- Der Markt für AI-Anwendungen ist nach Problemkomplexität und Einführungshürden segmentiert, doch ein nachhaltiger Wettbewerbsvorteil hängt letztlich von den Daten ab, die während der Nutzung entstehen
- Produkte mit einfacher Einführung können durch breite Nutzung und schnelles Feedback ein Daten-Flywheel aufbauen, sind aber auch leicht austauschbar und damit dem Kapital- und Datenwettbewerb mit Modellanbietern ausgesetzt
- Schwer einzuführende Enterprise-Produkte lernen die Systeme und Arbeitsweisen ihrer Kunden kennen, bauen so einen unternehmensspezifischen Daten-Moat auf und machen es Nachzüglern schwer, dieselbe Expertise zu reproduzieren
- Coding-Agenten haben sich dank Daten aus täglich Dutzenden bis Hunderten angenommenen oder abgelehnten Vorschlägen schnell weiterentwickelt, während sich der Bereich Slide-Generierung mangels feingranularer Validierungssignale langsamer verbessert
- In den kommenden 12 bis 24 Monaten könnten Gewinner in Märkten entstehen, die sowohl schwer einzuführen als auch schwer zu lösen sind, etwa SRE und Security Operations; wegen langer Evaluierungs- und Implementierungsphasen sowie fehlender Daten und Validierungssignale kann die Erfolgsquote jedoch niedrig sein
Nach Komplexität und Einführungshürde segmentierte AI-Märkte
- Selbst bei ausreichend Talent, Kapital und besseren Modellen fällt die Leistung von AI-Agenten je nach Bereich sehr unterschiedlich aus
- Sie bearbeiten Sales-Prospecting und Kundenservice-Anfragen präzise, können aber hochwertige Slides nicht konsistent erstellen
- Die Logik, dass zuerst nur einfache Probleme gelöst werden, erklärt nur schwer, warum sich Agenten im komplexen Bereich Coding am schnellsten entwickelt haben
- Die Entwicklung von Coding-Agenten ist das Ergebnis davon, dass einfache Einführung zu Datenerfassung im großen Maßstab führte
- Entwickler konnten ohne separate Genehmigung in etwa 5 Minuten zu Cursor wechseln
- Nutzungsdaten erzeugten ein Flywheel, das die Produkterfahrung verbesserte; inzwischen nutzt das gesamte Team der Autoren Cursor Composer für Code-Generierung
- Der Markt lässt sich nach Schwierigkeit von Problemlösung und Einführung in vier Bereiche aufteilen
- Einführung und Lösung sind beide einfach
- Einführung ist einfach, Lösung ist schwierig
- Einführung ist schwierig, Lösung ist einfach
- Einführung und Lösung sind beide schwierig
- Leicht einzuführende Produkte gewinnen viele Daten, sind aber auch leicht austauschbar
- Schwer einzuführende Produkte sichern sich nach der Verankerung im Enterprise-Inneren einen schwer ersetzbaren Daten-Moat, weil sie die Arbeitsweise dieses Unternehmens lernen
Märkte, in denen Einführung und Lösung beide einfach sind
- Consumer Search mit personalisierten Antworten war seit 2023 ein naheliegendes AI-Anwendungsfeld und hat sich von allgemeiner Wissenssuche bis zu medizinischer Beratung breit ausgeweitet
- Neben Anbietern von Foundation Models sind auch neue Anbieter wie Perplexity und You.com in diesen Markt eingetreten
- Die Eintrittsbarriere wirkt niedrig, tatsächlich ähnelt der Markt aber eher einer Value Trap
- Wenn ein Startup etwas leicht umsetzen kann, haben Frontier-Model-Labs es entweder bereits gebaut oder können es noch einfacher bauen
- Je klarer der Use Case, desto stärker konzentriert sich die Nutzung in bestehenden Chat-Anwendungen
- OpenAI, Google und Anthropic können Millionen von Nutzungsdaten sammeln und damit die Modelle für diesen Bereich verbessern
- ChatGPT Health ist ein Beispiel für eine solche Ausweitung
- Modellanbieter können Kosten subventionieren und mit ihrer großen Nutzerbasis schnell neue Anwendungsfelder lernen, sodass neue Anbieter mit hoher Wahrscheinlichkeit verdrängt werden
- Auch die Nutzerloyalität ist gering: Je nach Zweck werden mehrere Chat-Agenten parallel genutzt, und anders als im Web-Search-Markt konkurrieren die Anbieter aus relativ ähnlichen Positionen
- Sollte eine dominante Marke entstehen, dürfte es wahrscheinlich ein Modellanbieter sein
Märkte, in denen die Einführung einfach, die Lösung aber schwierig ist
- Coding ist ein komplexes Problem, ließ sich aber von Anfang an auf individueller Ebene leicht einführen
- Schon 2023 ließ sich der Nutzen erkennen, indem man Code-Snippets in ChatGPT einfügte
- Die anfängliche Qualität war begrenzt, aber Cursor vereinfachte diesen Prozess
- Da Engineers ihre IDE selbst wählen können, war auch der Wechsel von IntelliJ oder VSCode zu Cursor keine große Hürde
- Coding-Aufgaben liefern schnelle, feingranulare Feedbackschleifen
- Entwickler können pro Tag Dutzende bis Hunderte Male Code generieren
- Jedes Annehmen oder Ablehnen eines Vorschlags fügt Trainingsdaten hinzu, die für künftige Modellverbesserungen genutzt werden können
- Dieses Daten-Flywheel ermöglichte eine sprunghafte Verbesserung der Modellqualität
- In komplexen Märkten ohne feingranulare Feedbackschleifen, etwa bei der Slide-Generierung, ist das Verbesserungstempo deutlich langsamer
- Schwierige Probleme zu lösen erfordert hohe Investitionen in Token-Nutzung und technisches Talent und kann letztlich sogar Modelltraining und Reinforcement Learning (RL) erforderlich machen
- Daten, die durch einfache Einführung gewonnen werden, stützen solche tiefgehenden Investitionen; Frontier-Model-Labs betrachten breit genutzte Produktivitätsagenten jedoch ebenfalls als ihr Terrain
- Sie konkurrieren bereits intensiv im Markt für Coding-Agenten
- Über bestehende Dokumenteneditoren hinaus könnten sie weitere Office-Produktivitätstools veröffentlichen
- Es ist sehr wahrscheinlich, dass ein kapitalintensiver Wettbewerb entsteht, in dem kleinere Anbieter ohne massive Investitionen nur schwer konkurrieren können
- Die Produkt-Stickiness bleibt dennoch niedrig
- Mehrere Coding-Agenten lassen sich gleichzeitig nutzen
- Wenn eine Anwendung bessere Slides erstellt, können Nutzer leicht wechseln
- Unternehmensspezifische Anpassungen wie Cursor rules oder Brand Templates können die Stickiness erhöhen, doch wenn Interoperabilität oder ein einheitlicher Standard entstehen, könnte Migration wieder einfacher werden
Märkte, in denen die Einführung schwierig, die Lösung aber einfach ist
- Dies war in den letzten zwei Jahren der aktivste Bereich für Enterprise-AI-Einführung; Beispiele sind Fälle, in denen ein LLM Playbooks wie E-Commerce-Retouren oder Passwort-Resets ausführt
- Die Einstufung als leicht zu lösen bedeutet nicht, dass die Produkte keine Tiefe haben
- Weil Unternehmen nach sofortigen AI-Ergebnissen suchen und zuerst klare Probleme einführen, sind die Umsätze der Marktführer schnell gewachsen
- In diesem Markt gibt es zwei Differenzierungsmerkmale
- Agenten, die Customer-Support-Tickets oder IT-Helpdesk-Anfragen bearbeiten, können nicht von Einzelpersonen ausgewählt werden; nötig ist eine Entscheidung auf Organisationsebene, an der ein Buying Committee beteiligt ist
- Auch wenn die Use Cases relativ einfach sind, ist die Integration in alte Enterprise-Systeme schwierig und mühsam; Teams, die mit Legacy-Systemen umgehen können, liegen deutlich vorn
- Im Zuge der Enterprise-Integration entsteht ein kundenspezifischer Daten-Moat
- Agentendaten lassen sich nur schwer über mehrere Kunden hinweg verallgemeinern, und Unternehmen werden wahrscheinlich kaum erlauben, sie für Modelltraining zu verwenden
- Stattdessen kann das Produkt lernen, wie jeder Kunde tatsächlich arbeitet
- Das angesammelte Wissen verbessert das Gesamtprodukt und erhöht zugleich die kundenspezifische Stickiness, wodurch es für spätere Agenten schwer wird, dieselbe Expertise zu reproduzieren
- Investoren behandeln die großen Startups in diesem Markt als faktische Incumbents
- Es bleibt Raum für Produktinnovation, aber es ist nicht offensichtlich, warum kleine Startups mit Sierra oder Decagon konkurrieren sollten
- Unklar ist, ob das von ihnen eingesammelte Kapital auf Go-to-Market (GTM) konzentriert wird oder technische Moats wie coding-spezifische Modelle schafft
- Wenn Kapital nur für Go-to-Market eingesetzt wird, könnten Startups auf Kostenwettbewerb angewiesen sein
Märkte, in denen Einführung und Lösung beide schwierig sind
- Komplexe Engineering- und Operations-Workflows wie SRE und Security Operations haben unter den vier Bereichen vergleichsweise am wenigsten Aufmerksamkeit erhalten
- Der potenzielle Wert ist groß, weil Aufgaben gelöst werden können, die Menschen über Stunden oder Tage erledigen; da sich Workflows aber von Unternehmen zu Unternehmen unterscheiden, sind Evaluierung und Implementierung deutlich anspruchsvoller
- Das Produkt von RunLLM konzentriert sich auf diesen Bereich, und die nächste Wachstumsphase wird voraussichtlich ebenfalls hier sichtbar werden
- Es gibt drei Gründe für schnelles Wachstum in den nächsten Jahren
- Reasoning-Modelle können komplexe Aufgaben planen und mehrstufige Lösungen bearbeiten
- Ein erheblicher Teil der Problemlösung entsteht beim Aufbau und der Konfiguration von Workflows außerhalb der AI; je besser Coding-Agenten werden, desto schneller und einfacher wird dieser Prozess
- Unternehmen bearbeiten einfache Probleme bereits aktiv; sobald sie die verbleibenden Aufgaben identifizieren, werden sie zu schwierigeren Problemen übergehen
- Der Daten-Moat in diesem Bereich ist der komplexeste und zugleich potenziell wertvoll
- Wer Expertise über den Workflow eines Unternehmens aufbaut, ist für andere Produkte extrem schwer zu kopieren
- Ein Produktwechsel ähnelt dann dem Entlassen erfahrener Engineers und deren Ersatz durch Berufseinsteiger
- Es gibt auch die Chance, Expertise in bestimmten Kernkompetenzen aufzubauen, etwa als auf AWS spezialisierter SRE-Agent
- Im Vergleich zu Coding-Agenten gibt es weniger Daten und Ergebnisse sind schwerer zu validieren, sodass die Verbesserungszyklen deutlich langsamer sind
- Es gibt zwar Unternehmen, die enorme Summen eingeworben haben, doch sie wirken noch nicht so fest etabliert wie die Marktführer in Märkten mit einfacher Lösung und schwieriger Einführung; langfristiger Wettbewerb bleibt also bestehen
Verschiebende Grenzen und die Rolle von UX
- Die Grenzen zwischen den vier Bereichen sind nicht fix; sowohl Problemkomplexität als auch Einführungshürden können sich verändern
- Die Fähigkeiten der Modelle haben sich alle paar Monate deutlich verbessert, doch zuletzt gibt es Anzeichen dafür, dass Modellverbesserungen stagnieren, weshalb die Aufmerksamkeit für die Komplexitätsachse relativ abnimmt
- Das größere Veränderungspotenzial liegt in der User Experience (UX)
- Die UX von AI-Anwendungen ist noch ein wenig erforschtes Feld
- Neue UX-Paradigmen können verändern, wie Nutzer Produkte einführen
- Claude Code fürs Web ist ein Beispiel dafür: Es stellt Coding-Agenten im Browser bereit und macht sie auch für Nutzer zugänglich, denen IDE oder Terminal zu einschüchternd erscheinen
Die nächsten 12 bis 24 Monate
- In den kommenden 12 bis 24 Monaten werden voraussichtlich Gewinner in Märkten entstehen, in denen Einführung und Lösung beide schwierig sind
- Wahrscheinlich wird das nicht so reibungslos verlaufen wie das Wachstum von Sierra und Decagon
- Evaluierungszyklen werden länger
- Implementierungen werden komplexer
- Auch die gesamte Erfolgsquote kann niedriger sein
- Wenn Unternehmen Prozesse verbessern und mit angesammelten Daten die Modellleistung steigern, können sie in diesem Bereich enorme Umsätze erzielen
Noch keine Kommentare.