Cursor explode em popularidade, mas o Cursor não é a saída para a programação doméstica de IA

Em 2021, a Microsoft lançou o GitHub Copilot, que saltou para se tornar a ferramenta de IA mais procurada no mundo da programação.

O GitHub Copilot pode gerar automaticamente funções de código completas com base em informações contextuais fornecidas pelo usuário, como nomes de funções, comentários, trechos de código etc. Ele é conhecido como um "divisor de águas" no mundo da programação.

O que o torna tão incrível é o acesso subjacente ao modelo Codex da OpenAI, que tem um tamanho de parâmetro de 12 bilhões e é uma versão inicial do GPT-3, otimizado especificamente para tarefas de codificação. Essa é a primeira vez que um modelo de parâmetro grande baseado na arquitetura Transformer realmente "surge" no domínio do código.

O GitHub Copilot despertou uma paixão pela programação de IA entre os desenvolvedores de todo o mundo, e quatro alunos de graduação do MIT se uniram com o sonho de mudar o desenvolvimento de software para fundar uma empresa chamada Anysphere em 2022.

O cofundador Michael Truell, da Anysphere, que "chamou descaradamente" a Microsoft de seu principal concorrente, deixou claro que, embora o Visual Studio Code da Microsoft domine o mercado de IDEs, a Anysphere vê uma oportunidade de oferecer um produto diferente. A Anysphere viu uma oportunidade de oferecer um produto diferente.

Michael Truell (extrema direita)

A Microsoft talvez não imaginasse que, em menos de três anos, essa equipe pouco conhecida lançaria uma "bomba" pesada no setor, desencadeando uma nova rodada de febre de programação de IA no mundo, e a empresa também saltou para se tornar um unicórnio com uma avaliação de US$ 2,5 bilhões em quatro meses.

1) O que faz do Cursor um sucesso?

Em agosto de 2024, Andrej Karpathy, ex-diretor de IA da Tesla, enviou vários tweets no X elogiando um editor de código chamado Cursor, dizendo que ele havia superado o GitHub Copilot.

No mesmo mês, a Anysphere, o corpo da empresa por trás do Cursor, fechou uma rodada de financiamento da Série A de US$ 60 milhões, avaliada em US$ 400 milhões.

Os incríveis recursos do Cursor incluem edição de várias linhas, preenchimento contextual entre arquivos, questionamento, previsão da próxima ação e muito mais. Os desenvolvedores podem simplesmente continuar pressionando a tecla Tab para automatizar as alterações de código em todo o arquivo, e os resultados do Cursor são mais precisos e mais rápidos, com pouca ou nenhuma latência percebida.

Qualquer pessoa que saiba alguma coisa sobre programação sabe como isso é profundo.

"A conclusão e a previsão em vários arquivos é um requisito muito sutil que pode ser difícil para os próprios desenvolvedores expressarem com precisão, mas é muito 'legal' quando você realmente o usa."

Tom Yedwab, um desenvolvedor com décadas de experiência, também escreveu para compartilhar que o recurso Tab Completion é o que melhor se adapta aos seus hábitos diários de codificação e o faz economizar mais tempo. "É como se a ferramenta lesse minha mente e previsse o que farei em seguida, permitindo que eu me concentre menos nos detalhes do código e mais na criação da arquitetura geral." Tom Yedwab escreve.

O segredo do sucesso da Cursor não está tanto nas altas barreiras técnicas, mas no fato de que eles foram os primeiros a identificar uma nova e sutil necessidade e ousaram apostar em um caminho que nunca havia sido percorrido antes.

O Cursor é um parasita do VS Code, Visual Studio Code, um editor de código de plataforma cruzada gratuito e de código aberto desenvolvido pela Microsoft com alguns recursos básicos de preenchimento de código.

Anteriormente, os desenvolvedores criavam todos os tipos de plug-ins para expandir os limites funcionais do VS Code, mas o próprio mecanismo de plug-in do VS Code tem muitas limitações. Por exemplo, ao lidar com projetos grandes, alguns plug-ins podem levar a uma indexação e análise de código mais lentas; para alguns plug-ins complexos, o processo de configuração é mais complicado, exigindo que os usuários modifiquem manualmente o arquivo de configuração, o que invariavelmente aumenta o limite de uso.

Portanto, para eliminar essas limitações, a equipe do Cursor adotou uma abordagem muito ousada, não seguiu a maneira tradicional de fazer plug-ins no VS Code, mas "alterou magicamente" o código do VS Code, compatível com vários modelos de IA na parte inferior e, por meio de muita otimização de engenharia, melhorou a experiência do usuário de todo o IDE.

No início do desenvolvimento do Cursor, muitos profissionais, inclusive ele, não estão otimistas quanto à dificuldade desse caminho, pois há um enorme "não-consenso". A arquitetura interna do VS Code é complexa, envolvendo edição de código, análise de sintaxe, indexação de código, sistema de plug-ins e outros módulos, e as diferentes versões do VS Code podem ter diferenças, e o processo "mágico" deve considerar a compatibilidade. A compatibilidade deve ser considerada no processo de "modificação mágica". Além disso, quando vários modelos de IA são incorporados ao VS Code, é necessário resolver os problemas de interação entre o modelo e o editor, por exemplo, como passar efetivamente o contexto do código para o modelo? Como processar a saída do modelo e aplicá-la ao código? E como minimizar a latência na geração de código?

A solução de uma série de problemas envolve um sistema complicado de otimização de engenharia. Somente em 2023, o Cursor passou por três grandes atualizações de versão e quase 40 iterações de recursos.Esse é um grande teste de paciência para toda a equipe de P&D e para os investidores por trás da empresa.

No final, o Vale do Silício mais uma vez provou ao mundo sua capacidade de gerar inovações revolucionárias. O sucesso da Cursor é um modelo empresarial muito clássico do Vale do Silício: um grupo de nerds paranóicos da tecnologia, com uma visão grandiosa, apoiado pelo sistema maduro de capital de risco do Vale do Silício para entrar na terra de ninguém, tendo como pano de fundo inúmeros desafios para ser o primeiro a comer caranguejo e, por fim, confiar no produto para fazer sucesso.

"Esse é o aspecto fascinante do empreendedorismo: um projeto tão "óbvio" e eles o desenvolveram."

Recentemente, a Anysphere anunciou o fechamento de uma rodada de financiamento Série B de US$ 100 milhões e foi avaliada em US$ 2,6 bilhões. Sacra estima a receita recorrente anual (ARR) da Cursor em US$ 65 milhões em novembro de 2024, um aumento de 64.001 TP3T ano a ano. e desde sua criação em 2022, a Anysphere tem apenas 12 pessoas.

2) Copiloto limpo, Agente confuso

O Cursor não é o primeiro produto a sair do ringue no circuito de programação de IA.

Em março de 2024, o "primeiro programador de IA do mundo", anunciado como o Devin surgiu do nada e despertou a paixão do setor pela programação de IA pela primeira vez.

O Devin é um agente autônomo com habilidades de pilha completa para aprender por conta própria, criar e implantar aplicativos de ponta a ponta, corrigir bugs e até mesmo treinar e ajustar seus próprios modelos de IA. A empresa por trás dele, a Cognition AI, também é uma brilhante "equipe dos sonhos" de IA.

No entanto, o Devin foi inicialmente lançado como uma demonstração e os desenvolvedores não puderam colocá-lo em suas mãos. Foi somente em 11 de dezembro de 2024 que o Devin entrou em operação, com uma taxa de assinatura mensal de US$ 500. Em comparação, a taxa de assinatura de US$ 20 por mês do Cursor parece até mais acessível.

Em contraste com o favorito universal do Cursor, as avaliações do Devin pelos desenvolvedores têm sido controversas. Alguns acreditam que o Devin é excelente para lidar com a migração de código e gerar PRs (Pull Requests, solicitações de alteração de código enviadas por desenvolvedores durante a colaboração de código para revisão e fusão de código por outros membros da equipe), o que pode reduzir significativamente o trabalho repetitivo dos desenvolvedores; no entanto, alguns usuários apontam que o Devin ainda exige muita intervenção manual ao lidar com lógica comercial complexa. No entanto, alguns usuários observaram que o Devin ainda exige muita intervenção manual ao lidar com lógica comercial complexa, especialmente quando o projeto está pouco documentado ou tem baixa qualidade de código.

O motivo fundamental da diferença de "popularidade" entre o Cursor e o Devin é a diferença na taxa de falhas e no custo das falhas para os desenvolvedores que usam o produto.

Atualmente, a taxa de falha do cenário Copilot tem sido relativamente baixa, e a precisão da medição correspondente HumanEval está convergindo para 100%, enquanto a precisão da medição correspondente SWE benchmark para o cenário Agent é atualmente inferior a 60%.

Além disso, os resultados do trabalho da IA precisam de aceitação e confirmação humana, e a interação dos produtos do tipo Copilot determina que o custo para o desenvolvedor visualizar os resultados gerados pela IA é muito baixo, e o custo para o usuário modificar ou não adotá-lo após a falha também é muito baixo. Entretanto, para os produtos do tipo Agente, o custo de confirmação do usuário é significativamente maior do que o do Copiloto, e o custo de modificação após a falha também é maior.

As duas direções do Cursor e do Devin também refletem amplamente o estado atual das formas de produto do Copilot e do Agent em cenários genéricos.

Cursor significa Copilot e requer que a IA e os humanos trabalhem em sincronia, com os humanos liderando e a IA auxiliando.

No momento, é o Copilot que realmente administra o PMF.O Copilot pode ser um parasita em IDEs como o VS Code, na forma de plug-ins, auxiliando os desenvolvedores humanos a concluir todos os tipos de ações de codificação e, após o surgimento do GitHub Copilot, os usuários se acostumaram gradualmente com a forma de colaboração no Copilot, e com o surgimento do GPT-3.5, o Copilot da Demo se tornou um produto realmente utilizável.

No entanto, escrevi sobre as "preocupações ocultas" da categoria de produtos Copilot. "O verdadeiro fosso é o VS Code, que deixou de ser um simples editor para se tornar uma plataforma. O motivo pelo qual os usuários podem migrar facilmente do GitHub Copilot para o Cursor é que ambos são parasitas do VS Code, e os hábitos, a experiência e os recursos/plugins do usuário são exatamente os mesmos. O que os grandes modelos obtêm e já fazem parte do modelo".

Por outro lado, o Agent é uma nova espécie gerada pelo GPT-3.5, um novo conceito mais capaz de estimular os nervos sensíveis dos empreendedores e dos VCs. Devin é um representante da forma Agent, que exige que a IA trabalhe de forma assíncrona com os seres humanos e que a IA tenha mais iniciativa para tomar algumas das decisões e executar de forma autônoma.

O Agent é a oportunidade para os empreendedores. Mas ele não está convencido da visão geral do Agent que Devin defende, a"Fazer tudo significa não fazer nada, e o valor dos aplicativos do agente em áreas de nicho é muito maior."

No entanto, como o conceito de agente é muito recente e todos estão explorando, o ambiente parasitário do agente e os limites dos recursos ainda não estão claros, e há pessoas entrando em campo nas direções de geração de código, conclusão de código, geração de teste de unidade e detecção de defeitos.

A Gru optou por começar com o teste de unidade. Antes de lançar formalmente o produto, a Gru também passou por um período de tentativas e erros internamente, a geração automática de documentos, a correção de bugs, os testes E2E e outras direções foram experimentadas, mas limitadas pelos recursos do modelo, a iteração e a manutenção do software e outros pontos problemáticos não podem ser avançados.

Por fim, Gru descobriu que os testes unitários são uma necessidade comum, mas não insignificante. Muitos desenvolvedores não gostam de escrever testes unitários porque eles são entediantes. Além disso, para projetos menos exigentes, o teste de unidade não é um requisito necessário para a engenharia de software. No entanto, Gru acredita que, da perspectiva dos recursos técnicos, a aterrissagem de produtos de IA deve resolver o problema da coerência do contexto comercial e do contexto de engenharia; o teste de unidade é o menos dependente dos dois contextos, mas também o mais relevante para os recursos do modelo atual do link.

No entanto.O fato de o copiloto ou o agente ser um meio e não um fim não significa que eles sejam "um ou outro", mas que coexistirão e resolverão problemas diferentes.

Para muitos desenvolvedores individuais e algumas empresas de pequeno e médio porte, produtos genéricos como o Cursor ou alguns modelos de código aberto podem ser suficientes para resolver a maioria das necessidades; no entanto, para muitas empresas de grande porte e cenários comerciais complexos em diferentes campos, é difícil atender às necessidades simplesmente por meio de uma forma de "Copiloto" ou "Agente" de produtos genéricos, o que exige que os fornecedores de tecnologia tenham recursos de serviço específicos de domínio mais fortes. No entanto, para muitas empresas de grande porte e cenários de negócios complexos em diferentes campos, é difícil satisfazer a demanda por meio de um produto genérico na forma de "Copiloto" ou "Agente", o que exige que os fornecedores de tecnologia tenham recursos de serviço de domínio específico mais fortes.

É nesse último caso que reside a oportunidade para as empresas nacionais de programação de IA.

3. as oportunidades domésticas estão nos setores verticais

Olhando para 2024, a programação de IA é, sem dúvida, uma das direções de capital de risco mais quentes do Vale do Silício, com unicórnios como Cursor, Poolside, Cognition, Magic, Codeium, Replit e outros já em funcionamento.

Em contrapartida, os fabricantes nacionais de Internet e os grandes fabricantes de modelos lançaram basicamente seus próprios "modelos de código", mas há pouquíssimas startups bem desenvolvidas. De acordo com a Silicon Star People, no ano passado, a Qiji Chuangtan investiu em seis start-ups no campo da programação de IA e, desde então, quase todas foram eliminadas, enquanto no ano passado, mais de 10 equipes baseadas em código que surgiram brevemente, a maioria delas já se retirou do campo este ano.

Após o surgimento do ChatGPT, a Clearstream Capital analisou dezenas de projetos na área de programação de IA, mas o único que finalmente deu um passo à frente foi a Silicon Heart Technology ("aiXcoder").

Para projetos domésticos de programação de IA, muitos consideram que o produto se tornou mais "superficial". "Há desenvolvedores na comunidade reclamando que muitos produtos agora geram código por alguns minutos, mas eles têm que gastar meio dia ou mais para depurar."

Por trás da aparência "superficial" do produto, há uma diferença ambiental que se desenvolveu ao longo dos anos nos mercados 2B dos EUA e da China.. A análise dos motivos são três: o grupo de programadores juniores dos Estados Unidos é enorme e o custo da mão de obra é mais alto; a introdução de produtos de IA pode ajudar as empresas a reduzir significativamente os custos; o mercado de SaaS dos Estados Unidos foi executado por meio do modelo PLG; a disposição da empresa em pagar por produtos de uso geral é mais forte; e o caminho de saída do mercado 2B estrangeiro é claro, a disposição dos investidores em investir é forte e a lógica do primeiro nível do mercado para assumir o negócio também é muito clara, os investidores anjos são muito e muito ativos. As startups quase sempre conseguem obter a primeira rodada de financiamento para validar suas ideias.

Em setembro de 2024, Gru lançou o Gru.ai e ficou em primeiro lugar na avaliação verificada do swe-bench divulgada pela OpenAI com uma pontuação alta de 45,2%. Havia uma clara sensação de que ter um produto tornava a empresa mais aceitável no Vale do Silício.

E para o mercado doméstico de B-side, o problema do clichê ainda existe. "É mais difícil fazer o B no mercado interno, a cadeia de vendas envolvida é mais longa e, no final, quem pode pagar a conta ainda são, em sua maioria, as grandes empresas, mas, às vezes, não são as grandes empresas que comprarão se o seu produto for bom." "Muitas empresas têm um grande número de requisitos de conformidade de segurança interna, por exemplo, devido a preocupações com o risco de vazamento de informações, não podem usar a nuvem para chamar o produto, a necessidade de ferramentas de código implantadas localmente."

Como resultado, as empresas nacionais de programação de IA precisam colocar os dois pés na terra para resolver problemas específicos em vários setores.

"O modelo deve considerar a continuidade dos negócios no processo de aterrissagem real, o modelo de código doméstico dos resultados da avaliação do desempenho é melhorado, mas nos cenários de aplicação específicos, é necessário analisar cenários específicos." Anteriormente, depois de se comunicar com uma empresa de manufatura industrial, descobriu-se que a linguagem usada em alguns sistemas de software em cenários industriais não é o python ou C++ comum, mas algumas ferramentas de codificação específicas do setor, o que exige que os fornecedores de tecnologia façam ajustes específicos em seus produtos.

Essa não é uma demanda exclusiva dos cenários industriais; cada setor tem suas próprias características de domínio e cada empresa tem uma lógica de negócios e um sistema de engenharia específicos, o que exige que as empresas de programação de IA tenham recursos de serviço mais fortes e específicos do domínio.

Depois de estudar dezenas de empresas, descobriu-se que "para todos os tipos de necessidades de desenvolvimento de software, as funções de programação de IA incluem pelo menos uma série de tarefas, como pesquisa, detecção e reparo de defeitos e testes, além da geração de código;Além da funcionalidade, também é necessário considerar como integrar esses recursos à lógica comercial do próprio cliente, de modo que o modelo tenha um conhecimento de domínio mais profundo, o que, na verdade, é um grande desafio."

Como resultado, a Clearstream Capital está mais otimista com a ideia de acoplamento profundo de modelos e produtos com conhecimento privado interno, dados e estruturas de desenvolvimento de software dentro da organização, e investiu na aiXcoder em setembro de 2023.

"Nessa necessidade comprovada, a aiXcoder é a equipe mais compatível técnica e comercialmente. Ao mesmo tempo, vários membros importantes da equipe comercial da empresa têm mais de uma década de experiência em vendas para clientes Big B nacionais e internacionais e têm uma visão profunda dos clientes e do mercado. Eles propuseram uma solução de aterrissagem de 'domainização' no segundo trimestre de 2023, ou seja, a estratégia de que a programação de IA deve ser profundamente acoplada a estruturas internas de conhecimento privado, dados e desenvolvimento de software dentro da empresa, o que também foi reconhecido por um grande número de clientes corporativos importantes em termos dos resultados reais de aterrissagem do projeto."

Incubada no Instituto de Engenharia de Software da Universidade de Pequim, a aiXcoder é a primeira equipe do mundo a aplicar a tecnologia de aprendizagem profunda à geração e compreensão de códigos, bem como a primeira equipe a aplicar a aprendizagem profunda a produtos de programação. A equipe acumulou mais de 100 artigos nas principais revistas e conferências internacionais, muitos dos quais são os primeiros e mais citados artigos no campo da engenharia de software inteligente.

O parceiro de negócios e presidente da aiXcoder disse que, ao enfrentar os cenários de implementação privada B-end, como o modelo geral grande não aprendeu os dados do domínio privado, o modelo carece de uma integração profunda dos requisitos de negócios internos da empresa, das especificações do setor, da estrutura de desenvolvimento de software e do ambiente operacional, e não consegue incorporar o conhecimento de fundo do domínio da empresa, como análise de requisitos e documentos de design no treinamento do modelo, resultando no código gerado ou complementado no falta de relevância e confiabilidade no nível da lógica de negócios.

O resultado é que a precisão e a usabilidade dos modelos grandes em aplicativos corporativos são menores do que o esperado. "Muitos modelos grandes têm um desempenho admirável em cenários genéricos ou conjuntos de avaliação convencionais, com uma precisão de até 301 TP3T, mas quando implantados internamente na empresa, a precisão geralmente cai para menos de 101 TP3T.Os meios convencionais de ajuste fino também são difíceis de alcançar os resultados desejados pela empresaPortanto, aprender e dominar o conhecimento de domínio é a chave para a implementação bem-sucedida de sistemas de programação de IA na empresa. Portanto, aprender e dominar o conhecimento "dominado" é a chave para implementar com sucesso os sistemas de programação de IA nas empresas. A solução de problemas específicos de domínio para clientes corporativos é onde reside nosso valor diferenciado."

Para resolver os pontos problemáticos acima, o aiXcoder realiza um treinamento incremental direcionado com base em uma variedade de dados internos fornecidos pela empresa, incluindo código, documentos comerciais, documentos de requisitos, documentos de design, documentos de teste, bem como terminologia comercial do setor e especificações de processos, padrões e especificações técnicas do setor, pilhas de tecnologia empresarial e estruturas de programação e outros conhecimentos de domínio. . Além do treinamento de modelos, ele também é combinado com multiagentes, RAG, ferramentas de desenvolvimento de software e o "sistema Prompt projetado" que se ajusta à estrutura de desenvolvimento de software empresarial, de modo a melhorar a qualidade da geração de código e a capacidade de todo o processo de P&D.

Na forma de entrega.As soluções baseadas em domínio não são iguais ao fornecimento tradicional altamente personalizado baseado em projetosO aiXcoder extrairá recursos e ferramentas com valor comum das necessidades individuais dos clientes e formará produtos e processos padronizados a serem entregues aos clientes; ao mesmo tempo, o aiXcoder mantém uma comunicação de alta frequência com os clientes por meio de reuniões regulares, não apenas ajudando os clientes a resolver problemas cíclicos, mas também precisando continuar a iterar produtos com base nas necessidades comuns e reais dos clientes.

4. o setor de IA já "gritou lobo" muitas vezes.

Do ponto de vista orientado a resultados, seja para a pequena B ou para a grande B, "modelo de treinamento" ou "não modelo de treinamento", Copiloto ou Agente, pode não haver uma resposta ideal, todos precisam se basear nas necessidades reais dos clientes, bem como nas da própria equipe empreendedora Pode não haver uma resposta ideal.

Independentemente do caminho que tomem, as empresas de programação de IA têm um objetivo simples e direto de melhorar a eficiência do desenvolvimento de software. No entanto, ainda é cedo no mercado atual, eA canalização correta da demanda dos clientes é um problema para todos os participantes do mercado.

A maior dificuldade no momento é como fazer com que os clientes reconheçam o valor dos agentes segmentados."Mesmo no Vale do Silício, a primeira reação de muitos clientes potenciais quando ouvem falar de um novo produto de IA é de questionamento, não de empolgação. Porque uma das coisas ruins sobre o caminho da IA é que houve muitas histórias de "lobo chorão" no passado, e muitas demonstrações foram feitas e não funcionaram." No momento, a Gru gasta muita energia para alcançar os clientes e construir o boca a boca dos usuários iniciais, que será a base para a comercialização em larga escala posteriormente.

Para o mercado doméstico, o lado da demanda dos sistemas de programação de IA também precisa esclarecer os limites de suas próprias necessidades e recursos de modelo. "Atualmente, os sistemas de programação de IA orientados por grandes modelos têm um futuro promissor na melhoria da produtividade do software." "Para realmente aproveitar o valor dessa tecnologia em um ambiente corporativo, é necessário combinar profundamente o modelo de código grande com o conhecimento de domínio da própria empresa e iterá-lo e validá-lo continuamente em cenários de negócios específicos."

De fato.Os grandes modelos evoluíram até o ponto em que o sentimento do mercado retornou em grande parte à racionalidade, mas o ruído ainda existeO ano de 2024, por exemplo, é um ano em que grandes modelos de informações sobre licitações são comuns, mas alguns dos dados podem ser "enganosos". Por exemplo, em 2024, grandes modelos de informações de licitação são comuns, mas alguns dos dados provavelmente serão "enganosos".

"A divisão ecológica do trabalho é mais clara em países estrangeiros, mas muitos projetos de TO B na China acabam sendo licitados, e muitas empresas estão se esforçando para participar da licitação." No entanto, no campo da programação de IA, a julgar pelas informações de licitação pública, até mesmo alguns grandes fabricantes não receberam muitos pedidos.

A razão para isso é queUma licitação bem-sucedida não equivale a um modelo ou produto bem-sucedido no local.

Por um lado, em muitos compradores, o responsável pela aquisição e o uso real do produto muitas vezes não são a mesma onda, o que pode resultar em decisões de aquisição e nas necessidades reais de negócios das duas camadas de pele. Por outro lado, esses desembarques geralmente dependem de produtos padronizados e de ajustes finos, e não dos cenários de negócios da empresa e da lógica interna para treinamento e adaptação aprofundados do domínio, o que pode fazer com que os programadores que usam o processo descubram que os resultados não são satisfatórios.

Uma fonte do setor revelou que a maioria dos pedidos no atual mercado de licitações que incluem hardware está na casa dos milhões, enquanto os pedidos de software puro, como desenvolvimento de software inteligente, assistentes de código e outros projetos, estão, em sua maioria, na faixa de 300.000 ou mais. Muitas empresas descobrem que não conseguem resolver o problema após a compra e só podem voltar ao mercado para encontrar um fabricante mais adequado, o que resulta em um desperdício de recursos.

No entanto, algum consenso está surgindo da desconstrução.Cada vez mais empresas estão percebendo que a tendência é "dissociar" os recursos de produtos e modelos.

Na primeira metade de 2024, quando os recursos do modelo estiverem ficando mais fortes, os modelos convergirão em termos de programação, e o produto não deverá mais ser adaptado para se adequar aos recursos do modelo, mas deverá serTornar o produto "agnóstico em relação ao modelo".. "A partir do primeiro semestre de 2024, basicamente não estamos mais fazendo otimizações específicas para modelos diferentes, mas sim aprimorando os recursos de nossa arquitetura de produto, e qualquer modelo no mercado poderá ser conectado, desde que seja aprovado em nossos benchmarks."

"Os clientes corporativos devem dar total atenção à continuidade dos negócios e não devem se prender a um único fornecedor de modelos grandes. Atualmente, é difícil atender de fato às necessidades dos clientes corporativos em relação a grandes modelos comprando apenas produtos padronizados. As empresas precisam alcançar a dissociação arquitetônica em termos de modelos grandes, nível de dados, domínio e engenharia, e escolher com flexibilidade os modelos e provedores de serviços que melhor atendam às suas necessidades. Mais importante ainda, é necessário resolver efetivamente o problema real de domínio do desenvolvimento de software dentro da empresa para ajudar as empresas a obter redução de custos e eficiência."

Como uma perspectiva de terceiros do setor, no futuro, o acesso ao modelo será apenas uma parte da aterrissagem do setor. "Se os fornecedores de tecnologia padronizarem os recursos dos primeiros 95-99 quilômetros na infraestrutura, os últimos 1-5 quilômetros restantes poderão ser feitos pelo próprio aplicativo."