Ein Startup, das auf dem großen Sprachmodell eines anderen aufbaut, bleibt vertretbar, indem es das besitzt, was ein Konkurrent mit mehr Geld oder einem besseren Engineering-Team nicht kopieren kann: proprietäre Daten, geschütztes geistiges Eigentum und interne Modelle, die über dem LLM liegen. Diese Kombination, gepaart mit einem Team mit Fachkompetenz und einem Produkt, das seine Markttauglichkeit unter Beweis gestellt hat, ist das, wonach Risikokapitalgeber suchen, wenn die Kerntechnologie nicht Ihnen gehört.
Wichtigste Erkenntnisse
- Wenn man sich auf ein LLM eines Drittanbieters verlässt, ist ein Startup anfällig für Nachahmungen durch Konkurrenten und für größere Unternehmen, die in seinen Markt vordringen.
- Innovation und IP-Schutz differenzieren ein Startup über die bloße Anwendung eines LLM hinaus.
- Proprietäre Daten sind die bewährte Verteidigung: Sie schrecken Konkurrenten ab, die über mehr Finanzmittel oder stärkere Technologieteams verfügen.
- Ein praktischer Weg besteht darin, proprietäre Daten und Technologien mit generativen Modellen zu erweitern und dann ein internes LLM in Betracht zu ziehen, sobald die Eignung des Produkts für den Markt nachgewiesen ist.
- VCs wollen ein Team und eine Vision, die über einen bloßen API-Aufruf hinausgehen.
Warum ist Verteidigungsfähigkeit die erste Frage, die VCs stellen?
Als Unternehmer und Akademiker wenden sich Risikokapitalgeber (VCs) und Startups oft an mich mit einer dringenden Frage: „Wie kann ein Startup wettbewerbsfähig und vertretbar bleiben, wenn es seinen Kern auf großen Sprachmodellen (LLMs) wie ChatGPT aufbaut?“
Meine Antwort ist vorsichtig. Unternehmen mit niedrigem IP-Schutz mögen Anlass zur Sorge geben, aber ein Faktor erfordert unsere größte Aufmerksamkeit. In diesem Artikel wird erläutert, warum dieses Element so wichtig ist.
Warum weckten LLM-unterstützte Start-ups so großes VC-Interesse?
LLMs haben die Art und Weise, wie wir mit Technologie interagieren, verändert und große Fortschritte bei der Verarbeitung und dem Verständnis natürlicher Sprache ermöglicht. Die Technologie hat in vielen Bereichen Anwendung gefunden, vom Kundenservice und der Inhaltserstellung bis hin zur Datenanalyse und Entscheidungsfindung. Infolgedessen hat die Startup-Landschaft einen Anstieg an Unternehmungen erlebt, die auf diesen leistungsstarken Sprachmodellen basieren.
Nachdem OpenAI ChatGPT veröffentlicht hatte, war das Interesse, das es bei VCs auf der ganzen Welt hervorrief, bemerkenswert. Obwohl einige es als eine geringere Störung betrachteten, erregte die Begeisterung rund um LLMs die Aufmerksamkeit namhafter Investoren.
Zum Zeitpunkt des Schreibens (2023) zogen Tausende von generativen KI-Startups Milliarden von Investitionsdollar an, und PitchBook erwartete, dass der globale Markt für generative KI die Marke von $ erreichen würde42.6Milliarden in2023.
Was macht nicht-proprietäre Technologie für Startups riskant?
Transformative Sprachmodelle haben bei Startups großes Interesse und Potenzial geweckt, es ist jedoch von entscheidender Bedeutung, die Herausforderungen zu erkennen, die der Aufbau auf nicht proprietärer Technologie mit sich bringt. Im Gegensatz zu Branchenriesen wie Google mangelt es Startups oft an den Ressourcen und der Infrastruktur, um die Fähigkeiten von LLMs zu optimieren, umzuschulen oder vollständig auszuschöpfen.
Diese Abhängigkeit von der Technologie Dritter macht sie anfällig für die Nachahmung durch konkurrierende Start-ups und für die Gefahr, von größeren Unternehmen überschattet zu werden, die von wachsenden Märkten profitieren wollen. Mit gut etablierten Technologien und einem ständigen Hunger nach neuen Anwendungen können diese Giganten ihre eigenen Ressourcen in großem Maßstab einsetzen und den Wettbewerbsvorteil kleinerer Unternehmen untergraben.
Ein einfacher Test macht das Risiko konkret. Wenn ein Konkurrent Ihr Produkt in wenigen Wochen mit dem gleichen Modellzugriff und einer gut geschriebenen Eingabeaufforderung umbauen könnte, liegt Ihr Vorteil in der Geschwindigkeit und Verbreitung, nicht in der Technologie. Geschwindigkeit und Vertrieb sind wichtig, aber sie überleben selten die Entscheidung eines größeren Unternehmens, in Ihren Markt einzusteigen.
Wie schützen Innovation und geistiges Eigentum ein LLM-unterstütztes Startup?
Um das Risiko einer technologischen Replikation zu verringern, müssen Startups aktiv Wege finden, sich über die bloße Anwendung von LLMs hinaus zu differenzieren. Der Schlüssel liegt in einer Kultur der Innovation und des Schutzes geistigen Eigentums. Ein Team, das die Nuancen der Technologie versteht und außerdem Fachwissen und kreative Problemlösungskompetenz mitbringt, kann sein Angebot erweitern und einen Wettbewerbsvorteil aufbauen, der über das zugrunde liegende Modell hinausgeht.
In Verbindung mit dem strategischen Erwerb und Schutz von IP-Rechten kann die Marktposition eines Startups gestärkt und vor Nachahmern geschützt werden.
Warum sind proprietäre Daten das Schlüsselelement?
Im Risikokapitalbereich ist der Besitz einzigartiger Daten eine bewährte Möglichkeit, die Verteidigungsfähigkeit einer Technologie zu schützen. VCs erkennen an, dass proprietäre Datensätze den Wettbewerb abschrecken und Konkurrenten daran hindern können, Ideen mit überlegenen Finanzierungs- oder Technologieteams einfach zu kopieren.
Der Wert einzigartiger Daten geht über die Verlangsamung der Replikation hinaus. Es bietet Startups wertvolle Einblicke und hilft ihnen, verborgene Muster zu erkennen, das Kundenverhalten zu verstehen und den Markttrends immer einen Schritt voraus zu sein. Durch die Nutzung proprietärer Daten können Startups ihren Wettbewerbsvorteil stärken und Innovationen in einem hart umkämpften Umfeld vorantreiben.
Eine Möglichkeit für Gründer, in den Augen von VCs ihrer Konkurrenz einen Schritt voraus zu sein, besteht darin, ihre proprietären Daten und Technologien mit modernen generativen Netzwerken zu erweitern und, sobald die Eignung des Produkts für den Markt nachgewiesen ist, die Prüfung eines internen LLM weiter zu prüfen.
Wie hat SOMIN dies angewendet?
Beim Aufbau unserer Wettbewerbsanalyse-Suite „SoMonitor“ und ihres LLM-basierten Analyseassistenten „SoDa“ war die Vertretbarkeit der Technologie beispielsweise eine unserer obersten Prioritäten.
Im Kern stellen wir einen riesigen Fundus anonymisierter Daten bereit, die fünf Jahre lang Werbekampagnen abdecken, die auf der Werbeplattform von Meta für unsere Kunden durchgeführt wurden. Mithilfe der von uns entwickelten proprietären KI-Technologie werden diese Daten verwendet, um die Klickraten (CTRs) und Konversionsraten (CRs) von Werbebannern genau vorherzusagen, zusammen mit einer Heatmap, die die visuellen Komponenten hervorhebt, die die Kundenbindung und Produktkäufe vorantreiben.
Durch die Integration der von uns gespeicherten visuellen und textlichen Daten und die Kombination unserer internen multimodalen Modelle zur Vorhersage der Leistung von Anzeigenkreationen mit der Leistungsfähigkeit von LLMs haben wir dafür gesorgt, dass das System umsetzbare Empfehlungen für Kunden generiert. Sie decken Archetypen der Konkurrenzmarken, Zielgruppenansprache, Inhalte und Werbemomente ab und werden als Echtzeit-Zusammenfassung bereitgestellt. Dadurch können unsere Kunden ihre Strategien verfeinern, kreative Ressourcen verbessern und in einem hart umkämpften Markt die Nase vorn behalten.
Durch die Kombination von LLMs mit interner KI konnten wir auf diese Weise eine neue Anwendung in der Martech-Branche entwickeln, die ohne LLMs nicht möglich gewesen wäre. Diese Fähigkeiten können auch nicht einfach repliziert werden. Wir verwenden LLMs, um die digitale Marketingbranche umfassend zu beschreiben, und die Kombination aus proprietären Daten und CTR-Vorhersagealgorithmen macht das System äußerst unverwechselbar und schwer zu kopieren, wodurch es sich von der Konkurrenz abhebt.
Wie sollte ein von LLM unterstütztes Startup bei VCs pitchen?
Ob in LLMs investiert wird, bleibt eine subjektive Entscheidung, die von Anlegern unterschiedlich abgewogen wird. Ein Ratschlag bleibt jedoch weiterhin relevant: Untermauern Sie Ihre Behauptungen beim Pitching eines Startups mit proprietärer Technologie, wertvollem geistigem Eigentum und einem kompetenten, auf Erfolg ausgerichteten Team, insbesondere in einem frühen Stadium.
Es ist entscheidend, über die Oberfläche hinauszugehen. Wenn das Team vielversprechende Fachkenntnisse und eine Vision aufweist, die über einen bloßen API-Aufruf hinausgeht, werden VCs Ihr Unternehmen sicherlich tiefer erkunden wollen.
In der Praxis bedeutet das, dass ein Pitch vier Fragen klar beantworten sollte: Welche Daten besitzen Sie, die andere nicht erhalten können, was haben Sie auf der Grundlage des Modells aufgebaut, was schützt diese Arbeit und warum ist Ihr Team dafür zuständig? Unser eigener Ansatz für die ersten beiden ist in von Experten begutachteten Artikeln auf der Seite SOMIN-Forschung beschrieben, und die gleichen Kategoriedaten begründen die KI-Marketingagenten von SOMIN.
Verwandte Artikel
- Wie können Unternehmen große Sprachmodelle über Chatbots hinaus nutzen?
- Proprietäre Agenturdaten: Warum Kategoriedaten einen besseren Prompt schlagen
- Was ist Creative-Klickstärke, und lässt sie sich vor dem Budgeteinsatz vorhersagen?
- SOMIN-Forschung: von Experten begutachtete Artikel und Vorträge
- Die KI-Marketing-Agenten von SOMIN
FAQ
Kann ein Startup, das auf einem LLM eines Drittanbieters aufbaut, vertretbar sein?
Ja, wenn es etwas besitzt, was der Modellanbieter und die Konkurrenz nicht kopieren können. Proprietäre Daten, geschütztes geistiges Eigentum, interne Modelle und Domänenexpertise erweitern den Vorteil über das zugrunde liegende LLM hinaus.
Warum sind proprietäre Daten für VCs so wichtig?
Einzigartige Daten schrecken Konkurrenten mit mehr Finanzmitteln oder stärkeren Technologieteams ab, weil sie diese nicht einfach kopieren können. Außerdem erhält das Startup Einblick in Muster, Kundenverhalten und Markttrends.
Sollte ein von LLM unterstütztes Startup ein eigenes Sprachmodell entwickeln?
Nicht am Anfang. Ein praktischer Weg besteht darin, Ihre proprietären Daten und Technologien mit vorhandenen generativen Modellen zu erweitern und dann ein internes LLM zu prüfen, sobald die Eignung des Produkts für den Markt nachgewiesen ist.
Was wollen VCs im Pitch eines LLM-Startups sehen?
Proprietäre Technologie, wertvolles geistiges Eigentum und ein kompetentes, engagiertes Team, insbesondere in der Frühphase. Sie suchen vor allem nach Fachwissen und einer Vision, die über einen bloßen API-Aufruf hinausgehen.
