber oft kopiert, ohne dass der eigentliche Code gelesen wird. Das kann zu oberflächlicher Innovation führen, wie im Fall von left-pad.

4. Wettbewerb großer Modelle: Große Modelle bauen Marktanteile aus, und die übrigen Produkte müssen in ihrem Umfeld konkurrieren. Mit den schnell sinkenden Inferenzkosten nimmt zudem die Auswahl von Modellen je nach Anwendungsfall ab.

5. Kopierbarkeit von AI-basierten Apps: AI-basierte Apps lassen sich möglicherweise nur schwer kopieren. Insbesondere komplexe Prompts und Interaktionen zwischen Modellen stellen im Kopierprozess eine große Herausforderung dar.

6. Wettbewerb zwischen Modellen und Wrappern: Auf der Modellebene wird der Wettbewerb intensiver, während Wrapper sich auf der Ebene des Software Engineerings einen Wettbewerbsvorteil sichern können.

7. Die Rolle des OS: OS-Hersteller haben einen großen Vorteil bei der Integration von AI-Funktionen, weil sie den Nutzungskontext der Anwender verwenden können. Das kann etablierten App-Entwicklern einen Wettbewerbsvorteil verschaffen.

8. Faktoren der Wertschöpfung: Spezialisierte Prompts, strukturierter Datenzugriff und Netzwerkeffekte könnten zentrale Elemente künftiger Wertschöpfung sein.

9. Die Bedeutung von Trainingsdaten: Trainingsdaten können einen Wettbewerbsvorteil schaffen. Daten, die das Verhalten bestimmter Nutzer präzise abbilden, sind ein wichtiger Vermögenswert, der kopierte Produkte differenzieren kann.

10. Lizenzmodelle und Plattformabhängigkeit: Unternehmen müssen die Abhängigkeit von bestimmten Plattformen berücksichtigen, wodurch die Unsicherheit steigen kann. Insbesondere besteht das Risiko, durch geopolitische Anordnungen die Hälfte des Marktes zu verlieren oder zur Einstellung des Geschäfts gezwungen zu werden.

[dongwon]

Ich stimme dem YC-Kommentar zu, dass man für einen guten Wrapper ein gut umgesetztes ETL braucht ...