編者按：本文來自微信公眾號 有新Newin（ID：NewinData），作者： 有新，微新創(chuàng)想經(jīng)授權(quán)轉(zhuǎn)載。

AI 的討論度自 ChatGPT 發(fā)布以來基本上是有增無減，無論你在哪個(gè)行業(yè)或者是做什么，都有人談 AI，不僅是國內(nèi)焦慮，海外市場也一樣。

為了搞清楚基于 LLM 的初創(chuàng)公司到底在市場上有沒有立足點(diǎn)，外媒 TechCrunch 在不久前與 6 家海外 VC 機(jī)構(gòu)合伙人/區(qū)域負(fù)責(zé)人等進(jìn)行了專題討論，并拋出了關(guān)于商業(yè)模式、市場競爭、應(yīng)用層空間、GTM策略以及定價(jià)趨勢：

關(guān)于生成式 AI 技術(shù)堆棧，更偏好各個(gè)堆棧層的方案還是垂直方案？

Rick Grinnell（Glasswing Ventures）我們將生成式 AI 技術(shù)堆棧分為四個(gè)不同的層次：基礎(chǔ)模型提供商、中間層公司、最終市場或頂層應(yīng)用以及全棧或端到端的垂直公司。

我們認(rèn)為，大多數(shù)機(jī)會存在于應(yīng)用層，而在這個(gè)層次內(nèi)，我們認(rèn)為在不久的將來，最佳應(yīng)用將利用其內(nèi)部的專業(yè)知識來構(gòu)建專門的中間層工具，并將它們與適當(dāng)?shù)幕A(chǔ)模型相結(jié)合。這些是“垂直集成”或“全棧”應(yīng)用。

對于初創(chuàng)公司，這種方法意味著更短的上市時(shí)間。初創(chuàng)公司可以在不需要與外部實(shí)體協(xié)商或集成的情況下，以加快的速度創(chuàng)新、迭代和部署解決方案。這種速度和靈活性通常可以成為在競爭對手之前占領(lǐng)市場份額或滿足關(guān)鍵市場需求的區(qū)分因素。

另一方面，我們將中間層視為一個(gè)連接 AI 的基本要素與精細(xì)化專業(yè)應(yīng)用層的通道，這部分堆棧包括最先進(jìn)的能力，包括模型微調(diào)、提示工程和敏捷模型編排。

我們預(yù)計(jì)類似于 Databricks 的實(shí)體將在這個(gè)領(lǐng)域嶄露頭角。然而，這個(gè)層次的競爭動(dòng)態(tài)帶來了獨(dú)特的挑戰(zhàn)。首先，基礎(chǔ)模型提供商進(jìn)軍中間層工具領(lǐng)域加大了商品化風(fēng)險(xiǎn)。此外，已經(jīng)建立的市場領(lǐng)導(dǎo)者進(jìn)入這個(gè)領(lǐng)域進(jìn)一步加劇了競爭。因此，盡管在這一領(lǐng)域內(nèi)涌現(xiàn)出了許多初創(chuàng)公司，但仍需要找到明顯的贏家。

Edward Tsai（Alumni Ventures）我認(rèn)為會有很多初創(chuàng)公司在兩者之間進(jìn)行選擇。不過，我認(rèn)為出色的基礎(chǔ)設(shè)施需要更高的門檻，因?yàn)橛衼碜?OpenAI、Anthropic、Cohere和其他基礎(chǔ)模型公司的競爭，它們正在擴(kuò)展其LLM技術(shù)堆棧相關(guān)的工具和解決方案。

端到端的初創(chuàng)公司提供垂直解決方案，使解決業(yè)務(wù)問題變得容易，需要很少的額外工具，我認(rèn)為值得認(rèn)真考慮。在SaaS領(lǐng)域，許多垂直特定的端到端公司取得了很大的成功，比如 Toast 和 Procore。同樣，提供易于使用的工作流程和行業(yè)特定數(shù)據(jù)增值的 AI 公司可以為其最終企業(yè)客戶提供很大的幫助。

Lisa Calhoun（Valor VC）雖然有一些初創(chuàng)公司專門專注于技術(shù)堆棧的某些部分，比如 Pinecone，但 Valor 的關(guān)注點(diǎn)是應(yīng)用型 AI ，我們將其定義為解決客戶問題的AI。例如，Saile.ai 就是一個(gè)很好的例子 – 它使用 AI 為財(cái)富 500 強(qiáng)公司生成可關(guān)閉的潛在客戶線索。或者使用自己訓(xùn)練的數(shù)據(jù)集來創(chuàng)建更有用的信用風(fēng)險(xiǎn)評分，以及使用 AI 處理個(gè)體 DNA 的治療解決方案，以在特定情境下找到最適合你個(gè)人的最佳醫(yī)療治療方法。

Wei Lien Dang（Unusual Ventures）兩者都有，但大多數(shù)將從各個(gè)層面入手。例如，像 Lamini 這樣的公司專注于微調(diào)，LlamaIndex 正在致力于數(shù)據(jù)管理，LangChain 開始時(shí)處理 LLM 調(diào)用的順序，后來變得更像一個(gè)工具包，甚至那些提供端到端平臺的公司，如 MosaicML，也是從特定訓(xùn)練開始的。隨著時(shí)間的推移，更多公司將采用垂直方法，因?yàn)闆]有人想使用十幾種不同的工具來構(gòu)建一個(gè) LLM 應(yīng)用，但每個(gè)工具仍將具有核心的專業(yè)化領(lǐng)域。

Rak Garg（貝恩資本）我認(rèn)為有一些層次將保持水平分層，特別是芯片組和堆棧底部的預(yù)訓(xùn)練/微調(diào)層，很難想象初創(chuàng)公司會構(gòu)建一個(gè)垂直解決方案，涉足到技術(shù)堆棧的如此深層。在這些層面之上，我認(rèn)為我們將看到既有分層解決方案又有垂直方法，具體取決于特定的客戶特征。對于技術(shù)前衛(wèi)、更愿意自行開發(fā)而不是購買的公司，我預(yù)計(jì)他們將以最佳實(shí)踐方式消耗堆棧的每個(gè)層面的專業(yè)化提供商。

這為他們提供了絕對的靈活性、可定制性和領(lǐng)域特定性，以適應(yīng)其自身的情境和情況。受監(jiān)管行業(yè)是另一個(gè)例子——由于合規(guī)性原因，他們無法使用大多數(shù)商業(yè)產(chǎn)品，因此將使用各種組件進(jìn)行內(nèi)部構(gòu)建。對于非受監(jiān)管公司內(nèi)部的更多功能領(lǐng)域，如法律、財(cái)務(wù)、支持、運(yùn)營等，我預(yù)計(jì)他們將購買垂直應(yīng)用程序，其中包含特定組需要的一切，類似于銷售團(tuán)隊(duì)可能引入 HubSpot 而不是要求中央數(shù)據(jù)團(tuán)隊(duì)構(gòu)建 CRM 。

Sandeep Bakshi（Prosus Ventures）構(gòu)建跨堆棧的解決方案仍然非常有趣，迄今為止，我們在垂直特定和工具空間（即，所謂的"挖掘工具"）花費(fèi)了大部分時(shí)間。垂直方法，如我們的投資組合公司Corti 所展示的，Corti 是一家面向醫(yī)療保健領(lǐng)域的 AI 輔助系統(tǒng)，允許公司為特定企業(yè)和特定購買者設(shè)想構(gòu)建解決方案，這也使初創(chuàng)公司能夠?qū)Ｗ⒂谟?xùn)練他們的模型，使用垂直特定的數(shù)據(jù)集，從而提供與來自更廣泛數(shù)據(jù)集的結(jié)果相比更相關(guān)的答案。

隨著 Datadog 以及微軟這樣的新老巨頭加入，初創(chuàng)公司還有多少機(jī)會？

Rick Grinnell（Glasswing Ventures）LLM 可觀察性屬于“中間層”范疇，作為專門業(yè)務(wù)應(yīng)用程序使用基礎(chǔ)模型的催化劑，像 Datadog 、New Relic 和Splunk 等老牌公司都推出了 LLM 相關(guān)的工具，并似乎在這方面投入了大量的研發(fā)資金，這可能會在短期內(nèi)限制市場領(lǐng)域。

然而，正如我們在互聯(lián)網(wǎng)和云計(jì)算剛興起時(shí)所見，老牌公司通常會持續(xù)創(chuàng)新，直到創(chuàng)新變得停滯不前。隨著 AI 成為家喻戶曉的名詞，在各個(gè)垂直領(lǐng)域都找到了用途，初創(chuàng)公司有機(jī)會提供創(chuàng)新解決方案，顛覆并重新構(gòu)想老牌公司的工作。現(xiàn)在還為時(shí)尚早，無法確定贏家是誰，因?yàn)槊恳惶於紩l(fā)現(xiàn)現(xiàn)有 AI 框架中的新漏洞。在這其中，初創(chuàng)公司有巨大的機(jī)會。

Edward Tsai（Alumni Ventures）像 Datadog 這樣的老牌公司在向用戶推出優(yōu)秀的產(chǎn)品后確實(shí)會占據(jù)一部分市場份額。盡管如此，不同的客戶有不同的需求。除了Datadog 外，還有許多其他數(shù)據(jù)和 APM 可觀察性初創(chuàng)公司正在與Datadog 競爭，還有一些專門從事 AI 機(jī)器學(xué)習(xí)和 LLM 的公司，如 Arize 和 Aporia，類似于網(wǎng)絡(luò)安全領(lǐng)域，還有專門針對 AI 網(wǎng)絡(luò)安全的初創(chuàng)公司，比如 HiddenLayer 和 Protect AI，美國企業(yè)市場習(xí)慣于選擇大型平臺和最佳解決方案。

Lisa Calhoun（Valor VC）像 Datadog 這樣的工具只有在成功監(jiān)控 AI 性能瓶頸時(shí)才能更好的推廣AI工具，這本身仍然是一個(gè)尚未被探索的領(lǐng)域，在接下來的幾年里將會經(jīng)歷很多變化和成熟，其中一個(gè)關(guān)鍵因素可能是成本監(jiān)測，因?yàn)橄?OpenAI 這樣的公司主要按“token”計(jì)費(fèi)，這與大多數(shù)云計(jì)算的度量標(biāo)準(zhǔn)非常不同。

Wei Lien Dang（Unusual Ventures）我個(gè)人見過超過 10 家新創(chuàng)公司嘗試將 LLM 應(yīng)用于數(shù)據(jù)分析，它們都有相似的故事。這意味著初創(chuàng)公司的創(chuàng)始人需要更加努力地思考他們公司的“為什么現(xiàn)在？”除了能夠使用 LLM 。

單單 LLM 本身并不一定是成立公司的理由，Datadog 和其他老牌公司并沒有減小整體市場規(guī)模，但它們無疑對初創(chuàng)公司提出了更多壓力，要求它們能夠區(qū)分其產(chǎn)品并從 GTM 的角度競爭。

Rak Garg（貝恩資本）宏觀環(huán)境對許多企業(yè)預(yù)算施加了壓力，與現(xiàn)有供應(yīng)商擴(kuò)展、支出或贏得有利定價(jià)更容易，而不是嘗試引入新供應(yīng)商，這種動(dòng)態(tài)是導(dǎo)致老牌 LLM 產(chǎn)品對初創(chuàng)公司構(gòu)成威脅的原因。

市場機(jī)會仍然存在，特別是在安全性和可觀察性等領(lǐng)域，這些領(lǐng)域傳統(tǒng)上傾向于最佳產(chǎn)品，而不是傳統(tǒng)套件，但由于老牌解決方案產(chǎn)生的預(yù)算噪音，這將使很多初創(chuàng)公司在市場推廣方面具有挑戰(zhàn)性。

我鼓勵(lì)公司專注于新的機(jī)會：以前的解決方案無法自動(dòng)化的領(lǐng)域，以及可以重新構(gòu)想為現(xiàn)在可以提供 100 倍改進(jìn)的領(lǐng)域。如果不是如此，將不足以滿足需求。

除了 LLM 等基礎(chǔ)設(shè)施以外，初創(chuàng)公司還有多少市場空間？

Rick Grinnell（Glasswing Ventures）當(dāng)考慮到像 Alphabet/Google 的Bard、Microsoft & OpenAI 的GPT-4 和 Anthropic Claude 等基礎(chǔ)層模型提供商的市場情況時(shí)，明顯更大的玩家在數(shù)據(jù)獲取、人才庫和計(jì)算資源方面擁有固有優(yōu)勢。我們預(yù)計(jì)這一層次將像云提供商市場一樣形成寡頭結(jié)構(gòu)，盡管在這里加入了一個(gè)強(qiáng)大的開源備用方案，將推動(dòng)大規(guī)模的第三方采用。

當(dāng)我們看待生成式 AI 技術(shù)堆棧時(shí)，最大的市場機(jī)會位于模型本身之上。推出針對特定行業(yè)的 AI 引擎API和操作層的公司將創(chuàng)造全新的用例，并改變工作流程。通過采用這項(xiàng)技術(shù)來改革工作流程，這些公司有望釋放出巨大的價(jià)值。

然而，需要認(rèn)識到市場仍然遠(yuǎn)未完全成熟。LLM 仍處于初期階段，大公司和初創(chuàng)公司對其采用尚未完全成熟和完善。我們需要強(qiáng)大的工具和平臺，以促進(jìn)企業(yè)和個(gè)人更廣泛地利用這項(xiàng)技術(shù)。初創(chuàng)公司在這里有機(jī)會迅速采取行動(dòng)，找到新問題的新解決方案，并定義新的領(lǐng)域。

有趣的是，即使大型科技公司也認(rèn)識到他們的服務(wù)中存在的差距，并已開始與風(fēng)險(xiǎn)投資公司一起大量投資初創(chuàng)公司。這些公司將 AI 應(yīng)用于其內(nèi)部流程，因此看到初創(chuàng)公司在 LLM 部署和整合方面帶來的價(jià)值。考慮到Microsoft、Nvidia和 Salesforce 最近對 Inflection AI 和Cohere 等公司的投資。

Edward Tsai（Alumni Ventures）一個(gè)相關(guān)的觀點(diǎn)是，關(guān)于 LLM 和 AI 仍然存在許多開源工具。一些項(xiàng)目已經(jīng)成功籌集了資金，無論是 LangChain、Weaviate 還是 Together，開源初創(chuàng)公司受益于社區(qū)的貢獻(xiàn)，我認(rèn)為從長遠(yuǎn)來看這是一種競爭優(yōu)勢。

Wei Lien Dang（Unusual Ventures）市場上仍有很大的空間，因?yàn)閹缀趺考夜径紩褂?LLM 和 AI，但只有極少數(shù)公司希望并有預(yù)算進(jìn)行大規(guī)模的專業(yè)服務(wù)合作。我們將看到更多初創(chuàng)公司提供用于 LLM 部署的工具，而這些工具不需要專門的 AI 基礎(chǔ)架構(gòu)團(tuán)隊(duì)，這正是推動(dòng)“ AI 工程師”概念的原因。

當(dāng)市場上有 3000 多萬的開發(fā)人員可以輕松使用 LLM 來構(gòu)建應(yīng)用時(shí)，AI 將產(chǎn)生最大的影響。OpenAI 、Anthropic、Cohere等公司已經(jīng)在用戶中樹立了某種期望，即讓 LLM 的使用更加容易入門。

Rak Garg（貝恩資本）在基礎(chǔ)架構(gòu)方面，最大的科技公司實(shí)際上是工業(yè)中唯一可以在生產(chǎn)環(huán)境中以各種用例大規(guī)模運(yùn)行 LLM 的地方。圍繞這些技術(shù)工作的人可以離開并創(chuàng)辦公司，處理生產(chǎn)化 LLM 的各種工作，包括推理、數(shù)據(jù)整理、非結(jié)構(gòu)化數(shù)據(jù) ETL、RLHF（強(qiáng)化學(xué)習(xí)和人類輔助訓(xùn)練）平臺等等。

在垂直應(yīng)用方面，特別是在受監(jiān)管行業(yè)和手動(dòng)崗位中，由于許多老牌公司的技術(shù)復(fù)雜度較低，存在許多機(jī)會。

那些為特定行業(yè)訓(xùn)練 AI 模型的初創(chuàng)公司更具競爭力？

Rick Grinnell（Glasswing Ventures）為確保在 AI 整合不斷升溫的氛圍中，面向特定行業(yè)的初創(chuàng)公司能夠具有防御性，這些初創(chuàng)公司必須優(yōu)先考慮收集專有數(shù)據(jù)、整合復(fù)雜的應(yīng)用層，并確保輸出的準(zhǔn)確性。

我們已經(jīng)建立了一個(gè)評估 AI 公司應(yīng)用層防御性的框架。首先，應(yīng)用程序必須解決高管們優(yōu)先考慮的真正企業(yè)痛點(diǎn)。其次，為提供切實(shí)的利益和長期的差異化，應(yīng)用程序應(yīng)由符合特定和獨(dú)特軟件需求的尖端模型組成。僅僅依賴 OpenAI 并不足夠；相反，應(yīng)用程序應(yīng)當(dāng)在成本、計(jì)算和性能之間謹(jǐn)慎選擇其模型。

第三，應(yīng)用程序的復(fù)雜性取決于輸入的數(shù)據(jù)。專有數(shù)據(jù)對于提供特定和相關(guān)見解以及確保其他人無法復(fù)制最終產(chǎn)品至關(guān)重要。為此，在內(nèi)部的中間層能力提供了競爭優(yōu)勢，同時(shí)充分利用基礎(chǔ)模型的力量。

最后，由于生成式 AI 不可避免地存在誤差，所以細(xì)分市場必須能夠容忍不確定性，這在主觀和模糊的內(nèi)容中自然存在，如銷售或市場營銷。

Edward Tsai（Alumni Ventures）需要有良好的行業(yè)特定產(chǎn)品工作流程，這需要一些行業(yè)特定的專業(yè)知識和付出（行業(yè)集成、尋找尚不可立即獲得的數(shù)據(jù)源），這會提高初創(chuàng)公司競爭的門檻，使其更難以與缺乏行業(yè)特定知識或不愿深入研究的老牌公司和新參與者競爭。

盡管如此，我想提出一個(gè)有爭議的觀點(diǎn)，風(fēng)投公司和初創(chuàng)公司可能需要暫時(shí)減少對競爭優(yōu)勢的關(guān)注，增加對提供引人注目的價(jià)值和專注于市場速度的產(chǎn)品的關(guān)注。

過去一年里“類人” LLM 性能的顯著提升使得初創(chuàng)公司能夠迅速為最終客戶提供顯著價(jià)值。因此，我相信在許多市場上，“總有人會去做”，一些公司將著手開發(fā)具有顯著價(jià)值但市場尚不明確競爭優(yōu)勢的產(chǎn)品。

早期的客戶增長和收入增長將有助于初創(chuàng)公司脫穎而出，獲得時(shí)間、資源和客戶視野，以在更具競爭優(yōu)勢的領(lǐng)域部署新產(chǎn)品。

Lisa Calhoun（Valor VC）專注于你為客戶解決的問題，幾乎可以肯定 AI 只能解決問題的一部分。如何將所有部分整合在一起是創(chuàng)建出色解決方案的關(guān)鍵。

Rak Garg（貝恩資本）最近的論文越來越多地指向數(shù)據(jù)質(zhì)量和數(shù)據(jù)整理作為 LLM 質(zhì)量的關(guān)鍵因素。從我們自己的投資組合中，我們已經(jīng)了解到，為培訓(xùn)或微調(diào)提供最高質(zhì)量和最具差異化的數(shù)據(jù)對最終用戶產(chǎn)生了真正的影響。除了模型質(zhì)量，產(chǎn)品必須足夠好，能夠贏得用戶并防止他們流失，這與以往一樣。

Sandeep Bakshi（Prosus Ventures）這將取決于他們是否能夠使用與其細(xì)分市場特定的數(shù)據(jù)進(jìn)行模型訓(xùn)練，并使這些數(shù)據(jù)在某種程度上具有專有性。最終，這還取決于購買者特征。如預(yù)期的那樣，面向大型企業(yè)的銷售更為耗時(shí)，具有更高的準(zhǔn)入門檻，因?yàn)榇嬖诟鼜?fù)雜和多方面的批準(zhǔn)流程。因此，一旦一家公司成功進(jìn)入企業(yè)并繼續(xù)提供卓越的產(chǎn)品和引人入勝的客戶體驗(yàn)，它就是自然而然地具有競爭力。

初創(chuàng)公司可以假設(shè)他們未來的企業(yè) AI 客戶在內(nèi)部具備多少技術(shù)能力，這種假定的專業(yè)知識又如何指導(dǎo)初創(chuàng)公司的產(chǎn)品選擇和市場推廣策略？

Rick Grinnell（Glasswing Ventures）在企業(yè)領(lǐng)域，人們清楚地認(rèn)識到 AI 的價(jià)值，然而許多企業(yè)缺乏內(nèi)部開發(fā) AI 解決方案的能力，這種差距為專門從事 AI 的初創(chuàng)公司提供了與企業(yè)客戶合作的重要機(jī)會。隨著業(yè)務(wù)環(huán)境不斷成熟，利用 AI 的能力正在變得戰(zhàn)略性至關(guān)重要。

麥肯錫報(bào)告指出，單單生成式 AI 就可以通過編寫代碼、分析消費(fèi)趨勢、個(gè)性化客戶服務(wù)、提高運(yùn)營效率等方式，為各行業(yè)增加多達(dá) 4.4 萬億美元的價(jià)值，94% 的企業(yè)領(lǐng)導(dǎo)認(rèn)為，在未來五年內(nèi) AI 將對所有企業(yè)的成功至關(guān)重要，全球?qū)?AI 的總體支出預(yù)計(jì)將達(dá)到。

Edward Tsai（Alumni Ventures）有一系列解決方案的市場，從需要技術(shù)團(tuán)隊(duì)部署的開源解決方案到適用于業(yè)務(wù)用戶的易于使用、拖放式解決方案。初創(chuàng)公司應(yīng)考慮他們想要使用的范圍和入口點(diǎn)來部署其產(chǎn)品。簡單和美是難以實(shí)現(xiàn)的。因此，我認(rèn)為以簡單和易用性為出發(fā)點(diǎn)為企業(yè) AI 客戶設(shè)計(jì) AI 和 LLM 相關(guān)產(chǎn)品，可能會為初創(chuàng)公司帶來一些優(yōu)勢，與大型科技公司相比，一些大型科技公司可能不愿意在產(chǎn)品的簡單性和易用性方面做出妥協(xié)，以滿足需要進(jìn)行大量定制的最大客戶的需求。

Lisa Calhoun（Valor VC）在下一個(gè)周期內(nèi)，我們預(yù)計(jì)平均應(yīng)用型 AI 客戶的“ AI 技術(shù)能力”將與他們目前的技術(shù)能力差不多，總體來說不會太多。目前尚不清楚“提示”和“微調(diào)”等功能是否會成為內(nèi)部經(jīng)驗(yàn)的一部分，但這需要時(shí)間，解決自然界面問題的初創(chuàng)公司將處于領(lǐng)先地位。

Wei Lien Dang（Unusual Ventures）很多，或者至少它應(yīng)該對其產(chǎn)生很大影響。我見過很多創(chuàng)始人，尤其是那些來自 AI /機(jī)器學(xué)習(xí)背景的人，他們認(rèn)為他們的終端用戶將具有與他們相同的技術(shù)水平。但這取決于他們所針對的市場細(xì)分和用戶畫像。

例如，許多財(cái)富500強(qiáng)公司擁有內(nèi)部機(jī)器學(xué)習(xí)團(tuán)隊(duì)，并具有從使用機(jī)器學(xué)習(xí)進(jìn)行欺詐檢測、推薦和其他用例的角度來看的高度技術(shù)水平。

隨著市場的下沉，很多公司在使用 AI 方面缺乏第一手經(jīng)驗(yàn)，但他們對開始自助式使用 AI 表現(xiàn)出濃厚的興趣，一些人擁有的現(xiàn)有 AI 專業(yè)知識水平完全影響了他們?nèi)绾蚊枋鲎约旱膯栴}、解決問題所需的產(chǎn)品以及他們想要采用的方式。

Rak Garg（貝恩資本）根據(jù)我與數(shù)十家財(cái)富 500 強(qiáng)企業(yè)的采購商的交流經(jīng)驗(yàn)，大公司在整個(gè)組織中擁有豐富的技術(shù)能力，但在整個(gè)組織中利用這些能力可能有點(diǎn)懈怠；構(gòu)建基礎(chǔ)設(shè)施的初創(chuàng)公司將不得不說服采購商，現(xiàn)在是時(shí)機(jī)成熟，增加技術(shù)運(yùn)營的開銷將值得回報(bào)，并且基礎(chǔ)設(shè)施解決了公司當(dāng)前正在解決的實(shí)際問題。構(gòu)建應(yīng)用程序的初創(chuàng)公司需要吸引組織內(nèi)的功能用戶，這個(gè)過程與技術(shù)能力無關(guān)，更多的是與了解代表的工作有關(guān)。

Sandeep Bakshi（Prosus Ventures）這取決于企業(yè) AI 客戶。大型科技老牌企業(yè)（也是企業(yè)客戶）將擁有自己的技術(shù)人才，也將能夠根據(jù)他們的工作性質(zhì)招聘尖端的技術(shù)人才。我喜歡以這種方式思考這個(gè)問題：“什么會吸引一個(gè)具有技術(shù)能力的員工加入一家公司？”

我們認(rèn)為答案在于企業(yè)是否在進(jìn)行技術(shù)挑戰(zhàn)性的工作。對于專注于垂直領(lǐng)域的企業(yè)， AI 工作的技術(shù)性質(zhì)可能更多地涉及評估解決方案并在其特定垂直領(lǐng)域中實(shí)施，而不是構(gòu)建解決方案，因此我們將發(fā)現(xiàn)這些企業(yè)對開箱即用的解決方案需求更大。

我們已經(jīng)看到最近幾個(gè)季度使用或基于使用量定價(jià)的技術(shù)產(chǎn)品增長放緩。OpenAI 基于標(biāo)記和使用量的定價(jià)模式，這個(gè)事實(shí)是否會導(dǎo)致建立現(xiàn)代 AI 工具的初創(chuàng)公司采用更傳統(tǒng)的 SaaS 定價(jià)方式？

Rick Grinnell（Glasswing Ventures）到目前為止，我們看到大多數(shù) AI 初創(chuàng)公司仍然堅(jiān)持采用傳統(tǒng)的 SaaS 定價(jià)模式。在后端，使用基于使用量的分層已經(jīng)成為常態(tài)（AWS、Google），因此與風(fēng)險(xiǎn)投資公司已經(jīng)有大量關(guān)于如何劃分價(jià)格的知識庫，所以這并沒有太大不同。

Edward Tsai（Alumni Ventures）隨著基礎(chǔ)模型性能的提高和價(jià)格的下降，我們很可能會繼續(xù)看到更多傳統(tǒng)的基于 SaaS 的定價(jià)模式。在一些用例中，根據(jù)部署需要大量 API 調(diào)用基礎(chǔ)模型，可能會采用一種混合模型，其中使用會被限制或?qū)Ξ惓８呤褂寐蔬M(jìn)行限制，或采用定制的“企業(yè)”模型。

Wei Lien Dang（Unusual Ventures）隨著時(shí)間的推移，基礎(chǔ)架構(gòu)和應(yīng)用公司都將轉(zhuǎn)向傳統(tǒng)的 SaaS 定價(jià)模式，以通過功能和更好的開發(fā)者/用戶體驗(yàn)從他們的客戶那里捕獲更多的價(jià)值。

投資者也將更加關(guān)注這一點(diǎn)，因?yàn)樗苯佑绊懥诉@些企業(yè)的利潤率配置，基本上要求使用這些提供商的公司采用基于使用量的定價(jià)模式。

Rak Garg（貝恩資本）我們看到平臺費(fèi)用以及基于使用量的費(fèi)用的混合模式，這為最終用戶提供 LLM 功能變得有價(jià)值。

本文為專欄作者授權(quán)微新創(chuàng)想發(fā)表，版權(quán)歸原作者所有。文章系作者個(gè)人觀點(diǎn)，不代表微新創(chuàng)想立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系http://www.i0562.net/。