وقتی مدل‌های هوش مصنوعی مزیت رقابتی استارتاپ‌ها را می‌بلعند؛ راز بقا در مالکیت مدل

طی چهار سال گذشته، شاهد انفجار بزرگی در عرضه محصولات مبتنی بر هوش مصنوعی بوده‌ایم که بخش اعظم آن‌ها بر پایه مدل‌های پیشرو ساخته شده‌اند. استارتاپ‌ها، ارائه‌دهندگان نرم‌افزارهای سازمانی و حتی شرکت‌های سنتی و بزرگ، هسته اصلی هوش محصولات خود را از طریق API آزمایشگاه‌های برتر هوش مصنوعی و مجموعه رو‌به‌رشد اما محدودی از مدل‌های وزنباز تأمین می‌کنند.

به باور تحلیلگران صنعت و بنیان‌گذاران استارتاپ‌های هوش مصنوعی از جمله شرکت بولتزبیت (Boltzbit)، این وابستگی ساختاری پیامدهای عمیقی برای آینده کسب‌وکارها دارد.

این ساختار و وابستگی بی‌تردید زمینه رشد چشمگیر محصولات هوش مصنوعی را فراهم کرده است، اما هم‌زمان شکنندگی ساختاری نگران‌کننده‌ای نیز به وجود آورده که تنها از طریق دموکراتیزه شدن فرآیند ساخت و آموزش مدل‌ها قابل درمان خواهد بود.

رپر هوش مصنوعی دقیقاً چیست؟

در ساده‌ترین تعریف، «رپر هوش مصنوعی» (AI Wrapper) یا محصول پوسته‌ای، محصولی است که کارکرد اصلی آن تنها یک رابط کاربری روی API مدل پایه شخص ثالث به شمار می‌رود و در زیر این لایه ظاهری، فناوری اختصاصی خاصی وجود ندارد یا بسیار ناچیز است.

چنین رویکردی معمولاً طول عمر کوتاهی دارد و داستان شرکت جسپر (Jasper) نمونه بارز این واقعیت است. جسپر که روزگاری با ارزش‌گذاری نجومی ۱٫۵ میلیارد دلاری ستاره درخشان تب نویسندگی با هوش مصنوعی بود، پس از اضافه شدن ابزارهای رایگان و بومی نگارش متن به ChatGPT، ناگهان بخش اعظم بازار اصلی خود را بر باد رفته دید. درآمد این شرکت از حدود ۱۲۰ میلیون دلار در سال ۲۰۲۳ به حدود ۵۵ میلیون دلار در سال ۲۰۲۴ سقوط کرد. البته جسپر با تغییر جهت استراتژیک به سمت جریان‌های کاری سازمانی و آموزش مدل‌ها بر اساس لحن برند توانست جان سالم به در ببرد.

به‌طور کلی، بررسی‌ها نشان می‌دهد از میان استارتاپ‌های هوش مصنوعی که در سال ۲۰۲۵ در ایالات متحده تعطیل شدند، ۸۱ درصد از آن‌ها در دسته «رپرها و اپلیکیشن‌ها» قرار داشتند؛ یعنی دستیاران هوشمند مستقر روی مدل‌های پایه، ابزارهای بهره‌وری، تولیدکنندگان محتوا و محصولات SaaS عمودی که تمایز اصلی‌شان صرفاً یک پوسته کاربری روی مدل زبانی بزرگ بود، نه داده‌ها یا زیرساخت اختصاصی.

در مورد جسپر و بسیاری از نمونه‌های مشابه، آنچه شرکت را تحت فشار شدید قرار داد، عملکرد بهتر یک رقیب هم‌سطح نبود؛ بلکه پلتفرم اصلی زیرین به‌سادگی همان قابلیتی را که شرکت تمام کسب‌وکار خود را پیرامون آن ساخته بود، درون خود بلعید و ادغام کرد.

همه رپرها شبیه به هم نیستند

یکسان دانستن تمام رپرهای هوش مصنوعی تعمیم نادرستی است. یک محصول پوسته‌ای نازک که صرفاً پرامپت می‌گیرد و پاسخ نمایش می‌دهد، با محصولی که عملیات سنگین بازیابی اطلاعات، هماهنگی ابزارها، جریان‌های کاری مبتنی بر ایجنت یا فاین‌تیون اختصاصی برای حوزه‌ای خاص انجام می‌دهد، تفاوت بنیادین دارد. محصولات دسته دوم حتی با وجود استقرار روی مدل پایه یک شرکت دیگر، می‌توانند دیواره دفاعی و مزیت رقابتی واقعی داشته باشند؛ چراکه فراخوانی مدل تنها یک جزء از سیستم آن‌هاست، نه تمام محصول.

برخی شرکت‌ها پس از ساخت نمونه اولیه با API مدل‌های پیشرو، از ترکیب چندین مدل پایه بهره می‌برند یا مدل‌های کوچک‌تر خود را برای وظایف مشخص فاین‌تیون و تقطیر (Distill) می‌کنند. مدل‌های وزنباز نیز تنوع زیادی ایجاد کرده‌اند، زیرا همه رپرها الزاماً به مدل‌های پیشرو و انحصاری (سورس‌بسته) وابسته نیستند.

چالش بنیادین محصولات پوسته‌ای

صرف‌نظر از اینکه یک محصول هوش مصنوعی در کجای طیف پیچیدگی رپرها قرار دارد، همه آن‌ها با یک چالش مشترک روبه‌رو هستند: وقتی ارزش پیشنهادی اصلی یک شرکت تماماً به یک فراخوانی API از ارائه‌دهنده‌ای دیگر وابسته باشد، آن شرکت کنترل کاملی بر محصول خود ندارد.

چنین شرکتی نمی‌تواند تغییرات قیمت‌گذاری، محدودیت‌های نرخ درخواست (Rate Limits)، توقف پشتیبانی از نسخه‌ها، دگرگونی در رفتار مدل، یا حتی ورود مستقیم شرکت مادر به رقابت در همان حوزه تخصصی را مدیریت یا کنترل کند.

این موضوع یک ریسک تئوریک نیست؛ هرچند میزان آسیب‌پذیری هر شرکت به این بستگی دارد که چه مقدار از ارزش‌آفرینی آن در لایه‌های بالاتر از مدل قرار گرفته است.

اقتصاد رپرها و معمای مزیت رقابتی

با این اوصاف، مزیت دفاعی یک رپر هوش مصنوعی در عمل چگونه تعریف می‌شود؟

پاسخ کوتاه این است که همه‌چیز به مالکیت فکری و دارایی‌های اختصاصی ختم می‌شود.

اگر شرکتی از مزیت شبکه توزیع، ارتباط تثبیت‌شده با مشتریان، مجوزهای قانونی، اثرهای شبکه‌ای یا اعتماد چندین‌ساله به برند بهره‌مند باشد، تمایز در سطح مدل شاید اهمیت چندانی نداشته باشد. اما اگر وجه تمایز یک رپر از بیرون سازمان قابل مشاهده باشد و یک رقیب توانمند بتواند در مدتی کوتاه آن را بازتولید کند، طبیعی است که در نهایت این کپی‌برداری رخ خواهد داد.

این همان واقعیت اقتصادی تلخ در دل مدل کسب‌وکار رپرها است: هزینه بازتولید قابلیت‌ها برای پلتفرمی که مدل زیرین را کنترل می‌کند نزدیک به صفر است، اما برای استارتاپی که چنین کنترلی ندارد، مساوی با از دست رفتن کل کسب‌وکار خواهد بود. خندق دفاعی (Moat) یک محصول پوسته‌ای، در صورت وجود، باید از چیزی فراتر از صرف فراخوانی مدل سرچشمه بگیرد؛ بدون این دارایی‌ها، بعید است که محصول بتواند مزیت رقابتی پایداری حفظ کند.

سد بزرگ بر سر راه مالکیت مدل

در این مرحله ممکن است به این نتیجه برسید که مالکیت مدل، راه‌حل نهایی این بحران است؛ اما این سخن در گفتار آسان و در عمل بسیار دشوار است.

علت اینکه شرکت‌های اندکی مدل‌های اختصاصی خود را در اختیار دارند، بی‌علاقگی آن‌ها نیست، بلکه دلایل کاملاً مالی دارد. آموزش مدلی که توان رقابت با مدل‌های پیشرو را داشته باشد، نیازمند بودجه‌های پردازشی کلان، متخصصان تراز اول، چرخه‌های داده اختصاصی با هزینه‌های سنگین، و زیرساخت لازم برای اجرای یادگیری تقویتی در مقیاس وسیع است. این هزینه‌های سرسام‌آور ساخت مدل را برای همه شرکت‌ها، به جز غول‌هایی با پشتوانه مالی بسیار قدرتمند، عملاً غیرممکن می‌سازد.

برای اینکه توسعه محصولات بر پایه مدل‌های اختصاصی به یک استاندارد عمومی تبدیل شود، این مانع باید به شکلی محسوس کاهش یابد. هم‌اکنون نیروهای متعددی در این مسیر حرکت می‌کنند که مدل‌های وزنباز یکی از مهم‌ترین آن‌ها به شمار می‌روند. با این حال، حتی میزبانی و فاین‌تیون یک مدل وزنباز نیز کار ساده‌ای نیست و همواره به متخصصان فنی و زیرساخت محاسباتی نیاز دارد که اکثر استارتاپ‌ها به آن دسترسی ندارند.

دموکراتیزه شدن واقعی مالکیت مدل‌ها

دموکراتیزاسیون در این فضا به این معنا نیست که هر شرکتی باید یک مدل در مقیاس پیشرو را از صفر آموزش دهد؛ چنین هدفی نه واقع‌بینانه است و نه ضروری. منظور این است که دموکراتیزه شدن باید به همان ترتیبی که دسترسی به هوش مصنوعی را برای کاربران نهایی هموار کرد، به لایه آموزش مدل‌ها نیز راه یابد.

دموکراتیزه شدن آموزش و مالکیت مدل می‌تواند به بنیان‌گذاران این فرصت واقعی را بدهد که ایده‌های خود را به کسب‌وکارهایی پایدار تبدیل کنند؛ تجارتی که در نهایت به‌عنوان یک ویژگی ساده توسط ارائه‌دهنده مدل بلعیده نشود. تحقق این هدف، فراتر از ماندگاری کسب‌وکارهای فردی، سرنوشت کل اکوسیستم فناوری را متحول خواهد کرد.

در شرایط فعلی، دسترسی به مدل‌ها ارزان اما دسترسی به آموزش آن‌ها بسیار گران است. این معادله باید تغییر کند. توانایی آموزش مدل‌های هوش مصنوعی باید کاملاً دموکراتیزه شود تا ارزش اقتصادی، کنترل و مسئولیت به‌جای تمرکز در دست چند غول بزرگ، در سراسر اکوسیستم توزیع شود.