Настоящий moat в AI начинается там, где заканчивается зависимость от чужой модели
Разбор твита
«Люди, которые серьёзно относятся к разработке ПО, обучают собственные модели».
Смысл не обязательно в том, что каждой команде нужно с нуля обучать аналог GPT за миллиарды долларов. Скорее он говорит: если ИИ является существенной частью вашего продукта, нельзя навсегда оставаться просто пользователем чужого универсального API.
Условно есть несколько уровней:
- Самый простой: взять GPT/Claude/Gemini и написать вокруг него приложение.
- Следующий: добавить свои данные, RAG, инструменты, evals, системные промпты.
- Глубже: fine-tuning, distillation, reinforcement learning на собственных данных.
- Максимально серьёзный: обучать собственную специализированную модель или хотя бы существенно контролировать её обучение и датасет.
Почему это может быть важно: если две компании используют одну и ту же базовую модель через один и тот же API, сама модель почти не является конкурентным преимуществом. А собственные данные + собственный процесс обучения + собственные evals уже могут создать продукт, который конкуренту трудно просто скопировать.
Здесь ещё, вероятно, есть отсылка к знаменитой фразе Алана Кея:
«Люди, которые действительно серьёзно относятся к программному обеспечению, должны делать собственное железо».
Наваль как будто переносит эту мысль из эпохи Apple/персональных компьютеров в эпоху AI: раньше вертикальная интеграция означала software + hardware, теперь — software + model.
При этом я бы не воспринимал пост буквально как «если ты не обучаешь LLM с нуля, ты несерьёзный разработчик». Это скорее провокационная формулировка. Для 99% обычного ПО обучение собственной foundation model экономически бессмысленно. Но для AI-компании мысль вполне содержательная: модель постепенно становится частью исходного кода продукта, а обучение — частью процесса разработки.