Vertikal AI: Modellen som overlever når AI-wrappere dør

Det bygges AI-tjenester i et tempo ingen rekker å følge med på. Men under overflaten skjer en utskilling: generiske tjenester — «AI-wrappere» som bare legger et grensesnitt over en standardisert språkmodell — mister eksistensgrunnlaget i takt med at modellene bak blir bedre. Det som overlever, har en annen form.

Hvorfor wrapperne dør

En tjeneste som kun videresender brukerens spørsmål til en generell språkmodell har ingen forsvarbar posisjon. Modellene bak blir stadig bedre og billigere, og leverandørene bygger selv de vanligste bruksområdene rett inn i produktene sine. Det som var et produkt i fjor, er en funksjon i år — og en gratisfunksjon neste år.

Det som overlever: vertikal AI

Vertikal AI er produkter som kapsler inn spesifikk bransjekunnskap, løser smale arbeidsflyter og genererer proprietære data generelle modeller mangler. Tre kjennetegn går igjen:

• Domenekunnskap som barriere. Parkeringsforskriften, kommunale gebyrregulativer, nemndspraksis — kunnskap som må samles, struktureres og vedlikeholdes. En generisk modell gjetter; et vertikalt produkt vet.
• Arbeidsflyt, ikke chat. Verdien ligger i å fjerne en hel prosess — fra opplastet faktura til ferdig formell klage — ikke i å svare på spørsmål underveis.
• Data som forsterker seg selv. Hver sak som behandles gjør systemet bedre til å vurdere den neste. Det er en vollgrav som graver seg dypere av seg selv.

Micro-SaaS: formatet for vertikal AI

Vertikal AI realiseres oftest som Micro-SaaS: små, spissede produkter med tre styrker — ekstremt fokus på ett smalt problem, hastighet i lansering, og nærhet til brukerens faktiske arbeidsflyt. Modellen egner seg spesielt godt for automatisering av kundestøtte, compliance, rapportering og komplekse skjemaer.

Det smale er ikke en begrensning. Det smale er selve forretningsmodellen.

Prøven du kan kjøre på din egen idé

Det finnes en enkel test på om et AI-konsept har et forsvar. Still tre spørsmål, og vær ubarmhjertig med svarene.

Hva vet produktet som modellen ikke vet? Kan hele verdien gjenskapes ved å skrive en god instruksjon til en generell modell, har du ikke et produkt. Du har en prompt med fakturering. Det holder til modellen selv blir litt bedre.

Hva blir liggende igjen når brukeren er ferdig? Et system som bare svarer, glemmer. Et system som behandler en sak, samler kunnskap om hvordan slike saker faktisk går. Det er forskjellen mellom en tjeneste og et arkiv som blir mer verdt for hvert år.

Hvem må du overbevise for å bli valgt? Er svaret «alle som har et spørsmål», konkurrerer du mot verdens største selskaper på deres hjemmebane. Er svaret «folk med en parkeringsbot fra i går», har du et marked ingen av dem bryr seg om å ta.

Hvorfor det smale også er lettere å distribuere

Det er en sammenheng mellom nisje og synlighet som ofte overses. Jo smalere problemet er, jo mer presist søker folk etter det — og jo billigere er det å bli funnet.

Noen som lurer på «kan AI hjelpe meg» søker på noe ingen kan eie. Noen som nettopp har fått et vann- og avløpsgebyr de mener er for høyt, søker på noe helt konkret, i et øyeblikk der de faktisk vil ha hjelp. Den andre gruppen er mindre. Den er også langt lettere å nå, og betydelig mer verdt når du når den.

Bredden gir deg mange å konkurrere mot. Smalheten gir deg noen å bli funnet av.

Det er derfor vertikal AI og organisk distribusjon hører sammen. Den samme domenekunnskapen som gjør produktet vanskelig å kopiere, gjør det også mulig å skrive innhold ingen generalist kan skrive — og det innholdet er kanalen.

Der modellen ikke passer

Vertikal AI er ikke svaret på alt, og det er verdt å si tydelig. Er problemet du løser bredt, sjeldent, eller uten en tydelig arbeidsflyt, blir en smal tjeneste bare en tungvint versjon av en samtale.

Modellen forutsetter også at nisjen har nok volum til å bære seg. Et regelverk som rammer tusen mennesker i året, er ikke et marked uansett hvor godt du løser det. Kartleggingen av søkevolum kommer derfor før alt annet — også før vurderingen av om det er teknisk mulig.

Hva dette betyr i praksis

For Desken er konsekvensen enkel: Vi bygger aldri generiske AI-verktøy. Hvert konsept i porteføljen eier en smal, regulatorisk eller praktisk nisje — en parkeringsklage, et kommunalt gebyr, en matching mellom familie og barnevakt — der kombinasjonen av domenekunnskap, arbeidsflyt og proprietære data gjør konseptet vanskelig å kopiere og lett å forsvare.