Une startup construite sur le grand modèle linguistique de quelqu'un d'autre reste défendable en possédant ce qu'un concurrent ne peut pas copier avec plus d'argent ou une meilleure équipe d'ingénierie : des données propriétaires, une propriété intellectuelle protégée et des modèles internes superposés au LLM. Cette combinaison, associée à une équipe possédant une expertise dans le domaine et à un produit qui a prouvé son adéquation au marché, est ce que recherchent les investisseurs en capital-risque lorsque la technologie de base ne vous appartient pas.
Points clés
- S'appuyer sur un LLM tiers laisse une startup ouverte à la copie par ses concurrents et aux grandes entreprises qui s'implantent sur son marché.
- L'innovation et la protection de la propriété intellectuelle différencient une startup au-delà de la simple application d'un LLM.
- Les données exclusives constituent une défense éprouvée : elles dissuadent les concurrents disposant de plus de financements ou d’équipes technologiques plus solides.
- Une voie pratique consiste à amplifier les données et la technologie propriétaires avec des modèles génératifs, puis à envisager un LLM en interne une fois que l'adéquation produit-marché est prouvée.
- Les VC veulent une équipe et une vision qui vont au-delà d’un simple appel API.
Pourquoi la défendabilité est-elle la première question que se posent les investisseurs en capital-risque ?
En tant qu'entrepreneur et universitaire, je suis souvent approché par des investisseurs en capital-risque (VC) et des startups avec une question urgente : « Comment une startup peut-elle rester compétitive et défendable lorsqu'elle construit son noyau sur de grands modèles de langage (LLM) tels que ChatGPT ?
Ma réponse est prudente. Les entreprises à faible niveau d’IP peuvent susciter des inquiétudes, mais un facteur requiert toute notre attention. Cet article explique pourquoi cet élément est si important.
Pourquoi les startups soutenues par LLM ont-elles suscité autant d'intérêt du capital-risque ?
Les LLM ont changé la façon dont nous interagissons avec la technologie, permettant des progrès majeurs dans le traitement et la compréhension du langage naturel. La technologie a trouvé des applications dans de nombreux secteurs, du service client à la génération de contenu en passant par l'analyse des données et la prise de décision. En conséquence, le paysage des startups a connu une augmentation du nombre d’entreprises construites sur ces puissants modèles linguistiques.
Après qu'OpenAI ait publié ChatGPT, l'intérêt qu'il a suscité parmi les sociétés de capital-risque du monde entier a été remarquable. Même si certains y ont vu une moindre perturbation, l’engouement autour des LLM a attiré l’attention d’investisseurs de renom.
Au moment de la rédaction de cet article (2023), des milliers de startups d'IA générative attiraient des milliards de dollars d'investissement, et PitchBook s'attendait à ce que le marché mondial de l'IA générative atteigne 42.6 milliards de dollars en 2023.
Qu’est-ce qui rend les technologies non propriétaires risquées pour les startups ?
Les modèles linguistiques transformateurs ont suscité un intérêt et un potentiel immenses parmi les startups, mais il est crucial de reconnaître les défis liés à la construction de technologies non propriétaires. Les startups, contrairement aux géants de l’industrie tels que Google, manquent souvent de ressources et d’infrastructures pour affiner, recycler ou exploiter pleinement les capacités des LLM.
Cette dépendance à l’égard de technologies tierces les laisse susceptibles d’être reproduites par des startups concurrentes et d’être éclipsées par de plus grandes entreprises cherchant à capitaliser sur des marchés en croissance. Grâce à des technologies bien établies et à une soif constante de nouvelles applications, ces géants peuvent déployer leurs propres ressources à grande échelle et éroder l’avantage concurrentiel des petites entreprises.
Un simple test rend le risque concret. Si un concurrent pouvait reconstruire votre produit en quelques semaines avec le même accès au modèle et une invite bien rédigée, votre avantage réside dans la rapidité et la distribution, pas dans la technologie. La vitesse et la distribution sont importantes, mais elles survivent rarement à une grande entreprise qui décide de pénétrer votre marché.
Comment l'innovation et la propriété intellectuelle protègent-elles une startup soutenue par un LLM ?
Pour réduire le risque de réplication technologique, les startups doivent activement trouver des moyens de se différencier au-delà de la simple application des LLM. La clé réside dans une culture d’innovation et de protection de la propriété intellectuelle. Une équipe qui comprend les nuances de la technologie et apporte également une expertise dans le domaine et une résolution créative des problèmes peut étendre son offre et créer un avantage concurrentiel qui va au-delà du modèle sous-jacent.
Associer cela à l'acquisition stratégique et à la protection des droits de propriété intellectuelle peut renforcer la position d'une startup sur le marché et la protéger des imitateurs.
Pourquoi les données propriétaires sont-elles l’élément clé ?
Dans le domaine du capital-risque, posséder des données uniques est un moyen éprouvé de protéger la défendabilité d'une technologie. Les sociétés de capital-risque reconnaissent que les ensembles de données propriétaires peuvent dissuader la concurrence, empêchant les concurrents de simplement copier des idées avec des équipes de financement ou de technologie supérieures.
La valeur des données uniques va au-delà du ralentissement de la réplication. Il donne aux startups des informations précieuses, les aidant à identifier des modèles cachés, à comprendre le comportement des clients et à garder une longueur d'avance sur les tendances du marché. En mettant à profit leurs données propriétaires, les startups peuvent renforcer leur avantage concurrentiel et stimuler l’innovation dans un environnement extrêmement concurrentiel.
Une façon pour les fondateurs de garder une longueur d'avance sur leurs concurrents aux yeux des sociétés de capital-risque est d'amplifier leurs données et technologies propriétaires avec des réseaux génératifs modernes et, une fois l'adéquation produit-marché prouvée, d'examiner plus en détail un LLM interne.
Comment SOMIN a-t-il appliqué cela ?
Par exemple, lors de la création de notre suite d'analyse des concurrents, « SoMonitor », et de son assistant d'analyse basé sur LLM, « SoDa », la défendabilité technologique était l'une de nos principales priorités.
À la base, nous avons constitué une vaste mine de données anonymisées couvrant cinq années de campagnes publicitaires menées sur la plateforme publicitaire de Meta pour nos clients. Grâce à la technologie d'IA exclusive que nous avons développée, ces données sont utilisées pour prédire avec précision les taux de clics (CTR) et les taux de conversion (CR) des bannières publicitaires, ainsi qu'une carte thermique qui met en évidence les composants visuels qui stimulent l'engagement des clients et les achats de produits.
En intégrant les données visuelles et textuelles que nous détenons, en combinant nos modèles multimodaux internes pour la prédiction des performances des créations publicitaires avec la puissance des LLM, nous avons permis au système de générer des recommandations exploitables pour les clients. Ils couvrent les archétypes de marques concurrentes, la sensibilisation du public, le contenu et les instantanés promotionnels, fournis sous forme de résumé en temps réel. Cela permet à nos clients d'affiner leurs stratégies, d'améliorer leurs atouts créatifs et de garder une longueur d'avance sur un marché extrêmement concurrentiel.
En combinant ainsi les LLM avec l'IA interne, nous avons pu créer une nouvelle application dans l'industrie martech qui n'aurait pas été possible sans les LLM. Ces capacités ne peuvent pas non plus être facilement reproduites. Nous utilisons les LLM pour décrire de manière exhaustive le secteur du marketing numérique, et la combinaison de données propriétaires et d'algorithmes de prédiction CTR rend le système très distinctif et difficile à copier, le distinguant de ses concurrents.
Comment une startup soutenue par un LLM doit-elle présenter son projet aux investisseurs en capital-risque ?
L’opportunité d’investir dans les LLM reste une décision subjective, et les investisseurs l’évaluent différemment. Un conseil reste cependant pertinent : lorsque vous lancez une startup, soutenez vos affirmations avec une technologie propriétaire, une propriété intellectuelle précieuse et une équipe compétente engagée dans le succès, en particulier à un stade précoce.
Aller au-delà de la surface est crucial. Si l’équipe fait preuve d’une expertise prometteuse et d’une vision qui va au-delà d’un simple appel API, les VC voudront certainement explorer votre entreprise plus en profondeur.
En pratique, cela signifie qu'un argumentaire doit répondre clairement à quatre questions : quelles données vous possédez et que d'autres ne peuvent pas obtenir, ce que vous avez construit sur le modèle, qu'est-ce qui protège ce travail et pourquoi c'est votre équipe qui le fait. Notre propre approche des deux premiers est décrite dans des articles évalués par des pairs sur la page de recherche SOMIN, et les données de la même catégorie fondent les agents marketing AI de SOMIN.
À lire aussi
- Comment les entreprises peuvent-elles utiliser les grands modèles de langage au-delà des chatbots ?
- Données propriétaires des agences : pourquoi les données de catégorie valent mieux qu’un meilleur prompt
- Qu’est-ce que le potentiel de clic d’une création, et peut-on le prédire avant de dépenser ?
- Recherche SOMIN : articles et conférences évalués par des pairs
- Agents marketing IA de SOMIN
FAQ
Une startup bâtie sur un LLM tiers peut-elle être défendable ?
Oui, si elle possède quelque chose, le fournisseur de modèles et ses concurrents ne peuvent pas copier. Les données exclusives, la propriété intellectuelle protégée, les modèles internes et l'expertise du domaine étendent tous l'avantage au-delà du LLM sous-jacent.
Pourquoi les données propriétaires sont-elles si importantes pour les sociétés de capital-risque ?
Des données uniques dissuadent les concurrents disposant de financements plus importants ou d’équipes technologiques plus solides, car ils ne peuvent pas simplement les copier. Il donne également à la startup un aperçu des modèles, du comportement des clients et des tendances du marché.
Une startup soutenue par LLM devrait-elle créer son propre modèle de langage ?
Pas au début. Une voie pratique consiste à amplifier vos données et technologies exclusives avec des modèles génératifs existants, puis à envisager un LLM interne une fois que l'adéquation produit-marché est prouvée.
Que veulent voir les investisseurs en capital-risque dans le pitch d'une startup LLM ?
Une technologie propriétaire, une propriété intellectuelle précieuse et une équipe compétente et engagée, surtout à un stade précoce. Ils recherchent avant tout une expertise et une vision qui vont au-delà d’un simple appel API.
