Yanyu Technology strebt nach dreijähriger Tätigkeit und einer Bewertung von 3 Milliarden US-Dollar einen Börsengang in Hongkong an.

Während die globale Begeisterung für große KI-Modelle weiter zunimmt, kann ein „Vermittler“, der Modelle und Endnutzer verbindet, eine massive Kapitalerzählung aufrechterhalten, ohne selbst Grundmodelle zu entwickeln? Aktuelle Medienberichte deuten darauf hin, dass Evoken die Vorbereitung eines Börsengangs (IPO) in Hongkong begonnen hat, wobei die jüngste Finanzierungsrunde das Unternehmen auf 3 Milliarden US-Dollar bewertete. Evoken ist in den letzten drei Jahren durch verschiedene KI-Erstellungs- und Anwendungsprodukte schnell gewachsen und hat die branchenweiten Debatten über den kommerziellen Wert und die Wettbewerbsbarrieren der KI-Anwendungsschicht erneut entfacht.

Vom Modell-Community-Geschäft zur „Vermittler“-Geschäftslogik: Die Evolution von Liblib

Evokens Weg begann 2023 mit der Einführung von LiblibAI, einer Community für Bildmodelle. Zu diesem Zeitpunkt blühte das Open-Source-Ökosystem für Bildmodelle auf. Die Plattform entwickelte sich schrittweise zu einer vertikalen Community, die einem Code-Hosting-Dienst ähnelt, indem sie Modelle aggregierte, die von Entwicklern hochgeladen und feinabgestimmt wurden. Da sich die Fähigkeiten multimodaler großer Modelle rasch weiterentwickelten, wurde Liblib zur Version 2.0 aufgewertet und verwandelte sich von einer Community für die Feinabstimmung einzelner Modelle in ein multimodales Kreativzentrum. Es integrierte mehrere gängige multimodale große Modelle in den Kern und führte eine benutzerfreundliche Oberfläche für die Generierung mit einem Klick ein.

Trotz der Erweiterung der Produktpositionierung bleibt die zugrunde liegende Geschäftslogik auf die Dienstleistungspaketierung durch die Integration multimodaler Modellfähigkeiten zentriert. Als „Vermittler“ großer Modelle stützt sich sein Gewinnmodell hauptsächlich darauf, Kostenvorteile bei API-Anfragen von offiziellen oder Kanalquellen zu sichern und diese durch gebündelte Pakete zu verkaufen. Beispielsweise nutzt die Plattform Mechanismen wie den Verfall von Mitgliederpunkten, um die tatsächlichen Nutzungskosten auszugleichen. Dieser Ansatz unterscheidet sich vom traditionellen Verkauf von Werkzeugen und konzentriert sich stattdessen auf eine feine Steuerung, die durch Plattformgröße und tatsächlichen Nutzerverbrauch angetrieben wird.

Vielfältige Produktmatrix: Schnelle Durchbrüche von Design-Agenten bis hin zur KI-Videokreation

Um über die Beschränkungen hinauszuwachsen, die nur darin bestehen, als Mittelsmann zu agieren, hat Evoken schnell mehrere vertikale Anwendungsprodukte etabliert und seine eigene Wachstumsmotor aufgebaut.

Zunächst lancierte es ein spezialisiertes Agent-Assistenzprodukt, das auf den Designsektor abzielt. Nach dem Aufkommen allgemeiner Agentenkonzepte bildete das Team schnell eine dedizierte Produktgruppe, die sich auf die Automatisierung des gesamten Prozesses und die Effizienzsteigerung im Design konzentrierte. Seine Kernstrategie besteht darin, Designaufgaben mithilfe der Agentenlogik zu zerlegen und spezifische Funktionen zu optimieren, um die Schmerzpunkte von Designern bei der Text-Bild-Verarbeitung, Textbearbeitung und Effektangleichung zu adressieren, wodurch traditionelle Designarbeitsabläufe tiefgreifend optimiert werden.

Zweitens führte es eine KI-Videoplattform für den Videokreativsektor ein. Nutzend den Boom bei KI-Kurzfilmen und Video-Generierung, traten diese Produkte schnell auf den Markt, indem sie Skriptgenerierung, Storyboard-Design, visuelle Generierung und Postproduktionsbearbeitung modularisierten. Dies hat erheblich zum wiederkehrenden Jahresumsatz (Annual Recurring Revenue, ARR) des Unternehmens beigetragen. Durch das scharfe Erfassen von Branchentrends und die schnelle Iteration der Produktmerkmale hat das Unternehmen einen First-Mover-Vorteil in mehreren Nischenmärkten gesichert.

Graben und Zeitvorsprung: Echte Herausforderungen in der KI-Anwendungsschicht

Obwohl Evoken beeindruckendes Umsatzwachstum und eine schnelle Produktiteration gezeigt hat, steht sein Geschäftsmodell weiterhin vor erheblichen praktischen Herausforderungen und objektiver Prüfung.

Einerseits hängt die Kernbarriere (Moat) für Produkte der KI-Anwendungsschicht weitgehend von einem „Zeitvorsprung“ ab. Da sich die Fähigkeiten großer Modelle weiter verbessern und Internetriesen in vertikale Märkte eindringen, können die durch First-Mover-Vorteile geschaffenen differenzierten Barrieren schnell komprimiert werden. Große Hersteller beschleunigen aufgrund ihrer umfangreichen Ökosysteme und Ressourcen ihre Platzierung ähnlicher kreativer intelligenter Agenten und Kreativplattformen.

Andererseits sind die Wechselkosten für Nutzer von KI-Tools relativ gering, und der Markt Wettbewerb entartet oft in Preiskriege und Wettläufe um die Geschwindigkeit der funktionalen Iteration. Das Aufrechterhalten eines schnellen Wachstums bei gleichzeitiger Verbesserung der langfristigen Nutzerbindung und -treue sowie der Aufbau robusterer technischer und ökologischer Barrieren bleibt eine Schlüsselherausforderung für solche KI-Anwendungsunternehmen in ihrer langfristigen Entwicklung. Da sich der IPO-Prozess voranschreitet, wird der Markt letztendlich die Qualität der Rentabilität und die Nachhaltigkeit dieses „Vermittler“-Modells bestimmen.