[布蘭登觀點 125] Generative AI 時代中，創業者你所佔據的是 Value Chain 的哪一塊？

過去的 Big Data 到 AI 時代，以及今年開始風行的 LLM，許多創業者都希望趕上這一波的浪潮，但如果用一句話來形容你是做怎樣的 LLM 服務，你的客戶是誰，你怎麼收錢的，在整個 Generative AI 的頻譜中，你落在哪一塊？你會怎麼回答？

我透過 LLM 解決某個領域的問題

LLM 現在似乎就像是個魔法一樣，你只要說「我透過 LLM 來解決什麼問題」，就好像是已經踏入了 LLM 的世界中一樣，已經是 AI 創業的一員。但想像跟實際還是會有落差的，例如你的資料源怎麼來？要怎麼處理？你是幫自己的題目做，還是你是個工具可以幫別人解決問題？你怎麼找到這些客戶並且使他們付費使用？如果持續問自己下去的話，那就是把你的整個商業模式都想過一遍，那你就會知道你現在所規劃的 LLM 相關的商業模式，是否 Make Sense，或者他只是一個想像很美好的 Buzz Word。參閱：[布蘭登觀點 072] 從商業模式分析創業者思維、[布蘭登觀點 090] AIGC 百花齊放的背後，更重要的是慎選商業模式。

Generative AI Landscape

下圖是我對於 Generative AI Landscape 所做的簡單分類法，主要切分成 Data Set 層級、Model 層級以及 Application 層級來看。不管如何，我認為 AI 的根本還是你的 Data 來源，過去 LLM 出現前的時代，我們常講如果 AI 要做得好，那你得要拿相關的 Data 去訓練出來的模型才是會比較符合實際狀況。但 LLM 出來後，這個預先訓練好的 Model 似乎可以 General (很通用的) 套到各個領域去，如果以使用者感受上的跳躍性，看起來是有這樣的效果，但半年多下來，有許多人也嘗試著餵入自己的資料來看 LLM 產出的結果，結果上還是有精確度、出錯率下降的一些差別，加上有些企業對於自己內部資料的隱私性與保密性，也可能更傾向透過 LLM 的技術來訓練自己的模型，所以這個可能是一個可以做的方向。

Data 層級

我認為從 Data 層級切入到 AI 或者是 LLM 的角度是很直接的，但必須是過去幾年就專研在 Data 領域的創業者，可以建立在過去已經在 Data 層投入的基礎上，架上些 LLM 的模型，提供給既有客戶更多 AI 化的服務，這個例子我們可以從 Databricks 併購 MosaicML 的新聞裡看出這個趨勢。

Model 層級

我認為這些 Fundamental Models 的優勢，還是掌握在矽谷一流的團隊身上，加上能夠募集到足夠多的資源，才有辦法在這個賽道上持續進步與勝出。如果是資本募集能力沒那麼強的團隊，我認為 Application 層級會是主要的戰場。

Application 層級

我這邊在圖上先粗略的切成 AI-Native Services (原生 AI 服務) 與 Embedded AI (嵌入式 AI 服務) 兩類，這兩類的差別在於 AI-Native 的團隊多數都是從開發 LLM 的新創跑出來創業的，或是他們被 Open AI 投資的支持，除了資金外，他們也有機會採用 Open AI 比較新的技術，你也可以理解成，他們是根據 LLM 的技術，來找相對應的題目解決問題；而 Embedded AI 的團隊我理解成是過去就透過軟體的力量來解決客戶的問題，只是 AI 的成分沒那麼多，不過過去幾年經營下來，也有一定的 User Base，而透過採用新的 AI 技術，來提升原本服務的品質與效率，使其使用者可以有更好的產品體驗。接下來幾年的時間，AI 將變成一個 Must，也就是任何服務背後都有 AI，而 AI 的技術基本都有一定的準確性時，那屆時能使 Startups 勝出的，還是回到團隊在商業模式、產品與服務本身的執行力。

若硬是要拆分比較兩種類型的團隊，AI-Native 的團隊應該是技術力較強，但對於怎麼服務客戶這件事情，不一定會比 Embedded AI 的團隊有經驗，這是他們在未來幾年需要學習與克服的，當然你也會有機會看到有些 AI-Natvie 的創業者是連續創業家，過去就已經有經營過幾個 Web2 時代的服務甚至賣掉過，那這類創業家的好處就是，在做生意上應該就更有經驗，加上新的技術加持下，成功率也許有機會更高。但我認為兩者中都會個別有特例，而我們投資就是要尋找到最有可能勝出的團隊，這個硬是二分法的觀點，也只是用大類型的方式，讓大家感受一下兩種類型團隊可能的差異性而已。

除了上述的層級拆分之外，我這半年多也遇到幾類 Generative AI 的團隊：

LLMOps

這個是比較接近資料層與 Model 層的創業題目，本質是做工具來協助其他公司可以在導入與管理 LLM 時，有個比較方便使用的工具。這類團隊可能遭遇的挑戰在於如何協助客戶將資料有效率的導入。這類團隊的客戶往往都有自己累積的資料，只是資料源可能來自於不同的服務與產品，所以你就得協助客戶處理資料的問題，當然解一題是一題，但這就會有規模化的挑戰。同時這類型的創業題目，還得搭配上你的目標客群是否鎖定的精準，能夠重複的解決這群人的問題，也比較能克服規模化的挑戰。

站在巨人的肩膀上做出 LLM-based Service

這類的團隊有點取巧的閃避掉上述資料來源的問題，他們開發的 LLM 服務是基於某個大平台之上的服務，因為平台在提供各類服務給他們的使用者時，通常對於資料本身就會有比較一致性的規範，所以可以耗費比較少資源在資料整理這一塊，可以專心的開發 LLM 的某種功能。例如在 Shopify 上開發 LLM 的服務與產品就是一種，透過直接在 Shopify 上取得客戶的資料，開發出的產品也可以直接上架到 Shopify 的 Marketplace，拓展到其他平台上的用戶。這類新創的本質是也做工具，只是這工具比較靠近某種商業的應用，例如文案的撰寫、客戶分群 CRM 等。當然建立在巨人平台上的服務也會有被人牽制的風險存在，會不會哪天這個平台的開關一關，你原本的服務就會遭受到巨大的挑戰，這是自古以來依附平台都會有的風險。

Web 2.0 產業 Embedded AI

本質是做生意，AI to improve business。這類團隊比較好想像，在 LLM 大紅之前可能就有他既有的商業模式在運作了，只是 LLM 的到來也激發這類團隊蠻多想像，如果自己的技術含量夠，那就可以嘗試開發出善用 LLM 來優化組織內各種流程的 Internal Services。這類團隊如果過去幾年就開始涉獵 Data 層的資料整合，加上擁有自有開發團隊，善用 LLM 的工具要做出符合自己的 AI 產品，其實相對其他服務而言，我更加看好。只是這些服務絕對不是我們想像一上線就遇佛殺佛，遇神殺神，在產品面可能需要經過一番的 Fine-Tune，在商業模式端也需要跟客戶有不同的溝通方式與內容，甚至組織架構有時也會得隨之調整。

以上的一些簡單分類希望可以提供有志於 Generative AI 的團隊，可以想想自己是從哪個層面與角度切入的，同時並非技術決定一切，當產品與服務做出來後，後續相對應的商業模式與組織也得調整，才有機會在如雨後春筍般出現的 Generative AI 團隊中脫穎而出。如果你認為這些內容很有幫助，也請幫我分享給你身邊的創業者，甚至可以訂閱我們的電子報，這樣好文章就不會錯過啦！