Uma startup construída sobre o grande modelo de linguagem de outra pessoa permanece defensável por possuir o que um concorrente não pode copiar com mais dinheiro ou uma equipe de engenharia melhor: dados proprietários, propriedade intelectual protegida e modelos internos sobrepostos ao LLM. Essa combinação, juntamente com uma equipe que possui experiência no domínio e um produto que provou ser adequado ao mercado, é o que os capitalistas de risco procuram quando a tecnologia principal não é sua.
Principais conclusões
- Depender de um LLM de terceiros deixa uma startup aberta à cópia por rivais e à entrada de empresas maiores em seu mercado.
- A inovação e a proteção da PI diferenciam uma startup além da mera aplicação de um LLM.
- Os dados proprietários são a defesa comprovada: dissuadem os concorrentes que têm mais financiamento ou equipas tecnológicas mais fortes.
- Um caminho prático é amplificar dados e tecnologia proprietários com modelos generativos e, em seguida, considerar um LLM interno assim que a adequação do produto ao mercado for comprovada.
- Os VCs desejam uma equipe e uma visão que vão além de uma mera chamada de API.
Por que a defensibilidade é a primeira pergunta que os VCs fazem?
Como empresário e acadêmico, sou frequentemente abordado por capitalistas de risco (VCs) e startups com uma questão urgente: "Como uma startup pode permanecer competitiva e defensável ao construir seu núcleo em grandes modelos de linguagem (LLMs), como o ChatGPT?"
Minha resposta é cuidadosa. As empresas com baixo IP podem levantar preocupações, mas um factor exige a nossa maior atenção. Este artigo explica por que esse elemento é tão importante.
Por que as startups apoiadas pelo LLM atraíram tanto interesse de capital de risco?
Os LLMs mudaram a forma como interagimos com a tecnologia, permitindo grandes avanços no processamento e compreensão da linguagem natural. A tecnologia encontrou aplicações em muitos setores, desde atendimento ao cliente e geração de conteúdo até análise de dados e tomada de decisões. Como resultado, o cenário das startups assistiu a um aumento de empreendimentos construídos com base nestes poderosos modelos de linguagem.
Depois que a OpenAI lançou o ChatGPT, o interesse que gerou entre os VCs de todo o mundo foi notável. Embora alguns tenham visto isso como uma perturbação menor, o entusiasmo em torno dos LLMs chamou a atenção de investidores renomados.
No momento em que este artigo foi escrito (2023), milhares de startups de IA generativa estavam atraindo bilhões de dólares de investimento, e a PitchBook esperava que o mercado global de IA generativa atingisse US$ 42.6 bilhões em 2023.
O que torna a tecnologia não proprietária arriscada para startups?
Os modelos de linguagem transformadora despertaram imenso interesse e potencial entre as startups, mas é crucial reconhecer os desafios de desenvolver tecnologia não proprietária. As startups, ao contrário dos gigantes da indústria como o Google, muitas vezes carecem de recursos e infraestrutura para ajustar, reciclar ou explorar totalmente as capacidades dos LLMs.
Esta dependência de tecnologia de terceiros deixa-as abertas à replicação por startups rivais e a serem ofuscadas por grandes corporações que procuram capitalizar em mercados em crescimento. Com tecnologias bem estabelecidas e uma fome constante por novas aplicações, estes gigantes podem implementar os seus próprios recursos em escala e minar a vantagem competitiva dos empreendimentos mais pequenos.
Um teste simples torna o risco concreto. Se um concorrente pudesse reconstruir seu produto em poucas semanas com o mesmo modelo de acesso e um aviso bem escrito, sua vantagem está na velocidade e na distribuição, não na tecnologia. A velocidade e a distribuição são importantes, mas raramente sobrevivem a uma empresa maior que decide entrar no seu mercado.
Como a inovação e a propriedade intelectual protegem uma startup apoiada por LLM?
Para reduzir o risco de replicação tecnológica, as startups devem encontrar ativamente formas de se diferenciarem para além da mera aplicação de LLMs. A chave reside numa cultura de inovação e proteção da PI. Uma equipe que entende as nuances da tecnologia e também traz experiência no domínio e solução criativa de problemas pode ampliar sua oferta e construir uma vantagem competitiva que vai além do modelo subjacente.
Aliar isto à aquisição estratégica e à proteção dos direitos de propriedade intelectual pode fortalecer a posição de uma startup no mercado e protegê-la de imitadores.
Por que os dados proprietários são o elemento-chave?
No capital de risco, possuir dados exclusivos é uma forma comprovada de proteger a defensabilidade de uma tecnologia. Os VCs reconhecem que conjuntos de dados proprietários podem impedir a concorrência, evitando que os rivais simplesmente copiem ideias com financiamento ou equipes de tecnologia superiores.
O valor dos dados exclusivos vai além de desacelerar a replicação. Ele fornece às startups informações valiosas, ajudando-as a identificar padrões ocultos, compreender o comportamento do cliente e ficar à frente das tendências do mercado. Ao colocar dados proprietários em funcionamento, as startups podem fortalecer a sua vantagem competitiva e impulsionar a inovação num cenário extremamente competitivo.
Uma forma de os fundadores se manterem à frente da concorrência aos olhos dos VCs é amplificar os seus dados e tecnologia proprietários com redes generativas modernas e, uma vez comprovada a adequação do produto ao mercado, olhar mais profundamente para um LLM interno.
Como a SOMIN aplicou isso?
Por exemplo, ao construir nosso conjunto de análise de concorrentes, "SoMonitor", e seu assistente de análise baseado em LLM, "SoDa", a defesa da tecnologia era uma de nossas principais prioridades.
Basicamente, definimos um vasto conjunto de dados anonimizados cobrindo cinco anos de campanhas publicitárias veiculadas na plataforma publicitária da Meta para nossos clientes. Usando tecnologia proprietária de IA que construímos, esses dados são usados para prever com precisão as taxas de cliques (CTRs) e taxas de conversão (CRs) de banners publicitários, juntamente com um mapa de calor que destaca os componentes visuais que impulsionam o envolvimento do cliente e as compras de produtos.
Ao integrar os dados visuais e textuais que possuímos, combinando nossos modelos multimodais internos para previsão de desempenho criativo de anúncios com o poder dos LLMs, fizemos com que o sistema gerasse recomendações acionáveis para os clientes. Eles cobrem arquétipos de marcas concorrentes, alcance de público, conteúdo e instantâneos promocionais, entregues como um resumo em tempo real. Isso permite que nossos clientes refinem suas estratégias, melhorem seus ativos criativos e permaneçam à frente em um mercado altamente competitivo.
Combinar LLMs com IA interna desta forma nos permitiu construir uma nova aplicação na indústria de martech que não teria sido possível sem LLMs. Estas capacidades também não podem ser facilmente replicadas. Usamos LLMs para descrever a indústria de marketing digital de forma abrangente, e a combinação de dados proprietários e algoritmos de previsão de CTR torna o sistema altamente distinto e difícil de copiar, diferenciando-o dos concorrentes.
Como uma startup apoiada por LLM deve ser apresentada aos VCs?
Investir ou não em LLMs continua sendo uma decisão subjetiva, e os investidores avaliam isso de forma diferente. Porém, um conselho permanece relevante: ao lançar uma startup, respalde suas reivindicações com tecnologia proprietária, propriedade intelectual valiosa e uma equipe qualificada e comprometida com o sucesso, especialmente em um estágio inicial.
Ir além da superfície é crucial. Se a equipe demonstrar experiência promissora e uma visão que vai além de uma mera chamada de API, os VCs certamente desejarão explorar sua empresa mais profundamente.
Na prática, isso significa que um argumento de venda deve responder claramente a quatro perguntas: quais dados você possui e que outros não podem obter, o que você construiu com base no modelo, o que protege esse trabalho e por que sua equipe é quem deve fazê-lo. Nossa própria abordagem para os dois primeiros é descrita em artigos revisados por pares na página SOMIN research, e os dados da mesma categoria fundamentam os AI marketing agents da SOMIN.
Leituras relacionadas
- Como as empresas podem usar grandes modelos de linguagem além dos chatbots?
- Dados proprietários da agência: por que dados de categoria vencem um prompt melhor
- O que é o potencial de clique de um criativo, e dá para prever antes de investir?
- Pesquisa SOMIN: artigos e palestras revisados por pares
- Agentes de marketing de IA da SOMIN
FAQ
Uma startup baseada em um LLM de terceiros pode ser defensável?
Sim, se possuir algo que o fornecedor do modelo e os rivais não possam copiar. Dados proprietários, IP protegido, modelos internos e conhecimento de domínio estendem a vantagem além do LLM subjacente.
Por que os dados proprietários são tão importantes para os VCs?
Dados únicos dissuadem os concorrentes que têm mais financiamento ou equipas tecnológicas mais fortes, porque não podem simplesmente copiá-los. Também fornece à startup uma visão sobre padrões, comportamento do cliente e tendências de mercado.
Uma startup apoiada por LLM deveria construir seu próprio modelo de linguagem?
Não no início. Um caminho prático é amplificar seus dados e tecnologia proprietários com modelos generativos existentes e, em seguida, procurar um LLM interno assim que a adequação do produto ao mercado for comprovada.
O que os VCs desejam ver no argumento de venda de uma startup LLM?
Tecnologia proprietária, propriedade intelectual valiosa e uma equipe qualificada e comprometida, especialmente em um estágio inicial. Acima de tudo, buscam expertise e uma visão que vão além de uma mera chamada de API.
