1. Naslov in uvod
Yupp je v manj kot enem letu prešel pot od 33 milijonov dolarjev začetnega kapitala pod vodstvom a16z crypto (Chris Dixon) do popolnega zaprtja. Na papirju je imelo podjetje vse: odmevne vlagatelje, več kot milijon uporabnikov in zgodbo o »demokratizaciji« umetne inteligence. V praksi pa se je zaletelo v zid: v surovo realnost poslovnega modela, ki živi med temeljnimi modeli in končnimi uporabniki.
To ni le še en nekrolog za startup. Propad Yuppa je zgodnja študija primera, kaj v nastajajočem AI‑ekosistemu deluje in kaj ne. Če v Ljubljani, Berlinu ali San Franciscu gradite vmesno plast (middleware) ali podatkovno storitev za AI, bi vas ta zgodba morala zelo zanimati.
2. Kaj se je zgodilo (na kratko)
Kot poroča TechCrunch, se Yupp zapira manj kot leto dni po lansiranju. Podjetje je ponujalo storitev za množično izbiranje najboljšega AI‑modela: uporabniki so lahko vnesli poziv, sistem pa je prek približno 800 različnih modelov – vključno z modeli OpenAI, Googla in Anthropica – vrnil več odgovorov hkrati. Uporabniki so nato označili, kateri rezultat jim je najbolj ustrezal in zakaj.
Ideja je bila, da se iz teh povratnih informacij ustvari anonimiziran nabor podatkov o preferencah, za katerega bi AI‑laboratoriji plačevali, podobno kot pri metodah RLHF (reinforcement learning from human feedback). Yupp je po lastnih navedbah pridobil okoli 1,3 milijona uporabnikov in vsak mesec zbral milijone glasovanj. Imel je tudi nekaj plačljivih strank med AI‑laboratoriji.
Vendar pa ustanovitelji priznavajo, da podjetje ni doseglo dovolj močnega product‑market fita. Hiter napredek osnovnih modelov in usmeritev trga v specializirane ponudnike strokovnega povratnega označevanja sta pomenila, da prihodki niso sledili pričakovanjem, zato se je ekipa odločila za zaprtje. Del zaposlenih naj bi prešel v večje, uveljavljeno AI‑podjetje.
3. Zakaj je to pomembno
Primer Yuppa je pomemben, ker razkrije, kako neusmiljen je postal »srednji sloj« AI‑ekosistema.
Na prvi pogled je stava zvenela pametno: modeli se množijo in posodabljajo iz tedna v teden, uporabniki pa potrebujejo pomoč pri izbiri »pravega modela za pravo nalogo«. Hkrati razvijalci modelov nujno potrebujejo realne podatke o tem, kaj ljudje od AI dejansko pričakujejo, ne le rezultatov na akademskih testih. Yupp je želel stati na sredini – izboljšati uporabniško izkušnjo in hkrati zgraditi dragocen podatkovni tok.
Težava je, da sta se oba dela te enačbe izkazala za manj donosna in manj branjena, kot je bilo videti.
Za uporabnike je izbira modela vedno bolj le funkcija, ne samostojen produkt. Večina ljudi noče razmišljati o tem, ali uporablja Model A ali Model B – pričakujejo, da bo sistem samodejno izbral dovolj dober odgovor. Ko se splošni modeli hitro izboljšujejo, je bolečina napačne izbire vedno manjša. Dodana vrednost se seli v integracijo v konkretne delovne tokove in domeno, ne v generični vmesnik za primerjavo.
Za razvijalce modelov pa je najbolj dragocena povratna informacija tista od strokovnjakov, ki znajo natančno označiti napake, robne primere in varnostna tveganja – ne pa od naključnih potrošnikov, ki klikajo, kateri odgovor jim je »bolj všeč«. Zato, kot poudarja TechCrunch, laboratoriji danes plačujejo visoke zneske ponudnikom strukturiranega RLHF, ki zaposlujejo specialiste, ne pa množičnim potrošniškim platformam.
Yupp se je znašel v sendviču: ni bil dovolj globok v nobeni vertikali, da bi opravičil visoke B2B‑proračune; ni bil dovolj močan kot potrošniška aplikacija; in ni imel dovolj specifične kakovosti podatkov, da bi konkuriral uveljavljenim ponudnikom označevanja.
Zmagovalci v tej zgodbi so veliki ponudniki temeljnih modelov in specializirane podatkovne / RLHF‑platforme, katerih vrednost je jasna in težje izpodrivna. Poraz so utrpeli generični posredniki, ki so stavili na to, da bo »lastništvo uporabnika« ali »lastništvo povratne informacije« brez ostre specializacije in jarka zadostovalo.
4. Širša slika
Zaprtje Yuppa lepo ilustrira širši vzorec v AI v zadnjih nekaj letih: eksploziven eksperiment na robovih in nato hiter pritisk v sredini.
Najprej smo videli val potrošniških AI‑ovojnic – tankih vmesnikov nad API‑ji OpenAI ali Anthropica z obljubo boljših pozivov, lepših UI‑jev ali viralnih funkcij. Številne so dosegle impresivne začetne številke, podobno kot Yupp, a so se kmalu soočile s težavo zadržanja uporabnikov in monetizacije. Če je vaš glavni »čar« en API‑klic, ki ga lahko vsakdo ponovi, je lojalnost krhka.
Nato je sledila generacija AI‑infrastrukturnih in evalvacijskih startupov, ki so stavili na vlogo nevtralne plasti med modeli in aplikacijami: usmerjanje modelov, nadzorne plošče, upravljanje pozivov, tržnice modelov. Nekateri gradijo resne posle – še posebej tam, kjer so globoko vpeti v podjetniške procese ali skladnost z regulativo. Drugi pa ugotavljajo, da lahko veliki ponudniki v svoje platforme vključijo dovolj funkcionalnosti, da močno zmanjšajo prostor za samostojni produkt.
Yupp je skušal biti oboje: potrošniška aplikacija in podatkovna infrastruktura. To je težko že v normalnih trgih; v okolju, kjer se zmožnosti modelov vidno podvajajo vsakih nekaj mesecev, pa skoraj nemogoče.
Takšne stiske nismo videli prvič. V mobilni eri je nešteto startupov za »odkrivanje aplikacij« ali mobilno analitiko izginilo, ko sta Apple in Google v sistem vključila osnovne različice istih funkcij. V oblaku je veliko orodij za nadzor in logiranje izgubilo prednost, ko so hiperskalerski ponudniki razširili lastne observability‑pakete.
AI bo zelo verjetno sledil podobnemu scenariju – le precej hitreje. Ključna lekcija Yuppa je, da biti agregator tujih modelov ali podatkov ni dovolj. Preživeli bodo tisti, ki imajo vsaj eno izmed treh stvari: globoko domeno, težko ponovljive podatkovne pravice ali nadzor nad distribucijskim kanalom, ki ga platforme ne morejo zlahka obiti.
5. Evropski in slovenski kot
Za evropske – in s tem tudi slovenske – ustanovitelje je propad Yuppa streznitveni test za AI‑poslovne modele pod pogoji EU.
Platforma za množično zbiranje povratnih informacij, kot je bil Yupp, takoj odpre občutljiva vprašanja varstva podatkov in privolitve. Tudi če so podatki anonimizirani, GDPR postavlja visok standard za zbiranje, hrambo in deljenje vedenjskih podatkov. Prihajajoči Akt EU o umetni inteligenci (AI Act) bo dodal še en sloj zahtev: preglednost pri podatkih za učenje in sistematične ocene tveganj.
Evropski »Yupp« bi imel višje stroške skladnosti že od začetka. To je slabost pri hitrosti, a lahko tudi prednost v zaupanju: podjetja v EU vse bolj zahtevajo jasne odgovore, kje so njihovi podatki, kdo jih lahko uporablja za učenje modelov in ali je mogoče zbiranje enostavno preklicati.
Hkrati v Evropi – in še posebej v manjših trgih, kot je Slovenija – skoraj ne vidimo tako velikih seed‑rund, kot jo je imel Yupp. Na prvi pogled je to hendikep, v resnici pa filter: manj je prostora za drage poskuse z generičnim middleware‑om, več pritiska na vertikalne AI‑rešitve, povezane z industrijo, zdravjem, javnim sektorjem ali financami.
Prav tam ležijo priložnosti tudi za slovenska podjetja. AI‑rešitev, vtkana v konkretne procese (npr. v proizvodnji, logistiki ali zdravstvu), ustvarja povratne informacije in podatke, ki so bistveno bolj specifični – in zato bolj vredni – kot generični potrošniški pozivi.
Yupp bi moral evropskim vlagateljem in ustanoviteljem utrditi instinkt: raje manj, a ostrejše stave na podjetja, ki sedijo čim bližje resničnim delovnim tokovom, kot pa na abstraktne agregacijske plasti.
6. Pogled naprej
Osnovna ideja Yuppa – usmerjanje poizvedb na pravi model in učenje iz povratnih informacij – ne izginja. Preprosto se premika nižje v sklad.
Pričakovati je, da bodo usmerjanje modelov, A/B‑testiranje in stalno vrednotenje postali vgrajene funkcije večjih AI‑platform, oblačnih ponudnikov in celo operacijskih sistemov. Uporabnik bo komuniciral z »asistentom« na telefonu ali računalniku; v ozadju bo ta asistent orkestriral več modelov, orodij in agentov. V takem svetu je malo prostora za samostojno aplikacijo, ki služi zgolj primerjavi modelov.
Na strani ponudbe se bo trg povratnih informacij in označevanja verjetno razcepil. Na eni strani bodo veliki RLHF‑ponudniki in notranje ekipe laboratorijev, ki bodo skrbeli za varnostno kritične, strokovne podatke. Na drugi strani bo vsakdanje uporabniško vedenje – kliki, popravki, dodatna vprašanja – zajeto neposredno v produkcijskih aplikacijah. Posredniki, ki ne obvladujejo ne uporabniškega odnosa ne strokovne mreže, bodo stisnjeni.
Za ustanovitelje v regiji so zdaj ključna vprašanja:
- Ali obvladujete konkreten delovni tok ali občinstvo, ali ste le prijaznejši vmesnik do tujih API‑jev?
- So vaši podatki res zaščiteni – prek dostopa, pogodb ali regulative – ali bi jih lahko platforme jutri replicirale z lastno telemetrijo?
- Če veliki ponudniki modelov zgradijo 80 % vašega produkta, ali preostalih 20 % res upraviči obstoj podjetja?
V naslednjih 12–18 mesecih lahko pričakujemo še več zgodb v slogu Yuppa, ko se bo lahkotni AI‑entuziazem zadnjih let srečal s tršo realnostjo prihodkov, marž in jarkov.
7. Bistvo
Propad Yuppa ni dokaz, da je AI precenjen, temveč da je srednji sloj v AI‑skladu prenatrpan in slabo zaščiten. Biti na pol poti med uporabniki in modeli, ne da bi resnično obvladovali katero koli stran, postaja izgubljena strategija.
Preživeli bodo tisti, ki bodo AI naredili nepogrešljiv za konkretne panoge, procese ali infrastrukturo – ne tisti, ki obljubljajo, da bodo splošna »stikalna plošča« za katerikoli model je trenutno v modi. Ključno vprašanje za vsakega AI‑ustanovitelja je danes: če Yuppu ni uspelo z 33 milijoni dolarjev in elitnimi vlagatelji, kaj natanko dela vašo stavo res drugačno?
