“Allunya’t del negoci dels agregadors”: l’executiu que dirigeix l’organització global de startups de Google avisa que els wrappers de models i els agregadors de models entren en una fase de pressió competitiva i marges estrets.
El boom de la intel·ligència artificial generativa va produir una escena gairebé caricaturesca: una startup per minut, demostracions enlluernadores, rondes llampec i productes que, amb una interfície polida, prometien “posar un copilot” a qualsevol tasca imaginable. Però quan el mercat comença a distingir entre lluentor i negoci, apareixen categories que passen de tendència a advertiment. I una de les alertes més clares arriba des d’una veu amb visió panoràmica de l’ecosistema: Darren Mowry, responsable de l’organització global de startups de Google a través de Cloud, DeepMind i Alphabet, sosté que dos tipus de companyies tenen ara la “llum de check engine” encesa: els wrappers de grans models de llenguatge i els agregadors de models d’IA.
La frase no és casual. En el llenguatge de producte, la “llum de motor” no vol dir que el cotxe estigui mort: vol dir que alguna cosa va malament i que ignorar-ho surt car. Mowry ho va dir al podcast Equity i TechCrunch ho resumeix amb contundència: si la teva proposta depèn gairebé del tot d’un gran model (Claude, GPT, Gemini) i tu només hi poses una capa fina d’experiència d’usuari, el sector ja no té paciència per a això. I si la teva proposta és intermediar entre diversos models —enrutant consultes i oferint un “tot en un” amb accés múltiple— la recomanació per a qui comença és encara més taxativa: “Mantén-te fora del negoci dels agregadors”.
1) El problema dels wrappers: quan el teu producte és “un model amb botons”
Un wrapper d’un gran model de llenguatge (per simplificar) és una startup que agafa un model ja existent i hi afegeix una capa de producte —una interfície, un flux, plantilles, algun sistema d’organització— per resoldre un problema concret. És el patró típic d’“IA per estudiar”, “IA per escriure informes”, “IA per resumir trucades”, “IA per…” el que sigui. TechCrunch posa un exemple explícit: una startup que ajuda estudiants a estudiar fent servir IA.
Per què aquest model es torna fràgil? Perquè si el valor principal el lliura el model “del darrere” i la startup gairebé només el “marca en blanc” (white-label), el diferencial és mínim i, amb el temps, tendeix a evaporar-se per tres vies:
- El mateix proveïdor del model millora el producte base. Allò que avui és una “funció premium” d’una startup (resum, reescriptura, tutoria, extracció) demà apareix de manera nativa al model o a la seva plataforma de consum/empresa.
- El cost variable pressiona. Si el negoci depèn de crides a API, el marge es torna vulnerable a preus, límits, latència i competència. Vens “accés” sense controlar el “motor”.
- La substitució és fàcil. Si el teu avantatge és una interfície agradable, qualsevol la pot replicar. I l’usuari, cada vegada més, s’acostuma a anar directament a ChatGPT, Gemini o Claude.
Mowry ho diu sense embuts: embolicar “propietat intel·lectual molt prima” al voltant de Gemini o GPT-5 indica que no hi ha diferenciació real. Per créixer, necessites “fossats” (moats) profunds: diferenciació horitzontal clara o, millor encara, una especialització vertical específica.
Aquí apareix un matís clau: no tots els wrappers són brossa. El que canvia és el llindar. TechCrunch esmenta dos exemples de “wrapper amb fossat”: Cursor (assistent de programació) i Harvey (assistent legal). Què els fa diferents? Que no es limiten a “preguntar al model”, sinó que construeixen producte al voltant: integració amb fluxos reals, context, seguretat, avaluació, experiència per rol, dades i un ajust fi del sistema al problema. En altres paraules: el model és un component, no el producte complet.
2) El problema dels agregadors: el “middleman” en una indústria que s’integra
Els agregadors de models són, en essència, un subconjunt dels wrappers: plataformes que reuneixen diversos models en una sola interfície o capa d’API, enruten consultes segons preu/rendiment i donen accés a múltiples proveïdors. Sovint venen “orquestració”: monitorització, governança, avaluació, routing, compliment normatiu. TechCrunch cita exemples coneguts de l’imaginari del sector, com Perplexity o OpenRouter (aquest darrer com a accés a diversos models a través d’una única API).
L’advertència de Mowry es basa en una lògica històrica: quan el “nucli” madura, l’intermediari pateix. El seu argument és que molts agregadors no mostren avui gaire progrés perquè els usuaris no volen només accés o computació; volen que el producte incorpori propietat intel·lectual que garanteixi que se’ls envia “al model correcte en el moment correcte” segons la necessitat, no segons restriccions internes de disponibilitat o cost.
Dit de manera més dura: si el teu negoci és “ser l’encaminador” entre models, el dia que els proveïdors construeixen encaminadors millors, més integrats i amb segell empresarial, el teu valor es comprimeix.
3) El mirall del núvol: de revenedors d’AWS a supervivents amb serveis reals
Per explicar per què creu que aquesta pel·lícula ja l’hem vista, Mowry recorre a la seva trajectòria: dècades al núvol, amb experiència prèvia a AWS i Microsoft abans d’arribar a Google Cloud. I traça un paral·lelisme amb finals dels 2000 i inicis dels 2010, quan l’enlairament d’Amazon Web Services va generar un “boom” de startups que revenien infraestructura d’AWS amb una promesa atractiva: entrada més fàcil, facturació consolidada, eines, suport.
I què va passar? Quan Amazon va construir les seves eines empresarials i els clients van aprendre a gestionar el núvol directament, la majoria d’aquells revenedors van quedar ofegats. Van sobreviure els que van afegir serveis reals: seguretat, migració, consultoria DevOps, especialització industrial.
L’analogia és rellevant perquè suggereix un “final d’etapa”: en una fase primerenca, el mercat paga per simplificació i accés; en una fase madura, paga per resultats, integració i responsabilitat operativa. Els agregadors d’IA, segons Mowry, afronten una pressió de marges similar a mesura que els proveïdors de models incorporen funcions d’empresa i redueixen l’espai de l’intermediari.
4) Què vol dir “fossat” el 2026: dades, fluxos i responsabilitat
La paraula “fossat” sona abstracta, però en IA es concreta en components molt pràctics:
- Dades pròpies (o dret a fer-les servir) i una manera defensable de convertir-les en avantatge.
- Integració en el flux de treball (no només “fer una tasca”, sinó viure en el procés: permisos, auditoria, traçabilitat, control de versions, revisions humanes).
- Avaluació i qualitat: mesurar, millorar, detectar errors, al·lucinacions, biaixos, seguretat.
- Distribució: canals d’adquisició robustos, reputació, comunitat, aliances.
- Especialització vertical: llenguatge, normes i riscos d’un sector (legal, salut, finances, indústria).
Sense això, el producte tendeix a ser substituïble per la següent actualització del proveïdor del model o per un competidor amb més múscul de distribució.
5) Les apostes que sí veu amb recorregut: “vibe coding”, plataformes i consum
L’advertència no és un funeral; és un mapa d’on creu que hi ha oxigen. Mowry es declara optimista amb el “vibe coding” i les plataformes per a desenvolupadors, que haurien tingut un any rècord el 2025 amb companyies com Replit, Lovable i Cursor (clients de Google Cloud, segons ell) captant inversió i tracció.
També espera creixement en tecnologia directa al consumidor: empreses que posen eines potents a les mans d’usuaris finals amb casos clars. I cita un exemple amb gust d’estratègia de plataforma: estudiants de cinema i televisió fent servir Veo (generador de vídeo de Google) per donar vida a històries.
Més enllà de la IA “pura”, afegeix dos camps que veu “en moment” per inversió i per disponibilitat massiva de dades: biotecnologia i clima. De nou, la paraula “dades” apareix com a gasolina de valor real: no només accés a models, sinó accés a informació i capacitat de transformar-la en solucions mesurables.
6) Lectura per a fundadors: no n’hi ha prou d’estar “a sobre” del model
La conclusió pràctica d’aquest avís es resumeix així: el mercat entra en fase darwiniana. El 2023-2024 n’hi havia prou amb una bona interfície sobre un model potent i demostrar màgia. El 2026, la pregunta canvia: quina part del valor controles tu? Si la resposta és “gairebé res, ho fa el model”, s’encén la llum del motor.
Això no vol dir que construir sobre models sigui un error; vol dir que construir només sobre models és una aposta feble. Els guanyadors probables seran els que converteixin la IA en producte amb responsabilitat: el que s’integra, s’audita, s’adapta a un sector, es mesura i es defensa.
I, sobretot, els que entenguin que l’avantatge ja no és tenir accés a un model, sinó convertir-lo en un sistema.
