A revanche dos wrappers de GPT: exclusividade no mundo dos modelos de IA comercializados

defensibility: defensibilidade (foi traduzido como exclusividade quando usado junto com moat)
moat: fosso

Exemplos de serviços de wrapper de GPT: Character.ai, Perplexity AI

Comentário no ycombinator: https://news.ycombinator.com/item?id=42971442

[xguru]

Este é um resumo.

• A área de IA avançou muito no último ano, com o surgimento de novos participantes e o crescimento acelerado de produtos centrados em IA
• No entanto, as startups de modelos de IA enfrentam questões fundamentais, como:
  • Se as startups de modelos de IA têm baixa defensabilidade, e alternativas open source e novos participantes continuam corroendo sua vantagem, quem acabará vencendo?
  • Novos apps centrados em IA estão mostrando um crescimento impressionante graças ao efeito novidade. Mas, com o tempo, quando a IA se tornar uma expectativa e a novidade desaparecer, quem vencerá a disputa por distribuição entre os inúmeros novos produtos? Como os produtos crescerão e chegarão aos clientes em um mercado congestionado?
  • O que acontece se copiar outros produtos se tornar realmente trivial, como em "IA, crie um app idêntico ao de productxyz.com e hospede em productabc.com!"? No passado, levava meses para copiar um novo produto, e nesse intervalo havia tempo para construir liderança. Mas, se for possível alcançar rapidamente quase de imediato, como os produtos vão reter usuários?
  • Nos últimos anos, produtos inovadores de IA que não construíram seus próprios modelos foram menosprezados como "wrappers de GPT" de baixa tecnologia. No entanto, ao longo das últimas décadas, produtos de consumo criaram enorme valor mesmo parecendo de baixo nível técnico e com pouca defensabilidade. O futuro será como o passado?
• Nesse ambiente, uma grande guerra entre "wrappers de GPT" está em curso, e estratégias tradicionais de defesa — especialmente vantagens duradouras em distribuição e efeitos de rede — voltarão ao centro do palco
• Eles não aparecerão exatamente da mesma forma, mas se combinarão com capacidades de IA para criar novos formatos
• Dessa forma, a próxima geração de produtos de IA evoluirá impulsionada pelas mesmas forças que conduziram ondas anteriores da computação, como Web 2.0, cripto e a economia on-demand

Teorias fracassadas de defensabilidade em IA?

• Uma teoria popular sobre defensabilidade em IA era simples e dominou o debate nos últimos anos:
  • Havia a observação de que a quantidade de dados/computação/energia necessária para construir cada geração de modelos de IA aumentaria exponencialmente.
  • Em 2024, eram necessários mais de US$ 100 milhões, mas no futuro seriam necessários bilhões de dólares, formando um fosso de "efeitos de escala" contra novos participantes.
  • Além disso, à medida que os modelos de IA ficassem mais poderosos, eles passariam a fazer tudo o que os apps desejassem, e a maioria dos apps acabaria reduzida a simples "wrappers de GPT" que fazem interface com modelos-base mais poderosos.
  • Nessa visão, algumas poucas grandes empresas de modelos capturariam todo o valor e cobrariam um imposto do mundo dos apps wrapper de GPT acima delas.
• Em fevereiro de 2025, essa teoria enfrenta complexidades importantes:
  • Os modelos de ponta estão apenas cerca de 6 meses à frente dos modelos open source, e novos participantes vêm regularmente criando modelos com desempenho semelhante (Grok, DeepSeek etc.).
  • Além disso, o volume de dados de treinamento, no qual os grandes players inicialmente tiveram grande vantagem por acesso antecipado, está chegando a limites naturais.
  • E, mesmo que treinar modelos de ponta exija muito dinheiro/energia/computação, concorrentes estão alcançando desempenho semelhante por meio de destilação de modelos.
  • Ao mesmo tempo, uma nova camada de startups de apps especializadas em nichos específicos — como ferramentas criativas, atendimento ao cliente e direito — está surgindo e mostrando crescimento de ARR de US$ 0 para mais de US$ 5 milhões em menos de um ano.
• Na maioria dos casos, essas startups não especificam qual modelo-base de IA integram, e usuários ou clientes também não se importam com isso.
• Então agora é hora de torcer pelos wrappers de GPT? E qual deve ser a nova teoria de defensabilidade para essa nova geração de apps centrados em IA? Entre os inúmeros apps centrados em IA, quais vão perdurar?
• Claro, também existem efeitos de rede. Vimos que os efeitos de rede desempenharam um papel importante na defensabilidade da última geração de ferramentas de colaboração no trabalho, marketplaces e redes sociais (como tratei no meu livro The Cold Start Problem) — e acredito que também podem ter um grande papel na era da IA.

Wrappers de banco de dados e apps CRUD

• Observar a curva de crescimento (S-curve) dos apps web entre os anos 1990 e 2010 ajuda a entender a situação atual da IA.
  • No início do boom das pontocom nos anos 1990, era preciso captar milhões de dólares para construir a v1 de um site. Isso acontecia porque a infraestrutura era insuficiente.
  • Era necessário instalar servidores diretamente em data centers, usar stacks de software proprietárias, e as estratégias de crescimento eram formas ineficientes emprestadas da indústria de bens de consumo (CPG).
  • Na época, o simples fato de um produto "funcionar" já era um grande diferencial, e as primeiras empresas web eram em sua maioria fundadas por doutores em ciência da computação de Stanford.
• Mas, duas gerações depois, construir sites ficou simples graças a avanços como open source, cloud computing e publicidade por custo por clique (CPC).
  • Muitos web apps populares não passavam de simples "wrappers de banco de dados (ou apps CRUD)".
  • Serviços como blogs, Twitter e Flickr são exemplos representativos, oferecendo funções simples de criar (Create), ler (Read), atualizar (Update) e deletar (Delete) dados.
  • Com a chegada do Ruby on Rails e de softwares de CMS, esse desenvolvimento web ficou ainda mais fácil.
  • Mesmo naquela época, os venture capitalists (VCs) perguntavam: "um produto como o Facebook pode ter defensabilidade?"
• No entanto, a era da Web 2.0 resolveu esse problema usando efeitos de rede.
  • Não eram apenas apps CRUD simples: eles acrescentavam funcionalidades em que comunidades e a rede como um todo compartilhavam dados e colaboravam.
  • Enquanto a rede se mantinha, o produto ganhava defensabilidade, e esse foi o elemento central que reacendeu a tecnologia de consumo na Web 2.0.
  • No passado já houve algo parecido: o boom dos desktops com GUI baseados em Windows/Mac no início dos anos 90 também foi impulsionado pelo aumento de "aplicativos baseados em formulários" feitos com Visual Basic.
• Em outras palavras, assim como as stacks tecnológicas proprietárias e fechadas da internet inicial se abriram e viraram commodity na Web 2.0, é muito provável que a IA siga a mesma trajetória.
  • O eixo da competição sai de "dá para construir isso? dá para captar dinheiro para construir isso?" para "dá para construir, mas as pessoas vão usar? e isso vai se sustentar?".
  • Produtos de IA também estão entrando nessa mesma transformação e evoluirão para novas formas que combinam efeitos de rede com IA.

Crescimento e efeitos de rede em um mundo dominado por wrappers de GPT

• Efeito de rede significa "um fenômeno em que o valor de um produto aumenta à medida que o número de usuários cresce".
  • Marketplaces, redes sociais e ferramentas de colaboração são exemplos representativos.
• Haverá uma disputa entre produtos de IA adicionarem funções de rede e produtos de rede existentes integrarem IA.
• Nos mercados B2B e SMB, funcionalidades de colaboração (comentários, tags, compartilhamento) e suporte a equipes serão adicionados de forma natural.
• No entanto, é incerto se a IA pode recriar redes sociais de forma fundamental.
  • As pessoas ainda querem interação humana.
  • Há dúvidas sobre se a IA substituirá relações humanas ou terá um papel de apoio.
  • Por exemplo, um app social baseado em IA pode levar usuários a compartilhar conteúdo interativo personalizado, em vez de apenas memes simples baseados em imagem.
• Até agora, ainda não existe um caso de sucesso pleno de produto de IA voltado ao consumidor.
  • Existem alguns exemplos, como Character.ai, mas um app de consumo centrado em IA com crescimento acelerado ainda não se estabeleceu.
  • As razões podem ser o fato de os custos de API ainda não terem caído o suficiente e de a competitividade das empresas existentes continuar forte.
  • Também pode ser porque ainda é difícil para a IA criar interações interessantes em nível humano.
• Mas, se surgirem produtos que combinem IA + funções de rede, mesmo que sejam fáceis de copiar, os efeitos de rede formarão uma defensabilidade.
• Os efeitos de rede podem ser organizados em três eixos:
  • Efeitos de rede de aquisição (Acquisition)
    • O produto pode aproveitar a rede de usuários existentes para convidar novos usuários, compartilhar e aumentar a entrada de usuários.
    • Produtos de IA podem gerar conteúdo atraente para estimular compartilhamento de forma natural.
  • Efeitos de retenção (Retention) e engajamento (Engagement)
    • Produtos baseados em rede podem reativar usuários existentes por meio de comentários, tags e arquivos compartilhados.
    • Produtos de IA simples precisam depender de notificações por e-mail/push, mas produtos baseados em rede podem ter retenção mais forte.
  • Efeitos de monetização (Monetization)
    • Quanto mais uma ferramenta colaborativa for usada amplamente dentro de uma empresa, maior a chance de conversão para planos de preço mais altos.
    • Se um jogo social monetizar elementos como personalização de avatar, as interações com amigos podem aumentar o valor.
• No fim, produtos de IA entrarão no mercado inicialmente com funções chamativas, mas gradualmente adicionarão recursos de rede para crescer e construir defensabilidade.

A atual geração de IA vai vencer, ou surgirá uma nova geração?

• Observando a história da inovação tecnológica, quando uma nova plataforma surge, empresas estabelecidas costumam ter dificuldade para se adaptar.
  • Por exemplo, no início da revolução mobile, Flipboard, Foursquare e Kik ganharam popularidade, mas no fim foram retardatários como Uber e DoorDash que dominaram o mercado.
  • Na atual era da IA, startups iniciais de IA oferecem novidade, mas retardatários que combinarem isso com efeitos de rede podem ter um sucesso ainda maior.
• Além disso, como as grandes empresas de tecnologia existentes estão adotando IA rapidamente, não há garantia de que startups totalmente novas necessariamente vencerão.
• A era da IA está mudando rapidamente, e estratégias tradicionais de defesa, ao se combinarem com a IA, estão formando novos mercados.
• Ainda não se sabe quais empresas vencerão daqui para frente, mas certamente será um período empolgante.

[felizgeek]

Resumo dos comentários

1. Fatores de sucesso de IA e LLM: soluções bem-sucedidas de IA/LLM exigem processos de ETL (Extract, Transform, Load) de alto desempenho. Em especial, a capacidade de pré-processar e agregar dados de um domínio específico determina a vantagem competitiva de uma empresa.

2. O papel dos “wrappers” de IA: para superar o modelo base, um wrapper precisa se destacar na capacidade de processar e integrar dados de um domínio específico. É isso que forma a verdadeira barreira competitiva (moat) de uma empresa.

3. Open source e cópia: muitos produtos usam código open source, mas em muitos casos são copiados sem que o código real seja lido. Isso pode levar a uma inovação superficial, como no caso do left-pad.

4. A competição entre grandes modelos: os grandes modelos ampliam sua participação no mercado, e os demais produtos precisam competir ao redor deles. Com a rápida queda no custo de inferência, a escolha de modelos por caso de uso tende a diminuir.

5. A possibilidade de copiar apps baseados em IA: apps baseados em IA podem ser difíceis de copiar. Em especial, prompts complexos e interações entre modelos representam grandes desafios no processo de replicação.

6. A disputa entre modelos e wrappers: na camada de modelos, a competição se intensifica, enquanto os wrappers podem garantir vantagem competitiva pelo lado da engenharia de software.

7. O papel do sistema operacional: fabricantes de sistemas operacionais têm grande vantagem para integrar recursos de IA usando o contexto do usuário. Isso pode lhes dar vantagem competitiva sobre desenvolvedores de apps existentes.

8. Elementos de criação de valor: prompts especializados, acesso a dados estruturados e efeitos de rede podem ser elementos centrais da criação de valor no futuro.

9. A importância dos dados de treinamento: dados de treinamento podem gerar vantagem competitiva. Dados que refletem com precisão o comportamento de usuários específicos podem ser um ativo importante para diferenciar um produto de cópias.

10. Modelo de licenciamento e dependência de plataforma: empresas precisam considerar a dependência de plataformas específicas, o que pode aumentar a incerteza. Em especial, existe o risco de perder metade do mercado ou até ser forçada a encerrar o negócio por ordens geopolíticas.

[dongwon]

Concordo... com o comentário no YC de que, para ser um bom wrapper, o ETL precisa ser bem feito.