Der moderne Burggraben

Kurzfassung

Der prägende wirtschaftliche Burggraben des 21. Jahrhunderts, reine Software, bricht rasch zusammen, da Generative KI die Kosten von Code gegen null treibt, ganz ähnlich wie die chinesische industrielle Agglomeration bereits den reinen Hardware-Burggraben zerstört hat. Weil die bloße Schwierigkeit der Produktion ein Unternehmen in keinem der beiden Bereiche mehr schützt, ist dauerhafter Gewinn in die komplexen Nahtstellen zwischen Bits und Atomen gewandert. Um heute ein verteidigungsfähiges Unternehmen aufzubauen, müssen Gründer das generische Software-Anbietermodell aufgeben und stattdessen als Principals handeln, die einen realen physischen Arbeitsablauf von Anfang bis Ende besitzen. Durch die enge Integration von mindestens drei von vier Schlüsselfaktoren — kundenspezifischer Hardware, spezialisierter Software, verdienten Beziehungen und proprietären Daten — kann ein modernes Unternehmen ein garantiertes Ergebnis liefern und dabei still die geschlossene Datenrückkopplung abschöpfen, die zum eigentlichen Burggraben wird, denn ein Konkurrent, der heute startet, jagt nicht einem festen Vorsprung hinterher, sondern einem, der sich jedes Mal verlängert, wenn ein Auftrag erledigt wird.

Vorwort & Zweck

Dieser Bericht ist eine Ausarbeitung der einen Behauptung, auf der alles andere in meiner Burggrabentheorie beruht: Reine Software ist kein verteidigungsfähiger Burggraben mehr, und reine Hardware hörte auf, einer zu sein, sobald China seine Fertigungsvorherrschaft skalierte. Beides wird oft wie Schlagworte herumgereicht. Ich möchte hier das Schlagwort entfernen und den Mechanismus einsetzen. Ich möchte auf der Ebene der tatsächlichen Ökonomie erklären, warum jeder Zusammenbruch geschah, welche konkreten Annahmen stillschweigend zerbrachen, wie sich die beiden Zusammenbrüche gegenseitig verstärken und wo dauerhafter Gewinn noch abgeschöpft werden kann. Ich habe dies so geschrieben, dass es für sich allein steht, damit ein zukünftiger Leser oder ein zukünftiges Modell das gesamte Argument ohne die Unterhaltung, die es hervorgebracht hat, nachvollziehen kann.

Hier ist die These, einmal und so präzise formuliert, wie ich es vermag. Etwa dreißig Jahre lang ging die Technologiestrategie davon aus, dass die digitale Welt dauerhaften, hochmargigen, verteidigungsfähigen Gewinn erzeugte, während die physische Welt dünnen, undifferenzierten, margenarmen Commodity-Output erzeugte. Die beiden Schocks kamen nicht gleichzeitig. Chinas Fertigungsagglomeration brach zuerst in den 2000er- und 2010er-Jahren die produktionsbasierte Verteidigungsfähigkeit von Hardware. Generative KI bricht später, in den 2020er-Jahren, die produktionsbasierte Verteidigungsfähigkeit von Software. Generative KI trieb die Grenzkosten der Softwareerstellung gegen null, wodurch die Barrieren verschwanden, die Software verteidigungsfähig gemacht hatten. Die chinesische industrielle Agglomeration trieb die Kosten und die Latenz physischer Iteration auf das Niveau der Kosten und der Latenz von Software, wodurch die Barrieren verschwanden, die Hardware verteidigungsfähig gemacht hatten. Also kann weder nur Bits noch nur Atome ein Unternehmen noch abschirmen. Dauerhafter Vorteil verlagerte sich aus jeder einzelnen Dimension heraus in die enge Kopplung beider, plus Beziehungen und proprietäre Daten.

Das Dokument ist in zwei Hälften gegliedert:

• Die Analyse. Was ein Burggraben eigentlich ist, warum jeder Bereich früher verteidigungsfähig war, welche Reibungen jeder Schock auflöste und was übrig bleibt. Diese Hälfte ist ökonomische Analyse und sie endet dort, wo die Analyse endet.
• Der moderne Burggraben. Woraus Verteidigungsfähigkeit heute tatsächlich besteht, da weder Bits noch Atome dich allein verteidigen, und wie ein Unternehmen, das darauf aufgebaut ist, in der Praxis aussieht.

Die Analyse: Wie beide Burggräben zusammenbrachen

Teil Eins: Was ein Burggraben eigentlich ist

Bevor ich erkläre, wie die Burggräben zusammenbrachen, muss ich genau sein, was ein Burggraben ist, denn der unscharfe Gebrauch des Wortes ist für den Großteil des schlechten strategischen Denkens verantwortlich, das ich gesehen habe. Ein Burggraben ist kein gutes Produkt. Ein Burggraben ist kein temporärer Vorsprung. Ein Burggraben ist nicht, als Erster da zu sein. Ein Burggraben ist ein strukturelles Merkmal eines Marktes, das es einem Unternehmen erlaubt, über lange Zeit Erträge über seine Kapitalkosten hinaus zu erzielen, ohne dass diese Erträge durch Wettbewerb weggenommen werden. In der Sprache der Industrieökonomie ist ein Burggraben eine dauerhafte Quelle von ökonomischer Rente.

Ökonomische Rente ist der Überschuss, den ein Unternehmen über das Minimum hinaus verdient, das es akzeptieren würde, um offen zu bleiben, und in einem wirklich wettbewerblichen Markt geht dieser Überschuss gegen null. Unter vollständigem Wettbewerb wird der Preis auf die Grenzkosten gedrückt, Unternehmen erzielen nur ihre Kapitalkosten, und kein Übergewinn bleibt bestehen. Jedes Rahmenwerk zur Verteidigungsfähigkeit ist im Grunde eine Theorie darüber, wie ein bestimmtes Unternehmen diesen Zug hin zu Grenzkostenpreisen und Nullgewinn entkommt.

Die klassische Liste stammt von Michael Porter, dessen Fünf-Kräfte-Rahmen seit 1979 das Standardwerkzeug dafür ist, später verfeinert von der Value-Investing-Gemeinde. Er nennt eine kleine Zahl realer, dauerhafter Rentenquellen:

• Eintrittsbarrieren, die neue Wettbewerber fernhalten
• Hohe Wechselkosten, die bestehende Kunden binden
• Netzwerkeffekte, bei denen das Produkt wertvoller wird, je mehr Menschen es nutzen
• Skaleneffekte, die es etablierten Anbietern erlauben, Neueinsteiger zu unterbieten
• Proprietäres geistiges Eigentum oder regulatorischer Schutz, der Nachahmer rechtlich ausschließt
• Kontrolle über einen knappen Input oder Vertriebskanal, den Rivalen nicht erreichen können

Jede Rentenquelle ist eine Reibung

Hier ist die Einsicht, von der der Rest dieses Berichts abhängt. Jede dieser Rentenquellen ist Reibung. Ein Burggraben ist im Grunde nur eine Form von Reibung, die Wettbewerber nicht billig überwinden können:

• Hohe Wechselkosten sind Reibung beim Ausstieg des Kunden.
• Eintrittsbarrieren sind Reibung bei der Ankunft des Konkurrenten.
• Netzwerkeffekte sind Reibung bei der Koordination, die nötig ist, damit Nutzer gemeinsam woanders hingehen.
• Fertigungsskala ist Reibung bei dem Kapital und der Zeit, die ein Neueinsteiger versenken muss, bevor er wettbewerbsfähige Stückkosten erreicht.

Diese Neuformulierung ist sehr wichtig, denn sie sagt dir genau, was etwas wie generative KI oder etwas wie chinesische industrielle Dichte tatsächlich mit einem Markt macht. Diese Kräfte greifen nicht Produkte an. Sie greifen Reibungen an. Sie sind Reibung auflösende Technologien. Und eine Reibung auflösende Technologie ist per Definition eine Burggraben auflösende Technologie.

Das gesamte Argument dieses Berichts verdichtet sich in einem Satz: Software- und Hardware-Burggräben brachen zusammen, weil die spezifischen Reibungen, die ihre Rente erzeugten, genau die Reibungen waren, die KI und chinesische Agglomeration zufällig besonders gut beseitigen konnten.

Teil Zwei: Der historische Software-Burggraben & warum Bits Geld druckten

Um den Zusammenbruch zu verstehen, musst du zuerst verstehen, warum Software historisch die beste Geschäftsstruktur war, die der Kapitalismus je gefunden hat, denn der Zusammenbruch ist nur die Umkehrung der Dinge, die sie großartig gemacht haben.

Software hatte eine nahezu einzigartige Kostenstruktur. Sie verband eine hohe Fixkostenlast, um die erste Kopie zu erstellen, mit nahezu null Grenzkosten, um danach jede weitere Kopie zu vervielfältigen und auszuliefern. Die erste Version eines komplexen Programms zu schreiben, erforderte einen knappen, teuren, schwer ausbildbaren Pool von Ingenieuren, die monatelang oder jahrelang arbeiteten. Aber sobald es geschrieben war, kostete die millionste Kopie im Grunde nichts, weder in der Herstellung noch in der Auslieferung. Diese Asymmetrie erzeugte enorme operative Hebelwirkung. Reife horizontale Software kann Bruttomargen im Bereich von achtzig Prozent erzielen, wie Atlassian für Q2 FY2025 prognostiziert hat, weil der Umsatz mit den Nutzern skaliert, während die Herstellungskosten kaum steigen. Aber diese Aussage ist weniger universell, als sie früher war, da verbrauchsintensive Software wie Snowflake in FY2025 näher bei 67 Prozent Bruttomarge lag, teilweise weil Drittanbieter-Cloud-Infrastruktur in den Umsatzkosten steckt. In ökonomischer Hinsicht verhielt sich Software wie ein reines Informationsgut, und Informationsgüter brechen die normale Beziehung zwischen Produktion und Kosten auf, die physische Güter bestimmt.

Aber niedrige Grenzkosten allein erzeugen keinen Burggraben. Wenn jeder das Gut billig herstellen kann, erzeugen niedrige Grenzkosten ruinösen Wettbewerb, keine Rente. Software verdiente Rente, weil die hohen Fixkosten der ersten Kopie als Eintrittsbarriere wirkten und weil mehrere andere Reibungen sich darauf aufschichteten:

• Knappheit von Ingenieurstalenten. Nichttriviale Software zu bauen erforderte Leute, die teuer, schwer einzustellen und schwer zu koordinieren waren, sodass die meisten potenziellen Wettbewerber schlicht das Team nicht zusammenbekamen, um einen glaubwürdigen Klon zu bauen.
• Zeit. Selbst ein gut finanzierter Konkurrent brauchte viele Monate, um zu reverse engineeren, zu spezifizieren, zu bauen, zu testen und ein Konkurrenzprodukt auszuliefern, und während dieser Monate hatte der etablierte Anbieter ein vorübergehendes Monopol, um Nutzer, Umsatz und zusätzliche Produkttiefe anzuhäufen.
• Wechselkosten. Sobald ein Kunde seine Daten in ein System eingebracht, seine Mitarbeiter auf diese Oberfläche geschult und das System über individuelle Integrationen mit allem anderen verbunden hatte, wurde das Verlassen prohibitiv teuer, selbst wenn etwas Besseres und Günstigeres auftauchte.
• Die Build-vs-Buy-Kalkulation. Weil es teuer und riskant war, maßgeschneiderte interne Software zu bauen, kauften Unternehmen rational Standardprodukte von der Stange statt selbst zu bauen, was den Paketssoftware-Anbietern einen großen Markt sicherte.
• Netzwerkeffekte und sich ansammelnde proprietäre Daten, die in den besten Fällen all dem noch hinzugefügt wurden.

Die strukturelle Verwundbarkeit

Schau dir an, woraus diese Liste besteht. Nur eine dieser fünf Reibungen, die Netzwerkeffekte, ist dem Nachfrageseite-Charakter des Produkts eigen. Die anderen vier, Talentknappheit, Bauzeit, Wechselkosten und die Build-vs-Buy-Strafe, sind allesamt Angebotsseite-Produktionsreibungen. Sie sind Artefakte davon, wie schwer, langsam und teuer Software herzustellen und zu ersetzen war.

Das ist die Verwundbarkeit. Ein Geschäft, dessen Verteidigungsfähigkeit größtenteils darauf beruht, wie schwierig das Ding herzustellen ist, ist nur so lange verteidigungsfähig, wie die Produktion schwierig bleibt. In dem Moment, in dem die Kosten für die Herstellung und den Ersatz von Software einbrechen, brechen vier der fünf Säulen mit ein, und nur der nachfrageseitige Netzwerkeffekt bleibt stehen.

Genau diesen Einbruch hat generative KI geliefert.

Teil Drei: Der KI-Schock & die Auflösung des Softwaregrabens

Die richtige Art, zu modellieren, was generative KI mit der Softwareökonomie gemacht hat, besteht darin, sie als einen Schock für die Produktionsfunktion von Software zu behandeln. In der einfachen Ökonomie sind die Kosten für die Herstellung von irgendetwas eine Funktion der Kosten seiner Inputs. Bei Software war der dominierende Input immer qualifizierte menschliche kognitive Arbeit, genauer gesagt die Arbeit, eine geschäftliche Anforderung in korrekten, getesteten, bereitstellbaren Code zu verwandeln. Diese Arbeit war der knappe, teure Input, der die Eintrittsbarriere schuf.

Generative KI und autonome Codierungsagenten greifen diesen Input direkt an. Sie erzeugen, refaktorieren, debuggen, dokumentieren und deployen Code bei vielen Aufgaben zu einem Bruchteil der historischen Kosten. Ein kontrolliertes GitHub-Copilot-Experiment ergab, dass Entwickler eine begrenzte Codierungsaufgabe 55,8 Prozent schneller erledigten, und eine Feldstudie über 4.867 Entwickler hinweg fand 26,08 Prozent mehr erledigte Aufgaben. Der Effekt ist real, aber uneinheitlich, wie eine randomisierte Studie von METR aus dem Jahr 2025 zeigte: Erfahrene Open-Source-Entwickler arbeiteten in vertrauten, ausgereiften Codebasen mit frühen KI-Werkzeugen aus dem Jahr 2025 19 Prozent langsamer, obwohl sie glaubten, schneller zu sein. Die sichere Schlussfolgerung ist nicht, dass KI jeden Ingenieur in jeder Situation schneller macht. Sie ist, dass KI die Kosten für die Produktion von Code komprimiert, besonders bei begrenzter, grüner und weniger erfahrener Arbeit. Der knappe Input wird reichlicher gemacht. Wenn der Preis des kritischen knappen Inputs fällt, kollabiert die Eintrittsbarriere, die auf dieser Knappheit beruhte, mit ihm. Dieser eine Mechanismus pflanzt sich durch alle vier angebotsseitigen Säulen fort.

Der Wandel ist in den Werkzeugen sichtbar, die Entwickler tatsächlich nutzen. Zuerst kamen IDE-native Copiloten wie Cursor. Dann kamen terminal-native Codierungsagenten wie Claude Code, Codex CLI, Kiro CLI und OpenCode, bei denen das Modell das Repo liest, Dateien bearbeitet, Befehle ausführt und in derselben Umgebung wie der Ingenieur iteriert. Jetzt entsteht eine dritte Ebene rund um Multi-Agent-Orchestrierung, mit Werkzeugen wie Conductor, Superset und Hermes Agent, die mehrere Agenten über Projekte und Umgebungen hinweg koordinieren. Die Entwicklung ist klar. Sie hat sich von Autovervollständigung zu autonomen Agenten und zur Orchestrierung vieler Agenten parallel verschoben, und das wird sich nur noch beschleunigen. Digitale Arbeit wird jedes Jahr leichter zu automatisieren, und die Werkzeuge, die heute einen geschickten Bediener erfordern, werden morgen immer weniger menschliches Eingreifen benötigen.

1. Der Zusammenbruch der Eintrittsbarriere

Früher erforderte das Starten eines glaubwürdigen Softwareprodukts echtes Seed-Kapital, von dem der größte Teil für die Einstellung der Ingenieure draufging, die man brauchte, um ein MVP zu bauen. Diese Kapitalanforderung filterte den Markt. Nur Vorhaben, die Geld einsammeln und Talente rekrutieren konnten, brachten überhaupt etwas auf den Markt, und die daraus resultierende Knappheit an Wettbewerbern war selbst Teil des Schutzes des Etablierten.

Wenn ein Entwickler mit guter KI-Werkzeugausstattung eine ausgefeilte, funktionierende Anwendung in einem kleinen Bruchteil der früheren Zeit und Kosten entwerfen, bauen und launchen kann, verschwindet dieser Filter. Der Markt wird mit Neueinsteigern überschwemmt. In wettbewerblicher Hinsicht verschiebt sich die Angebotskurve von Softwarefunktionen massiv nach außen, und die grundlegende Preistheorie sagt ohne jede Mehrdeutigkeit, was als Nächstes passiert. Wenn das Angebot eines substituierbaren Guts stark gegen eine ungefähr feste Nachfrage wächst, fällt der Preis in Richtung Grenzkosten, und weil die Grenzkosten von Software nahe null liegen, wird auch der Preis in Richtung null gezogen. Hyper-Abundanz des Softwareangebots ist mechanisch die Zerstörung der Preisgestaltungsmacht von Software.

2. Der Zusammenbruch des zeitlichen Vorsprungs

Das war wahrscheinlich der wichtigste Softwaregraben von allen. Die gesamte Logik von schnellem Ausliefern und Iterieren beruhte darauf, dass eine veröffentlichte Funktion ihrem Erschaffer Monate exklusiven Vorsprungs verschaffte, bevor jemand sie kopieren konnte. Diese Vorlaufzeit war das Fenster, in dem Netzwerkeffekte, Marke und Kunden aufgebaut wurden.

KI komprimiert den Imitationszyklus von Monaten auf Stunden. Ein Wettbewerber kann die Oberfläche eines Produkts beobachten, sein Verhalten einem Codierungsagenten beschreiben und fast sofort einen funktionierenden Klon erhalten, ohne jemals den ursprünglichen Quellcode gesehen zu haben, weil der Wert nie wirklich im spezifischen Code lag. Er lag in der Spezifikation, und Spezifikationen sind jetzt trivial billig umzusetzen.

Wenn die Imitationsverzögerung gegen null geht, verschwindet das temporäre Monopol, das schnelle Innovation rechtfertigte. Innovation findet weiterhin statt, aber sie verdient keinen dauerhaften Aufschlag mehr, weil die Belohnung für Innovation sofort an die Imitatoren weitergereicht wird. Das ist ein Lehrbuchfall dessen, was David Teece in seinem Paper von 1986 über das Profitieren von technologischer Innovation das Appropriability-Problem nannte. Innovation zahlt sich nur dann aus, wenn der Innovator genug von dem Wert einfangen kann, den sie schafft, bevor die Imitation ihn wegkonkurriert. KI treibt die Aneignbarkeit reiner Softwareinnovation gegen null.

3. Die Auflösung der Wechselkosten

Das war der stabilste der traditionellen Softwaregräben, weil er selbst dann funktionierte, wenn ein Konkurrenzprodukt eindeutig besser war. Aber Wechselkosten bestanden selbst aus Reibungen: Daten von einem Schema in ein anderes zu migrieren, kundenspezifische Integrationen neu aufzubauen und Mitarbeiter auf eine unbekannte Oberfläche umzuschulen. Jeder einzelne dieser Punkte ist genau die Art mühsamer, musterbasierter Übersetzungsarbeit, die KI gut kann.

KI-gestützte Datenabbildung kann eine komplexe Datenbank schnell und günstig erfassen, normalisieren und von der Struktur eines Systems in ein anderes migrieren. Sprachschnittstellen senken die Umschulungskosten, weil Nutzer zunehmend über Konversation statt durch das Auswendiglernen eines proprietären Menübbaums interagieren, was bedeutet, dass die angesammelte Fähigkeit, die in die Oberfläche eines Anbieters eingeschlossen war, nicht mehr als Wechselstrafe funktioniert.

Wenn die Kosten des Verlassens sinken, sinkt damit auch der Lifetime Value eines gewonnenen Kunden, die Customer Acquisition Cost steigen relativ zu diesem schrumpfenden Lifetime Value, und die Stückökonomie des gesamten Abonnementmodells verschlechtert sich. Ein Graben, der auf der Unfähigkeit des Kunden zu gehen beruht, löst sich auf, wenn Gehen billig wird.

4. Die Umkehrung von Build versus Buy

Das zerstört still und leise den adressierbaren Markt selbst. Unternehmen kauften Standardsoftware, weil es zu teuer, zu langsam und zu riskant war, maßgeschneiderte interne Werkzeuge zu bauen, um etwas anderes als ihre am stärksten differenzierten Bedürfnisse zu rechtfertigen. Dieser Aufschlag auf internes Bauen ist genau das, was den Anbietern einen großen Markt sicherte.

Wenn KI-Agenten internen Teams, selbst nicht-technischen, ermöglichen, maßgeschneiderte Anwendungen zu erzeugen, die auf ihre eigenen Arbeitsabläufe zugeschnitten sind, verschwindet der Aufschlag auf das Bauen, und die rationale Wahl verschiebt sich vom Kauf eines generischen Abonnements hin zur Erzeugung eines privaten Werkzeugs, das perfekt passt und keine laufende Lizenz trägt.

Das macht nicht nur den Wettbewerb unter den Anbietern intensiver. Es schrumpft den gesamten adressierbaren Markt, um den die Anbieter konkurrieren, weil ein wachsender Teil der Softwarenachfrage intern befriedigt wird und den externen Markt überhaupt nie erreicht. Der Wert wandert von externen Softwareanbietern in interne operative Fähigkeit, was heißt, dass er aufhört, ein Markt zu sein, und zu inhouse erzielter Kosteneffizienz wird.

Das ist dasselbe, was ich in meinem Text The Barbell of Software Value als Internal Software Leverage bezeichnet habe, nur von der Seite des Verkäufers statt von der des Käufers betrachtet.

Das Ergebnis & Was nicht zusammenbricht

Setzt man diese vier Mechanismen zusammen, erhält man die Kommodifizierung reiner Software. Die Branche tritt in eine Software-Überflussphase ein, in der funktionale Anwendungen billig zu bauen, sofort zu klonen und zunehmend auf Abruf intern erzeugt werden. In diesem Zustand hört der Code selbst auf, eine Quelle von Rente zu sein, genau so wie ein Gut keine Rente mehr einbringt, sobald es reichlich und substituierbar wird. Wert entkoppelt sich vom Code.

Ehrlich zu sein erfordert, klar zu sagen, was nicht zusammenbricht, denn das zu übertreiben würde es falsch machen. Generative KI greift angebotsseitige Produktionsreibungen an. Allein dadurch greift sie nicht nachfrageseitige und systemische Reibungen an.

• Netzwerkeffekte überleben, weil KI zwar die Software eines sozialen Netzwerks an einem Nachmittag klonen kann, aber nicht die Nutzer klonen kann, und die Nutzer sind der Vermögenswert.
• Proprietäre Datenmoats überleben und werden sogar stärker, weil KI Code billiger herzustellen macht, während die seltenen Daten, die sie trainieren, wertvoller werden.
• Distribution und Marke überleben, weil Aufmerksamkeit und Vertrauen knapp bleiben, auch wenn Funktionen kostenlos sind.
• Regulatorische und Compliance-Barrieren überleben, weil ein Codierungsagent keine Banklizenz, keine Zulassung für ein Medizinprodukt und keine Luftfahrtzertifizierung erzeugen kann.
• Tiefe Einbettung in physische oder regulierte operative Realität überlebt, weil Code billig ist, aber Sensoren zu installieren, Vertrauen zu verdienen und unter regulatorischer Genehmigung zu arbeiten es nicht sind.

Also ist die präzise Behauptung nicht, dass alle Softwareunternehmen sterben. Vielmehr ist der spezifische, einst dominante Burggraben reiner, eigenständiger, verpackter Software, verteidigt durch die Schwierigkeit, Code zu schreiben und zu ersetzen, zerstört worden. Was überlebt, ist Software, die an etwas verankert ist, das KI nicht billig reproduzieren kann: ein Netzwerk, ein Datensatz, eine regulatorische Stellung, ein Vertriebskanal oder ein physischer Betrieb. Software, die frei von all diesen Dingen schwebt, ist jetzt eine Ware.

Teil Vier: Der historische Hardware-Burggraben & warum Atome schwer waren

Das Hardware-Argument wendet dieselbe Disziplin an. Zuerst wird dargelegt, warum Hardware früher verteidigbar war, dann wird gezeigt, welche dieser Verteidigungen das chinesische Fertigungssystem aufgelöst hat.

Hardware war aus fast genau den gegenteiligen Gründen verteidigbar wie Software, und die Kapitalmärkte behandelten die beiden als Gegensätze. Wo Software nahezu null Grenzkosten hatte, hatte Hardware hohe und zähe Grenzkosten, weil jede physische Einheit Materialien, Energie, Arbeit und Maschinenzeit verbrauchte. Wo Software sofort und unendlich ausgeliefert wurde, war Hardware an die Physik von Fertigung und Logistik gebunden. Diese Eigenschaften machten Hardware marginal zu einem schlechteren Geschäft, aber sie machten sie auf seltsame Weise auch in einer bestimmten Weise verteidigbar, weil die Schwierigkeit der physischen Produktion als Barriere wirkte, die ein gut geführtes Hardware-Unternehmen vor beiläufiger Nachahmung schützte.

Die spezifischen Reibungen, die Hardware schützten, waren diese:

• Werkzeugbaukapital. Die Herstellung eines physischen Produkts in großem Maßstab erforderte spezialisierte Werkzeuge, vor allem die Spritzgussformen und Gusswerkzeuge, die zum Formen von Kunststoff- und Metallteilen verwendet werden, und diese Werkzeuge kosteten Zehn- oder Hunderttausende von Dollar und erzwangen hohe Mindestbestellmengen. Das war eine harte Kapitalmauer, die die meisten Neueinsteiger nicht überwinden konnten, und sie schützte die etablierten Anbieter, die ihre Werkzeuge bereits abgeschrieben hatten.

• Iterationslatenz. Die Verfeinerung eines physischen Designs bedeutete, neue Werkzeuge zu fertigen, Toleranzen anzupassen und physische Testchargen durchzuführen, ein Zyklus, der pro Durchlauf Wochen oder Monate dauerte und jedes Mal viel kostete, sodass physische Produkte sich langsam verbesserten und ein Wettbewerber eine lange, teure Kampagne brauchte, um aufzuholen.

• Zusammenstellung der Lieferkette. Ein physisches Produkt ist eine Stückliste, die von vielen spezialisierten Zulieferern bezogen wird, und diese Zulieferer waren früher über Unternehmen, Regionen und Länder verstreut, sodass der Aufbau einer funktionierenden Lieferkette das Verhandeln mit isolierten Anbietern, das Hinnehmen langer Vorlaufzeiten und das Management komplizierter Logistik bedeutete.

• Präzisions- und Prozesswissen. Das angesammelte, oft implizite Know-how, das nötig ist, um ein Design tatsächlich mit akzeptabler Ausbeute zu fertigen. Es überträgt sich nicht aus einer Zeichnung. Man muss es durch Tun lernen.

• Vertrieb. Die Notwendigkeit, das physische Produkt über Einzelhändler, Distributoren und Regalflächen, die selbst knapp und durch Gatekeeper kontrolliert waren, vor Käufer zu bringen.

Schauen Sie sich die Zusammensetzung erneut an, genau wie bei Software. Der Hardware-Burggraben war überwiegend ein Satz von Produktions- und Logistikreibungen: Werkzeugbaukapital, Iterationslatenz, Zusammenstellung der Lieferkette, Prozessausbeute und physischer Vertrieb. Er wurde dadurch verteidigt, wie schwer, langsam und teuer es war, ein Design in ein ausgeliefertes physisches Objekt zu verwandeln. Und genau wie bei Software ist eine Verteidigung, die auf der Schwierigkeit der Produktion beruht, nur so lange dauerhaft, wie die Produktion schwierig bleibt.

Aber Chinas Beitrag zur Wirtschaftsgeschichte bestand darin, die physische Produktion über einen enormen Bereich von Gütern hinweg nicht mehr schwierig zu machen.

Teil Fünf: Der China-Schock, industrielle Agglomeration & das Ende des Hardware-Burggrabens

Das häufigste Missverständnis über die Dominanz chinesischer Fertigung ist, dass es eine Geschichte billiger Arbeitskräfte sei. Das war in der ersten Phase teilweise wahr und ist heute größtenteils falsch, und es falsch zu verstehen führt direkt zu der gescheiterten Schlussfolgerung, dass Rückverlagerung oder die Verlagerung der Produktion in das nächste Niedriglohnland die alte Ordnung wiederherstellen werde.

Die eigentliche Erklärung ist, dass China in einer Dichte und Größenordnung, wie sie niemand zuvor gesehen hatte, das aufgebaut hat, was Alfred Marshall vor über einem Jahrhundert als industrielle Agglomeration beschrieben hat. Diese Agglomeration, nicht Lohnarbitrage, hat den Hardware-Burggraben auseinander genommen. Diese Unterscheidung ist der gesamte Punkt dieses Abschnitts, und ich bin nicht der Erste, der sie macht. Andrew „bunnie“ Huang hat die Shenzhen-Variante davon seit über einem Jahrzehnt aus erster Hand in The Hardware Hacker dokumentiert.

Marshallsche externe Ökonomien

Industrielle Agglomeration ist die sich selbst verstärkende geografische Bündelung verbundener Industrien, Komponentenlieferanten, Baugruppenhersteller, Rohstoffverarbeiter, Werkzeugmacher, Auftragsfertiger, Logistikdienstleister und spezialisierter Fachkräfte, die alle in derselben Region dicht gedrängt sind. Marshall erkannte, warum solche Cluster Vorteile erzeugen, mit denen kein isoliertes Unternehmen mithalten kann:

• Sie schaffen einen tiefen gemeinsamen Arbeitskräftepool spezialisierter Beschäftigter.
• Sie unterstützen spezialisierte lokale Zulieferer, die niemals überleben könnten, wenn sie nur einen weit entfernten Kunden bedienen würden, aber prächtig gedeihen, wenn sie einen dichten Cluster solcher Kunden bedienen.
• Sie erzeugen Wissensübertragungen, bei denen Prozessverbesserungen sich schnell durch den Cluster ausbreiten, weil die relevanten Menschen physisch nah beieinander sind und sich untereinander bewegen.

Diese drei Kräfte sind die Marshall’schen externen Ökonomien, und sie bedeuten, dass ein Unternehmen innerhalb des Clusters niedrigere Kosten, schnellere Iteration und bessere Informationen erhält als ein identisches Unternehmen außerhalb davon, ganz gleich, wie effizient dieses außerhalb stehende Unternehmen für sich genommen ist.

Der Zusammenbruch der Transaktionskosten

Im Perlflussdelta, und insbesondere in Shenzhen, erreichte die Agglomeration eine Dichte ohne historischen Präzedenzfall. Die praktische Folge lässt sich am einfachsten durch Ronald Coases Transaktionskostentheorie verstehen. Coase erklärte, dass die Grenze und Geschwindigkeit wirtschaftlicher Aktivität durch Transaktionskosten bestimmt werden, also die Kosten, um Lieferanten zu finden, Bedingungen auszuhandeln und die Produktion über Unternehmen hinweg zu koordinieren. In einer weit verstreuten Lieferkette sind diese Kosten enorm, und sie sind der eigentliche Inhalt der dritten Reibung des Hardware-Burggrabens.

In einem hyperdichten Cluster brechen die Transaktionskosten auf nahezu null zusammen. Die gesamte Lieferkette für die meisten elektronischen und mechanischen Geräte liegt innerhalb eines kleinen Radius, sodass Suchen, Beschaffen, Verhandeln und Koordinieren, das früher Wochen über Kontinente hinweg dauerte, jetzt Stunden über einen Stadtbezirk hinweg benötigt. Ein Designer kann ein Gerät spezifizieren, noch am selben Tag jede Komponente vor Ort beschaffen, eine kundenspezifische Leiterplatte über Nacht fertigen und bestücken lassen und am nächsten Morgen einen funktionierenden Prototyp in den Händen halten.

Das ist nicht billiger Arbeitslohn. Das ist die nahezu vollständige Eliminierung von Transaktionskosten und Iterationslatenz, was etwas kategorial anderes und weitaus Mächtigeres ist.

Aus dieser Dichte heraus lösten vier Mechanismen den Hardware-Burggraben auf, parallel zu den vier Wirkungen von KI auf Software.

1. Der Zusammenbruch der Iterationslatenz

Dies ist die Hardware-Version des Verlusts des zeitlichen Vorteils von Software. In der zerstreuten westlichen Lieferkette dauerte ein physischer Design-Durchlauf Wochen und kostete viel, sodass sich Hardware langsam verbesserte und der Verfeinerungsvorsprung des etablierten Anbieters hielt. Innerhalb des Clusters nähert sich die physische Iteration der Geschwindigkeit der Software-Iteration an. Formen werden modifiziert, Platinenlayouts angepasst und Testchargen in Tagen durchgeführt.

Die strategische Konsequenz ist brutal. Jedes im Westen entworfene Hardwareprodukt kann im Cluster beobachtet, rückentwickelt, auf Herstellbarkeit optimiert und in Serie produziert werden, bevor das ursprünglich westliche Unternehmen seinen eigenen zweiten Prototyp fertiggestellt hat. Die Vorlaufzeit des Urhebers, die die Quelle seiner Rendite war, ist negativ. Der Nachahmer liefert zuerst die verbesserte, billigere Version aus.

2. Der Zusammenbruch des Werkzeugbaukapitals

Dies ist die Hardware-Version des fallenden Markteintrittsbarriers bei Software. Die Zehntausende von Dollar und hohen Mindestbestellmengen, die früher die physische Produktion abschotteten, wurden innerhalb des Clusters durch schnelle computergesteuerte Bearbeitung, standardisierte modulare Formbasen, die umkonfiguriert statt neu geschnitten werden, und erbittert wettbewerbsfähige Werkzeugbaubetriebe mit hohem Durchsatz optimiert. Kleinserienfähige, hochgradig kundenspezifische Hardware kann heute zu einer Kostenstruktur hergestellt werden, die früher nur für große multinationale Konzerne verfügbar war. Die Kapitalmauer, die Hardware-Neueinsteiger herausfilterte, ist weitgehend gefallen, ebenso wie diejenige, die Software-Neueinsteiger herausfilterte, und der Markt wird mit demselben vorhersehbaren Abwärtsdruck auf die Preise überschwemmt.

3. Die Erfahrungskurve, verstärkt durch Automatisierung

Dieser Mechanismus ist es, der den Kostenvorsprung dauerhaft festschreibt, und er ist der Grund, warum der Vorteil nicht durch ein Ausweichen an einen anderen Ort arbitragefrei weggenommen werden kann. Wrights Gesetz, das erstmals 1936 von Theodore Wright anhand von Daten aus der Flugzeugproduktion beschrieben und später von der Boston Consulting Group als Erfahrungskurve verallgemeinert wurde, ist eine der zuverlässigsten empirischen Regelmäßigkeiten in der Industrieökonomie. Es besagt, dass bei vielen Produkten die Stückkosten jedes Mal um einen konstanten Prozentsatz sinken, wenn sich das kumulierte Produktionsvolumen verdoppelt, weil die Organisation durch das angesammelte Tun lernt, effizienter zu produzieren.

Weil das Cluster einen überwältigenden Anteil des globalen kumulierten Volumens über zahllose Produktkategorien hinweg produziert, liegt es weit unten auf der Erfahrungskurve, auf deren Spitze jeder neue Marktteilnehmer mit geringem kumuliertem Volumen sitzt. Die moderne chinesische Fertigung verstärkt diesen Lernvorteil dann noch durch kapitalintensive Automatisierung, fortgeschrittene Robotik, automatisierte Hochgeschwindigkeits-Optikprüfung und vertikale Integration, die bis ganz zurück zu den Rohstoffen reicht.

Das ist genau der Punkt, an dem die Erklärung über die Arbeitskosten stirbt. Der moderne Vorteil sind nicht niedrige Löhne. Er ist angesammeltes Lernen plus automatisierter Maßstab plus Lieferantendichte, und ein Neuling kann diese Kombination mit keiner kurzfristigen Maßnahme replizieren, egal ob mit hohen oder niedrigen Löhnen, weil man nicht auf einen Schlag Jahrzehnte kumulierter Produktionserfahrung oder das umgebende Lieferantenökosystem kaufen kann.

4. Der Zusammenbruch der Distributionsreibung

Dies ist die Hardware-Version davon, wie KI den Bedarf untergräbt, über etablierte Softwarekanäle zu gehen. Globale digitale Marktplätze und hypereffiziente Paketlogistik erlauben es Herstellern innerhalb des Clusters, westliche Distributoren, Großhändler und Regalflächen im Einzelhandel völlig zu umgehen, direkt auf globalen Plattformen zu listen und in wenigen Tagen an die Tür eines Verbrauchers zu liefern. Die letzte Reibung, die eine etablierte Hardwaremarke schützte, ihre Kontrolle über Regale und Kanäle, wird umgangen. Ein funktional gleichwertiges Gerät erreicht denselben Kunden zu einem Bruchteil des Markenpreises, ohne jemals das Vertriebsystem des etablierten Anbieters zu berühren.

Das industrielle Gemeingut & warum Reindustrialisierung so schwer ist

Die wichtigste Konsequenz all dessen, und die am häufigsten übersehene, betrifft die Reindustrialisierung, und hier ist die Idee des industriellen Gemeinguts wichtig. Gary Pisano und Willy Shih prägten diesen Begriff in Restoring American Competitiveness (PDF) im Jahr 2009. Ihre Beobachtung war, dass Fertigungskompetenz keine Eigenschaft einzelner Firmen ist. Sie ist eine Eigenschaft eines Ökosystems, einer gemeinsamen lokalen Basis aus Zulieferern, Werkzeugmachern, Verfahrensingenieuren und implizitem Know-how.

Wenn ein Land die Produktion auslagert, verliert es nicht einfach Fabriken. Mit der Zeit verliert es das umliegende Gemeingut, weil die Zulieferer, Werkzeugmacher und erfahrenen Verfahrensingenieure ausdünnen oder wegziehen, sobald es keine lokale Nachfrage mehr gibt, die sie am Leben hält. Sobald das Gemeingut weg ist, kann keine einzelne Firma und keine Subvention es schnell wieder aufbauen, weil eine einzelne zurückgeholte Fabrik keine lokalen Zulieferer hat, keine lokalen Werkzeugmacher, keinen lokalen Pool erfahrener Verfahrensingenieure und damit keine der marshallianischen externen Skalenerträge, die das Cluster ursprünglich effizient gemacht haben.

Deshalb ist die Reindustrialisierung einer standardisierten Hardwarekategorie so schwer und so teuer. Der Vorteil, den der Rückholer wiederherstellen will, lag nie innerhalb der Fabrik. Er lag im Ökosystem um die Fabrik herum, und dieses Ökosystem ist nicht mehr vor Ort. Der Burggraben ist nicht deshalb nach China gewandert, weil chinesische Firmen einzeln besser sind. Er ist gewandert, weil das Gemeingut gewandert ist, und ein Gemeingut ist ein kollektives Gut, das sich durch individuelles Handeln nicht wieder aufbauen lässt.

Die makroökonomische Schlussfolgerung für Hardware verläuft genau parallel zu der für Software. In dem Moment, in dem die Spezifikationen eines physischen Produkts bekannt sind, kann das hyperdichte Fertigungsökosystem es replizieren, für die Herstellung optimieren und direkt zu einer Kostenstruktur verteilen, die die Marge des Ursprungsanbieters vernichtet. Eigenständige Hardware, die nur durch die Schwierigkeit physischer Produktion geschützt war, ist zur Ware geworden, weil diese Schwierigkeit für einen riesigen Bereich von Gütern nicht mehr existiert.

Teil Sechs: Der sequenzielle Zusammenbruch & seine strategischen Folgen

Menschen analysieren die beiden Zusammenbrüche gewöhnlich getrennt, und chronologisch sollten sie das auch. Der Hardware-Zusammenbruch kam zuerst. Chinesische Agglomeration machte die produktionsbasierte Verteidigungsfähigkeit von Hardware in der Unterhaltungselektronik und vielen Gütern mittlerer Komplexität Jahre bevor generative KI-Codierwerkzeuge relevant wurden schwach. Der Software-Zusammenbruch kam später. Das eigentliche Ereignis für einen Gründer heute ist nicht, dass sie gleichzeitig begonnen hätten. Es ist, dass nun beide Bedingungen am Markt vorhanden sind.

Frühere Epochen boten noch einen Ausweg. Wenn Software wettbewerbsintensiv wurde, konnte Kapital in verteidigungsfähige Hardware fließen. Wenn Hardware wettbewerbsintensiv wurde, konnte Kapital in verteidigungsfähige Software fließen. Die beiden Domänen waren abwechselnde Schutzräume. Diese Rotation funktioniert nicht mehr. Reine Atome haben ihren Produktions-Burggraben bereits verloren, und reine Bits verlieren jetzt ihren. Es gibt keinen reinen-Bits-Unterschlupf mehr und keinen reinen-Atome-Unterschlupf mehr. Das ist die tiefere Bedeutung der Barbell-Theorie, über die ich letztes Jahr geschrieben habe. Die Mitte, in der ein Unternehmen darauf angewiesen war, dass eine Dimension schwer ist, ist von beiden Seiten ausgehöhlt worden.

Erste Ordnung der Folge: Verallgemeinerter deflationärer Druck

Wenn die Grenzkosten von Software gegen null gehen und die effektiven Kosten physischer Replikation sich dem hypereffizienten Boden des Clusters annähern, drückt der Wettbewerb die Preise in beiden Domänen in Richtung dieser Böden. Das ist für Verbraucher disinflationär und für Produzenten ohne Burggraben zerstörerisch, und es erklärt ein Rätsel, das vielen Menschen auffällt: dass enormer technologischer Fortschritt direkt neben schrumpfenden Margen bei den Firmen sitzt, die tatsächlich produzieren. Der Fortschritt wird von Verbrauchern und Nachahmern vereinnahmt statt von Innovatoren, genau weil die Aneignbarkeit in beiden Domänen zusammengebrochen ist.

Zweite Ordnung der Folge: Die Rente wandert entlang der Smiling Curve

Stan Shih, der Gründer von Acer, schlug um 1992 die Smiling Curve vor. Trägt man die Wertschöpfung gegen die Stufen der Produktion in einer Fertigungswertschöpfungskette auf, erhält man eine Form wie ein Lächeln. Ben Thompson hat sie auf Verlagswesen übertragen, was lesenswert ist, weil es zeigt, dass die Kurve eigentlich gar nicht wirklich von Fertigung handelt. Hier ist das Original:

Shihs Stufen sind diese:

• Hohe Wertschöpfung vorgelagert, also Design, Markenbildung und geistiges Eigentum
• Ein tiefer Einbruch in der Mitte, also physische Montage und Fertigung, die Stufe, die am leichtesten zur Ware wird
• Hohe Wertschöpfung nachgelagert, also Vertrieb, Service und die Kundenbeziehung

Chinas Aufstieg hat die Mitte dieser Kurve für Hardware geglättet und zur Ware gemacht. Generative KI macht nun die entsprechende Mitte für Software zur Ware, nämlich den bloßen Akt des Codierens. Die daraus folgende Anweisung ist in beiden Fällen identisch: die Ware-Mitte verlassen und an die Enden des Lächelns wechseln.

Aber die Enden sind genau jene nachfrageseitigen und systemischen Vermögenswerte, die weder KI noch Fertigungsdichte billig replizieren können. Vorgelagert bedeutet das proprietäre Daten, echte Forschung und echte Design-Einsicht. Nachgelagert bedeutet Marke, Vertrauen, Vertrieb, regulatorische Position und Eigentum an der Kundenbeziehung und dem operativen Ergebnis.

Dritte Ordnung der Folge: Die Rente wandert in die Nähte

Das ist die Konsequenz, die die Analyse mit der Strategie verbindet. Dauerhafte Rente ist aus jeder einzelnen Dimension herausgewandert und in die Kopplung zwischen Dimensionen sowie in Vermögenswerte, die überhaupt außerhalb der Produktion liegen. Wenn reiner Code kostenlos ist und reine Atome billig sind, dann sind die Reibungen, die noch Rente erzeugen, diejenigen, die in den Nähten leben:

• Die enge Mitentwicklung von kundenspezifischer Hardware mit kundenspezifischer Software, sodass keines von beiden für einen Nachahmer ohne das andere nützlich ist.
• Die proprietären Daten, die beim Betrieb eines echten physischen oder regulierten Arbeitsablaufs entstehen, die genau deshalb knapp sind, weil sie ein Nebenprodukt der Arbeit sind und nicht etwas, das kopiert werden kann.
• Die tiefen, langsam aufzubauenden Beziehungen und regulatorischen Akkreditierungen in konservativen Branchen, in denen ein billiger Klon disqualifiziert wird, bevor ihn überhaupt jemand bewertet.
• Die Position des Prinzipals, bei der eine Firma nicht ein kommodifizierbares Werkzeug verkauft, sondern stattdessen den Betrieb besitzt, die Haftung trägt, das Ergebnis garantiert und sowohl den gesamten Gewinnpool als auch den exklusiven Datenausstoß vereinnahmt.

Dies sind die Reibungen, die KI und chinesische Agglomeration strukturell nicht auflösen können, weil sie überhaupt keine Produktionsreibungen sind. Sie sind Reibungen des Vertrauens, des physischen Zugangs, der Regulierung, der angesammelten Beobachtung der realen Welt und des operativen Eigentums.

Teil Sieben: Grenzen, Gegenargumente & darüber ehrlich sein

Eine These von dieser Tragweite muss gegen ihre stärksten Einwände auf Herz und Nieren geprüft werden, denn eine Strategie, die auf einer übertriebenen Prämisse aufbaut, scheitert genau dort, wo die Prämisse zu stark war.

Einwand 1: KI-generierte Software ist noch nicht auf Grenzniveau

Der erste Einwand lautet, dass KI-generierte Software für die komplexesten, zuverlässigsten oder wirklich neuartigen Systeme noch nicht gleichwertig mit von Experten entwickelter Software ist und dass es an der eigentlichen Qualitätsgrenze weiterhin einen Unterschied zwischen austauschbarer Generierung und Spitzeningenieurskunst gibt.

Das stimmt, und es ist wichtig. Das Argument der Kommodifizierung trifft am stärksten den großen Bestand konventioneller Anwendungssoftware, deren Logik längst ausgetretene Pfade folgt. An der echten Grenze, bei neuartigen Algorithmen, bei Systemen, die extreme Zuverlässigkeit oder Sicherheit verlangen, und bei Problemen ohne Präzedenzfall in den Trainingsdaten, verlangt Expertenurteil des Menschen weiterhin einen Aufschlag. Die präzise Behauptung lautet also, dass KI den Burggraben für die kommodifizierbare Mehrheit der Software einreißt, nicht dass sie jeden Softwarewert abschafft.

Aber die Richtung der Entwicklung ist strategisch entscheidend, denn die Grenze, die verteidigt bleibt, ist schmal, verschiebt sich ständig und ist eine schlechte Grundlage für ein dauerhaftes Geschäft, sofern sie nicht an einen der oben genannten Nicht-Produktions-Burggräben gebunden ist.

Einwand 2: Chinesische Dominanz ist uneinheitlich und politisch umstritten

Der zweite Einwand lautet, dass die chinesische Fertigungsdominanz je nach Kategorie ungleich verteilt ist und nun erheblichen geopolitischen Gegenkräften begegnet, darunter Zölle, Exportkontrollen, aus sicherheitspolitischen Gründen betriebene Rückverlagerung und gezieltes Friend-Shoring kritischer Lieferketten.

Auch das stimmt. Das Argument der Kommodifizierung ist am stärksten bei Unterhaltungselektronik, mechanischen Gütern und Baugruppen mittlerer Komplexität und am schwächsten ganz oben im Technologiestapel, am offensichtlichsten bei der fortgeschrittenen Halbleiterfertigung, wo extreme Kapitalintensität und eine Handvoll unersetzlicher Zulieferer ihre eigenen Burggräben schaffen. Politik kann zudem die Reibung künstlich zurückbringen, die Agglomeration entfernt hat, etwa durch Zölle, die die Landed Costs des Nachahmers erhöhen, oder durch Exportkontrollen, die ihm Inputs verwehren.

Aber genau diese Gegenkräfte stärken die zentrale Schlussfolgerung, statt sie zu untergraben, weil sowohl der verbleibende Halbleiter-Burggraben als auch der politisch getriebene Rückverlagerungs-Burggraben wiederum keine reinen Hardware-Burggräben sind. Es sind Burggräben extremer Kapitalgröße, einer unersetzlichen Zuliefererposition sowie regulatorischer und geopolitischer Beziehungen. Genau das sind die Nicht-Produktions-, Beziehungs- und Positions-Reibungen, zu denen dieses Papier die Rendite wandern sieht.

Einwand 3: Warum sind die großen Platzhirsche immer noch so profitabel?

Der dritte Einwand ist der subtile. Wenn sowohl Software als auch Hardware kommodifiziert werden, warum sind die größten Technologiekonzerne dann immer noch außergewöhnlich profitabel?

Die Antwort ist, dass diese Platzhirsche nie tatsächlich durch reine Software oder reine Hardware verteidigt wurden. Ihre echten Burggräben sind Netzwerkeffekte, Kontrolle über Vertrieb und Aufmerksamkeit, proprietäre Daten in zivilisatorischem Maßstab, Lock-in im Ökosystem und in manchen Fällen regulatorische Verfestigung. Der hier beschriebene Zusammenbruch bedroht nichts davon, und verstärkt es in mehrfacher Hinsicht sogar, weil mit der Kommodifizierung reiner Produktion der relative Wert der Nicht-Produktions-Assets, die die Platzhirsche bereits besitzen, steigt.

Das ist vollständig konsistent mit der These. Die Kommodifizierung der Produktion einebt nicht alle Gewinne ein. Sie verlagert Gewinne weg von Firmen, deren einziger Vorteil darin bestand, dass Produktion schwer war, und hin zu Firmen, die die Reibungen besitzen, die Produktion nicht berühren kann. Die Platzhirsche überleben, weil sie nie Unternehmen mit nur einer Dimension waren. Das ist die Lehre, nicht die Ausnahme.

Teil Acht: Synthese und die Brücke zum modernen Burggraben

Die beiden Zusammenbrüche in diesem Bericht sind im Kern derselbe Mechanismus, der sich in zwei Domänen wiederholt, nicht eine gemeinsame Zeitleiste. In beiden Fällen verdiente eine Klasse von Unternehmen dauerhafte Renten, weil Produktion schwer, langsam und teuer war. In beiden Fällen machte eine Reibung auflösende Kraft, generative KI im digitalen Bereich und hyperdichte industrielle Agglomeration im physischen, die Produktion leicht, schnell und billig. In beiden Fällen verdampfte die durch die Schwierigkeit der Produktion verteidigte Rendite in dem Moment, in dem Produktion nicht mehr schwierig war.

Die Symmetrie ist exakt, und sie zu erkennen ist mehr wert als jede der beiden Hälften für sich, weil sie das allgemeine Gesetz unter beiden offenlegt:

Jeder Burggraben, der nur aus der Schwierigkeit besteht, etwas herzustellen, ist vorübergehend, und er hält genau so lange, bis jemand herausfindet, wie man dieses Etwas leicht herstellt.

Daraus folgt unmittelbar die strategische Konsequenz. Da weder Bits allein noch Atome allein ein Unternehmen schützen können, muss Verteidigungsfähigkeit aus den Reibungen zusammengesetzt werden, die beide Zusammenbrüche überlebt haben:

• Die enge, geschlossene Verknüpfung aus kundenspezifischer Hardware und kundenspezifischer Software, sodass das System nicht Stück für Stück auseinandergebaut und kopiert werden kann.
• Die proprietären, laufend erneuerten Daten, die als Nebenprodukt des Betriebs eines realen Workflows entstehen, und die nicht kopiert werden können, weil sie durch Betrieb verdient werden müssen.
• Die tiefen Beziehungen, das Vertrauen und die regulatorische Stellung konservativer Branchen, die kein Coding-Agent und keine Vertragsfabrik erzeugen kann.
• Die Entscheidung, als Principal statt als Vendor zu operieren, also den Workflow und sein Ergebnis zu besitzen, sodass der gesamte Gewinnpool und der gesamte Datenabfluss erfasst bleiben, statt verkauft zu werden.

Ein modernes Unternehmen im Venture-Scale ist genau in dem Maß verteidigungsfähig, in dem es mehrere dieser überlebenden Reibungen zu einem gekoppelten Betriebssystem zusammensetzt, das mit dem Betrieb besser wird. Alles, was früher ein Burggraben war, weil es schwer zu bauen war, ist jetzt eine Ware, weil es leicht zu bauen ist. Verteidigungsfähig bleibt, was schwer zugänglich ist, schweres Vertrauen verdient, schwer regulatorisch zu erreichen ist und schwer zu beobachten ist, ohne die eigentliche Arbeit zu tun.

Der Burggraben der Zukunft besteht nicht aus Bits, und er besteht nicht aus Atomen. Er besteht aus den Nahtstellen zwischen ihnen sowie aus den Beziehungen und den verdienten Daten, die niemand reproduzieren kann, ohne dort zu stehen, wo du stehst.

Schlussfolgerung zur Analyse

Das drei Jahrzehnte alte Paradigma, das Software als zuverlässigen Motor verteidigungsfähiger Gewinne und Hardware als margenarme Ware behandelte, hat sich nicht bloß verschoben. Seine beiden Grundannahmen wurden nacheinander falsifiziert. Die chinesische industrielle Agglomeration falsifizierte die Annahme, dass Hardware zuerst schwer zu iterieren und zu fertigen sei. Generative KI falsifiziert die Annahme, dass Software jetzt schwer zu produzieren und zu ersetzen sei.

Weil beide Burggräben überwiegend auf der Schwierigkeit der Produktion beruhten und weil genau diese Schwierigkeit das spezifische Ziel beider Reibung auflösenden Kräfte war, brachen beide Burggräben zusammen. Die Rendite, die früher an denjenigen ging, der die Bits bauen oder die Atome schmieden konnte, fließt nun zu Konsumenten und Nachahmern, sofern ein Unternehmen sich nicht an eine Reibung gebunden hat, die der Zusammenbruch der Produktion nicht erreicht.

Diese überlebenden Reibungen, Integration, proprietäre operative Daten, vertrauensvolle Beziehungen, regulatorische Position und das Principal-Ownership eines realen Workflows, sind der Ort, an den der dauerhafte Wert gewandert ist. Ein verteidigungsfähiges Unternehmen in dieser Ära zu bauen bedeutet, sich zu weigern, von irgendeiner einzelnen Dimension der Schwierigkeit abhängig zu sein, denn nichts, was nur schwer herzustellen ist, bleibt verteidigungsfähig, sobald Herstellen leicht wird.

Der moderne Burggraben

Alles oben ist Diagnose. Es legt fest, wohin die Rendite gegangen ist und warum, aber es bleibt auf der Ebene des Prinzips stehen, und ein Prinzip sagt dir nicht, wie ein Unternehmen aussieht, das darauf aufgebaut ist. Dieser Teil ist die Antwort. Er behandelt, woraus Verteidigungsfähigkeit heute besteht und wie sie zusammengesetzt in einem realen Geschäft aussieht.

Das Barbell

Bevor die Konstruktionsregeln kommen, hilft es, das Barbell explizit zu machen, da die Analyse immer wieder darauf verwies, ohne seine Enden aufzulisten. Ich habe dies 2025 in The Barbell of Software Value ausgearbeitet, wo ich meine Internal Software Leverage Theory mit der Abundanzthese versöhnte. Das Ergebnis war, dass sich der Softwarewert in zwei Cluster polarisiert, mit einem kollabierenden Mittelteil.

An einem Ende stehen die massiven grundlegenden Primitives, Foundation Models, Compute-Infrastruktur, Cloud-Plattformen, Chips und die zentrale KI-Infrastruktur. Diese werden durch Kapitalintensität, Skaleneffekte und Forschungskonzentration auf einem Niveau verteidigt, das ein neues Unternehmen praktisch nicht erreichen kann. Das ist nicht die Gelegenheit, die ich beschreibe. Es ist die Umgebung, in der sie operiert.

Google ist der Grenzfall an der Decke. Es vereint LLM-Modelle, TPUs, Cloud-Infrastruktur, Search, Android, YouTube, Maps, Chrome, Standarddistribution und proprietäre Daten in einem Maßstab, den fast niemand erreichen kann. Das macht es nicht zu einem Startup-Muster. Es macht es zum vollständig verwirklichten oberen Pol des Barbells. Dort kann man nicht anfangen. Was Google beweist, ist der Mechanismus: Wenn Produktion billig wird, wandert dauerhafter Wert in Compute, Distribution, Infrastruktur, Daten und Ökosystemposition, in die ein neuer Marktteilnehmer nicht beiläufig hineingleiten kann. Beachte auch die Grenze. Google betreibt die Auktion. Es besitzt normalerweise nicht das Ergebnis des Werbekunden. Deshalb ist Waymo, nicht Search, später das klarere Beispiel für die Principal-Position.

Am anderen Ende steht hochspezifischer privater Hebel. Tiefe Prozesshoheit, Automatisierung der physischen Welt, regulatorische Abläufe, Ersatz von Expertenarbeit, proprietäre operative Daten und Ownership des Ergebnisses. Dieses Ende ist erreichbar, und es wird genau durch die Nicht-Produktions-Reibungen verteidigt, die die Analyse als Überlebende identifiziert hat.

Die gefährliche Mitte ist generische Software. Das ist die Web-App, das Dashboard, das CRUD-Tool, der Workflow-Manager und der dünne Wrapper um eine Modell-API. Sie wird von oben durch die Primitiven eingequetscht, die weiterhin allgemeine Fähigkeiten in sich aufsaugen, und von unten durch den Zusammenbruch der Kosten, überhaupt etwas Generisches zu bauen. Ein Produkt in der Mitte ist leicht zu bauen, leicht zu kopieren, für einen etablierten Anbieter leicht als Funktion zu übernehmen, und es besitzt gewöhnlich zu wenig von der Wertschöpfungskette des Kunden, um einen Preis zu verteidigen.

Der Burggraben aus vier Faktoren

Verteidigungsfähigkeit kommt heute nicht von einer hohen Mauer. Sie entsteht durch das Ineinandergreifen mehrerer Vorteile. Vier unterschiedliche Säulen überleben den doppelten Zusammenbruch von Hardware- und Softwareproduktion. Ein dauerhaftes modernes Unternehmen braucht einen glaubwürdigen Weg zu mindestens drei davon. Nicht eine. Drei. Einzelne Dimensionen schützen heute niemanden mehr, und sie werden es in Zukunft auch nie tun.

Hervorragende Hardware

Hervorragende Hardware bedeutet nicht, exotische Geräte zu erfinden. Es bedeutet definitiv nicht, ein cleveres Gadget mit einer Marge zu verkaufen. Ein sichtbares, kopierbares, separat verkauftes Gerät ist genau das, was Fertigungscluster am schnellsten zerstören. Hardware verdient ihren Platz, wenn sie nicht das Produkt ist, sondern das Instrument. Sie verschafft dem Unternehmen privilegierten physischen Zugang zu einem Prozess, den kein Wettbewerber von außen beobachten kann. Sie erfasst die physische Welt, sammelt proprietäre Daten, führt physische Handlungen aus und standardisiert den Workflow, wodurch die Software darüber weitaus schwerer zu kopieren ist. Der Test ist einfach. Könnte die Hardware herausgenommen und für sich allein verkauft werden? Wenn ja, ist sie ein Gadget und wird zur Ware. Wenn sie ohne die Software, die Daten und den Betrieb darum herum bedeutungslos ist, dann leistet sie Burggrabenarbeit.

Hervorragende kundenspezifische Software

Hervorragende kundenspezifische Software ist kein generisches SaaS und auch keine schönere Oberfläche. Sie arbeitet innerhalb eines spezifischen physischen oder regulatorischen Prozesses, automatisiert Entscheidungen mit echtem wirtschaftlichem Gewicht, koordiniert Arbeit oder Maschinen und erfasst Korrekturen und Sonderfälle, sobald sie auftreten. Beachte, was sie verteidigungsfähig macht. Nicht der Code, der laut der Analyse inzwischen billig ist, sondern ihre Abhängigkeit von operativem Zugang, proprietären Daten und tiefem Workflow-Wissen, an die ein Wettbewerber nicht durch das Kopieren einer Oberfläche gelangt. Die Software ist schwer zu kopieren, weil die Dinge, mit denen sie verdrahtet ist, schwer zu erreichen sind, nicht weil die Software schwer zu schreiben ist.

Hervorragende Beziehungen

Hervorragende Beziehungen gehören zu den dauerhaftesten Burggräben in harten Branchen. Sie sind vollständig immun gegen die Kommoditisierung von Hardware und Software. Dazu gehören regulatorische Akkreditierung, Kundenvertrauen, Vertriebszugang zu konservativen Käufern und langfristige operative Partnerschaften. Das sieht man in Sektoren wie Verteidigung, Gesundheitswesen, Bauwesen und Infrastruktur. Käufer in diesen Märkten wählen nie einen Anbieter nur deshalb, weil die Software etwas besser ist, und in vielen Fällen nicht einmal, wenn sie 10x besser ist. Sie kaufen auf der Grundlage von Vertrauen und Erfolgsbilanz, Zuverlässigkeit, Haftung, Compliance und Nachweis. Ein billigerer Klon wird gewöhnlich disqualifiziert, bevor ihn überhaupt jemand bewertet. Beziehungen brauchen Zeit, Reputation und eine Spur echter Umsetzung. Weder KI-Agenten noch eine Shenzhener Montagelinie können Vertrauen über Nacht herstellen.

Einzigartige Daten

Einzigartige Daten sind die wichtigste der vier Säulen und die, die die Menschen am häufigsten falsch einschätzen. Nicht alle Daten sind wertvoll, und generisch gescrapte Daten sind inzwischen als Burggraben fast wertlos. Die Daten, die zählen, sind privat, implizit und auf Expertenniveau, physisch und workflow-spezifisch, entstehen aus realen Abläufen und enthalten die Sonderfälle, Korrekturen und Fehlschläge, die in keinem öffentlichen Korpus auftauchen. Diese Art von Daten kannst du nicht kaufen, und du kannst sie nicht scrapen. Sie entsteht ausschließlich als Nebenprodukt davon, einen Live-Betrieb durch eine geschlossene Schleife aus vier Stufen zu führen:

1. Beobachtung
2. Entscheidung
3. Handlung
4. Ergebnis

Diese Schleife ist auch der Punkt, an dem sich die vier Faktoren gegenseitig verstärken. Hardware beobachtet und handelt, Software entscheidet und koordiniert, Beziehungen verschaffen Zugang zum Workflow, und einzigartige Daten verdichten sich aus den Ergebnissen.

Die meisten Unternehmen erfassen nur die erste Stufe dieses Datenflusses. Der Burggraben braucht alle vier, was bedeutet, dass du nicht nur weißt, was passiert ist, sondern welche Entscheidung als Reaktion getroffen wurde, welche Handlung tatsächlich ausgeführt wurde und ob das Ergebnis funktioniert hat. Diese vierte Stufe, das verifizierte Ergebnis, ist das, was die Daten trainierbar macht und den Vorteil kumulieren lässt. Jeder abgeschlossene Auftrag verbessert das System, das den nächsten Auftrag ausführt, und das ist die einzige Form von Vorteil in diesem gesamten Dokument, die wächst, statt zu erodieren.

Wann Schleifen sich verstärken und wann sie ins Stocken geraten

Die geschlossene Schleife klingt abstrakt zwangsläufig. In der Praxis scheitern die meisten Versuche, eine aufzubauen. Die Schleife ist eine Behauptung, kein Gesetz, und sie hat spezifische Fehlermodi, die nützlicher zu verstehen sind als der Erfolgsfall.

• Daten sättigen sich: Der Wert angesammelter Daten folgt einer Kurve mit abnehmendem Ertrag. Beim Deep Learning stellten Sun et al. fest, dass die Leistung bei Vision-Aufgaben logarithmisch mit dem Trainingsdatenvolumen zunahm, was bedeutet, dass jede Verdopplung des Datensatzes einen weiteren Zuwachs bringt, nicht noch ein weiteres Wunder. Die ersten tausend Ausführungen lehren dich am meisten. Die nächsten zehntausend lehren weniger. Die nächsten hunderttausend lehren fast nichts Neues. Ein später startender Wettbewerber kann oft 90 Prozent deiner Leistung mit einem Bruchteil der historischen Daten erreichen und die Lücke schneller schließen, als es die nackten Zahlen vermuten lassen.

• Die Daten dürfen dir möglicherweise nicht zur Nutzung gehören: Du erzeugst proprietäre Daten durch den Workflow, aber wenn dein Vertrag sagt, dass der Kunde sie besitzt und du sie nicht über mehrere Bereitstellungen hinweg zusammenführen darfst, hast du fünfzig separate Datensilos, nicht ein Flywheel. Auf der Plattformebene sagen OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock und Google Vertex AI Geschäftskunden alle, dass ihre Ein- und Ausgaben standardmäßig nicht zum Trainieren von Foundation Models verwendet werden. Das ist gut für Kunden und eine Warnung für Anbieter. Kundenübergreifendes Lernen kumuliert nur, wenn der Vertrag es erlaubt. Auch das Datenschutzrecht setzt weitere Grenzen, denn die Zweckbindung der DSGVO, Löschrechte, HIPAA-Regeln zur De-Identifizierung und CCPA/CPRA-Regeln zur Weitergabe für kontextübergreifende verhaltensbezogene Werbung machen die sekundäre Datennutzung alle härter. Das vernichtet mehr reale KI-Burggräben als Konkurrenz.

• Der Workflow verändert sich schneller, als sich das Modell verbessert: In schnell driftenden operativen Domänen haben Daten eine messbare Halbwertszeit. Wie Valavi et al. in einer Studie der Harvard Business School zeigten, erzeugt ein großer historischer Datenbestand eine überraschend schwache Markteintrittsbarriere. Ein Neueinsteiger mit einem kleineren Strom frischer, aktueller Daten kann oft ein genaueres Modell bauen als ein etabliertes Unternehmen, das auf Jahren historischer Daten sitzt, besonders wenn veraltete Daten die Genauigkeit aktiv verschlechtern. Eine Studie aus der klinischen Informatik fand dies direkt, wobei die Halbwertszeit von Daten zur Vorhersage stationärer Anordnungen bei etwa vier Monaten lag und ein Monat aktueller Daten zwölf Monate älterer Daten übertraf. In der Fertigung bedeuten Sensordrift, Werkzeugverschleiß, Prozessneugestaltungen und Schemaänderungen, dass Modelle, die auf historischen Werksdaten trainiert wurden, über eine Anlage nachdenken, die nicht mehr existiert. Das ist nicht universell. Physikgesteuerte Prozesse, versicherungsmathematische Tabellen, geologische Daten und andere langsam veränderliche Domänen können alte Daten lange wertvoll halten. Wenn sich der Workflow schneller verändert, als sich das Modell verbessert, werden deine historischen Daten zu veraltetem Ballast statt zu einem Vorteil.

• Die Kosten sind die Barriere, und die Barriere sind die Kosten: Reale Workflows zu besitzen ist kapitalintensiv, arbeitsintensiv und margenärmer als reine Software. Tesla meldete 2025 eine gesamte GAAP-Bruttomarge von rund 18 Prozent trotz vertikaler Integration. Intuitive Surgical meldete 2025 einen installierten da-Vinci-Bestand von 11.106 Systemen und eine Non-GAAP-Bruttomarge von 67,6 Prozent, nach Jahrzehnten von Kapital, chirurgischem Training und Verfahrensvolumen. Der Aufwand, der Wettbewerber fernhält, hält auch die meisten Neueinsteiger davon ab, etwas zu bauen, das sich zu verteidigen lohnt. Viele Versuche scheitern an der Stückökonomie lange bevor die Schleife sich verstärkt.

Was die Schleifen, die sich tatsächlich verstärken, von denjenigen unterscheidet, die falsche Burggräben sind:

• Die Daten sind ergebnisgekoppelt, was bedeutet, dass du weißt, ob das Ergebnis richtig oder falsch war, anstatt nur Signale zu sammeln.
• Die Daten dürfen dir vertraglich zur Nutzung über verschiedene Bereitstellungen hinweg gehören.
• Der Arbeitsablauf ist stabil genug, dass historische Daten relevant bleiben.
• Jede Ausführung erzeugt wirklich neue Edge Cases und nicht nur mehr vom Gleichen.
• Die Häufigkeit ist hoch genug, damit sich Lernen vor einer Mutation des Arbeitsablaufs verstärken kann.

Diese These ist falsch, wenn eine der folgenden Aussagen zutrifft:

• Ein Wettbewerber kann gleichwertige Daten durch Scraping, synthetische Generierung, Transfer Learning oder einen einmaligen Kauf erwerben.
• Der Kunde besitzt die Daten vertraglich, und du kannst sie nicht über verschiedene Bereitstellungen hinweg bündeln.
• Der Arbeitsablauf mutiert schneller, als sich das Modell verbessert, sodass akkumulierte Daten ein System beschreiben, das nicht mehr existiert.
• Der Wert der Daten sättigt sich innerhalb der ersten N Ausführungen, was bedeutet, dass der Vorteil fest ist und nicht sich verstärkt.
• Die Kosten für den Besitz des Arbeitsablaufs übersteigen den Wert der Daten, die er erzeugt.

Wenn diese Bedingungen gelten, ist die Schleife kein Burggraben. Sie ist ein teures Ingenieursprojekt mit einem vorübergehenden Vorsprung. Wie a16z 2019 argumentierte, sind die meisten Datenvorteile Skaleneffekte mit abnehmenden Erträgen, keine magischen Netzwerkeffekte. Das war vor der aktuellen KI-Welle wahr. Es ist auch jetzt noch wahr.

Geschäftsmodelle, die auf dem modernen Burggraben aufgebaut sind

Die vier Faktoren beschreiben, woraus der Burggraben besteht. Die nächste Frage ist, welche Art von Geschäftsmodell ihn tatsächlich erfassen kann. In der Praxis weist die Antwort weg vom Verkauf von Werkzeugen und hin zum Besitz des Arbeitsablaufs selbst.

Principal, nicht Vendor

Die Entscheidung mit dem größten Hebel im gesamten Rahmen ist, die Vendor-Position abzulehnen.

Ein Vendor-Ansatz bedeutet, ein Werkzeug an die Organisation zu verkaufen, die den Arbeitsablauf bereits besitzt. Das wirkt attraktiv, weil es theoretisch kapitalleicht und skalierbar ist, aber es übergibt jede Hebelquelle an den Kunden. Der Betreiber behält die Kundenbeziehung, den physischen Prozess, die operativen Daten, das Budget, die Haftung und das Endergebnis. Der Vendor behält eine Softwareebene, die auf all dem sitzt. Das Startup erfasst nur einen kleinen Teil des Werts, den es schafft, der Kunde verlangt kundenspezifische Integrationen, bis das Produkt in Richtung Dienstleistungen driftet, der Betreiber kann beobachten, wie das Werkzeug arbeitet, und es dann durch einen internen Eigenbau ersetzen, der jetzt dramatisch billiger herzustellen ist, und weil der Betreiber die besten Daten besitzt, verstärkt sich das Modell des Vendors nie. Die Margen bleiben gedeckelt. Das ist besonders gefährlich in physischen Industrien, in denen Softwareanbieter zuverlässig zu glorifizierten Beratern degenerieren.

Die stärkere Position ist es, der Principal zu werden, also den Betrieb, die Verantwortung, die Akkreditierung, den Arbeitsablauf oder die Haftung selbst zu besitzen. Anstatt Software an denjenigen zu verkaufen, der die Arbeit ausführt, führt das Unternehmen die Arbeit aus oder garantiert ihr Ergebnis. Das kehrt jeden der oben genannten Nachteile um. Das Unternehmen erfasst die volle Marge statt eines Lizenzanteils, besitzt das Kundenergebnis und damit die Beziehung, und besitzt die Daten, weil seine eigenen Operationen sie erzeugen. Es kann nicht durch den Betreiber umgangen werden, weil es selbst der Betreiber ist, und es baut echte operative Expertise statt zweitklassigem Verständnis auf.

Das Prinzip verdichtet sich zu einer Anweisung:

Verkaufe nicht das Werkzeug. Verkaufe das fertige Ergebnis.

In der Praxis zeigt sich das als konsequente Umformulierung jeder Vendor-Idee in ihre Principal-Version:

Diese Entscheidung ist wichtiger als jede andere im Rahmen, weil sie bestimmt, wem die Daten gehören, und Datenbesitz bestimmt, ob sich der Vorteil verstärkt oder abbaut.

Dienstleistung als Dienstleistung

Die Principal-Position impliziert ein Bereitstellungsmodell, das anders aussieht als herkömmliche Software, und es lohnt sich, es zu benennen, weil es auf den ersten Blick wie ein schlechteres Geschäft für jeden wirkt, der auf SaaS-Margen geschult ist.

Für dieses Modell kursieren einige Bezeichnungen. YC, a16z und andere haben es Service-as-Software genannt, und die KI-gestützte Rollup-These ist ein naher Verwandter. Ich bevorzuge Dienstleistung als Dienstleistung, weil es den Fokus auf das legt, was der Kunde tatsächlich erhält.

Der Kunde sollte die Software nicht benutzen müssen, um die Aufgabe erledigt zu bekommen. Das Unternehmen sollte Software, KI, menschliche Arbeit, Hardware und Betrieb gemeinsam einsetzen, um die fertige Arbeit zu liefern. Die Software ist interner Hebel, nicht das Produkt.

Die Abfolge ist bewusst. Beginne damit, die Arbeit manuell oder mit Menschen im Loop zu erledigen. Nutze Software, um diese menschliche Arbeit schneller, konsistenter und messbarer zu machen. Erfasse jeden Input, jede Entscheidung, jede Korrektur, jeden Edge Case und jedes Ergebnis. Nutze dann die akkumulierten Daten, um immer mehr des Arbeitsablaufs zu automatisieren, und konvergieren Sie auf einen automatisierten Dienstleister mit Margen und Verteidigungsfähigkeit, die konventionelle Software nicht erreichen kann.

Das unterscheidet sich in einem entscheidenden Punkt von Beratung. Beratung verkauft jedem Kunden für immer kundenspezifische Arbeit, und jedes Projekt hinterlässt nichts Wiederverwendbares. Dienstleistung als Dienstleistung nutzt frühe menschliche Arbeit absichtlich als Instrument zum Aufbau des Automatisierungssystems, und jedes Projekt hinterlässt Daten, die das nächste billiger machen.

Aber man muss vorsichtig sein und auf eine Falle in dieser Art von Modell achten. Wenn jeder neue Kunde kundenspezifische Integrationen, kundenspezifische Datenbereinigung, kundenspezifische Zuordnung des Arbeitsablaufs und kundenspezifisches Modell-Tuning erfordert, ist das Unternehmen eine Beratung, die es noch nicht zugeben will. Die Phase mit Menschen im Loop ist in Ordnung und oft notwendig, aber nur unter der Bedingung, dass sie proprietäre Daten erzeugt und in Richtung skalierbarer Automatisierung konvergiert. Wenn die Menschen nach fünfzig Aufträgen immer noch dieselbe Arbeit zu denselben Stückkosten erledigen, ist das Modell gescheitert.

Das Stargate für Daten

KI verlagert sich von einem Compute-Engpass zu einem Daten-Engpass. Die wertvollsten KI-Unternehmen der kommenden Periode werden nicht diejenigen sein, die die allgemeinsten Daten haben, die reichlich vorhanden sind und daher keine Rente abwerfen, genau nach der Logik der ersten Hälfte. Es werden diejenigen sein, die seltene, private, hochwertige operative Daten besitzen, die auf keine andere Weise als durch die Arbeit selbst zu bekommen sind.

Der Ausdruck Stargate für Daten ist von OpenAIs Stargate entlehnt, dem angekündigten Compute-Ausbau im Umfang von mehreren hundert Milliarden Dollar, und die Entlehnung ist der Punkt. Wenn die knappe Ressource des letzten Zyklus eine geplante Infrastruktur in dieser Größenordnung gerechtfertigt hat, verdient der nächste Zyklus dieselbe Behandlung. Das Ziel ist nicht, einen Datensatz anzuhäufen. Das Ziel ist es, eine Maschine zu bauen, die kontinuierlich proprietäre Daten als Nebenprodukt der Bereitstellung einer Dienstleistung erzeugt.

Der in diesem Fall relevante Unterschied besteht darin, dass das Ziel nicht ist, Daten um ihrer selbst willen zu sammeln, was teure Seen unbrauchbaren Materials erzeugt. Das Ziel ist, die operative Schleife zu besitzen, die genau die Daten produziert, die nötig sind, um diese Schleife zu automatisieren.

Der Atomen-Computer

Die vier Faktoren beschreiben eine Struktur. Der Atomen-Computer beschreibt, wofür diese Struktur da ist, und er ist die langfristige Vision, die das ganze Unterfangen lohnenswert macht.

Diese Idee stammt nicht von mir, und ich möchte das von Anfang an klar sagen. Das Framing ist Travis Kalanicks. Nachdem er 2017 bei Uber verdrängt worden war, verbrachte er acht Jahre damit, City Storage Systems im Verborgenen aufzubauen, und im März 2026 benannte er es in Atoms um und veröffentlichte einen Vision-Brief, der das Ganze darlegte. Seine Formulierung ist, dass man physische Weltprobleme so angeht, wie man Softwareprobleme angehen würde, und dass die zentralen Rechenressourcen physische Entsprechungen haben, wobei CPU für Fertigung steht, Speicher für Immobilien und Netzwerk für Transport. Bei einem a16z-Launch-Event definierte Kalanick das Unternehmen rund um industrielle KI, wobei Software, Sensoren, Robotik und KI eingesetzt werden, um Abläufe in ganzen Industriesektoren zu automatisieren, beginnend mit Nahrung, Bergbau und Transport. Lesen Sie seinen Brief. Er ist besser als meine Zusammenfassung davon, und einige seiner Schlussfolgerungen kommen an denselben Ort wie dieses Dokument, nur aus einer anderen Richtung.

Je fähiger KI wird, desto mehr verschiebt sich ihre bindende Einschränkung. Die Grenze ist nicht mehr nur die Qualität des Denkens. Es ist die Interaktion mit der physischen Realität. Ein Modell kann Texte, Code, Bilder und Pläne von bemerkenswerter Qualität erzeugen und dennoch nicht in der Lage sein, in einer chaotischen, unstrukturierten, folgenreichen realen Umgebung zuverlässig irgendetwas zu tun. Herkömmliche Computer gaben Intelligenz ein Substrat zur Manipulation von Bits. Die Chance besteht jetzt darin, das entsprechende Substrat für Atome zu bauen und Systeme zu schaffen, die die physische Welt erfassen, chaotische reale Bedingungen interpretieren, entscheiden, handeln, Ergebnisse überprüfen und aus Rückmeldungen lernen, und das alles unter realen physischen, regulatorischen und wirtschaftlichen Zwängen. Dieser letzte Zusatz ist der schwierige, und deshalb ist dies eine Geschäftschance statt eines Forschungsprojekts. Unter regulatorischen und wirtschaftlichen Zwängen zu operieren ist genau das, was nicht geklont werden kann, und genau das erzeugt die geschlossene Daten-Schleife, die der vierte Faktor braucht.

An einem Punkt sind sich Kalanick und ich völlig einig, und er bringt es besser auf den Punkt, als ich es getan habe. Sein Begriff ist gewinnbringend eingesetzte Roboter, also spezialisierte Maschinen mit einer konkreten produktiven Aufgabe, im Gegensatz zu Humanoiden, die uns nur imitieren sollen. Sein Beispiel ist, dass, wenn man tausend Pfannkuchen pro Stunde machen muss, ein humanoider Roboter, der sie unbeholfen wendet, das schlechteste denkbare Design ist und eine dafür gebaute Spezialmaschine die offensichtliche Wahl ist. Der richtige Ansatz ist also nicht, einen Allzweckroboter zu bauen. Es geht darum, einen engen Keil zu finden, in dem die Schleife aus Wahrnehmen, Entscheiden und Handeln in einem einzigen realen Arbeitsablauf mit klarem unmittelbarem wirtschaftlichem Wert eingesetzt werden kann, und diese Schleife von Anfang bis Ende zum Laufen zu bringen, bevor man sie ausweitet.

Das Unternehmen der nahen Zukunft sollte so eng fokussiert sein, dass es unambitioniert wirkt. Die langfristige Obergrenze ist der Grund, diese Enge zu akzeptieren.

Ein ausgearbeitetes Beispiel

Das Rahmenwerk ist abstrakt, daher hilft es, eine Idee daran einmal durchzuspielen. Dies ist nur eine Veranschaulichung der Kriterien in der Anwendung, nicht die eine Schlussfolgerung, zu der das Rahmenwerk zwingt.

Nehmen wir Sonderprüfungen und Materialtests im Bauwesen. Die Anbieter-Version verkauft Software an die Behörden und Labore, die den Arbeitsablauf bereits besitzen. Die Principal-Version wird zur Behörde und zum Labor. Sie hält die Akkreditierung, führt die Inspektionen durch und trägt die regulatorische Verantwortung. Intern nutzt sie Software, Hardware und KI, um zertifizierte Ergebnisse schneller, günstiger und zuverlässiger zu liefern als die etablierten Anbieter.

Diese Form erfüllt alle vier Faktoren. Sie ist physisch, weil sie mit Baustellen, Proben, Instrumenten und Messungen in der realen Welt arbeitet. Sie hat Beziehungs- und Regulierungsvorteile, weil Käufer Ergebnisse brauchen, die von den zuständigen Behörden anerkannt werden, nicht ein hübscheres Dashboard. Sie besitzt das Ergebnis, weil sie zertifizierte Resultate statt Werkzeuge verkauft. Und sie erzeugt als Nebenprodukt der Arbeit proprietäre Betriebsdaten, darunter Testergebnisse, Fehlerbilder, Materialeigenschaften, fachliche Korrekturen und die Verknüpfungen zwischen physischen Bedingungen und Endergebnissen.

Sie beginnt auch eng, was der klassischen Startup-Logik folgt, die Paul Graham und YC seit Jahren vertreten. Beginne mit einem scharfen Keil, aber stelle sicher, dass dieser Keil zu einem großen und schmerzhaften Problem gehört. Es besteht kein Bedarf, die Bauinspektion an Tag eins als ganze Branche zu automatisieren. Der Einstiegspunkt kann eine Inspektionsart, ein Materialtest, eine Region oder ein Compliance-Workflow sein. Von dort aus standardisiert Software die Arbeit, Menschen erzeugen die ersten Daten, und Automatisierung breitet sich nur dort aus, wo sich die Schleife tatsächlich verstärkt.

Die Risiken sind genau die, die das Rahmenwerk vorhersagt. Akkreditierungszeiträume blockieren Umsatz, der Betrieb ist schwergewichtig, bevor die Automatisierung ausgereift ist, und die Dienstleistungsfalle ist real, wenn sich jedes Projekt als maßgeschneidert herausstellt. Genau das ist der Sinn des Rahmenwerks. Es macht das Geschäft nicht einfach. Es sagt dir, wo die schwierigen Teile liegen sollten.

Unternehmen, die bereits so aussehen

Dem Rahmenwerk ist leichter zu vertrauen, wenn es Dinge beschreibt, die es bereits gibt, statt nur Dinge, die ich mir wünschte, es gäbe sie.

Anduril ist vier von vier. Maßgeschneiderte Hardware über Drohnen, Sensortürme, Abfangsysteme und Unterwasserfahrzeuge hinweg. Maßgeschneiderte Software in Lattice, auf der jedes dieser Hardwareteile läuft. Beziehungen und regulatorische Stellung, die kein Coding-Agent erzeugen kann, da der Kunde die US-Regierung und ihre Verbündeten sind. Betriebsdaten aus eingesetzten Systemen, die in die Software zurückfließen. Zwei Details sind wichtiger als die Produktliste. Es finanziert seine eigene Forschung und Entwicklung und baut das Produkt, bevor es in eine bestehende Budgetposition verkauft, und kehrt damit das Cost-plus-Modell um, auf dem traditionelle Rüstungsriesen arbeiten. Anduril ist privat und veröffentlicht keine geprüften Margen, aber Schätzungen aus Sekundärquellen setzen die Bruttomarge bei etwa 40 bis 45 Prozent an. Das ist ungewöhnlich hoch für Rüstungshardware, wo Unternehmen aus Luft- und Raumfahrt sowie Verteidigung im NYU-Stern-Sektordatensatz im Durchschnitt bei ungefähr 17,5 Prozent Bruttomarge liegen. Die genaue Zahl ist weniger wichtig als die Struktur. Ein vertikal integriertes, festpreisiges, softwaredefiniertes Modell scheint bessere Ökonomie zu erzielen als die traditionelle Cost-plus-Integration von Plattformen.

Intuitive Surgical ist die ältere, ruhigere Version derselben Struktur. Das da-Vinci-System kombiniert Hardware, die ohne ihre Software wertlos ist, FDA-Freigaben, die kein Wettbewerber abkürzen kann, zwei Jahrzehnte an Krankenhausbeziehungen und Verfahrensdaten aus Millionen von Operationen. Es erfüllt vier von vier, verstärkt sich fortlaufend und setzt dieses Playbook seit seiner ersten Freigabe im Jahr 2000 um, lange bevor irgendjemand es physische KI nannte.

Kraken Robotics ist der Fall, den ich am lehrreichsten finde, auch weil ihn außerhalb der Meerestechnik nur wenige kennen. Das Unternehmen baut Synthetic-Aperture-Sonar, die KATFISH-Schleppplattform, Unterwasserbatterien und Unterwasser-LiDAR. Keine dieser Hardwarekomponenten ist ohne die proprietäre Bildsoftware, die darum herumgelegt ist, nützlich. Zu seinen Kunden gehören NATO-verbündete Marinen. Das ist Vertrauen und Regulierung auf höchstem Niveau, denn eine Marine wechselt Sonarlieferanten nicht für eine billigere Kopie. Entscheidend ist, dass Kraken nicht nur Ausrüstung verkauft. Es führt Vermessungen als Dienstleistung durch, was bedeutet, dass jeder Auftrag Seebodenerkenntnisse erzeugt, die sonst niemand besitzt. Diese letzte Entscheidung ist das ganze Rahmenwerk im Kleinen. Ein Hardwareunternehmen stellte fest, dass die Daten wertvoller waren als die Box, und wechselte in die Principal-Position, um sie zu behalten.

SpaceX & Waymo sind reine Principal-Play. SpaceX verkauft keine Raketen. Es verkauft ausgelieferte Nutzlasten. Waymo lizenziert keine Autonomie-Software an Autohersteller. Es verkauft abgeschlossene Fahrten. In beiden Fällen lehnte das Unternehmen die Anbieterposition ab, übernahm die operative Haftung und behielt die Daten. Waymo trägt außerdem einen regulatorischen Burggraben, der je nach Jurisdiktion nach und nach entsteht. Diese Ausweitung ist langsam, und genau deshalb ist sie verteidigbar.

Carbon Robotics ist der nützliche Teilfall. Sein LaserWeeder vernichtet Unkraut mithilfe von Computer Vision und Hochleistungslasern. Im Februar 2026 erklärte das Unternehmen, dass sein Large Plant Model mit mehr als 150 Millionen gelabelten Pflanzen trainiert wurde, die auf rund hundert Farmen in fünfzehn Ländern gesammelt wurden. Das ist der Datenmotor, der wie beschrieben arbeitet, erzeugt als operatives Nebenprodukt und nicht als separates Vorhaben. Ich würde aber auch auf die Verwundbarkeit dieses Aufbaus hinweisen. Carbon verkauft Ausrüstung an Landwirte und bleibt damit eher Anbieter als Principal. Es ist erfolgreich, weil die Daten dennoch in sein zentrales Modell zurückfließen und die Anbieterposition überlebensfähig machen. Wenn Landwirte jemals diese Flottendaten besitzen würden, wäre der Burggraben weg.

Nokia ist sowohl die historische Warnung als auch ein aufkommender Testfall. Im Jahr 2007 kontrollierte das Unternehmen nahezu 50 Prozent des globalen Smartphone-Marktes mit der besten Hardware, Fertigungsgröße und Lieferkette bei Mobiltelefonen. Es lieferte in einer einzigen Dimension besser als alle anderen Lebenden, und es brach zusammen, weil ihm eine Softwareplattform fehlte. Das heutige Nokia versucht genau das hier beschriebene mehrfaktorige Playbook. Wie Michael Sikand in dieser Videoanalyse darlegt, hat das Unternehmen mehr als ein Jahrzehnt damit verbracht, sich von Consumer-Gadgets wegzupivotieren, um vertikal integriertes optisches Silizium, etablierte Carrier- und Verteidigungsbeziehungen sowie KI-gestützte Edge-Compute zu bündeln. Das alte Nokia bewies, dass isolierte Hardware nur ein vorübergehender Vorsprung ist. Nun versucht das neue Nokia zu beweisen, dass Hardware, gekoppelt mit institutionellem Vertrauen und Softwareinfrastruktur, einen dauerhaften Burggraben schafft.

Keines dieser Unternehmen sieht auf den ersten Blick gleich aus, aber alle weisen auf dieselbe Lehre hin. Die widerstandsfähigsten Unternehmen haben sich etwas Langsames verdient, etwa eine Akkreditierung, eine eingesetzte Sensorflotte, Vertrauen von Chirurgen, Zuversicht der Marine, regulatorische Zulassung oder ein Jahrzehnt Betriebsdaten. Keines von ihnen kam dorthin, nur indem es besseren Code schrieb, und keines von ihnen kann von jemandem eingeholt werden, der das tut.

Enge ist die Eintrittsvoraussetzung

Sie begannen ebenfalls alle klein. Die Unternehmen, die gewinnen, beginnen nicht damit, das gesamte Loop zu besitzen, und es zu versuchen ist der häufigste Fehler. Das Loop verstärkt sich nur dann, wenn man tief genug in einem Workflow ist, um ergebnisverknüpfte Daten zu erzeugen, die Wettbewerber auf keine andere Weise beschaffen können. Oberflächliche Berührung mit vielen Workflows erzeugt oberflächliche Daten, die sich schnell sättigen.

Das Muster gilt über die oben genannten Betreiber hinaus und darüber hinaus. Anduril begann mit Truppenschutz- und Drohnenabwehrsystemen, bevor es die Produktion und benachbarte Fähigkeiten skalierte. Intuitive Surgical begann mit spezifischen laparoskopischen Verfahren und baute über Jahrzehnte hinweg chirurgische Ausbildung und Verfahrensvolumen auf, bevor es sich über Fachgebiete hinweg ausdehnte. SpaceX begann mit einem wiederverwendbaren Trägerraketenfahrzeug, bevor es in Starlink expandierte. Tesla begann mit einem engen Premium-EV-Wedge (dem Roadster Sportwagen) und nutzte die Flotte für Daten- und Fertigungslernen, bevor es in Volumenmodelle, Energie und Autonomie wechselte. Palantir begann mit spezifischen Geheimdienst-Workflows für bestimmte Behörden, bevor es in den kommerziellen Bereich expandierte. In jedem Fall war der enge Einstieg kein Kompromiss. Er war der Mechanismus, der das Loop verstärken ließ.

Der Einstiegspunkt ist absichtlich eng. Ein Workflow, ein Kundentyp, ein Datenstrom, der schwer zu replizieren ist. Man baut das Loop um diesen Workflow herum auf, bis sich die Daten verstärken und die Beziehung sich vertieft, und dann expandiert man in benachbarte Workflows, in denen dieselben Daten, dieselben Beziehungen und dieselbe operative Disziplin einem einen Vorteil verschaffen, den ein neuer Marktteilnehmer nicht ausgleichen kann. Breit zu beginnen ist der Weg, am Ende einen Haufen Daten zu haben, der sich nicht verstärkt. Ein Wettbewerber, der heute beginnt, jagt keinem festen Vorsprung hinterher. Er jagt einem Vorsprung hinterher, der sich jedes Mal ausdehnt, wenn ein Auftrag erledigt wird, aber nur wenn der Auftrag eng genug, tief genug und oft genug wiederholt wird, sodass die Daten tatsächlich zählen.

Fazit

Die erste Hälfte dieses Dokuments stellte ein allgemeines Gesetz auf. Jeder Burggraben, der nur aus der Schwierigkeit besteht, eine Sache herzustellen, ist vorübergehend, und er hält genau so lange, bis jemand diese Sache leicht herstellbar macht. Die chinesische industrielle Agglomeration tat dies mit Hardware, indem sie die Transaktionskosten und die Iterationslatenz innerhalb eines hyperdichten Clusters zusammenzog. Generative KI tut dies mit Software, indem sie die Kosten ihres knappen Inputs senkt. Hardware kollabierte zuerst und Software folgte später, aber für einen Gründer, der heute baut, ist weder der eine noch der andere Schutz zuverlässig.

Die zweite Hälfte verwandelte dieses Gesetz in eine Antwort. Wenn Produktionsschwierigkeit nichts mehr verteidigt, dann muss Verteidigungsfähigkeit aus den Reibungen zusammengesetzt werden, die der Produktionskollaps nicht erreichen kann. Dazu gehören physischer Zugang, geschlossene operative Datenkreisläufe, regulatorische Stellung, verdientes Vertrauen und Eigentum am Ergebnis selbst. Deshalb verlangen die vier Faktoren drei von vier statt nur einen, warum die Hauptposition wichtiger ist als jede andere einzelne Entscheidung, und warum die Daten ein operatives Nebenprodukt und kein gesammelter Vermögenswert sein müssen.

Es verdichtet sich zu einem einzigen Kernsatz.

Im KI-Zeitalter werden die besten Unternehmen keine generischen Software-Tools oder kopierbaren Hardwareprodukte sein. Sie werden enge, ergebnisgetriebene Hauptunternehmen sein, die Software, physische Workflows, vertrauensbasierte Beziehungen und proprietäre operative Daten kombinieren, um hochwertige Arbeit in der realen Welt zu automatisieren.

Für einen Gründer lautet die Frage nicht mehr „Welche Software kann ich bauen?“, sondern welches wertvolle Ergebnis in der realen Welt kann ich besitzen, ausführen, messen und automatisieren?

Die stärksten Chancen liegen dort, wo Software auf Atome, Vertrauen, Regulierung und proprietäre Daten trifft. Sie beginnen mit einem einzigen engen, schmerzhaften Workflow und setzen Menschen ein, wo es nötig ist. Sie erfassen operative Daten als Nebenprodukt der Arbeit, automatisieren Schritt für Schritt und verstärken sich zu Systemen, die schwer zu verdrängen sind. Der Vorteil ist genau deshalb dauerhaft, weil er durch physischen Betrieb verdient und nicht in Code geschrieben wurde.

Das Endziel ist nicht, ein Produkt zu bauen. Es ist, ein operatives Unternehmen mit softwareähnlicher Skalierbarkeit, Defensibilität in der physischen Welt und proprietären Daten zu bauen, die mit jedem erledigten Auftrag besser werden.

Alles, was früher ein Burggraben war, weil es schwer zu bauen war, wird zur Ware. Etwas zu bauen ist einfacher als je zuvor, und mit dem Fortschritt von KI und globalen Lieferketten wird es nur noch einfacher werden. Was verteidigungsfähig bleibt, ist das, worauf der Zugang schwer ist, wofür Vertrauen schwer zu verdienen ist, worin man sich regulatorisch schwer hineinmanövrieren kann und was schwer zu beobachten ist, ohne die eigentliche Arbeit zu tun.

Zitate & Quellen

Ich möchte ausdrücklich darlegen, woher die übernommenen Teile kommen, weil ein großer Teil dieses Dokuments darin besteht, die Arbeit anderer Leute zu verbinden, anstatt irgendetwas zu erfinden. Die Dinge, die ich tatsächlich als meine eigenen beanspruchen würde, sind die Vier-Faktoren-Regel, der Drei-von-vier-Standard und das spezifische Argument, dass die beiden Zusammenbrüche denselben zugrunde liegenden Mechanismus teilen, obwohl sie nacheinander geschahen. Zahlen verschieben sich, also prüfe sie, bevor du mich zitierst.

Von mir, aus früheren Texten

• Die Barbell-These des Software-Werts (2025), wo ich erstmals die kollabierende Mitte und die Internal Software Leverage Theory dargelegt habe. Die zweite Hälfte hier ist die operative Version dieses Beitrags.

Der Atome-Computer

• Travis Kalanick, Vision, Unfinished Business und How AI Will Transform the Physical World, Atoms und a16z, 2026. Das Atome-basierte Computer-Framing, das CPU-/Speicher-/Netzwerk-Mapping auf Fertigung/Immobilien/Transport, die verstehen-vorhersagen-steuern-Schleife, industrielle KI und gewinnbringend beschäftigte Roboter sind allesamt seine Ideen. Dieser Abschnitt ist meine Zusammenfassung seiner Idee, nicht meine eigene Idee.
• Ben Horowitz und Alex Danco, Travis is Back, a16z, 2026.

Die Ökonomie

• Atlassian, Q2 FY2025 results, für ausgereifte horizontale SaaS-Bruttomargen im niedrigen Achtzig-Prozent-Bereich.
• Snowflake, FY2025 results, für das Gegenbeispiel, dass verbrauchsintensive Software deutlich unter den klassischen SaaS-Bruttomargen liegen kann.
• Michael Porter, five forces, 1979, für die Taxonomie der Rentenquellen in Teil Eins.
• David Teece, Profiting from Technological Innovation, 1986, für das Appropriability-Problem in Teil Drei.
• Alfred Marshall, Principles of Economics, 1890, für externe Ökonomien und Agglomeration in Teil Fünf.
• Ronald Coase, The Nature of the Firm, 1937, für Transaktionskosten in Teil Fünf.
• Theodore Wright, 1936, und die Boston Consulting Group, für die Erfahrungskurve in Teil Fünf.
• Stan Shih, die Smile-Kurve, um 1992. Sein ursprüngliches Diagramm ist auf Wikimedia Commons, und Ben Thompsons Publishers and the Smiling Curve ist die beste Weiterentwicklung davon, die ich gelesen habe.
• Gary Pisano und Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, für die industrielle Gemeingüterbasis und warum Reshoring schwer ist.
• Andrew „bunnie“ Huang, The Hardware Hacker, für den direkten Bericht darüber, wie sich die Dichte in Shenzhen tatsächlich anfühlt, wenn man darin arbeitet.
• WTO, Accessions: China, für Hintergrund zur Integration Chinas in das globale Handelssystem.
• World Bank, manufacturing value added, für Hintergrund zur chinesischen Fertigungsskala im Verhältnis zu den Vereinigten Staaten.

Die Startup-Mechaniken

• Paul Graham, Do Things That Don’t Scale und How to Get Startup Ideas, für den engen Wedge.
• Tesla, The Secret Tesla Motors Master Plan, 2006, für die Roadster-zu-bezahlbares-Auto-Wedge-Logik.
• Palantir, S-1 registration statement, 2020, für das Muster der Expansion von Regierung zu kommerziell.
• Die Unternehmensgeschichte von SpaceX und Starlink-Offenlegungen über SpaceX und Starlink, für den Start als initialen Wedge vor breiterer Raumfahrinfrastruktur.

KI-Coding und Softwareproduktion

• GitHub, GitHub Copilot vorstellen, 2021, und allgemeine Verfügbarkeit von GitHub Copilot, 2022, für den praktischen Beginn kommerzieller KI-Codierunterstützung.
• OpenAI, GPT-4 Technical Report, 2023, und Anthropic, Claude 3.5 Sonnet, 2024, für Hintergrund zur Beschleunigung der Modellfähigkeiten.
• Peng et al., The Impact of AI on Developer Productivity, 2023, für das kontrollierte GitHub-Copilot-Ergebnis, bei dem Entwickler eine begrenzte Programmieraufgabe 55,8 Prozent schneller abschlossen.
• Cui et al., The Effects of Generative AI on High Skilled Work, 2025, für das Feldstudienergebnis über 4.867 Entwickler hinweg, das 26,08 Prozent mehr abgeschlossene Aufgaben zeigt.
• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025, für das Gegenbeispiel, bei dem erfahrene Entwickler mit KI-Tools in ausgereiften Repositories 19 Prozent langsamer waren.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI und OpenCode, für den Wandel von Autovervollständigung hin zu agentischem Repository- und Terminalzugriff.
• Conductor, Superset und Hermes Agent, für die Orchestrierungsebene über Single-Agent-Codierwerkzeugen.

Die Fehlermodi des Datenmoats

• Sun et al., Revisiting Unreasonable Effectiveness of Data in Deep Learning Era, ICCV 2017, für die empirische Erkenntnis, dass die Leistung bei Vision-Aufgaben logarithmisch mit dem Umfang der Trainingsdaten steigt.
• Martin Casado und Peter Lauten, The Empty Promise of Data Moats, a16z, 2019, für das Argument, dass Skaleneffekte von Daten sich gewöhnlich abbauen statt sich zu verstärken.
• Valavi et al., Time and the Value of Data, Harvard Business School Working Paper 21-016, 2021, für die Unterscheidung zwischen Datenbestand und Datenfluss sowie die Erkenntnis, dass veraltete Daten die Modellgenauigkeit beeinträchtigen können.
• Chen et al., Decaying relevance of clinical data towards future decisions in data-driven inpatient clinical order sets, International Journal of Medical Informatics, 2017, für die etwa viermonatige Halbwertszeit klinischer Vorhersagedaten.
• OpenAI Enterprise Privacy, Anthropic Commercial Terms, Microsoft Azure OpenAI data privacy, AWS Bedrock FAQ und Google Vertex AI data governance, für standardmäßige Zusagen, Geschäftskunden-Eingaben und -Ausgaben nicht zum Training zu verwenden.
• European Data Protection Board, Opinion 28/2024 on AI models, GDPR Article 5 and Article 17, HIPAA de-identification rules und CCPA/CPRA rules, für datenschutzrechtliche Beschränkungen bei Sekundärnutzung von Daten, Löschung, De-Identifizierung und Weitergabe.
• Lathrop GPM, Navigating AI Ownership in Commercial and IP License Agreements, 2026, für die Vertragsspannung zwischen Zusagen, nicht zu trainieren, und behaltenen Rechten zur aggregierten oder de-identifizierten Nutzung.

Bilder

• Stan Shihs lächelnde Kurve, Wikimedia Commons, CC BY-SA.
• Huaqiangbei an der Shennan-Kreuzung, Foto von Charlie fong, Wikimedia Commons, CC BY-SA.
• Spritzgussform, Foto von Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Preise von Solar-PV-Modulen im Vergleich zur kumulativ installierten Kapazität, Our World in Data, CC BY 4.0. Diagramm lokal aus dem veröffentlichten Datensatz neu erstellt.

Die Unternehmensbeispiele

• Anduril-Bruttomargenschätzung über Sacra. Anduril ist privat und veröffentlicht keine geprüften Margen, daher wird dies als Schätzung und nicht als berichtete Kennzahl behandelt. Branchenbenchmark für Bruttomargen in Luft- und Raumfahrt sowie Verteidigung (etwa 17,5 Prozent), entnommen aus Aswath Damodarans NYU-Stern-Margendatensatz.
• Hintergrund zu Alphabet und Google über Alphabets FY2025 Form 10-K, kombiniert mit United States v. Google LLC für Vertriebsvereinbarungen für die Standardsuche, Vorteile der Suchskala und kartellrechtlichen Kontext.
• Carbon Robotics Large Plant Model und 150 Millionen markierte Pflanzen über die Business-Wire-Ankündigung des Unternehmens vom Februar 2026, mit TechCrunch als Bestätigung.
• Geschichte von Intuitive Surgical und FDA-Zulassung von 2000 über Intuitive Company History. Verfahrensvolumen über Intuitives 2025 Corporate Impact Report sowie installierte Basis- / Margenwerte über die Ergebnismitteilung für Q4 2025.
• Tesla-Margenwerte über das Q4- und FY2025-Update.
• Regulierungsausweitungs-Muster von Waymo über Tesorbs 2026 Robotaxi Regulatory Map und Electreks Berichterstattung zur CPUC-Zulassungserweiterung.
• Nokias Höchststand 2007 und Niedergangslinie über BBC News und Wikipedia, mit Vuori und Huys Administrative Science Quarterly / INSEAD-Studie für die organisatorische Dynamik hinter dem Zusammenbruch sowie Michael Sikands Videoanalyse für die moderne Infrastrukturwende.
• OpenAI-Stargate-Details über OpenAIs ursprüngliche Ankündigung und Ankündigung zur Standorterweiterung. Dies sind angekündigte Zusagen und Pläne, keine vollständig bereitgestellte Kapazität.
• Kraken Robotics basierend auf den eigenen Produkt- und Vertragsangaben.