AI có thể là một trong những công nghệ tạo ra giá trị mạnh mẽ nhất trong lịch sử, nhưng vẫn có vấn đề về khả năng thu hồi giá trị.
Alex Karp nói rằng các công ty mua AI có nguy cơ rò rỉ tài sản trí tuệ của họ vào Anthropic và OpenAI. Satya Nadella gọi câu trả lời là chủ quyền: một công ty kiểm soát trí tuệ của chính mình thay vì đi thuê lại từng truy vấn một. Họ đang nói những điều tương tự nhưng truyền đạt hơi khác một chút: tài sản khan hiếm không còn chỉ là mô hình, mà còn là bối cảnh và bí quyết mà mô hình học được từ các mẫu hình tổng hợp của công ty bạn và các đối thủ cạnh tranh.
Hãy lấy ngành bảo hiểm. Hãy tưởng tượng State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual, và hơn 100 công ty bảo hiểm nhỏ hơn đều chạy yêu cầu bồi thường qua cùng một mô hình. Mỗi công ty cung cấp cho nó cùng một luồng bối cảnh: mô tả tai nạn, ảnh chụp, dự toán sửa chữa, ghi chú của giám định viên, phê duyệt gần rìa, cờ gian lận, ghi đè, thanh toán, kháng cáo, kết quả thu hồi.
Lúc đầu, điều này rõ ràng là hữu ích. Mô hình xử lý yêu cầu bồi thường nhanh hơn, gắn cờ các trường hợp đáng ngờ, học được dự toán sửa chữa nào bị thổi phồng, mô hình y tế nào trông lạ, và các ghi đè nào sau đó trở thành tổn thất.
Nhưng nếu cùng một mô hình học hỏi từ mọi công ty bảo hiểm, thì phán đoán về yêu cầu bồi thường của bạn có còn là lợi thế của bạn không? Ngoại lệ bảo lãnh phát hành từng bảo vệ tỷ lệ tổn thất của bạn trở thành một điểm chuẩn. Mô hình gian lận mà nhóm của bạn phát hiện sớm trở thành một tính năng được bán lại cho thị trường.
Hãy để ý những gì bạn giữ lại và những gì bạn mất đi. Công ty bảo hiểm vẫn sở hữu rủi ro, mối quan hệ khách hàng, cơ quan quản lý và tỷ lệ tổn thất. Mô hình dùng chung ngày càng sở hữu đường cong học tập. Sai lầm, ghi đè và trực quan về yêu cầu bồi thường khó có được của bạn trở thành tín hiệu huấn luyện.
Trực quan đó là một phần tài sản trí tuệ thực sự của bạn. Không phải loại đã đăng ký, bằng sáng chế và thương hiệu, mà là loại vận hành: cách nhân viên của bạn định giá rủi ro, phát hiện gian lận, đọc các tình huống mơ hồ và sử dụng mọi thứ công ty biết. Mô hình có thể phá bỏ một trong những hào kinh tế của bạn bằng cách làm cho phán đoán khan hiếm đó trở nên có thể tái tạo.
Đây là lý do tại sao các doanh nghiệp chỉ tập trung vào bảo vệ dữ liệu đang suy nghĩ quá hẹp. Tài sản sâu xa hơn là bối cảnh thể chế và bí quyết: phán đoán trong đầu mọi người về công việc chuyên môn khó khăn.
Các phòng thí nghiệm hiểu điều này. OpenAI và Anthropic được báo cáo là mở rộng quy mô dữ liệu gấp 10 lần mỗi năm và chi hàng tỷ đô la huy động các chuyên gia trong lĩnh vực để tạo ra các nhiệm vụ huấn luyện tác nhân. Một nhiệm vụ là công việc chuyên môn được đóng gói thành thứ mà mô hình có thể học: lời nhắc, môi trường, hành động, tiêu chí đánh giá, người xác minh, điểm số.
Bây giờ hãy lấy khoa học đời sống. Anthropic đã làm rõ hướng đi của mình: các công cụ cho nhà nghiên cứu hôm nay, khám phá tự động hơn theo thời gian. Claude for Life Sciences và Claude Science đưa tài liệu, tác nhân, hiện vật khoa học, khả năng tái tạo và sức mạnh tính toán vào một "bàn làm việc" duy nhất. Nếu hàng nghìn công ty công nghệ sinh học sử dụng hệ thống đó xung quanh các mục tiêu, xét nghiệm, an toàn, điểm cuối và các quyết định dừng hoặc tiếp tục, thì cơn ác mộng không phải là Anthropic thấy được khám phá cụ thể của một công ty công nghệ sinh học nào đó; mà là Anthropic học được các câu hỏi và phán đoán nghiêm túc về khám phá thuốc trông như thế nào trên hàng nghìn công ty trong khi cũng tham gia vào lĩnh vực đó.
Các sản phẩm trực tiếp là cách thu hồi "học tập" này ở quy mô lớn. Trong bảo hiểm, mô hình hòa tan lợi thế của bạn vào mức cơ sở của ngành. Trong dược phẩm, nó có thể làm điều đó và sau đó cạnh tranh với bạn bằng cách sử dụng những gì nhiều công ty đã dạy nó. Nó cũng làm cho các hào kinh tế thực sự của bạn dễ bị tổn thương hơn (sẽ nói thêm sau).
Tôi nghĩ không ai tranh luận với thực tế rằng AI tạo ra giá trị bằng cách làm cho bí quyết riêng tư có thể sử dụng được ở quy mô lớn. Nhưng nó cũng làm cho "bí quyết" trở nên khan hiếm hơn. Nếu mọi công ty bảo hiểm, ngân hàng hay công ty công nghệ sinh học có thể truy cập cùng một khả năng thông qua cùng một mô hình, thì những gì từng là lợi thế của bạn trở thành mức cơ sở của ngành. Giá trị không biến mất; nó bị chia cắt: khách hàng nhận được giá thấp hơn hoặc dịch vụ tốt hơn, nhà cung cấp mô hình nhận được sự học tập, và bạn nhận được một khoản tăng năng suất tạm thời mà cạnh tranh làm xói mòn.
Đây là lý do tại sao rất ít giá trị bền vững ở lại với bạn.
- Nếu mọi người đều có cùng lợi thế, khách hàng sẽ giữ nó. Hãy tưởng tượng một nhà sản xuất ô tô sử dụng mô hình để đàm phán chất bán dẫn, nhựa, vận chuyển hàng hóa, năng lực sản xuất theo hợp đồng và các bộ phận thay thế. Lợi thế là mua tốt hơn nhà sản xuất tiếp theo: biết tình trạng thiếu hụt nhà cung cấp nào là thật, báo giá nào có biên lợi nhuận dư thừa, và khi nào duy trì nguồn cung quan trọng hơn việc ép giá. Nếu mọi nhà sản xuất đều chạy mua sắm qua cùng một mô hình, mô hình không chỉ hạ thấp chi phí. Nó làm cho việc mua hàng trở nên "giống nhau" hơn. Người mua tốt nhất mất đi khoảng cách giữa quy trình của mình và của mọi người khác. Các nhà cung cấp cũng thích ứng: một khi mọi người mua đều đến với cùng một phân tích chi phí cần có, bản đồ nguồn thay thế và kịch bản đàm phán, thì kịch bản đó trở thành một phần được định giá trong.
- Mô hình cũng thu giữ những gì kết hợp lại. Hãy tưởng tượng 1.000 công ty công nghệ sinh học hạn chế về nguồn lực sử dụng Claude for Life Sciences vì họ không có nền tảng nội bộ như một công ty dược phẩm lớn. Mỗi công ty sở hữu hợp chất, chi phí phòng thí nghiệm, chương trình thất bại và dấu vết quy định của mình. Nhưng bàn làm việc có thể thấy mô hình xuyên suốt tất cả: tín hiệu độc tính nào đã giết chết chương trình, xét nghiệm nào đã tạo ra sự tự tin sai lầm, điểm cuối nào yếu, và phân nhóm bệnh nhân nào không phù hợp. Nếu nó ngồi qua đủ nhiều công ty công nghệ sinh học và dược phẩm, nó có thể thấy các mô hình thất bại mà không một công ty đơn lẻ nào có thể thấy. Trong khi lợi thế dữ liệu nằm ở tính độc quyền, một bàn làm việc dùng chung phá vỡ tính độc quyền bằng cách tổng hợp. Và bởi vì Anthropic có ý định phát triển thuốc của riêng mình, công cụ bạn áp dụng để đạt hiệu quả được xây dựng bởi thực thể có mục tiêu cuối cùng là làm những gì bạn làm, sử dụng những gì nó học được bằng cách quan sát lĩnh vực làm việc.
- Bạn đóng góp cái độc đáo và nhận lại cái trung bình. Bạn đóng góp phán đoán, dữ liệu, bối cảnh và quyết định khác biệt: mô hình gian lận mà nhóm bạn một mình phát hiện, lời nói dối của nhà cung cấp mà người mua của bạn bỏ qua, giao dịch mà PM của bạn đã giết chết trước khi thị trường thấy nó. Bạn nhận lại sự pha trộn của mọi người. Citadel sẽ không bao giờ muốn mọi pod trên thế giới được huấn luyện trên tiêu chí giết chết của PM giỏi nhất của mình. Đối với công ty tốt nhất, đó là giao dịch thua lỗ: bạn giao phán đoán trên trung bình và nhận lại mức trung bình.
- Quyền dữ liệu không phải là quyền học tập. Các công ty biết cách đàm phán về lưu giữ, bảo mật, an ninh, kiểm soát truy cập và tùy chọn không tham gia huấn luyện. Nhưng câu hỏi quan trọng hơn là ai sở hữu phán đoán rút ra: nhiệm vụ, vòng phản hồi, đánh giá, dấu vết quy trình làm việc, chỉnh sửa, chế độ thất bại, mô hình quyết định, kỹ năng tác nhân và thông tin chi tiết về sản phẩm. Một khi công ty mô hình biết vấn đề khó, nó có thể tiếp thu logic công việc theo cách khác. Nó có thể tìm nguồn chuyên gia để tạo ra các trường hợp kiểm tra cùng các quyết định: mô hình có nên tăng giá, thắt chặt bảo lãnh phát hành, gắn cờ gian lận, loại trừ một phân khúc, hay chấp nhận tỷ lệ tổn thất xấu hơn để giữ một khách hàng có lợi nhuận? Lý luận trở nên có thể huấn luyện được.
- Lợi ích chỉ đến trước; sự phụ thuộc kết hợp lại. Việc áp dụng lần đầu tạo ra một bước nhảy năng suất thực sự. Nhưng một khi các đối thủ cạnh tranh chạy cùng một mô hình, bước nhảy đó trở thành mức cơ sở, và những gì còn lại không phải là lợi thế của bạn, mà là sự phụ thuộc của bạn vào bản nâng cấp tiếp theo. Mọi người sẽ thu hồi mức tăng đầu tiên nhưng nhà cung cấp thu hồi đường cong học tập định kỳ. Năm thứ nhất, mô hình nhà máy giảm thời gian chết, nhưng sau đó mọi đối thủ đều có cùng quy trình bảo trì dự đoán và nhà cung cấp sở hữu trực giác quy trình mà bạn bây giờ phụ thuộc vào.
Không điều nào trong số này có nghĩa là không thu hồi được gì. Người đầu tiên hành động kiếm được lợi nhuận thực sự trong khoảng thời gian trước khi các đối thủ áp dụng. Vấn đề duy nhất là giá trị bền vững thuộc về bất kỳ ai sở hữu sự học tập, và theo mặc định, đó không phải là bạn. Điều này biến toàn bộ vấn đề thành các quyết định được thực hiện theo từng quy trình làm việc, từng nhiệm vụ. Nơi công việc của bạn là chung chung, hãy gộp chung và nhận lợi ích, bởi vì ở đó bạn đang bảo vệ sự tầm thường. Nơi phán đoán của nhân viên bạn là sản phẩm, hãy giữ nó khỏi mô hình dùng chung.
Đây là cách đơn giản nhất để thấy nó. Hãy nghĩ về TikTok, YouTube và Google: bạn nghĩ bạn là khách hàng, nhưng bạn là nguyên liệu thô. Mỗi video bạn xem xong dạy thuật toán điều gì hiệu quả, và sự học tập đó là sản phẩm thực sự, được bán cho nhà quảng cáo tiếp theo và được sử dụng để thu hút người dùng tiếp theo.
Đó là cách các CEO nên nghĩ về Anthropic và OpenAI: TikTok cho dữ liệu doanh nghiệp, ngoại trừ nguồn cấp dữ liệu là công việc của bạn và tín hiệu tương tác là phán đoán của bạn. Các nhà cung cấp mô hình là cỗ máy đó hướng tới bí quyết đắt đỏ nhất trong công ty bạn. Các chuyên gia của bạn xuất hiện để được trợ giúp với yêu cầu bồi thường, giao dịch, điều khoản hợp đồng, nhà cung cấp, thử nghiệm, quyết định rủi ro và vấn đề sản xuất. Mỗi sự do dự, ghi đè, leo thang, phê duyệt, từ chối và cái nhìn thứ hai dạy mô hình cách công ty bạn suy nghĩ.
Trên TikTok, người sáng tạo ít nhất được trả tiền. Ở đây, bạn cung cấp dữ liệu, bối cảnh và sự học tập ("bí quyết") từ dữ liệu, và nền tảng có thể bán sản phẩm hoàn chỉnh trở lại cho toàn bộ ngành của bạn, hoặc cuối cùng chọn cạnh tranh với bạn trong trường hợp dược phẩm.
Vì vậy, câu hỏi dành cho giám đốc điều hành rất đơn giản: bạn có muốn TikTok của riêng công ty mình, hay bạn muốn sử dụng cái dùng chung? Bạn có thể cần phải đi qua cả hai.
Trước khi đưa bất kỳ quy trình làm việc giá trị cao nào vào Anthropic, OpenAI, hoặc một mô hình dùng chung khác, hãy tự hỏi một câu: nếu mọi đối thủ cạnh tranh đều học cách chúng ta xử lý quyết định này, liệu chúng ta có vẫn tốt hơn họ không?
