La revanche des GPT Wrappers : la défendabilité dans l’univers des modèles d’IA commercialisés

defensibility : défendabilité (traduit ici comme exclusivité lorsqu’il est utilisé avec moat)
moat : douve

Exemples de services GPT Wrapper : Character.ai, Perplexity AI

Commentaire sur Y Combinator : https://news.ycombinator.com/item?id=42971442

[xguru]

Ceci est un résumé.

• Le secteur de l’IA a connu de nombreux progrès au cours de l’année écoulée, avec l’arrivée de nouveaux acteurs et une forte croissance des produits centrés sur l’IA
• Mais les startups de modèles d’IA font face à des questions fondamentales :
  • Si les startups de modèles d’IA ont peu de défenses et que les alternatives open source ainsi que les nouveaux entrants continuent d’éroder leur avance, qui finira par gagner ?
  • Les nouvelles applications centrées sur l’IA affichent une croissance spectaculaire grâce à l’effet de nouveauté. Mais avec le temps, quand l’IA deviendra une attente et que la nouveauté disparaîtra, qui remportera la bataille de la distribution parmi la multitude de nouveaux produits ? Comment ces produits vont-ils croître et atteindre leurs clients sur un marché saturé ?
  • Que se passera-t-il si copier un autre produit devient réellement trivial, du genre : « IA, crée-moi une application identique à productxyz.com et héberge-la sur productabc.com ! » ? Autrefois, il fallait des mois pour copier un nouveau produit, ce qui laissait du temps pour construire une avance. Mais si le rattrapage devient immédiat et rapide, comment les produits conserveront-ils leurs utilisateurs ?
  • Ces dernières années, les produits IA innovants qui ne construisaient pas leur propre modèle ont été rabaissés comme de simples « wrappers GPT » low-tech. Pourtant, au cours des dernières décennies, des produits grand public qui semblaient peu techniques et faiblement défendables ont quand même créé une valeur immense. L’avenir ressemblera-t-il au passé ?
• Dans cet environnement, une immense guerre entre « wrappers GPT » est en train d’éclater, et les stratégies de défense traditionnelles — en particulier l’avantage durable en matière de distribution et d’effets de réseau — reviennent au premier plan
• Elles n’apparaîtront pas exactement sous la même forme, mais se combineront aux capacités de l’IA pour créer de nouvelles formes
• De cette manière, la prochaine génération de produits IA évoluera en s’appuyant sur les mêmes forces qui ont porté les précédentes vagues de l’informatique, comme le Web 2.0, la crypto ou l’économie à la demande

Une théorie ratée sur les défenses de l’IA ?

• Une théorie populaire sur la défendabilité dans l’IA était simple et a dominé les débats ces dernières années :
  • On observait que la quantité de données/de calcul/d’énergie nécessaire pour construire chaque génération de modèles d’IA augmentait de façon exponentielle.
  • En 2024, il fallait déjà plus de 100 millions de dollars, et à l’avenir il faudrait des milliards, créant ainsi un fossé d’« effets d’échelle » face aux nouveaux entrants.
  • En outre, à mesure que les modèles d’IA deviendraient plus puissants, ils seraient capables de tout faire pour les applications, si bien que la plupart des apps seraient réduites à de simples « wrappers GPT » reliés à des modèles de base toujours plus puissants.
  • Dans cette vision, quelques grandes entreprises de modèles capteraient toute la valeur et imposeraient une taxe à l’écosystème d’applications wrappers GPT construit au-dessus.
• En février 2025, cette théorie se heurte à d’importantes complexités :
  • Les modèles de pointe n’ont qu’environ six mois d’avance sur les modèles open source, et de nouveaux entrants produisent régulièrement des modèles aux performances comparables (Grok, DeepSeek, etc.).
  • De plus, le volume de données d’entraînement — qui donnait au départ un fort avantage aux grands acteurs capables d’y accéder tôt — atteint ses limites naturelles.
  • Et même si entraîner des modèles de pointe exige beaucoup d’argent, d’énergie et de calcul, les concurrents atteignent des performances similaires via la distillation de modèles.
  • Dans le même temps, une nouvelle couche de startups d’applications spécialisées sur des niches précises comme les outils créatifs, le service client ou le juridique a émergé, affichant en moins d’un an une croissance de 0 à plus de 5 millions de dollars d’ARR.
• Dans la plupart des cas, ces startups n’indiquent même pas explicitement quel modèle d’IA de base elles intègrent, et ni les utilisateurs ni les clients ne s’en soucient.
• Est-il temps d’encourager les wrappers GPT ? Et quelle devrait être la nouvelle théorie de défense pour cette nouvelle génération d’applications centrées sur l’IA ? Parmi la multitude d’applications IA-first, lesquelles dureront ?
• Bien sûr, il y a aussi les effets de réseau. Nous avons vu qu’ils ont joué un rôle essentiel dans la défendabilité de la dernière génération d’outils de collaboration au travail, de marketplaces, de réseaux sociaux, etc. (comme je l’ai expliqué dans mon livre The Cold Start Problem) — et je pense qu’ils peuvent aussi jouer un rôle majeur à l’ère de l’IA.

Les wrappers de base de données et les apps CRUD

• Se référer à la courbe en S de la croissance des applications web entre les années 1990 et 2010 aide à comprendre la situation actuelle de l’IA.
  • Au début du boom dot-com dans les années 1990, il fallait lever des millions de dollars pour construire une v1 de site web, faute d’infrastructure.
  • Il fallait installer soi-même les serveurs dans des data centers, utiliser des stacks logicielles propriétaires, et les stratégies de croissance étaient des approches inefficaces empruntées aux biens de grande consommation (CPG).
  • À l’époque, le simple fait qu’un produit « fonctionne » constituait déjà le principal facteur de différenciation, et les premières entreprises du web étaient surtout fondées par des docteurs en informatique de Stanford.
• Mais deux générations plus tard, construire un site web est devenu simple grâce aux avancées de l’open source, du cloud computing et de la publicité au coût par clic (CPC).
  • Beaucoup d’applications web populaires n’étaient guère plus que de simples « wrappers de base de données » (ou apps CRUD).
  • Des services comme les blogs, Twitter ou Flickr en sont des exemples représentatifs, offrant des fonctions simples de création (Create), lecture (Read), modification (Update) et suppression (Delete) de données.
  • L’arrivée de Ruby on Rails et des logiciels de CMS a encore facilité ce type de développement web.
  • Déjà à l’époque, les venture capitalists (VC) posaient la question : « Un produit comme Facebook peut-il avoir une vraie défendabilité ? »
• Pourtant, l’ère du Web 2.0 a résolu ce problème en s’appuyant sur les effets de réseau.
  • Il ne s’agissait plus seulement de simples apps CRUD, mais d’ajouter des fonctions permettant à toute une communauté ou à un réseau de partager des données et de collaborer.
  • Tant que le réseau tenait, le produit devenait défendable, et c’est ce qui a été l’un des éléments clés de la relance de la tech grand public à l’ère du Web 2.0.
  • On avait déjà vu un phénomène comparable auparavant : le boom des interfaces GUI sur Windows/Mac au début des années 1990 a lui aussi été stimulé par la multiplication des « applications orientées formulaires » créées avec Visual Basic.
• Autrement dit, de la même manière que la stack technologique propriétaire et fermée du début d’Internet s’est ouverte et commoditisée avec le Web 2.0, l’IA pourrait suivre une trajectoire similaire.
  • L’axe de la concurrence se déplace de « Peut-on le construire ? Peut-on lever l’argent nécessaire ? » vers « On peut le construire, mais est-ce que les gens vont l’utiliser ? Et est-ce que cela durera ? »
  • Les produits IA suivent eux aussi cette dynamique de transformation et évolueront vers de nouvelles formes combinant IA et effets de réseau.

Croissance et effets de réseau dans un monde dominé par les wrappers GPT

• Les effets de réseau désignent le « phénomène par lequel la valeur d’un produit augmente à mesure que le nombre d’utilisateurs grandit ».
  • Les marketplaces, les réseaux sociaux et les outils collaboratifs en sont des exemples typiques.
• Une compétition va s’ouvrir entre, d’un côté, les produits IA qui ajoutent des fonctions de réseau et, de l’autre, les produits de réseau existants qui intègrent l’IA.
• Sur les marchés B2B et SMB, des fonctions de collaboration (commentaires, tags, partage) et la prise en charge des équipes s’ajouteront naturellement.
• En revanche, il reste incertain que l’IA puisse réinventer en profondeur les réseaux sociaux.
  • Les gens veulent toujours interagir avec d’autres humains.
  • La question demeure de savoir si l’IA remplacera les relations humaines ou jouera plutôt un rôle d’assistance.
  • Par exemple, une app sociale fondée sur l’IA pourrait amener les utilisateurs à partager non pas de simples mèmes à base d’images, mais des contenus interactifs personnalisés.
• À ce jour, il n’existe pas encore de cas pleinement réussi de produit IA grand public.
  • Il existe quelques cas comme Character.ai, mais les apps grand public centrées sur l’IA à très forte croissance ne sont pas encore solidement établies.
  • Cela peut s’expliquer par le fait que le coût des API n’a pas encore assez baissé et que la compétitivité des entreprises en place reste forte.
  • Il se peut aussi que l’IA ait encore du mal à générer des interactions intéressantes au niveau humain.
• Mais si des produits combinant IA et fonctions de réseau apparaissent, ils pourront être faciles à copier tout en devenant défendables grâce aux effets de réseau.
• On peut structurer les effets de réseau autour de trois axes :
  • Effets de réseau d’acquisition
    • Le produit peut exploiter le réseau d’utilisateurs existant pour inviter de nouveaux utilisateurs, favoriser le partage et accroître l’acquisition.
    • Les produits IA peuvent générer des contenus attractifs qui encouragent naturellement le partage.
  • Effets de rétention et d’engagement
    • Les produits fondés sur un réseau peuvent réactiver les utilisateurs existants via les commentaires, les tags, les fichiers partagés, etc.
    • Un produit IA simple doit s’appuyer sur l’e-mail et les notifications push, alors qu’un produit fondé sur un réseau peut bénéficier d’une rétention bien plus forte.
  • Effets de monétisation
    • Plus un outil collaboratif est largement utilisé dans une entreprise, plus il a de chances de basculer vers une offre tarifaire plus élevée.
    • Si un jeu social monétise des éléments comme la personnalisation d’avatar, les interactions avec les amis peuvent en accroître la valeur.
• En fin de compte, les produits IA entreront sans doute sur le marché d’abord grâce à des fonctionnalités inédites et étonnantes, puis croîtront et construiront leurs défenses en ajoutant progressivement des fonctions de réseau.

La génération actuelle de l’IA va-t-elle gagner, ou une nouvelle génération va-t-elle émerger ?

• L’histoire de l’innovation technologique montre que lorsque de nouvelles plateformes apparaissent, les entreprises en place ont du mal à s’adapter.
  • Par exemple, au début de la révolution mobile, Flipboard, Foursquare et Kik ont gagné en popularité, mais ce sont finalement des arrivants plus tardifs comme Uber et DoorDash qui ont dominé le marché.
  • Dans l’ère actuelle de l’IA, les premières startups IA apportent la nouveauté, mais des suiveurs plus tardifs combinant cette nouveauté avec des effets de réseau pourraient réussir bien davantage.
• Par ailleurs, comme les grandes entreprises technologiques adoptent rapidement l’IA, rien ne garantit que des startups entièrement nouvelles l’emporteront nécessairement.
• L’ère de l’IA évolue rapidement, et la combinaison entre stratégies de défense traditionnelles et IA fait émerger de nouveaux marchés.
• On ne sait pas encore quelles entreprises gagneront à l’avenir, mais il est certain que la période sera passionnante.

[felizgeek]

Résumé des commentaires

1. Facteurs de succès de l’IA et des LLM : des solutions IA/LLM performantes nécessitent des processus ETL (Extract, Transform, Load) de haut niveau. En particulier, la capacité à prétraiter et agréger les données d’un domaine spécifique détermine l’avantage concurrentiel d’une entreprise.

2. Rôle des « wrappers » IA : pour être supérieurs au modèle de base, les wrappers doivent exceller dans le traitement et l’intégration de données propres à un domaine. C’est ce qui constitue le véritable moat d’une entreprise.

3. Open source et copie : beaucoup de produits utilisent du code open source, mais sont souvent copiés sans que le code réel soit lu. Cela peut conduire à une innovation superficielle, comme dans le cas de « left-pad ».

4. Concurrence entre grands modèles : les grands modèles gagnent des parts de marché, et les autres produits doivent rivaliser à leur périphérie. Avec la baisse rapide des coûts d’inférence, le choix des modèles selon les cas d’usage se réduit.

5. Reproductibilité des applications basées sur l’IA : les apps basées sur l’IA peuvent être difficiles à reproduire. En particulier, la complexité des prompts et des interactions entre modèles représente un défi majeur pour la copie.

6. Concurrence entre modèles et wrappers : la concurrence s’intensifie au niveau de la couche modèle, tandis que les wrappers peuvent se forger un avantage compétitif du côté de l’ingénierie logicielle.

7. Rôle de l’OS : les fabricants d’OS disposent d’un avantage majeur pour intégrer des fonctions IA en exploitant le contexte utilisateur. Cela peut leur donner un avantage concurrentiel face aux développeurs d’applications existants.

8. Éléments de création de valeur : des prompts spécialisés, l’accès à des données structurées et les effets de réseau pourraient être des éléments clés de la création de valeur future.

9. Importance des données d’entraînement : les données d’entraînement peuvent fournir un avantage concurrentiel. Des données qui reflètent fidèlement le comportement d’utilisateurs spécifiques peuvent constituer un actif majeur différenciant un produit de ses copies.

10. Modèles de licence et dépendance aux plateformes : les entreprises doivent prendre en compte leur dépendance à certaines plateformes, car cela peut accroître l’incertitude. Il existe notamment un risque de perdre la moitié d’un marché ou de devoir interrompre son activité à cause d’injonctions géopolitiques.

[dongwon]

Je suis d’accord... avec le commentaire sur YC disant que, pour être un bon wrapper, il faut avoir un ETL solide.