- Thị trường ứng dụng AI được phân chia theo độ phức tạp của vấn đề và mức độ khó khi triển khai, nhưng lợi thế cạnh tranh bền vững rốt cuộc phụ thuộc vào dữ liệu được tích lũy trong quá trình sử dụng
- Những sản phẩm dễ triển khai có thể tạo vòng quay dữ liệu nhờ quy mô sử dụng lớn và phản hồi nhanh, nhưng cũng dễ bị thay thế, nên phải đối mặt với cuộc cạnh tranh về vốn và dữ liệu với các nhà cung cấp mô hình
- Các sản phẩm doanh nghiệp khó triển khai học hỏi hệ thống và cách làm việc của khách hàng, xây dựng hào lũy dữ liệu riêng cho từng công ty, khiến sản phẩm đi sau khó tái tạo cùng mức chuyên môn
- Agent lập trình đã phát triển nhanh dựa trên dữ liệu chấp nhận/từ chối đề xuất diễn ra hàng chục đến hàng trăm lần mỗi ngày, trong khi lĩnh vực tạo slide thiếu tín hiệu kiểm chứng chi tiết nên tốc độ cải thiện chậm
- Trong 12–24 tháng tới, người thắng cuộc có thể xuất hiện ở các thị trường vừa khó triển khai vừa khó giải quyết như SRE và vận hành bảo mật, nhưng chu kỳ đánh giá/triển khai dài, thiếu dữ liệu và tín hiệu kiểm chứng nên tỷ lệ thành công có thể thấp
Thị trường AI được chia theo độ phức tạp và mức độ khó triển khai
- Dù có đủ nhân tài, vốn và các mô hình được cải thiện, hiệu quả của agent AI vẫn khác biệt rất lớn giữa các lĩnh vực
- Chúng xử lý chính xác việc tìm kiếm khách hàng tiềm năng cho bán hàng và yêu cầu hỗ trợ khách hàng, nhưng không thể tạo slide chất lượng cao một cách nhất quán
- Chỉ lập luận rằng các vấn đề dễ sẽ được giải quyết trước không đủ để giải thích hiện tượng agent trong lĩnh vực lập trình phức tạp lại phát triển nhanh nhất
- Sự phát triển của agent lập trình là kết quả của việc dễ triển khai dẫn đến thu thập dữ liệu ở quy mô lớn
- Lập trình viên có thể chuyển sang Cursor trong khoảng 5 phút mà không cần phê duyệt riêng
- Dữ liệu sử dụng đã tạo ra một vòng quay cải thiện trải nghiệm sản phẩm, và hiện toàn bộ nhóm của các tác giả đang dùng Cursor Composer để sinh mã
- Thị trường được chia thành bốn khu vực theo mức độ khó của việc giải quyết vấn đề và triển khai
- Cả triển khai lẫn giải quyết đều dễ
- Triển khai dễ nhưng giải quyết khó
- Triển khai khó nhưng giải quyết dễ
- Cả triển khai lẫn giải quyết đều khó
- Sản phẩm dễ được triển khai có thể thu được nhiều dữ liệu, nhưng đổi lại cũng dễ bị thay thế
- Sản phẩm khó triển khai, sau khi đã bén rễ bên trong doanh nghiệp và học cách làm việc của công ty đó, sẽ có được hào lũy dữ liệu khó thay thế
Thị trường cả triển khai lẫn giải quyết đều dễ
- Tìm kiếm tiêu dùng cung cấp câu trả lời cá nhân hóa đã là một lĩnh vực ứng dụng AI dễ dự đoán từ năm 2023, và đã mở rộng rộng rãi từ tìm kiếm kiến thức phổ thông đến tư vấn y tế
- Không chỉ các nhà cung cấp mô hình nền tảng, mà cả những công ty mới như Perplexity và You.com cũng tham gia thị trường này
- Rào cản gia nhập trông có vẻ thấp, nhưng trên thực tế gần với một bẫy giá trị
- Nếu startup có thể dễ dàng triển khai, các phòng thí nghiệm mô hình tiên phong cũng đã làm rồi hoặc có thể làm dễ hơn
- Trường hợp sử dụng càng rõ ràng, lưu lượng sử dụng càng tập trung vào các ứng dụng chat hiện có
- OpenAI, Google, Anthropic có thể thu thập hàng triệu lượt dữ liệu sử dụng để cải thiện mô hình trong lĩnh vực đó
- ChatGPT Health là một ví dụ cho kiểu mở rộng này
- Các nhà cung cấp mô hình có thể trợ giá chi phí và nhanh chóng học các lĩnh vực ứng dụng mới nhờ cơ sở người dùng quy mô lớn, nên khả năng cao các doanh nghiệp mới sẽ bị đẩy ra ngoài
- Mức độ trung thành của người dùng cũng thấp; họ dùng song song nhiều agent chat tùy mục đích, và khác với thị trường tìm kiếm web, các hãng cạnh tranh từ các vị thế tương đối tương đồng
- Nếu xuất hiện một thương hiệu thống trị, nhiều khả năng đó sẽ là nhà cung cấp mô hình
Thị trường triển khai dễ nhưng giải quyết khó
- Lập trình là một vấn đề phức tạp, nhưng ngay từ đầu đã dễ triển khai ở cấp cá nhân
- Ngay cả năm 2023, chỉ cần dán đoạn mã vào ChatGPT cũng có thể thấy giá trị
- Chất lượng ban đầu còn hạn chế, nhưng Cursor đã làm quá trình này đơn giản hơn
- Vì kỹ sư có thể tự chọn IDE, gánh nặng chuyển từ IntelliJ hoặc VSCode sang Cursor cũng không lớn
- Công việc lập trình cung cấp vòng phản hồi nhanh và chi tiết
- Lập trình viên có thể sinh mã hàng chục đến hàng trăm lần mỗi ngày
- Mỗi lần chấp nhận hoặc từ chối đề xuất đều bổ sung dữ liệu huấn luyện có thể dùng để cải thiện mô hình sau này
- Vòng quay dữ liệu này cho phép chất lượng mô hình cải thiện mạnh mẽ
- Những thị trường phức tạp không có vòng phản hồi chi tiết, như tạo slide, cải thiện chậm hơn nhiều
- Để giải quyết vấn đề khó cần đầu tư lớn vào lượng token sử dụng và nhân tài kỹ thuật, và cuối cùng có thể đòi hỏi cả huấn luyện mô hình lẫn học tăng cường (RL)
- Dữ liệu thu được nhờ triển khai dễ hỗ trợ các khoản đầu tư sâu như vậy, nhưng các phòng thí nghiệm mô hình tiên phong cũng coi các agent năng suất được dùng rộng rãi là lãnh địa của mình
- Họ đã cạnh tranh gay gắt trong thị trường agent lập trình
- Họ có thể ra mắt thêm nhiều công cụ năng suất văn phòng, vượt ra ngoài trình soạn thảo tài liệu hiện có
- Khả năng cao sẽ diễn ra cuộc cạnh tranh vốn quy mô lớn, khiến các công ty nhỏ khó cạnh tranh nếu không đầu tư khổng lồ
- Độ bám dính sản phẩm vẫn thấp
- Có thể dùng đồng thời nhiều agent lập trình
- Nếu xuất hiện ứng dụng tạo slide tốt hơn, người dùng có thể dễ dàng chuyển sang
- Các tùy chỉnh theo từng công ty như Cursor rules hay mẫu nhận diện thương hiệu có thể tăng độ bám dính, nhưng nếu khả năng tương tác hoặc một tiêu chuẩn chung xuất hiện, việc di chuyển cũng có thể trở nên dễ hơn
Thị trường triển khai khó nhưng giải quyết dễ
- Đây là lĩnh vực triển khai AI doanh nghiệp sôi động nhất trong 2 năm gần đây, bao gồm các trường hợp LLM thực hiện playbook như trả hàng trong thương mại điện tử hoặc đặt lại mật khẩu
- Việc phân loại là dễ giải quyết không có nghĩa sản phẩm thiếu chiều sâu
- Khi doanh nghiệp tìm kiếm kết quả AI tức thì và bắt đầu từ các vấn đề rõ ràng, doanh thu của các công ty dẫn đầu thị trường đã tăng nhanh
- Thị trường này có hai điểm khác biệt
- Agent xử lý ticket hỗ trợ khách hàng hoặc yêu cầu IT helpdesk không thể do cá nhân tự chọn, mà cần quyết định ở cấp tổ chức với sự tham gia của hội đồng mua sắm
- Dù trường hợp sử dụng tương đối đơn giản, việc tích hợp với các hệ thống doanh nghiệp cũ vẫn khó và phiền phức, nên các đội có khả năng xử lý hệ thống legacy có lợi thế lớn
- Trong quá trình tích hợp doanh nghiệp, hào lũy dữ liệu theo từng khách hàng được hình thành
- Dữ liệu của agent khó khái quát hóa cho nhiều khách hàng, và doanh nghiệp cũng ít có khả năng cho phép dùng nó để huấn luyện mô hình
- Thay vào đó, sản phẩm có thể học cách mỗi khách hàng thực sự làm việc
- Kiến thức tích lũy vừa cải thiện toàn bộ sản phẩm vừa tăng độ bám dính theo từng khách hàng, khiến agent đi sau khó tái tạo cùng mức chuyên môn
- Nhà đầu tư xem các startup lớn trong thị trường này như những thế lực incumbent trên thực tế
- Vẫn còn dư địa đổi mới sản phẩm, nhưng lý do để một startup nhỏ cạnh tranh với Sierra hay Decagon không thật rõ ràng
- Không rõ số vốn họ huy động được tập trung vào go-to-market (GTM) hay vào xây dựng hào lũy kỹ thuật như mô hình chuyên biệt cho lập trình
- Nếu vốn chỉ được dùng cho go-to-market, các startup có thể phải dựa vào cạnh tranh chi phí
Thị trường cả triển khai lẫn giải quyết đều khó
- Các workflow kỹ thuật và vận hành phức tạp như SRE và vận hành bảo mật nhận được tương đối ít sự chú ý nhất trong bốn khu vực
- Chúng có giá trị tiềm năng lớn vì có thể giải quyết các tác vụ con người thực hiện trong nhiều giờ hoặc nhiều ngày, nhưng workflow khác nhau theo từng công ty khiến việc đánh giá và triển khai khó hơn nhiều
- Sản phẩm của RunLLM tập trung vào lĩnh vực này, và dự kiến giai đoạn tăng trưởng tiếp theo cũng sẽ xuất hiện tại đây
- Có ba cơ sở để tin rằng lĩnh vực này sẽ tăng trưởng nhanh trong vài năm tới
- Các mô hình suy luận đã có thể lập kế hoạch cho nhiệm vụ phức tạp và xử lý giải pháp nhiều bước
- Một phần đáng kể của việc giải quyết vấn đề nằm ở xây dựng và cấu hình workflow bên ngoài AI; khi agent lập trình phát triển, quá trình này trở nên nhanh và dễ hơn
- Doanh nghiệp đã tích cực xử lý các vấn đề dễ, nên khi tìm các bài toán còn lại, họ sẽ chuyển sang vấn đề khó hơn
- Hào lũy dữ liệu trong lĩnh vực này phức tạp nhất nhưng cũng có giá trị tiềm năng lớn
- Một khi tích lũy chuyên môn về workflow của một công ty, sản phẩm khác sẽ rất khó tái tạo
- Việc thay sản phẩm trở nên giống như sa thải một kỹ sư giàu kinh nghiệm và thay bằng người mới
- Cũng có cơ hội tích lũy chuyên môn về các năng lực cốt lõi cụ thể, như agent SRE chuyên về AWS
- So với agent lập trình, lượng dữ liệu ít hơn và kết quả cũng khó kiểm chứng hơn, nên chu kỳ cải thiện chậm hơn nhiều
- Dù đã có các công ty huy động vốn khổng lồ, khó có thể nói họ đã chiếm vị thế vững chắc như các công ty dẫn đầu ở thị trường giải quyết dễ nhưng triển khai khó, nên cạnh tranh dài hạn vẫn còn
Ranh giới thay đổi và vai trò của UX
- Ranh giới giữa bốn khu vực không cố định; cả độ phức tạp của vấn đề lẫn mức độ khó triển khai đều có thể thay đổi
- Năng lực mô hình đã cải thiện mạnh sau mỗi vài tháng, nhưng gần đây có dấu hiệu cải tiến mô hình đang chững lại, nên sự chú ý đến trục độ phức tạp tương đối giảm
- Khả năng thay đổi lớn hơn nằm ở trải nghiệm người dùng (UX)
- UX của ứng dụng AI vẫn là lĩnh vực chưa được khám phá đầy đủ
- Một mô thức UX mới có thể thay đổi cách người dùng triển khai sản phẩm
- Claude Code cho web là ví dụ đưa agent lập trình lên trình duyệt, giúp cả những người thấy IDE hoặc terminal là rào cản cũng có thể tiếp cận
12–24 tháng tới
- Trong 12–24 tháng tới, dự kiến người thắng cuộc sẽ xuất hiện ở các thị trường cả triển khai lẫn giải quyết đều khó
- Khả năng cao quá trình này sẽ không diễn ra trơn tru như sự tăng trưởng của Sierra và Decagon
- Chu kỳ đánh giá sẽ dài hơn
- Việc triển khai sẽ phức tạp hơn
- Tỷ lệ thành công tổng thể cũng có thể thấp hơn
- Nếu doanh nghiệp cải thiện quy trình và dùng dữ liệu tích lũy để nâng hiệu năng mô hình, họ có thể tạo ra doanh thu khổng lồ trong lĩnh vực này
Chưa có bình luận nào.