Hvorfor tidlige KI-fortrinn senere kan begrense oppstartsselskaper innen maskinlæring

Image: "Wikimedia Servers-0001 42" by Helpameout (CC BY-SA 3.0) via Wikimedia Commons, recoloured.

Former de tekniske valgene bak et maskinlæringsprodukt strategien til et ungt selskap? Fraser og Özcan fulgte seks maskinlæringsselskaper i tidlig fase og fant at treningsdata, læringsparadigmer og modellutdata er tett gjensidig avhengige, og at egenskaper som gir et selskap et tidlig fortrinn, senere kan snevre inn de strategiske valgmulighetene det har.

Når modellen former strategien

Strategiforskningen behandler maskinlæringskapabiliteter som verdifulle ressurser, men har sagt lite om hvordan den tekniske sammensetningen av disse kapabilitetene påvirker et selskaps konkurranseposisjon. Jack Lewis Fraser (Imperial College London) og Pınar Özcan (University of Oxford) tar tak i dette gapet ved å behandle selve teknologien som en forklaringsvariabel i stedet for en svart boks.

Designet er induktivt og longitudinelt. Forfatterne fulgte seks maskinlæringsselskaper i tidlig fase som deltok i et akseleratorprogram, og undersøkte hvordan hvert av dem beveget seg mellom faser med spesialisering, der selskapet snevrer inn fokuset sitt, og faser med utforskning, der det leter etter nye anvendelser. Spørsmålet var om egenskaper ved den underliggende teknologien begrenset disse bevegelsene.

Ifølge Fraser og Özcan (Organization Science, 2026) er tre tekniske elementer avgjørende: treningsdataene selskapet bygger på, læringsparadigmet det bruker og utdataene modellene produserer. Disse elementene avhenger av hverandre og av anvendelsene de betjener, og forholdet mellom dem endrer seg etter hvert som selskapet vokser. Den gjensidige avhengigheten som oppstår, former hvert selskaps vekstbane og utvider eller begrenser vekselvis de strategiske valgmulighetene som er tilgjengelige.

Hovedfunnet er et paradoks knyttet til stiavhengighet. Egenskaper som gir et maskinlæringsselskap et tidlig konkurransefortrinn, kan bli begrensninger for senere vekst. En kombinasjon av data og modell som passer godt for et første marked, lar seg ikke nødvendigvis overføre når selskapet forsøker å ekspandere eller endre kurs.

Som en flercasestudie av seks selskaper innenfor ett enkelt akseleratormiljø er arbeidet utformet for å bygge teori og ikke for å estimere effektstørrelser. Konklusjonene presenteres som implikasjoner for strategiforskning om konkurransefortrinn og stiavhengighet, og ikke som generelle prediksjoner for alle KI-selskaper.

Hvorfor det betyr noe: For forskere som studerer KI-selskaper, digital strategi eller entreprenørskap, minner artikkelen om at teknisk konfigurasjon ikke er en nøytral bakgrunn. Mål på KI-adopsjon eller KI-kapabilitet som overser treningsdata, læringstilnærming og type utdata, kan gå glipp av mekanismen som knytter tidlig suksess til senere innlåsing. Studien gir også en mal for kvalitativt, prosessorientert arbeid som åpner opp teknologien i stedet for å behandle den som én enkelt variabel.

Fraser, J. L., & Özcan, P. (2026). Growth Paths in Early Machine Learning Ventures: Technical Configuration and Competitive Advantage Over Time. *Organization Science*. Les originalartikkelen. Uavhengig redaksjonell oppsummering av tredjepartsforskning.