- Yapay zeka uygulama pazarı, sorun karmaşıklığı ve benimseme zorluğuna göre ayrılıyor; ancak kalıcı rekabet avantajı nihayetinde kullanım sırasında biriken verilere dayanıyor
- Benimsenmesi kolay ürünler, geniş ölçekli kullanım ve hızlı geri bildirimle bir veri volanı oluşturabilir; ancak değiştirilmesi de kolay olduğundan model sağlayıcılarıyla sermaye ve veri rekabetine açık hale gelir
- Benimsenmesi zor kurumsal ürünler, müşterinin sistemlerini ve çalışma biçimini öğrenerek şirkete özgü veri hendeği oluşturur ve geç gelen ürünlerin aynı uzmanlığı yeniden üretmesini zorlaştırır
- Kodlama ajanları, günde onlarca ila yüzlerce kez oluşan öneri kabul/red verileri sayesinde hızla gelişirken, ayrıntılı doğrulama sinyallerinin zayıf olduğu slayt üretimi alanında iyileşme hızı yavaştır
- Önümüzdeki 12~24 ayda, SRE ve güvenlik operasyonları gibi hem benimsemenin hem çözümün zor olduğu pazarlarda kazananlar çıkabilir; ancak değerlendirme ve uygulama süreleri uzun, veri ve doğrulama sinyalleri sınırlı olduğu için başarı oranı düşük olabilir
Karmaşıklık ve benimseme zorluğuna göre ayrılan yapay zeka pazarı
- Yeterli yetenek, sermaye ve gelişmiş modeller bulunsa da yapay zeka ajanlarının performansı alanlara göre büyük farklılık gösteriyor
- Satış için potansiyel müşteri bulma ve müşteri destek taleplerini doğru şekilde işlerken, yüksek kaliteli slaytları tutarlı biçimde üretemiyorlar
- Yalnızca kolay sorunların önce çözüldüğü mantığı, karmaşık kodlama alanındaki ajanların neden en hızlı geliştiğini açıklamakta yetersiz kalıyor
- Kodlama ajanlarının gelişimi, kolay benimsemenin geniş ölçekli veri toplamaya dönüşmesinin sonucu
- Geliştiriciler, ek onay almadan yaklaşık 5 dakikada Cursor'a geçebildi
- Kullanım verileri, ürün deneyimini iyileştiren bir volan oluşturdu; şu anda yazarların tüm ekibi kod üretiminde Cursor Composer kullanıyor
- Pazar, sorun çözme ve benimseme zorluğuna göre dört alana ayrılıyor
- Hem benimseme hem çözüm kolay
- Benimseme kolay ama çözüm zor
- Benimseme zor ama çözüm kolay
- Hem benimseme hem çözüm zor
- Kolay benimsenen ürünler çok veri toplar, ancak değiştirilmesi de kolaydır
- Benimsenmesi zor ürünler, kurumsal yapının içine yerleşip ilgili şirketin çalışma biçimini öğrendiği için değiştirilmesi zor bir veri hendeği elde eder
Hem benimsemenin hem çözümün kolay olduğu pazar
- Özelleştirilmiş yanıtlar sunan tüketici araması, 2023'ten beri öngörülmesi kolay bir yapay zeka kullanım alanıydı ve genel bilgi aramasından tıbbi tavsiyeye kadar genişledi
- Bu pazara yalnızca temel model sağlayıcıları değil, Perplexity ve You.com gibi yeni oyuncular da girdi
- Giriş engeli düşük görünse de gerçekte bu alan daha çok bir değer tuzağına benziyor
- Bir startup bunu kolayca hayata geçirebiliyorsa, frontier model laboratuvarları bunu ya çoktan yapmıştır ya da daha kolay yapabilir
- Kullanım senaryosu ne kadar netse, kullanım mevcut sohbet uygulamalarında o kadar yoğunlaşır
- OpenAI, Google ve Anthropic milyonlarca kullanım verisi toplayarak bu alandaki modellerini iyileştirebilir
- ChatGPT Health bu genişlemenin bir örneği
- Model sağlayıcıları maliyeti sübvanse edip büyük kullanıcı tabanlarıyla yeni uygulama alanlarını hızla öğrenebildiğinden, yeni oyuncuların geri itilme olasılığı yüksektir
- Kullanıcı sadakati de düşüktür; kullanıcılar amaçlarına göre birden fazla sohbet ajanını birlikte kullanır ve bu pazar, web aramasının aksine oyuncuların nispeten benzer konumlarda yarıştığı bir alandır
- Baskın bir marka ortaya çıkacaksa, bunun model sağlayıcılarından biri olma ihtimali yüksektir
Benimsemenin kolay ama çözümün zor olduğu pazar
- Kodlama karmaşık bir sorun olsa da başından beri bireysel düzeyde benimsenmesi kolaydı
- 2023'te bile yalnızca kod parçalarını ChatGPT'ye yapıştırarak değer görmek mümkündü
- İlk kalite sınırlıydı, ancak Cursor bu süreci daha da basitleştirdi
- Mühendisler IDE'lerini kendileri seçebildiği için IntelliJ veya VSCode'dan Cursor'a geçmenin yükü de büyük değildi
- Kodlama işleri hızlı ve ayrıntılı bir geri bildirim döngüsü sağlar
- Geliştiriciler günde onlarca ila yüzlerce kez kod üretebilir
- Her öneri kabulü ya da reddi, gelecekte model iyileştirmesinde kullanılacak eğitim verisine dönüşür
- Bu veri volanı, model kalitesindeki hızlı artışı mümkün kılar
- Slayt üretimi gibi ayrıntılı geri bildirim döngüsü olmayan karmaşık pazarlarda iyileşme hızı çok daha yavaştır
- Zor sorunları çözmek için token kullanımı ve teknik yetenek tarafında büyük yatırım gerekir; sonuçta model eğitimi ve pekiştirmeli öğrenme (RL) bile gerekebilir
- Kolay benimsemeyle elde edilen veriler bu derin yatırımları destekler; ancak frontier model laboratuvarları da yaygın kullanılan üretkenlik ajanlarını kendi alanları olarak görür
- Zaten kodlama ajanı pazarında yoğun biçimde rekabet ediyorlar
- Mevcut belge editörlerinin ötesine geçerek daha fazla ofis üretkenliği aracı çıkarabilirler
- Büyük ölçekli bir sermaye rekabeti yaşanma ihtimali yüksek olduğundan, küçük şirketlerin dev yatırım olmadan rekabet etmesi zordur
- Ürün bağlılığı hâlâ düşüktür
- Birden fazla kodlama ajanı aynı anda kullanılabilir
- Daha iyi slayt üreten bir uygulama çıkarsa kullanıcılar kolayca geçebilir
- Cursor rules veya marka şablonları gibi şirkete özel ayarlar bağlılığı artırabilir; ancak birlikte çalışabilirlik ya da tek bir standart ortaya çıkarsa geçiş yeniden kolaylaşabilir
Benimsemenin zor ama çözümün kolay olduğu pazar
- Son 2 yılda kurumsal yapay zeka benimsemesinin en canlı olduğu alan burasıydı; e-ticaret iadeleri veya parola sıfırlama gibi playbook'ları LLM'lerin yürüttüğü örnekler buna giriyor
- Çözümün kolay olarak sınıflandırılması, ürünün derinlikten yoksun olduğu anlamına gelmez
- Şirketler hızlı yapay zeka sonuçları ararken önce net sorunları uygulamaya aldığından, pazar liderlerinin geliri hızla büyüdü
- Bu pazarda iki farklılaştırıcı unsur var
- Müşteri destek ticket'larını veya IT help desk taleplerini işleyen ajanlar bireylerin seçebileceği araçlar değildir; satın alma komitesinin dahil olduğu organizasyon düzeyinde bir karar gerekir
- Kullanım senaryosu görece basit olsa da eski kurumsal sistemlerle entegrasyon zorlu ve zahmetlidir; bu yüzden legacy sistemlerle çalışabilen ekipler ciddi avantaj sağlar
- Kurumsal entegrasyon sürecinde müşteriye özgü veri hendekleri oluşur
- Ajan verilerini birçok müşteri arasında genellemek zordur ve şirketlerin bu verilerin model eğitiminde kullanılmasına izin verme ihtimali de düşüktür
- Bunun yerine ürün, her müşterinin gerçekte nasıl çalıştığını öğrenebilir
- Biriken bilgi, tüm ürünü iyileştirirken müşteri bazlı bağlılığı da artırır; böylece sonradan gelen ajanların aynı uzmanlığı yeniden üretmesi zorlaşır
- Yatırımcılar, bu pazardaki büyük startup'ları fiilî yerleşik güçler olarak görüyor
- Ürün inovasyonu için alan kalsa da küçük startup'ların Sierra veya Decagon'la neden rekabet etmesi gerektiği net değil
- Topladıkları sermayenin pazara girişe (GTM) mi yoğunlaştığı, yoksa kodlamaya özel model gibi teknik bir hendek mi oluşturduğu belirsiz
- Eğer sermaye yalnızca pazara girişe harcanıyorsa, startup'lar maliyet rekabetine dayanmak zorunda kalabilir
Hem benimsemenin hem çözümün zor olduğu pazar
- SRE ve güvenlik operasyonları gibi karmaşık mühendislik ve operasyon iş akışları, dört alan içinde görece en az ilgi görenler arasında
- İnsanların saatler ya da günler boyunca yaptığı işleri çözebildiği için potansiyel değer yüksektir; ancak her şirketin iş akışı farklı olduğundan değerlendirme ve uygulama çok daha zordur
- RunLLM'nin ürünü bu alana odaklanıyor ve bir sonraki büyüme aşamasının da burada ortaya çıkması bekleniyor
- Önümüzdeki birkaç yılda hızlı büyüme için üç gerekçe var
- Akıl yürütme modelleri, karmaşık görevleri planlayıp çok adımlı çözümleri işleyebilir hale geldi
- Sorun çözmenin önemli bir kısmı, yapay zeka dışındaki iş akışlarını kurma ve yapılandırmadan geliyor; kodlama ajanları geliştikçe bu süreç daha hızlı ve kolay hale geliyor
- Şirketler zaten kolay sorunları aktif biçimde ele alıyor; geriye kalan işleri ararken daha zor sorunlara yönelecekler
- Bu alandaki veri hendeği en karmaşık ama potansiyel değeri en yüksek olanıdır
- Bir şirketin iş akışı hakkında uzmanlık biriktirildiğinde, başka bir ürünün bunu yeniden üretmesi son derece zor olur
- Ürünü değiştirmek, deneyimli mühendisleri işten çıkarıp yerlerine yenilerini almak gibi hale gelir
- AWS uzmanı bir SRE ajanı gibi, belirli çekirdek yetkinliklerde uzmanlık biriktirme fırsatı da vardır
- Kodlama ajanlarına kıyasla veri miktarı daha azdır ve sonuçları doğrulamak da daha zordur; bu yüzden iyileşme döngüsü çok daha yavaştır
- Büyük fon toplamış şirketler olsa da bunların, çözümün kolay ama benimsemenin zor olduğu pazardaki liderler kadar sağlam biçimde yerleştiğini söylemek zordur; uzun vadeli rekabet sürüyor
Değişen sınırlar ve UX'in rolü
- Dört alan arasındaki sınırlar sabit değildir; hem sorun karmaşıklığı hem de benimseme zorluğu değişebilir
- Model yetenekleri birkaç ayda bir büyük sıçramalar gösterse de son dönemde model iyileşmelerinde bir duraklama işareti görülüyor; bu nedenle karmaşıklık eksenine ilgi görece azalıyor
- Daha büyük değişim potansiyeli kullanıcı deneyiminde (UX) yatıyor
- Yapay zeka uygulamalarının UX'i, hâlâ yeterince keşfedilmemiş bir alan
- Yeni UX paradigmaları, kullanıcıların ürünleri benimseme biçimini değiştirebilir
- Web için Claude Code, kodlama ajanlarını tarayıcıda sunarak IDE veya terminali göz korkutucu bulan kullanıcılar için erişimi kolaylaştıran bir örnek
Önümüzdeki 12~24 ay
- Önümüzdeki 12~24 ayda, hem benimsemenin hem çözümün zor olduğu pazarlarda kazananların ortaya çıkması bekleniyor
- Bunun Sierra ve Decagon'un büyümesi kadar pürüzsüz ilerlememesi muhtemel
- Değerlendirme döngüleri uzayacak
- Uygulama daha karmaşık hale gelecek
- Toplam başarı oranı da daha düşük olabilir
- Şirketler süreçlerini iyileştirip biriken verilerle model performansını artırdıkça, bu alanda devasa gelirler yaratılabilir
Henüz yorum yok.