Cursor explota en popularidad, pero Cursor no es la salida para la programación doméstica de IA

En 2021, Microsoft lanzó GitHub Copilot, que saltó para convertirse en la herramienta de IA más buscada en el mundo de la programación.

GitHub Copilot puede generar automáticamente funciones de código completas basándose en información contextual proporcionada por el usuario, como nombres de funciones, comentarios, fragmentos de código, etc. Se le conoce como un "game changer" en el mundo de la programación.

Lo que lo hace tan sorprendente es el acceso subyacente al modelo Codex de OpenAI, que tiene un tamaño de parámetros de 12.000 millones y es una versión temprana de GPT-3, optimizada específicamente para tareas de codificación. Es la primera vez que un modelo de grandes parámetros basado en la arquitectura Transformer "emerge" realmente en el ámbito del código.

GitHub Copilot encendió la pasión por la programación de IA entre desarrolladores de todo el mundo, y cuatro estudiantes universitarios del MIT se unieron con el sueño de cambiar el desarrollo de software para crear una empresa llamada Anysphere en 2022.

El cofundador de Anysphere, que ha "señalado descaradamente" a Microsoft como su principal competidor, Michael Truell, dejó claro que, aunque Visual Studio Code de Microsoft domina el mercado de las IDE, Anysphere ve la oportunidad de ofrecer un producto diferente. Anysphere vio la oportunidad de ofrecer un producto diferente.

Michael Truell (extrema derecha)

Puede que Microsoft no se imaginara que, en menos de tres años, este equipo poco conocido lanzaría una pesada "bomba" a la industria, desencadenando una nueva ronda de fiebre por la programación de IA en el mundo, y la empresa también saltó a convertirse en un unicornio con una valoración de 2.500 millones de dólares en cuatro meses.

1. ¿Qué hace que Cursor sea un éxito?

En agosto de 2024, Andrej Karpathy, antiguo director de IA de Tesla, envió varios tuits en X alabando un editor de código llamado Cursor, diciendo que había aplastado a GitHub Copilot.

Ese mismo mes, Anysphere, el órgano de la empresa que está detrás de Cursor, cerró una ronda de financiación de serie A de 60 millones de dólares, con una valoración de 400 millones.

Las sorprendentes características de Cursor incluyen edición multilínea, finalización contextual de archivos cruzados, interrogación, predicción de la siguiente acción y mucho más. Los desarrolladores pueden simplemente mantener presionada la tecla Tab para automatizar los cambios de código en todo el archivo, y los resultados del procesamiento de Cursor son más precisos y rápidos, con poca o ninguna latencia percibida.

Cualquiera que sepa algo de programación sabe hasta qué punto llega esto.

"La finalización y predicción a través de múltiples archivos es un requisito muy sutil que puede ser difícil de expresar con precisión para los propios desarrolladores, pero es muy 'guay' cuando realmente se utiliza".

Tom Yedwab, un desarrollador con décadas de experiencia, también escribió para compartir que la función de completado de pestañas es la que mejor se adapta a sus hábitos diarios de codificación y la que más tiempo le ahorra. "Es como si la herramienta leyera mi mente y predijera lo que voy a hacer a continuación, lo que me permite centrarme menos en los detalles del código y más en construir la arquitectura general". Tom Yedwab escribe.

La clave del éxito de Cursor no está tanto en las elevadas barreras técnicas, sino en el hecho de que fueron los primeros en identificar una sutil nueva necesidad y se atrevieron a apostar por un camino que nunca antes se había recorrido.

Cursor es un parásito de VS Code, Visual Studio Code, un editor de código multiplataforma gratuito y de código abierto desarrollado por Microsoft con algunas funciones básicas de completado de código.

Anteriormente, los desarrolladores creaban todo tipo de plug-ins para ampliar los límites funcionales de VS Code, pero el propio mecanismo de plug-ins de VS Code tiene muchas limitaciones. Por ejemplo, cuando se trata de proyectos grandes, algunos plug-ins pueden hacer que la indexación y el análisis del código sean más lentos; para algunos plug-ins complejos, el proceso de configuración es más engorroso, requiriendo que los usuarios modifiquen manualmente el archivo de configuración, lo que invariablemente aumenta el umbral de uso.

Por lo tanto, con el fin de eliminar estas limitaciones, el equipo de Cursor adoptó un enfoque muy audaz, no siguieron la forma tradicional de hacer plug-ins en VS Code, sino que "mágicamente cambiaron" el código de VS Code, compatible con una serie de modelos de IA en el fondo, y a través de una gran cantidad de optimización de ingeniería, mejorar la experiencia del usuario de todo el IDE.

Al comienzo del desarrollo de Cursor, muchos profesionales, incluido él, no son optimistas acerca de este camino es difícil, es un enorme "no consenso". VS Code arquitectura interna es compleja, que implica la edición de código, análisis de sintaxis, indexación de código, sistema de plug-in y otros módulos, y diferentes versiones de VS Code puede tener diferencias, "magia" proceso a considerar la compatibilidad. La compatibilidad debe tenerse en cuenta en el proceso de "modificación mágica". Además, cuando se incorporan múltiples modelos de IA en VS Code, es necesario resolver los problemas de interacción entre el modelo y el editor, por ejemplo, ¿cómo pasar eficazmente el contexto del código al modelo? ¿Cómo procesar la salida del modelo y aplicarla al código? ¿Y cómo minimizar la latencia en la generación de código?

Resolver una serie de problemas implica un engorroso sistema de optimización de ingeniería. Solo en 2023, Cursor sufrió tres grandes actualizaciones de versión y casi 40 iteraciones de funciones.Se trata de una enorme prueba de paciencia para todo el equipo de I+D y los inversores que respaldan la empresa.

Al final, Silicon Valley demostró una vez más al mundo su capacidad para engendrar innovación disruptiva, el éxito de Cursor es una plantilla emprendedora muy clásica de Silicon Valley: un grupo de frikis paranoicos de la tecnología, con una gran visión, apoyados por el maduro sistema de capital riesgo de Silicon Valley para irrumpir en la tierra de nadie, con el telón de fondo de innumerables retos para ser los primeros en comer cangrejo y, en última instancia, confiar en el producto para dar la campanada.

"Eso es lo fascinante de la iniciativa empresarial, un proyecto tan 'obvio' y ellos corrieron con él".

Recientemente, Anysphere anunció el cierre de una ronda de financiación Serie B de 100 millones de dólares y ha sido valorada en 2.600 millones de dólares. Sacra estima los ingresos recurrentes anuales (ARR) de Cursor en 65 millones de dólares en noviembre de 2024, lo que supone un aumento interanual de 64.001 TP3T. y desde su creación en 2022, Anysphere solo cuenta con 12 personas.

2. Copiloto despejado, Agente confuso

Cursor no es el primer producto que sale al ruedo en el circuito de programación de IA.

En marzo de 2024, el "primer programador de IA del mundo", anunciado como el Devin surgió de la nada y encendió por primera vez la pasión de la industria por la programación de IA.

Devin es un agente autónomo con capacidades completas para aprender por sí mismo, crear y desplegar aplicaciones de extremo a extremo, corregir errores e incluso entrenar y ajustar sus propios modelos de IA. La empresa que está detrás, Cognition AI, es también un brillante "dream team" de la IA.

Sin embargo, Devin se lanzó inicialmente como demo y los desarrolladores no pudieron hacerse con él. No fue hasta el 11 de diciembre de 2024 cuando Devin se puso en marcha, con la friolera de 500 dólares de cuota de suscripción mensual. En comparación, la cuota de suscripción de 20 dólares al mes de Cursor parece incluso más asequible.

En contraste con el favorito universal de Cursor, las críticas de los desarrolladores sobre Devin han sido controvertidas. Algunos creen que Devin es excelente en el manejo de la migración de código y la generación de PRs (Pull Requests, solicitudes de cambio de código enviadas por los desarrolladores durante la colaboración de código para su revisión y fusión por otros miembros del equipo), lo que puede reducir significativamente el trabajo repetitivo de los desarrolladores; sin embargo, algunos usuarios señalan que Devin todavía requiere mucha intervención manual cuando se trata de lógica de negocio compleja. Sin embargo, algunos usuarios señalan que Devin sigue requiriendo mucha intervención manual cuando se trata de lógica de negocio compleja, especialmente cuando el proyecto está poco documentado o tiene un código de baja calidad.

La razón fundamental de la diferencia de "popularidad" entre Cursor y Devin es la diferencia en la tasa de fracaso y el coste del fracaso para los desarrolladores que utilizan el producto.

En la actualidad, la tasa de fallos del escenario Copiloto ha sido relativamente baja, y la precisión de la medición correspondiente HumanEval ha ido convergiendo hasta 100%, mientras que la precisión de la medición correspondiente SWE de referencia para el escenario Agente es actualmente inferior a 60%.

Además, los resultados del trabajo de la IA necesitan la aceptación y confirmación humanas, y la interacción de los productos de tipo Copilot determina que el coste para el desarrollador de ver los resultados generados por la IA sea muy bajo, y el coste para el usuario de modificarla o no adoptarla después de que falle también sea muy bajo. Sin embargo, en el caso de los productos de tipo Agente, el coste de confirmación para el usuario es significativamente superior al del Copiloto, y el coste de modificación tras el fracaso también es mayor.

Las dos direcciones de Cursor y Devin también reflejan en gran medida el estado actual de las formas de producto Copilot y Agent en escenarios genéricos.

Cursor significa Copiloto y requiere que la IA y los humanos trabajen en sincronía, con los humanos dirigiendo y la IA asistiendo.

Por el momento, es Copilot quien realmente dirige el PMF.Copilot puede ser parásito en IDEs como VS Code, en forma de plug-ins, ayudando a los desarrolladores humanos para completar todo tipo de acciones de codificación, y después de la aparición de GitHub Copilot, los usuarios se han acostumbrado gradualmente a la forma de colaboración en Copilot, y la aparición de GPT-3.5, Copilot de la Demo se ha convertido en un producto utilizable real.

Sin embargo, he escrito sobre las "preocupaciones ocultas" de los productos Copilot. "El verdadero foso es VS Code, que ha pasado de ser un simple editor a una plataforma. La razón por la que los usuarios pueden migrar fácilmente de GitHub Copilot a Cursor es que ambos son parásitos de VS Code, y los hábitos, la experiencia y las características/plugins del usuario son exactamente los mismos. que los grandes modelos consiguen y ya forman parte del modelo".

Por el contrario, Agent es una nueva especie engendrada por GPT-3.5, un nuevo concepto más capaz de estimular los nervios sensibles de empresarios y VC.Devin es un representante de la forma Agent, que requiere que la IA trabaje de forma asíncrona con los humanos, y que la IA tenga más iniciativa para tomar algunas de las decisiones y la ejecución de forma autónoma.

Agent es la oportunidad para los emprendedores. Pero no le convence la visión integral de Agent que defiende Devin, el"Hacerlo todo significa no hacer nada, y el valor de las aplicaciones para agentes en nichos de mercado es mucho mayor".

Sin embargo, debido a que el concepto de Agente es tan incipiente y todos están explorando, el entorno parasitario del Agente y los límites de sus capacidades aún no están claros, y hay gente que está entrando en el campo en las direcciones de generación de código, completado de código, generación de pruebas unitarias y detección de defectos.

Gru optó por comenzar con Unit-testing. Antes de lanzar formalmente el producto, Gru también tuvo un período de prueba y error internamente, la generación automática de documentos, corrección de errores, pruebas E2E y otras direcciones se han intentado, pero limitado por las capacidades del modelo, la iteración del software y el mantenimiento y otros puntos de dolor no se puede avanzar.

Con el tiempo, Gru descubrió que las pruebas unitarias son una necesidad común, pero no insignificante. A muchos desarrolladores no les gusta escribir pruebas unitarias porque son aburridas. Además, para proyectos menos exigentes, las pruebas unitarias no son un requisito necesario para la ingeniería de software. Sin embargo, Gru cree que desde la perspectiva de las capacidades técnicas, el aterrizaje de productos de IA debe resolver el problema de la coherencia entre el contexto empresarial y el contexto de ingeniería, las pruebas unitarias son las menos dependientes de los dos contextos, pero también las más relevantes para las capacidades del modelo actual del enlace.

Sin embargo.Si Copiloto o Agente son un medio más que un fin, no son "lo uno o lo otro", sino que coexistirán y resolverán problemas diferentes.

Para muchos desarrolladores individuales y algunas pequeñas y medianas empresas, los productos genéricos como Cursor o algunos modelos de código abierto pueden ser suficientes para resolver la mayoría de las necesidades; sin embargo, para muchas grandes empresas y escenarios empresariales complejos en diferentes campos, es difícil satisfacer las necesidades simplemente a través de un producto genérico en forma de "Copiloto" o "Agente", lo que requiere que los vendedores de tecnología tengan capacidades de servicio de dominio específico más fuertes. Sin embargo, para muchas grandes empresas y escenarios empresariales complejos en diferentes campos, es difícil satisfacer la demanda a través de un producto genérico en forma de "Copiloto" o "Agente", lo que requiere que los vendedores de tecnología tengan capacidades de servicio de dominio más fuertes.

En este último aspecto es donde reside la oportunidad para las empresas nacionales de programación de IA.

3. Las oportunidades nacionales están en los sectores verticales

De cara a 2024, la programación de IA es sin duda una de las direcciones VC más calientes en Silicon Valley, con unicornios como Cursor, Poolside, Cognition, Magic, Codeium, Replit y otros ya en marcha.

En cambio, los fabricantes nacionales de Internet y los grandes fabricantes de modelos han lanzado básicamente sus propios "modelos de código", pero hay muy pocas startups bien desarrolladas. Según Silicon Star People, el año pasado, Qiji Chuangtan invirtió en seis start-ups en el campo de la programación de IA, y desde entonces casi todas han desaparecido, mientras que el año pasado, más de 10 equipos basados en código que habían surgido brevemente, la mayoría de ellos ya se han retirado del campo este año.

Tras la aparición de ChatGPT, Clearstream Capital ha estudiado docenas de proyectos en el ámbito de la programación de IA, pero el único que finalmente ha movido ficha es Silicon Heart Technology ("aiXcoder" para abreviar).

Para los proyectos domésticos de programación de IA, muchos opinan que el producto se hace más "superficial". "Hay desarrolladores en la comunidad que se quejan de que ahora muchos productos generan código para unos minutos, pero tienen que pasar medio día o más para depurarlo".

Bajo la apariencia "superficial" del producto se esconde una diferencia medioambiental que se ha desarrollado a lo largo de los años en los mercados 2B de EE.UU. y China.. El análisis de las razones son tres: el grupo de programadores junior de Estados Unidos es enorme, y el coste de la mano de obra es más alto, la introducción de productos de IA puede ayudar a las empresas a reducir significativamente los costes; el mercado SaaS de Estados Unidos se ha ejecutado a través del modelo PLG, la disposición de las empresas a pagar por productos de uso general es más fuerte; y el camino de salida del mercado 2B extranjero es claro, la disposición de los inversores a invertir es fuerte, y la lógica del primer nivel del mercado para hacerse cargo del negocio también es muy clara, los inversores ángeles son mucho y muy activos. Las startups casi siempre pueden conseguir la primera ronda de financiación para validar sus ideas.

En septiembre de 2024, Gru lanzó Gru.ai y ocupó el primer puesto en la evaluación verificada swe-bench publicada por OpenAI con una puntuación alta de 45,2%. Había una clara sensación de que tener un producto lo hacía más aceptable en Silicon Valley.

Y para el mercado nacional del lado B, el problema del cliché sigue existiendo. "Es más difícil hacer to B en China, la cadena de ventas implicada es más larga, y al final, los que pueden pagar la factura siguen siendo en su mayoría grandes empresas, pero a veces las grandes empresas no son las que van a comprar si tu material es bueno". "Muchas empresas tienen un gran número de requisitos de cumplimiento de seguridad interna, por ejemplo, debido a la preocupación por el riesgo de fuga de información, no puede utilizar la nube para llamar al producto, la necesidad de herramientas de código desplegado localmente."

En consecuencia, las empresas nacionales de programación de IA deben poner pies en polvorosa para resolver problemas específicos de diversos sectores.

"El modelo debe considerar la continuidad del negocio en el proceso real de aterrizaje, el modelo de código doméstico de los resultados de la evaluación muestran que el rendimiento se ha mejorado, pero en escenarios de aplicación específicos, es necesario analizar escenarios específicos." Anteriormente, tras comunicarse con una empresa de fabricación industrial, se descubrió que el lenguaje utilizado en algunos sistemas de software en escenarios industriales no es el común python o C++, sino algunas herramientas de codificación específicas de la industria, lo que requiere que los proveedores de tecnología realicen ajustes específicos en sus productos.

No se trata de una demanda exclusiva de los escenarios industriales; cada industria tiene sus propias características de dominio, y cada empresa tiene una lógica empresarial y un sistema de ingeniería específicos, lo que exige que las empresas de programación de IA tengan capacidades de servicio más sólidas y específicas de cada dominio.

Tras estudiar decenas de empresas, se descubrió que "para todo tipo de necesidades de desarrollo de software, las funciones de programación con IA incluyen al menos una serie de tareas como búsqueda, detección y reparación de defectos y pruebas, además de la generación de código";Además de la funcionalidad, también hay que considerar cómo integrar estas capacidades con la propia lógica empresarial del cliente para que el modelo tenga un conocimiento más profundo del dominio, lo que realmente tiene un listón muy alto".

En consecuencia, Clearstream Capital es más partidaria de la idea de acoplar en profundidad los modelos y productos con los conocimientos, datos y marcos de desarrollo de software privados internos de la organización, e invirtió en aiXcoder en septiembre de 2023.

"En esta necesidad demostrada, aiXcoder es el equipo más compatible técnica y comercialmente. Al mismo tiempo, varios miembros clave del equipo comercial de la empresa tienen más de una década de experiencia en ventas a clientes nacionales e internacionales de Big B, y poseen profundos conocimientos sobre los clientes y el mercado. Propusieron una solución de aterrizaje de "domainización" en el segundo trimestre de 2023, es decir, la estrategia de que la programación de IA debe acoplarse profundamente con los conocimientos privados internos, los datos y los marcos de desarrollo de software dentro de la empresa, que también ha sido reconocida por un gran número de clientes de la empresa principal en términos de los resultados reales de aterrizaje del proyecto."

Incubado en el Instituto de Ingeniería de Software de la Universidad de Pekín, aiXcoder es el primer equipo del mundo en aplicar la tecnología de aprendizaje profundo a la generación y comprensión de código, así como el primer equipo en aplicar el aprendizaje profundo a los productos de programación. El equipo ha acumulado más de 100 artículos en las mejores revistas y conferencias internacionales, muchos de los cuales son los primeros y más citados en el campo de la ingeniería de software inteligente.

El socio comercial y presidente de aiXcoder dijo que cuando se enfrentan a los escenarios de despliegue privado del extremo B, debido a que el gran modelo de propósito general no ha aprendido los datos del dominio privado, el modelo carece de la fusión en profundidad de los requisitos empresariales internos, las especificaciones de la industria, los marcos de desarrollo de software y los entornos operativos de la empresa, y no logra incluir el conocimiento de fondo del dominio de la empresa, como el análisis de requisitos y los documentos de diseño en la formación del modelo, lo que resulta en que el código generado o complementado carece de relevancia y fiabilidad en el falta de relevancia y fiabilidad a nivel de lógica empresarial.

El resultado es que la precisión y la utilidad de los grandes modelos en las aplicaciones empresariales son menores de lo esperado. "Muchos modelos de gran tamaño funcionan admirablemente en escenarios genéricos o conjuntos de evaluación convencionales, con una precisión de hasta 301 TP3T, pero cuando se implantan internamente en la empresa, la precisión suele caer en picado por debajo de 101 TP3T.Los medios convencionales de ajuste fino también son difíciles de lograr los resultados deseados por las empresasPor lo tanto, aprender y dominar los conocimientos "de dominio" es la clave para implantar con éxito los sistemas de programación de IA en la empresa. Por lo tanto, aprender y dominar los conocimientos "de dominio" es la clave para implantar con éxito los sistemas de programación de IA en las empresas. Resolver problemas específicos de dominio para clientes empresariales es donde reside nuestro valor diferenciador."

Para abordar los puntos débiles anteriores, aiXcoder lleva a cabo una formación incremental específica basada en una variedad de datos internos proporcionados por la empresa, incluidos el código, los documentos empresariales, los documentos de requisitos, los documentos de diseño, los documentos de prueba, así como la terminología empresarial y las especificaciones de procesos del sector, las normas y especificaciones técnicas del sector, las pilas de tecnología empresarial y los marcos de programación y otros conocimientos del dominio. . Además de la formación de modelos, también se combina con multi-agente, RAG, herramientas de desarrollo de software, y "engineered Prompt system" que se ajusta al marco de desarrollo de software de la empresa, con el fin de mejorar la calidad de la generación de código y la capacidad de todo el proceso de I + D.

En forma de entrega.Las soluciones basadas en dominios no son lo mismo que la entrega tradicional basada en proyectos altamente personalizadosaiXcoder extraerá capacidades y herramientas con valor común de las necesidades individuales de los clientes y formará productos y procesos estandarizados que se entregarán a los clientes; al mismo tiempo, aiXcoder mantiene una comunicación de alta frecuencia con los clientes a través de reuniones periódicas, no sólo ayudando a los clientes a resolver problemas cíclicos, sino también necesitando seguir iterando productos basados en las necesidades comunes y reales de los clientes.

4. La industria de la IA ha "gritado lobo" demasiadas veces.

Desde el punto de vista de los resultados, ya sea para la pequeña B o para la gran B, "modelo de formación" o "no modelo de formación", Copiloto o Agente, puede que no haya una respuesta óptima, todo debe basarse en las necesidades reales de los clientes, así como en las del propio equipo empresarial. Puede que no haya una respuesta óptima.

Independientemente del camino que tomen, las empresas de programación de IA tienen un objetivo simple y directo: mejorar la eficiencia del desarrollo de software. Sin embargo, aún es pronto en el mercado actual, yCanalizar correctamente la demanda de los clientes es un problema para todos los que entran en el mercado.

La mayor lucha en este momento es cómo conseguir que los clientes reconozcan el valor de los Agentes segmentados.Incluso en Silicon Valley, la primera reacción de muchos clientes potenciales cuando oyen hablar de un nuevo producto de inteligencia artificial es de duda, no de entusiasmo".. Porque una de las cosas malas del sector de la IA es que en el pasado ha habido demasiadas historias de 'lobos llorones', y se han hecho muchas demostraciones que no funcionan". "De momento, Gru dedica mucha energía a llegar a los clientes y a crear un boca a boca entre los usuarios iniciales, que será la base de la posterior comercialización a gran escala.

Para el mercado nacional, el lado de la demanda de sistemas de programación de IA también necesita aclarar los límites de sus propias necesidades y las capacidades de los modelos. "Actualmente, los sistemas de programación de IA basados en grandes modelos tienen un futuro prometedor en la mejora de la productividad del software". "Para aprovechar realmente el valor de esta tecnología en un entorno empresarial, es necesario combinar profundamente el big model de código con el conocimiento de dominio propio de la empresa, e iterarlo y validarlo continuamente en escenarios empresariales específicos."

De hecho.Los grandes modelos han evolucionado hasta el punto de que el sentimiento del mercado ha vuelto en gran medida a la racionalidad, pero el ruido sigue ahíEl año 2024, por ejemplo, es un año en el que los grandes modelos de información sobre licitaciones son habituales, pero algunos de los datos pueden ser "engañosos". El año 2024, por ejemplo, es un año en el que los grandes modelos de información sobre licitaciones son habituales, pero algunos de los datos pueden ser "engañosos".

"La división ecológica del trabajo es más clara en los países extranjeros, pero muchos proyectos que se hacen TO B en China acaban en licitación, y muchas empresas están apretando por la licitación". Sin embargo, en el campo de la programación de IA, a juzgar por la información de las licitaciones públicas, incluso algunos grandes fabricantes no han conseguido muchos pedidos.

El motivo es queEl éxito de una licitación no equivale al éxito de un modelo o producto sobre el terreno.

Por un lado, en muchos compradores responsables de la adquisición y el uso real del producto no es a menudo la misma ola, lo que puede dar lugar a decisiones de adquisición y las necesidades reales de negocio de las dos capas de la piel. Por otra parte, estos aterrizaje a menudo se basan en productos estandarizados más ajuste fino, no para los escenarios de negocio de la empresa y la lógica interna para la formación de dominio en profundidad y la adaptación, que puede conducir a los programadores en el uso del proceso encontró que los resultados no son satisfactorios.

Un conocedor del sector reveló que la mayoría de los pedidos del actual mercado de licitaciones que incluyen hardware se cuentan por millones, mientras que los pedidos de software puro, como el desarrollo de software inteligente, asistentes de código y otros proyectos, se sitúan en su mayoría en torno a los 300.000 euros. Muchas empresas se encuentran con que no pueden resolver el problema después de la compra, y sólo pueden volver al mercado para encontrar un fabricante más adecuado, lo que supone un derroche de recursos.

Sin embargo, de la deconstrucción se desprende cierto consenso.Cada vez más empresas se dan cuenta de que la tendencia es "desacoplar" las capacidades de productos y modelos.

En la primera mitad de 2024, cuando las capacidades de los modelos sean cada vez mayores, los modelos convergerán en términos de programación, y el producto ya no deberá adaptarse a las capacidades del modelo, sino que deberá serHacer que el producto sea "agnóstico en cuanto a modelos".. "A partir de la primera mitad de 2024, básicamente ya no haremos optimizaciones específicas para distintos modelos, sino que mejoraremos las capacidades de nuestra arquitectura de productos, y cualquier modelo del mercado podrá enchufarse siempre que supere nuestras pruebas de referencia."

"Los clientes empresariales deben prestar toda su atención a la continuidad del negocio y no deben atarse a un único proveedor de big models. En la actualidad, es difícil satisfacer realmente las necesidades de los clientes empresariales de big models adquiriendo únicamente productos estandarizados. Las empresas necesitan lograr una disociación arquitectónica en términos de big models, nivel de datos, domainización e ingeniería, y elegir con flexibilidad los modelos y proveedores de servicios que mejor se adapten a sus necesidades. Y lo que es más importante, es necesario resolver eficazmente el problema real de la dominización del desarrollo de software dentro de la empresa para ayudar a las empresas a lograr la reducción de costes y la eficiencia."

Desde la perspectiva de un tercero del sector, en el futuro, el acceso al modelo es sólo una parte del aterrizaje de la industria. "Ahora todavía hay 100 kilómetros desde el modelo hasta la aplicación, si los vendedores de tecnología estandarizan las capacidades de los primeros 95-99 kilómetros en infraestructura, los últimos 1-5 kilómetros restantes los puede hacer la propia parte de la aplicación".