- Temel modellerin üzerine tek bir işlev ekleyen AI wrapper’ların geçici üstünlüğü ortadan kalkarken, erken aşama startup’lar tüm iş akışını ve değer zincirini sahiplenen dikey entegre işlere yöneliyor
- İlk strateji, alan bilgisini ve iş orkestrasyonunu birleştirerek, temel modellerin ham zekâsıyla tek başına elde edilmesi zor olan sektör içi sonuçları üretmek
- İkinci strateji, mevcut şirketlere AI yazılımı satmakla yetinmeyip satış, değerlendirme ve operasyonları otomasyon merkezli olarak yeniden inşa ederek müşteri deneyimini de iyileştirmek
- Üçüncü strateji, parçalı sektör verilerini birleştiren bir kayıt sistemi elde ettikten sonra, iş yürütme ve karar almayı da üstlenen bir eylem sistemine genişlemek
- Büyük yerleşik şirketler frontier laboratuvarlarla doğrudan çalışabilir, ancak maliyet, özel bilgi paylaşımı ve kurumsal çıkar çatışmaları nedeniyle kısıtlarla karşılaşır; AI-native startup’lar ise pazara açılma ve müşteri deneyimine odaklanan dikeyleşmeyle savunulabilirlik inşa edebilir
Tek İşlevli AI Wrapper’ların Yükselişi ve Düşüşü
- ChatGPT’nin ortaya çıkmasından sonra kurucular, metin yazarlığı, müşteri hizmetleri, hukuki araştırma ve satış gibi insanların yaptığı tekil işlere model ekleyip abonelik ücreti ya da iş başı ücret alan ürünler geliştirdi
- Jasper, 2022’de 1,5 milyar dolar değerlemeyle 125 milyon dolar topladı; ancak bir yıl içinde 2023 ARR tahminini en az %30 düşürdü, işten çıkarmalar yaptı ve iki kurucu ortağının ikisi de görevinden ayrıldı
- Daha sonra vizyonunu “pazarlama işletim sistemi” olarak yeniden tanımladı
- Tek görev araçları geliştiren şirketler, temel modellerin yeteneklerinin benzer seviyede kalacağını varsayıyordu; ancak frontier laboratuvarların modelleri doğrudan ürüne dönüştürmesiyle bu varsayım çöktü
- Anthropic, iki yıl önce wrapper olarak sınıflandırılacak Claude Code ve Claude Design gibi araçları doğrudan sunuyor
- Açıklanan rakamlara göre Anthropic’in yıllıklandırılmış geliri Ocak ayında 14 milyar dolardan Mayıs ayında 47 milyar doların üzerine çıktı; büyümeyi kurumsal talep yönlendirdi
- Belirli bir işi ifade eden “AI for X”, sürdürülebilir bir ürün stratejisinden çok geçici bir üstünlüğe yakındı
- Ağ etkisi veya dikey sektör uzmanlığı olmayan genel amaçlı ajanlar da “wrapper 2.0” haline gelebilir
Hayatta Kalan Şirketler Hizmetin Tamamına Sahip Oluyor
- Sonuç üreten şirketler, modelin üzerine AI aracı koymak yerine AI’ı hizmet sunum mekanizması olarak kullanıp hizmet için gerekli tüm iş akışını sahiplenerek yola çıkıyor
- EvenUp, geniş kapsamlı bir hukuki AI yerine kişisel yaralanma gibi dar ve uzmanlık gerektiren bir alanda başladı
- 2.000’den fazla hukuk bürosu platformu kullanıyor ve ABD’nin en büyük 100 kişisel yaralanma hukuk bürosunun %20’si müşterisi
- ARR yıllık bazda iki katına çıktı ve Ekim 2025’te 2 milyar doların üzerindeki değerlemeyle Series E turunda 150 milyon dolar topladı
- Şirket değeri bir yıl dolmadan iki kattan fazla arttı
- Further AI sigortada, Blitzy ise kurumsal yazılım geliştirmede aynı yaklaşımı izliyor
- Rekabet gücü yalnızca model, veri veya kullanıcı deneyiminden biriyle oluşmuyor
- Tüm iş akışı, alan bilgisi, her vaka veya kod tabanında biriken veri ve karmaşık sektörlere girip satış yapabilme kapasitesi birlikte çalışmalı
- Geçmişte zekânın kendisinin satılan şey, wrapper’ın ise destekleyici yapı olduğu düşünülüyordu; artık iş akışı, veri ve satış pipeline’ını içeren fabrikanın tamamı ürün haline geliyor
Yaklaşım 1: Ham Zekânın Ötesinde Karmaşık İş Akışlarını Sahiplenmek
- Blitzy, Fortune 500 şirketleri için özel yazılım geliştiren bir AI platformu; yakın zamanda 1,4 milyar dolar değerlemeyle 200 milyon dolar topladı
- Kurumsal yazılım pazarında iki seçenek vardı
- Cursor veya Codex gibi araçlar geliştirip bunları büyük ölçekli dış kaynak geliştirme ekiplerine satmak
- Dış kaynak iş gücünü gereksiz kılacak şekilde AI’ı hizmet olarak geliştirip doğrudan şirketlere satmak
- Blitzy ikinci yolu seçti
- 2024’te OpenAI veya Claude modellerinin tüm sorunları çözeceği ve startup’ların rekabet etmesinin zor olacağı yönünde bir görüş vardı
- Gerçek kurumsal ortamlarda, şirketin tüm kod tabanının bilgi grafiği, işi küçük parçalara ayırma yeteneği ve her iş için en uygun modeli çağıran orkestrasyon katmanı, frontier laboratuvar ürünlerinden daha iyi sonuç verdi
- Kod tabanı çevresindeki bağlamı anlayan sistemiyle SWE-Bench Pro 66.5% elde ederek birinci sıraya yükseldi
- Ham zekâ temel mühendislik ve sistem darboğazlarını çözse bile, bunun sahada çalışacak şekilde operasyonelleştirilmesi gerekir; tüm iş akışının dikey entegrasyonu da bu rolü üstlenir
Yaklaşım 2: Mevcut İşi Otomasyon Merkezli Olarak Yeniden Tasarlamak
- Tomo, mortgage şirketlerine AI yazılımı satmak yerine kredi değerlendirme ve mortgage alma sürecinin kendisini AI merkezli olarak yeniden kurguladı
- Satış, değerlendirme ve operasyonların geneline otomasyon uygulayarak kredi görevlisi başına üretkenliği rakiplerinden daha yüksek hale getiriyor ve bunu tüketicilere daha iyi faiz oranları olarak yansıtıyor
- Şu anda ev alıcılarının %77’si geleneksel sağlayıcılara kıyasla Tomo’dan daha iyi faiz oranı alıyor
- Daha iyi faiz oranı alan alıcı oranı: {p:77}
- Mevcut iş akışına yazılım eklemektense sektörü baştan tasarlamak daha iyi bir müşteri deneyimine yol açabilir
- Küçük yazılım iyileştirmelerinin etkisi, baştan bu teknoloji için tasarlanmamış sistemler içinde sınırlı kalabilir
- Mevcut organizasyonları iş akışı değişikliğine ikna etmek yerine işi doğrudan yeniden inşa edip kaynakları müşteri deneyimini iyileştirmek için kullanmak mümkün
- Yerleşik şirketlerin mevcut iş modelini ve organizasyonunu kendi elleriyle yıkması gerektiğinden, bu yaklaşımı benimseme olasılıkları çok düşüktür
- SaaS döneminde yazılımı mevcut iş akışlarının içine sokma stratejisi etkiliydi; ancak AI, geleneksel sektörleri otomasyon merkezli yeniden inşa etmeyi ve iç benimsemeden çok müşteri deneyimine odaklanmayı mümkün kılıyor
Yaklaşım 3: Kayıt Sisteminden Eylem Sistemine Genişlemek
- Seso, ABD tarım sektöründe insan kaynakları kayıt sistemi kurdu
- ABD tarım iş gücünün önemli bir bölümünü destekleyen H-2A vize süreci hukuk büroları, Microsoft Office ürünleri ve kâğıt belgeler arasında dağılmış durumdaydı
- Seso bunu tek bir merkezi veritabanında birleştirerek çiftliklerin mevsimlik işçileri sıradan şirket çalışanları gibi yönetmesini sağladı
- AI’ın benimsenmesinden sonra basit bir “dijital evrak dolabı”ndan eylem sistemine dönüştü
- Platform, çalışan lojistiğini yönetebilecek, iş içgörüleri üretebilecek ve iş gücüyle ilgili kararları dahi alabilecek şekilde yeniden düzenlendi
- Kayıt sistemini ele geçiren şirketler, biriktirdikleri bilgiler temelinde gerçek işleri yürüten sistemlere kadar genişleyebilir
- Aynı yaklaşımı uygulayan örnekler arasında rekreasyon alanında Rec ve uzun dönem bakım alanında Veras bulunuyor
Yerleşik Şirketler ile AI-Native Hizmetlerin Rekabeti
- Büyük hukuk büroları gibi yerleşik şirketler, kurum içi uzmanlık bilgisini AI-native rakiplere vermeden frontier laboratuvarlarla doğrudan çalışarak otomasyonu içselleştirebilir
- Freshfields, özel araçlar geliştirmek için Anthropic ile ortaklık kurdu
- Bu strateji çoğunlukla Big Law veya büyük finans kurumları gibi ölçekli şirketlere açık; onlar için bile frontier laboratuvarlarla çalışma maliyeti aşırı yüksek olabilir
- Uber ve Microsoft örneklerinde olduğu gibi LLM token maliyetleri artıyor; buna pahalı AI mühendislerinin maliyeti de ekleniyor
- İş birliğinin kurulabilmesi için sektördeki yerleşik şirketlerin uzun vadeli değeri sınırlı olabilecek özel bilgileri saklama tutumunu yumuşatması, frontier laboratuvarların da fiyatlama gücünü aşırı kullanmaması gerekir
- Anlaşma sağlansa bile otomasyon, yerleşik şirketin yaptığı birçok işlevden yalnızca biridir; temel işinin odağı değildir
- AI-native hizmetler, frontier laboratuvarlara bağımlılığı görece azaltabilir ve pazara açılma (GTM) ile müşteri deneyimini iyileştirmeye odaklanabilir
- Tomo, geleneksel mortgage şirketleri frontier laboratuvarlarla çalışsa bile daha ucuz ve sade müşteri seçeneğini koruyor
- Bu seçenek yerleşik şirketlerin çıkarlarıyla doğrudan çatıştığı için rekabeti tamamen ortadan kaldırmasa da kapsamını sınırlayabilir
AGI Çağını Hedefleyen Dikeyleşme
- Yeni nesil startup’lar işlerini “değer zincirinin her parçasına nasıl sahip olacağız?” sorusu etrafında tasarlamalı
- Dikey düşünme, AGI geçiş döneminde de korunabilecek savunulabilirlik unsurlarından biridir
- Ham zekâ yeni inovasyonları mümkün kılsa bile, bunu gerçek operasyonlara uygulama ve müşteriye ulaştırma süreci hâlâ gereklidir
- Başlangıçtan itibaren tüm sektörü ve iş akışını sahiplenen kurucular, AI hyperscaler çağında da sürdürülebilir bir konum inşa edebilir
- Biyoteknoloji ve deep tech gibi yürütmenin kendisinin yüksek düzeyde uzmanlık gerektirdiği alanlarda, uzman uygulama becerisi ayrı bir giriş bariyeri olarak kalır
1 yorum
Dikeyleşmenin savunma hattı olduğu büyük resmine katılıyorum. Ancak bence "wrapper olup olmama" ayrımını belirleyen eksen, işlevlerin kalınlığından çok, altında modelin kendi başına taşıyamadığı bir şeyin birikip birikmediği. Yazıdaki üç strateji de (workflow'u sahiplenmek, otomasyon merkezli yeniden tasarlamak ya da kayıt sistemini bir eylem sistemine genişletmek) sonuçta modelin dışında biriken durum ve veri üretmekten söz ediyor gibi geldi bana.
Ben de dışarıdan bakınca ince bir wrapper'a yakın görünen bir şey geliştirdim; ama ayakta kalan şey işlevler değil, kullanıcıya özgü durum ve veriyi sahiplenen kısım ve modelin her konuşmada savrulmaması için deterministik biçimde hesaplayan ve hatırlayan katmandı. Frontier modeller iyileştikçe bu ikisinin değeri daha da artıyor.
Bir şey daha ekleyeyim: Yazı çoğunlukla kurumsal dikeyleri (B2B) örnek veriyor ama aynı mantığın bireysel kullanımda da geçerli olduğunu düşünüyorum. Ham bir LLM yalnızca herkese açık bilgiyi görür ve benim durumumu hatırlayamaz; bu yüzden kişinin kayıt sistemini elinde tutmak başlı başına bir hendek oluyor. Yalnız üçüncü stratejide kayıt sistemini eyleme (karar verme vekâletine) taşıyan kısımda, güvenin korunması için o kararın yeniden üretilebilir ve doğrulanabilir olması da birlikte gelmeli gibi görünüyor.