Dit artikel is gezamenlijk geschreven door David Barnett en Rebecca Newman.

Terwijl de online aandacht rond technologieën voor kunstmatige intelligentie[1] zich in het nieuwe jaar voortzet, kijken wij naar welke generatieve-AI-merken begin 2024 de grootste online aanwezigheid hebben. Hiervoor maken wij gebruik van onze nieuwe methodologie voor het meten van online zichtbaarheid, zoals uiteengezet in onze recente analyse van de top 100 wereldwijde merken[2] en vervolgens toegepast in studies naar de belangrijkste modemerken[3] en cryptovaluta[4]. In dit geval omvat de analyse een set van 175 van de meest populaire generatieve-AI-merknamen (waaronder tools, modellen enzovoort), samengesteld uit diverse bronnen[5]. Nadere details over de methodologie zijn opgenomen in bijlage A.

Op basis van deze analyse worden de dertig meest prominente merken en hun respectieve zichtbaarheidsscores (die hun relatieve mate van online zichtbaarheid meten) weergegeven in figuur 1.

Figuur 1: Zichtbaarheidsscores voor de dertig meest prominente generatieve-AI-merken

Het is wellicht niet verrassend dat het zeer populaire GPT / ChatGPT-merk en het moederbedrijf OpenAI met ruime afstand de meest zichtbare merken online zijn. Andere bekende namen, waaronder Copilot, Bard, Gemini, DeepMind en Midjourney, hebben echter eveneens een sterke aanwezigheid en staan allemaal in de top 12. Opvallend is ook dat de bekende merknamen Bing Chat / Bing AI (Microsoft) en Grok[6] (xAI) momenteel minder goed vertegenwoordigd zijn in de dataset van webcontent; geen van beide behaalt een top-30-positie (met scores van respectievelijk 0,165 (positie 32) en 0,135 (positie 35)).

Wat betreft meer diepgaande trends signaleren wij daarnaast het volgende:

Enterprise-gebruik – Jasper en Copilot behalen respectievelijk de derde en vierde plaats in de totaalscores, terwijl zowel BLOOM als Cohere in de top 15 staan. Dit sluit aan bij de toenemende focus op de toepassing van AI binnen ondernemingen, waar AI-tools sjablonen, inzichten en een hogere efficiëntie van werkprocessen kunnen bieden. Naarmate AI zich ontwikkelt richting een fase van consistente productiviteit (in plaats van de aanvankelijke pieken van hype en desillusie), vragen gebruikers om tools met een praktische toepassing die verder gaan dan de directe nieuwigheidsfactor van de eerste fase. Vergelijkbare observaties gelden ook voor Copy AI (positie 16) en ClickUp (positie 21).

Relevantie van open source – TensorFlow, HuggingFace en PyTorch (allemaal in de top 20) zijn open-source repositories en communities voor machine learning en AI. De prominente positie van deze platforms weerspiegelt een groeiende erkenning van open-source samenwerking bij AI-ontwikkeling. LLaMA (positie 24) maakt eveneens deel uit van deze discussie. De gewichten en startcode voor LLaMA 2 werden in de zomer van 2023 vrijgegeven te midden van veel aandacht, wat leidde tot beschuldigingen dat Meta de publiciteit rond een beloofd open-source LLM had benut, terwijl het aangeboden model niet daadwerkelijk volledig open source zou zijn.

Nieuwe complexe contenttypen – Synthesia, een platform voor door AI gegenereerde videocontent, scoort eveneens hoog (positie 8), wat past bij de focus op de toenemende capaciteiten van deze complexe modellen voor mediageneratie. Hetzelfde geldt voor Murf (positie 25), een AI-stemgenerator.

De prominente rol van Google – Google-modellen komen hoog in de lijst voor, wat te verwachten is na het lanceerevenement in december vorig jaar, waarbij het nieuwe Gemini-LLM werd geïntroduceerd dat nu Bard, Gemini Nano en Gemini Pro aandrijft. Google hield hun meest verwachte model (Gemini Ultra, dat naar verwachting ChatGPT op meerdere benchmarks zal overtreffen) nog achter; dit model zou eind januari 2024 worden uitgebracht. DeepMind – dat het afgelopen jaar minder zichtbaar was in de hypecycli en er de voorkeur aan gaf onder de radar te blijven en zich op onderzoek te richten – staat eveneens op positie 9. Dit kan deels worden verklaard door de publicatie van onderzoek in november, waaruit bleek dat de DeepMind-AI-tool GNoME bijna 400.000 nieuwe stabiele materialen heeft ontdekt[7] die toekomstige technologie kunnen aandrijven. Ter vergelijking: dit betreft een ontdekking van 2,2 miljoen nieuwe kristalstructuren, tegenover slechts 28.000 die in het afgelopen decennium door menselijk onderzoek zijn ontdekt.

Kleine LLM’s (Large Language Models) – Een trend die we in de toekomst mogen verwachten, is een groeiende zichtbaarheid van ‘kleine’ of ‘lichtgewicht’ LLM’s met kleinere neurale netwerken en minder parameters, die offline en op mobiele apparaten kunnen worden gebruikt. Voorbeelden zijn Microsofts Orca 2-7b en Falcon 7b (Falcon verschijnt momenteel slechts op positie 97 in de lijst en Orca op positie 156) en Gemini Nano (dat, als expliciete merknaam – dus als subset van de algemene resultaten voor Gemini – op positie 154 staat).

De data laat zien dat, bij de start van 2024, de publieke interesse in AI zich richt op toepassingen met concrete resultaten in de praktijk. Deze zijn divers: in dit artikel hebben we onder meer contentcreatie, enterprise- en productiviteitstoepassingen en materiaalwetenschappen aangestipt. Er klinkt bovendien steeds nadrukkelijker een stem van voorstanders van open source, mede omdat de ontwikkelde modellen gelijkwaardig zijn aan – of zelfs beter presteren dan – die van de grote spelers op diverse belangrijke benchmarks. De strijd om voldoende rekenkracht zal waarschijnlijk aanhouden, maar mogelijk ontstaat er ook een tegenbeweging die pleit voor kleinere, gerichte en goedkopere technologie (voor aanbieders, gebruikers en mogelijk ook voor de planeet), met de opkomst van het kleine taalmodel.

De reproduceerbaarheid van onze methodologie maakt het mogelijk om dezelfde zoekopdrachten in toekomstige studies opnieuw uit te voeren, waardoor veranderingen in zichtbaarheid in de tijd op een consistente manier kunnen worden gekwantificeerd. Dit stelt ons in staat om de relatieve positie van de belangrijkste spelers in generatieve AI in de komende maanden te volgen, nieuwe merken te monitoren zodra zij opkomen en te bepalen in hoeverre toekomstige data onze voorspellingen weerspiegelt.

Bijlage A: Methodologie

Wij gebruiken een reeks generieke zoekopdrachten[8] met betrekking tot generatieve AI om een steekproef van pagina’s voor analyse te verkrijgen. Vervolgens meten wij het aantal en de prominentie van vermeldingen van elk AI-merk op iedere pagina met behulp van de ‘content scoring’-benadering.

De totale zichtbaarheidsscore voor elk merk wordt berekend als het gemiddelde van de contentscores per pagina (berekend over de volledige dataset)[9].

Over het algemeen wordt de matching uitgevoerd op basis van ‘wildcards’ (dat wil zeggen dat een vermelding wordt meegeteld, zelfs wanneer de merkterm slechts als onderdeel van een langer woord voorkomt), aangezien de meeste merken relatief onderscheidend zijn en het wenselijk is om merkvarianten en afleidingen te kunnen vastleggen en als ‘verwijzingen’ naar het merk te beschouwen (bijvoorbeeld voor GPT willen wij ook verwijzingen naar GPT(-)4, GPT(-)5, ChatGPT, AutoGPT enzovoort meenemen).

Het risico op ‘fout-positieven’ (verwijzingen naar dezelfde merknamen in niet-gerelateerde contexten) wordt bovendien beperkt door het gebruik van vakspecifieke zoekopdrachten.

Voor minder onderscheidende merknamen passen wij waar nodig expliciete filtering toe (bijvoorbeeld bij ‘Descript’, waarbij wij vereisen dat de term niet wordt gevolgd door extra alfabetische tekens, om te voorkomen dat woorden als ‘description’ worden meegeteld).

[1] https://www.iamstobbs.com/opinion/trends-in-web3-part-1-a-look-at-blockchain-domains
[2] https://www.iamstobbs.com/online-brand-prominence-and-sentiment-ebook
[3] https://www.iamstobbs.com/measuring-brand-prominence-of-fashion-brands-ebook
[4] ‘Further studies in brand prominence: a hidden trend in crypto’, aankomende Stobbs-blogpost (link volgt)
[5] https://en.wikipedia.org/wiki/Generative_artificial_intelligence
https://www.simplilearn.com/tutorials/artificial-intelligence-tutorial/top-generative-ai-tools
https://www.turing.com/resources/generative-ai-tools
https://scribehow.com/library/generative-ai-tools
https://aimagazine.com/top10/top-10-generative-ai-tools
https://www.bardeen.ai/posts/generative-ai-tools
https://www.cnbc.com/2023/12/24/the-top-10-ai-tools-of-2023-and-how-to-use-them-to-make-more-money.html
https://www.techopedia.com/6-free-generative-ai-tools-that-are-great-for-beginners
https://www.g2.com/categories/generative-ai
https://businesschief.com/top10/top-10-generative-ai-platforms
https://clickup.com/blog/ai-tools/
https://101blockchains.com/top-generative-ai-tools/
https://www.kommunicate.io/blog/19-generative-ai-tools-like-chatgpt-that-you-cannot-ignore-in-2023/
https://zapier.com/blog/best-ai-image-generator/
https://www.xcubelabs.com/blog/the-top-generative-ai-tools-for-2023-revolutionizing-content-creation/
https://themehunk.com/best-generative-ai-tools/
https://seo.ai/blog/generative-ai-applications
https://writesonic.com/blog/generative-ai-tools
https://www.neebal.com/blog/top-generative-ai-tools-for-innovation
https://www.synthesia.io/post/ai-tools
https://aithority.com/machine-learning/35-generative-ai-tools-for-2023-that-you-should-be-using-right-now/
https://redblink.com/generative-ai-tools-for-marketing-use-cases/
https://fortunescrown.com/ai-for-the-future-top-generative-ai-tools-to-check-out-in-2024/
https://www.unite.ai/best-ai-tools-for-business/
https://www.edureka.co/blog/top-12-artificial-intelligence-tools/
[6] https://www.iamstobbs.com/opinion/cant-stop-the-grok-domain-infringements-following-xs-ai-brand-launch
[7] https://deepmind.google/discover/blog/millions-of-new-materials-discovered-with-deep-learning/
[8] De zoekopdrachten bestaan uit de termen ‘AI’, ‘artificial intelligence’ en ‘generative AI’, zowel afzonderlijk als in combinatie met de termen ‘brands’, ‘tools’, ‘products’, ‘models’ en ‘applications’, waarbij elke combinatie ook is gecombineerd met de termen ‘top’ en ‘popular’. URL’s zijn afkomstig van de eerste pagina met resultaten van google.com.
[9] De bevindingen zijn gebaseerd op zoekopdrachten en analyses uitgevoerd op respectievelijk 5 januari 2024 en 7–8 januari 2024. De dataset bestond uit 1.889 unieke webpagina’s en de gemiddelden zijn berekend over de subset van pagina’s die toegankelijk waren via het geautomatiseerde analysescript.