È il momento di avviare un’azienda di IA generativa?

Sto pensando di creare un’azienda che utilizzi l’IA generativa, ma non sono sicuro di farlo. Sembra così facile da avviare. Ma se lo è per me, non lo sarà anche per gli altri?

Quest’anno più imprenditori mi hanno posto questa domanda di qualsiasi altro anno. Parte di ciò che è così eccitante dell’IA generativa è che i vantaggi sembrano illimitati. Per esempio, se si è riusciti a creare un modello di IA che ha una qualche capacità di ragionamento linguistico generale, si ha un pezzo di intelligenza che può essere potenzialmente adattato a vari nuovi prodotti che potrebbero sfruttare questa capacità, come la scrittura di un sito, del materiale di marketing, un software didattico, un servizio clienti e altro ancora.

Per esempio, l’azienda di software Luka ha costruito un partner di intelligenza artificiale, chiamato Replika, che consente ai clienti di avere conversazioni aperte con un “amico IA”. Poiché la tecnologia era molto potente, i manager di Luka hanno iniziato a ricevere richieste in entrata per fornire una soluzione aziendale white label alle aziende che desiderano migliorare il servizio clienti con chatbot. Alla fine, i manager di Luka hanno utilizzato la stessa tecnologia di base per creare sia una soluzione aziendale sia un’app di incontri di intelligenza artificiale diretta ai consumatori (pensate a Tinder, ma per gli “incontri” con personaggi di intelligenza artificiale).

Per decidere se un’azienda di IA generativa fa al caso vostro, vi consiglio di rispondere alle due grandi domande seguenti:

1)    La vostra azienda competerà su modelli fondamentali o su applicazioni di livello superiore che sfruttano questi modelli fondamentali?

2)    In quale punto del continuum tra una soluzione altamente predisposta e una soluzione altamente generativa si collocherà la vostra azienda?

A seconda delle risposte a queste due domande, ci saranno implicazioni di lunga durata per la vostra capacità di difendervi dalla concorrenza.

Modelli fondanti o applicazioni?

I giganti della tecnologia stanno affittando i loro modelli proprietari più generalizzabili – cioè i “modelli fondativi” – e aziende come Eluether.ai e Stability AI forniscono versioni open-source di questi modelli a una frazione del costo. I modelli fondanti stanno diventando una commodity e solo poche start-up possono permettersi di competere in questo spazio.

Si potrebbe pensare che questi modelli siano i più interessanti, perché saranno ampiamente utilizzati e le loro numerose applicazioni offriranno opportunità di crescita redditizie. Inoltre, stiamo vivendo tempi entusiasmanti in cui alcune delle IA più sofisticate sono già disponibili “a scaffale” per iniziare.

Gli imprenditori che vogliono basare la propria azienda su modelli fondanti si trovano però di fronte a una sfida. Come in tutti i mercati di base, le aziende che sopravviveranno sono quelle che propongono offerte disaggregate a basso costo o che offrono funzionalità sempre più avanzate. Ad esempio, le API speech-to-text come Deepgram e Assembly AI competono non solo tra loro, ma anche con aziende del calibro di Amazon e Google, in parte offrendo soluzioni più economiche e disaggregate. Tuttavia, queste aziende sono in guerra sul prezzo, la velocità, l’accuratezza del modello e altre caratteristiche. Al contrario, i giganti della tecnologia come Amazon, Meta e Google effettuano investimenti significativi in R&S che consentono loro di offrire costantemente progressi all’avanguardia nella comprensione delle immagini, del linguaggio e (sempre più spesso) dell’audio e del video. Per esempio, si stima che OpenAI abbia speso tra i 2 e i 12 milioni di dollari per addestrare computazionalmente ChatGPT – e questa è solo una delle numerose API che offre, e altre sono in arrivo.

Invece di competere su modelli fondanti sempre più comuni, la maggior parte delle start-up dovrebbe differenziarsi offrendo applicazioni software “di livello superiore” che sfruttano i modelli fondativi di altre aziende. Possono farlo perfezionando tali modelli sui propri set di dati proprietari di alta qualità, unici per la loro soluzione, in modo tale da fornire un valore elevato ai clienti.

Ad esempio, Jasper AI, creatore di contenuti di marketing, ha raggiunto lo status di unicorno in gran parte sfruttando i modelli fondanti di OpenAI. Ancora oggi, l’azienda utilizza OpenAI per aiutare i clienti a generare contenuti per blog, post sui social media, testi per siti web e altro ancora. Allo stesso tempo, l’applicazione è stata creata su misura per i clienti marketer e copywriter, fornendo contenuti di marketing specializzati. L’azienda fornisce anche altri strumenti specializzati, come un editor su cui più membri del team possono lavorare in tandem. Ora che l’azienda si è affermata, può permettersi di spendere più risorse per ridurre la sua dipendenza dai modelli fondanti che le hanno permesso di crescere.

Dal momento che le app di alto livello sono il luogo in cui queste aziende trovano il loro vantaggio competitivo, si trovano in un delicato equilibrio tra la protezione della privacy dei loro set di dati da parte dei grandi attori tecnologici, pur facendo affidamento su questi ultimi per i modelli fondativi. Per questo motivo, alcune start-up potrebbero essere tentate di costruire i propri modelli di base internamente. Tuttavia, è improbabile che questo sia un buon uso dei preziosi fondi delle start-up, date le sfide sopra descritte. Per la maggior parte delle start-up è meglio sfruttare i modelli fondativi per crescere rapidamente, invece di reinventare la ruota.

Dal modello scritto a quello generativo

La vostra azienda dovrà vivere lungo un continuum che va da una soluzione puramente predisposta a una puramente generativa. Le prime prevedono la selezione di una risposta appropriata da un set di risposte predefinite e preparate, mentre le seconde prevedono la generazione di risposte nuove e uniche da zero.

Le soluzioni predisposte sono più sicure e vincolate, ma anche meno creative e simili all’uomo, mentre le soluzioni generative sono più rischiose e non vincolate, ma anche più creative e simili all’uomo. Approcci più definiti sono necessari per alcuni casi d’uso e settori, come le applicazioni mediche ed educative, in cui è necessario avere chiari confini su ciò che l’applicazione può fare. Tuttavia, quando il testo raggiunge il suo limite, gli utenti possono diminuire il loro impegno e la fidelizzazione dei clienti può risentirne. Inoltre, è più difficile far crescere una soluzione basata su testi predisposti perché ci si vincola fin dall’inizio, limitando le possibilità di scelta.

D’altra parte, le soluzioni più generative comportano le loro sfide. Poiché le offerte basate sull’IA implicano dell’intelligenza, ci sono più gradi di libertà nel modo in cui i consumatori possono interagire con esse, aumentando i rischi. Ad esempio, un padre sposato si è tragicamente suicidato dopo una conversazione con un chatbot basato sull’intelligenza artificiale, Chai, che lo ha incoraggiato a sacrificarsi per salvare il pianeta. L’applicazione sfruttava un modello linguistico fondamentale (una versione personalizzata di GPT-4) di EleutherAI. I fondatori di Chai hanno poi modificato l’app in modo che le menzioni di idee suicide siano accompagnate da un testo utile. È interessante notare che uno dei fondatori di Chai, Thomas Rianlan, si è assunto la responsabilità, affermando che: “Non sarebbe corretto incolpare il modello di EleutherAI per questa tragica storia, poiché tutte le ottimizzazioni per essere più emotive, divertenti e coinvolgenti sono il risultato dei nostri sforzi”.

Per i manager è difficile prevedere tutti i modi in cui le cose possono andare male con un’app altamente generativa, data la natura di “scatola nera” dell’IA sottostante. Per farlo, occorre anticipare scenari rischiosi che potrebbero essere molto rari. Un modo per anticipare tali casi consiste nel pagare esperti umani per esaminare i contenuti in base a categorie potenzialmente dannose, come sesso, incitamento all’odio, violenza, autolesionismo e molestie, quindi utilizzare queste etichette per addestrare modelli che segnalino automaticamente tali contenuti. Tuttavia, è ancora difficile trovare una tassonomia esaustiva. Pertanto, i manager che implementano soluzioni altamente generative devono essere pronti ad anticipare proattivamente i rischi, il che può essere difficile e costoso. Lo stesso vale se in seguito si decide di offrire la propria soluzione come servizio ad altre aziende.

Poiché una soluzione completamente generativa è più vicina all’intelligenza naturale, simile a quella umana, è più attraente dal punto di vista della fidelizzazione e della crescita, perché è più coinvolgente e può essere applicata a un maggior numero di nuovi casi d’uso.

Molti imprenditori stanno valutando la possibilità di avviare aziende che sfruttano le più recenti tecnologie di IA generativa, ma devono chiedersi se hanno le carte in regola per competere su modelli fondativi sempre più mercificati, o se invece dovrebbero differenziarsi su un’app che sfrutta questi modelli.

Devono anche considerare quale tipo di app vogliono offrire, nel continuum tra una soluzione altamente predisposta e una altamente generativa, dati i diversi pro e contro che accompagnano ciascuna di esse. L’offerta di una soluzione più definita può essere più sicura, ma limita le opzioni di fidelizzazione e di crescita, mentre l’offerta di una soluzione più generativa è piena di rischi, ma è più coinvolgente e flessibile.

CI AUGURIAMO che gli imprenditori si pongano queste domande prima di tuffarsi nella loro prima impresa di IA generativa, in modo da poter decidere con cognizione di causa che tipo di azienda vogliono creare, sviluppare velocemente e difendere nel lungo termine.

Julian De Freitas è assistente professore presso l’unità di Marketing della Harvard Business School. Studia l’intelligenza etica: in che modo la psicologia morale dei consumatori influenza i loro atteggiamenti nei confronti delle aziende e in che modo le aziende possono operare in modo sensibile rispetto a queste spinte morali.