La Fosa Moderna

Resumen ejecutivo

La fosa defensiva empresarial definitoria del siglo 21, el software puro, está colapsando rápidamente a medida que la IA Generativa lleva el coste del código a cero, reflejando cómo la aglomeración industrial china ya destruyó la fosa del hardware puro. La mera dificultad de producción ya no protege a un negocio en ninguno de los dos dominios, así que el beneficio duradero ha migrado a las costuras entre bits y átomos. Para construir hoy una empresa defendible, los fundadores deben abandonar el modelo genérico de proveedor de software y actuar como un principal que posee de extremo a extremo un flujo de trabajo físico real. Al integrar estrechamente al menos tres de cuatro factores clave (hardware personalizado, software especializado, relaciones ganadas y datos propietarios), una empresa moderna puede ofrecer un resultado garantizado mientras aprovecha el bucle cerrado de datos que se convierte en la verdadera fosa. Un competidor que empieza hoy no está persiguiendo una ventaja fija. Está persiguiendo una que se extiende cada vez que se realiza un trabajo.

Prefacio y propósito

Este informe amplía la única afirmación sobre la que descansa todo lo demás en mi teoría de las fosas: el software puro ya no es una fosa defendible, y el hardware puro dejó de serlo una vez que China amplió su hegemonía manufacturera. Ambas cosas se repiten como eslóganes. Quiero sacar el eslogan y poner el mecanismo. Por qué ocurrió cada colapso, qué supuestos se rompieron silenciosamente, cómo se alimentan mutuamente ambos, y dónde todavía se puede capturar beneficio duradero. Escribí esto para que se sostuviera por sí solo, de modo que un futuro lector, o un futuro modelo, pueda obtener todo el argumento sin la conversación que lo produjo.

Durante unos treinta años, la estrategia tecnológica asumió que el mundo digital producía beneficios duraderos, de alto margen y defendibles, mientras que el mundo físico producía una salida de mercancía escasa, indiferenciada y de bajo margen. Los dos choques no llegaron juntos. La aglomeración manufacturera de China rompió primero la defendibilidad del hardware basada en la producción, sobre todo a lo largo de los años 2000 y 2010. La IA Generativa está rompiendo después la defendibilidad del software basada en la producción, en los años 2020. La IA Generativa llevó el coste marginal de producir software hacia cero, lo que disolvió las barreras que hacían defendible al software. La aglomeración industrial china llevó el coste y la latencia de la iteración física hacia el coste y la latencia del software, lo que disolvió las barreras que hacían defendible al hardware. Así que ni los bits por sí solos ni los átomos por sí solos pueden resguardar ya a una empresa. La ventaja duradera salió de cualquiera de las dos dimensiones individuales y pasó a la acoplamiento estrecho de ambas, más las relaciones y los datos propietarios.

El documento se divide en dos mitades:

• El análisis. Qué es realmente una fosa, por qué cada dominio solía ser defendible, qué fricciones disolvió cada choque y qué queda en pie. Esta mitad es análisis económico y se detiene donde se detiene el análisis.
• La fosa moderna. De qué está hecha realmente la defendibilidad ahora que ni los bits ni los átomos te defienden por sí solos, y cómo se ve en la práctica una empresa construida sobre ella.

El análisis: cómo colapsaron ambas fosas

Parte uno: qué es realmente una fosa

Antes de explicar cómo colapsaron las fosas, necesito ser exacto acerca de lo que es una fosa, porque el uso impreciso de la palabra es responsable de la mayor parte de la mala estrategia que he visto. Una fosa no es un buen producto, no es una ventaja temporal y no es el hecho de ser el primero. Una fosa es una característica estructural de un mercado que permite a una empresa obtener rendimientos por encima de su coste de capital durante mucho tiempo sin que esos rendimientos sean erosionados por la competencia. En el lenguaje de la economía industrial, una fosa es una fuente duradera de renta económica.

La renta económica es el excedente que una empresa gana por encima del mínimo que aceptaría para seguir abierta, y en un mercado verdaderamente competitivo ese excedente cae a cero. Bajo competencia perfecta, el precio se empuja hacia abajo hasta el coste marginal, las empresas ganan solo su coste de capital y no sobrevive ningún beneficio excesivo. Todo marco sobre defendibilidad es realmente una teoría sobre cómo una empresa concreta escapa de esa atracción hacia la fijación de precios al coste marginal y hacia el beneficio cero.

La lista clásica viene de Michael Porter, cuyo marco de las cinco fuerzas ha sido la herramienta estándar para esto desde 1979, después afinado por el mundo de la inversión en valor. Da un pequeño número de fuentes reales y duraderas de renta:

• Barreras de entrada que mantienen fuera a nuevos competidores
• Altos costes de cambio que mantienen dentro a los clientes existentes
• Efectos de red, donde el producto se vuelve más valioso cuanto más gente lo usa
• Economías de escala que permiten a los incumbentes rebajar a los entrantes
• Propiedad intelectual exclusiva o protección regulatoria que excluye legalmente a los imitadores
• Control de un insumo escaso o de un canal de distribución al que los rivales no pueden acceder

Toda fuente de renta es una fricción

Cada una de esas fuentes de renta es una fricción. Una fosa es realmente solo una forma de fricción que los competidores no pueden superar barato:

• Los altos costes de cambio son fricción en la salida del cliente.
• Las barreras de entrada son fricción en la llegada del competidor.
• Los efectos de red son fricción en la coordinación que hace falta para que los usuarios se vayan juntos a otro sitio.
• La escala de fabricación es fricción en el capital y el tiempo que un entrante tiene que hundir antes de alcanzar un coste unitario competitivo.

Eso te dice exactamente qué hace en un mercado algo como la IA generativa, o algo como la densidad industrial china. Estas fuerzas no atacan productos. Atacan fricciones. Son tecnologías que disuelven fricciones. Y una tecnología que disuelve fricciones es, por definición, una tecnología que disuelve fosas.

Todo el argumento se comprime en una sola frase: las fosas del software y del hardware colapsaron porque las fricciones específicas que generaban su renta eran exactamente las fricciones que la IA y la aglomeración china resultaron excepcionalmente buenas para eliminar.

Parte dos: la fosa histórica del software y por qué los bits imprimían dinero

Para entender el colapso, primero hay que entender por qué el software fue históricamente la mejor estructura empresarial que el capitalismo encontró jamás, porque el colapso no es más que la reversión de las cosas que lo hicieron grande.

El software tenía una estructura de costes casi única. Combinaba un alto coste fijo para hacer la primera copia con un coste marginal casi cero para reproducir y enviar cada copia posterior. Escribir la primera versión de un programa complejo requería un grupo escaso, caro y lento de formar de ingenieros trabajando durante meses o años. Pero una vez escrito, la millonésima copia costaba prácticamente nada producirla y nada entregarla. Esa asimetría producía una enorme palanca operativa. El software horizontal maduro puede registrar márgenes brutos en torno al ochenta por ciento, como Atlassian proyectó para el segundo trimestre del ejercicio fiscal 2025, porque los ingresos escalan con los usuarios mientras que el coste de los bienes vendidos apenas se mueve. Pero esa afirmación es menos universal de lo que era antes, a medida que el software intensivo en consumo, como Snowflake se situó más cerca del 67 por ciento de margen bruto en el ejercicio fiscal 2025, en parte porque la infraestructura en la nube de terceros se incluye dentro del coste de ingresos. En términos económicos, el software se comportaba como un bien de información puro, y los bienes de información rompen la relación normal entre producción y coste que gobierna las mercancías físicas.

Pero el bajo coste marginal por sí solo no crea una fosa. Si cualquiera puede fabricar el bien barato, el bajo coste marginal te da una competencia ruinosa, no renta. El software obtenía renta porque el alto coste fijo de la primera copia funcionaba como una barrera de entrada, y porque varias otras fricciones se apilaban encima:

• Escasez de talento de ingeniería. Construir software no trivial requería personas que eran caras, difíciles de contratar y difíciles de coordinar, así que la mayoría de los competidores simplemente no podía reunir al equipo para construir un clon creíble.
• Tiempo. Incluso un competidor bien financiado necesitaba muchos meses para descompilar, especificar, construir, probar y lanzar un producto rival, y durante esos meses el incumbente tenía un monopolio temporal para acumular usuarios, ingresos y más profundidad de producto.
• Coste de cambio. Una vez que un cliente movía sus datos a un sistema, entrenaba a su personal en esa interfaz y conectaba el sistema con todo lo demás mediante integraciones personalizadas, irse se volvía prohibitivamente caro incluso si aparecía algo mejor y más barato.
• El cálculo entre construir y comprar. Como construir software interno a medida era en sí mismo caro y arriesgado, las empresas compraban racionalmente productos estándar listos para usar en vez de construir los suyos, lo que garantizaba un gran mercado para los proveedores de software empaquetado.
• Efectos de red y acumulación de datos propietarios, superpuestos sobre todo ello en los mejores casos.

La vulnerabilidad estructural

Mira de qué está hecha esa lista. Solo una de esas cinco fricciones, los efectos de red, es intrínseca al lado de la demanda del producto. Las otras cuatro, escasez de talento, tiempo de construcción, coste de cambio y la penalización de construir frente a comprar, son todas fricciones de producción del lado de la oferta. Son artefactos de lo difícil, lento y caro que era hacer y reemplazar software.

Esa es la vulnerabilidad. Un negocio cuya defendibilidad descansa sobre todo en lo difícil que es producir la cosa solo es defendible mientras la producción siga siendo difícil. En el momento en que el coste de producir y reemplazar software se derrumba, cuatro de los cinco pilares se derrumban con él, y solo queda en pie el efecto de red del lado de la demanda.

Eso es exactamente lo que entregó la IA generativa.

Parte tres: el choque de la IA y la disolución de la fosa del software

La manera correcta de modelar lo que la IA generativa hizo a la economía del software es tratarlo como un shock a la función de producción del software. En la economía básica, el costo de producir cualquier cosa es una función del costo de sus insumos. Para el software, el insumo dominante siempre ha sido el trabajo cognitivo humano calificado, específicamente el trabajo de convertir un requisito empresarial en código correcto, probado y desplegable. Ese trabajo era el insumo escaso y costoso que creaba la barrera de entrada.

La IA generativa y los agentes autónomos de programación atacan ese insumo directamente. Generan, refactorizan, depuran, documentan y despliegan código a una fracción del costo histórico en muchas tareas. Un experimento controlado de GitHub Copilot encontró que los desarrolladores completaron una tarea de programación acotada un 55.8 por ciento más rápido, y un estudio de campo entre 4,867 desarrolladores encontró un 26.08 por ciento más de tareas completadas. El efecto es real, pero desigual, ya que un ensayo aleatorizado de 2025 de METR encontró que desarrolladores experimentados de código abierto que trabajaban en bases de código maduras y familiares fueron un 19 por ciento más lentos con las herramientas de IA de principios de 2025, aunque creían que eran más rápidos. La conclusión segura no es que la IA haga a cada ingeniero más rápido en cada entorno. Es que la IA comprime el costo de producir código, especialmente para trabajos acotados, de terreno nuevo y de menor seniority. El insumo escaso está volviéndose más abundante. Cuando el precio del insumo escaso crítico cae, la barrera de entrada que se construyó sobre esa escasez colapsa con él. Ese mecanismo único se propaga en cascada a través de los cuatro pilares del lado de la oferta.

El cambio es visible en las herramientas que los desarrolladores realmente usan. Primero vinieron los copilotos nativos del IDE como Cursor. Luego vinieron los agentes de programación nativos de terminal como Claude Code, Codex CLI, Kiro CLI y OpenCode, donde el modelo lee el repositorio, edita archivos, ejecuta comandos e itera en el mismo entorno que el ingeniero. Ahora está emergiendo una tercera capa alrededor de la orquestación multiagente, con herramientas como Conductor, Superset y Hermes Agent coordinando varios agentes a través de proyectos y entornos. La progresión es clara. Ha pasado del autocompletado, a agentes autónomos, a orquestar muchos agentes en paralelo, y esto solo se acelerará. El trabajo digital será más fácil de automatizar cada año, y las herramientas que hoy requieren un operador calificado mañana requerirán cada vez menos intervención humana.

1. El Colapso de la Barrera de Entrada

Lanzar un producto de software creíble solía requerir capital semilla real, la mayor parte del cual se destinaba a contratar a los ingenieros necesarios para construir un MVP. Ese requisito de capital filtraba el mercado. Solo las empresas que podían जुटar dinero y reclutar talento llegaban a lanzar algo, y la escasez resultante de competidores era en sí misma parte de la protección del incumbente.

Cuando un desarrollador con buenas herramientas de IA puede diseñar, construir y lanzar una aplicación pulida y funcional en una pequeña fracción del tiempo y costo anteriores, ese filtro desaparece. El mercado se inunda de nuevos entrantes. En términos competitivos, la curva de oferta de funciones de software se desplaza masivamente hacia afuera, y la teoría básica de precios te dice lo que sucede después sin ninguna ambigüedad. Cuando la oferta de un bien sustituible se expande con fuerza frente a una demanda aproximadamente fija, el precio cae hacia el costo marginal, y como el costo marginal del software es cercano a cero, el precio también es arrastrado hacia cero. La hiperabundancia de oferta de software es, mecánicamente, la destrucción del poder de fijación de precios del software.

2. El Colapso de la Ventaja Temporal

Este fue probablemente el foso más importante del software de todos. Toda la lógica de lanzar rápido e iterar dependía de que una función lanzada le comprara a su creador meses de ventaja exclusiva antes de que nadie pudiera copiarla. Ese tiempo de ventaja era la ventana en la que se establecían los efectos de red, la marca y los clientes.

La IA comprime el ciclo de imitación de meses a horas. Un competidor puede observar la interfaz de un producto, describir su comportamiento a un agente de programación y obtener casi de inmediato un clon funcional, sin llegar a ver jamás el código fuente original, porque el valor nunca estuvo realmente en el código específico. Estaba en la especificación, y ahora las especificaciones son trivialmente baratas de implementar.

Cuando el retraso de imitación llega a cero, el monopolio temporal que justificaba la innovación rápida se evapora. La innovación sigue ocurriendo, pero deja de ganar una prima duradera, porque la recompensa por innovar se entrega instantáneamente a los imitadores. Este es un caso de libro de texto de lo que David Teece llamó el problema de apropiabilidad en su artículo de 1986 sobre beneficiarse de la innovación tecnológica. La innovación solo se paga a sí misma cuando el innovador puede capturar suficiente del valor que crea antes de que la imitación lo elimine. La IA empuja la apropiabilidad de la innovación de software puro hacia cero.

3. La Disolución de los Costos de Cambio

Este era el más sólido de los fosos tradicionales del software, porque funcionaba incluso cuando el producto rival era claramente mejor. Pero los costos de cambio estaban hechos de fricciones: migrar datos de un esquema a otro, reconstruir integraciones personalizadas y volver a entrenar al personal en una interfaz desconocida. Cada una de esas es exactamente el tipo de trabajo tedioso, basado en patrones, de traducción que la IA hace bien.

La asignación de datos impulsada por IA puede ingerir, normalizar y migrar rápidamente y a bajo costo una base de datos compleja desde la estructura de un sistema a otro. Las interfaces en lenguaje natural reducen el costo de reentrenamiento, porque los usuarios interactúan cada vez más mediante conversación en lugar de memorizar un árbol de menús propietario, lo que significa que la habilidad acumulada atrapada en la interfaz de un proveedor ya no funciona como penalización por cambiarse.

A medida que cae el costo de irse, cae con él el valor de vida de un cliente capturado, el costo de adquisición de clientes sube en relación con ese valor de vida decreciente y la economía unitaria de todo el modelo de suscripción se degrada. Un foso construido sobre la incapacidad del cliente de irse se disuelve cuando irse se vuelve barato.

4. La Inversión de Construir Frente a Comprar

Esto destruye silenciosamente el mercado direccionable en sí mismo. Las empresas compraban software empaquetado porque construir herramientas internas a medida era demasiado caro, demasiado lento y demasiado arriesgado como para justificarlo salvo para sus necesidades más diferenciadas. Esa penalización sobre construir internamente es exactamente lo que garantizaba a los proveedores un mercado amplio.

Cuando los agentes de IA permiten que los equipos internos, incluso los no técnicos, generen aplicaciones personalizadas adaptadas a sus propios flujos de trabajo, la penalización por construir desaparece, y la elección racional cambia de comprar una suscripción genérica a generar una herramienta privada que encaja perfectamente y no tiene licencia recurrente.

Esto no solo intensifica la competencia entre proveedores. Reduce el mercado total direccionable por el que compiten los proveedores, porque una porción creciente de la demanda de software se satisface internamente y nunca llega al mercado externo en absoluto. El valor migra de los proveedores externos de software hacia la capacidad operativa interna, lo que equivale a decir que deja de ser un mercado y se convierte en eficiencia de costos dentro de la empresa.

Esto es lo mismo que llamé Palanca de Software Interno en mi escrito, La teoría de la campana del valor del software, visto desde el lado del proveedor en lugar del comprador.

El Resultado y Lo Que No Colapsa

Si juntas esos cuatro mecanismos, obtienes la comoditización del software puro. La industria está entrando en una hiperabundancia de software, donde las aplicaciones funcionales son baratas de construir, instantáneamente clonables y cada vez más generadas internamente bajo demanda. En esa condición, el código en sí deja de ser una fuente de renta, exactamente como cualquier bien deja de exigir renta una vez que se vuelve abundante y sustituible. El valor se desacopla del código.

Ser honestos exige decir claramente qué no colapsa, porque exagerar esto lo volvería incorrecto. La IA generativa ataca las fricciones de producción del lado de la oferta. Por sí sola, no ataca las fricciones del lado de la demanda ni las del nivel de sistema.

• Los efectos de red sobreviven, porque la IA puede clonar el software de una red social en una tarde, pero no puede clonar a los usuarios, y los usuarios son el activo.
• Los fosos de datos propietarios sobreviven y de hecho se fortalecen, porque la IA hace más barato producir código mientras vuelve más valiosos los datos raros que la entrenan.
• La distribución y la marca sobreviven, porque la atención y la confianza siguen siendo escasas incluso cuando las funciones son gratis.
• Las barreras regulatorias y de cumplimiento sobreviven, porque un agente de programación no puede generar una licencia bancaria, una autorización de dispositivo médico ni una certificación aeronáutica.
• La integración profunda en la realidad operativa física o regulada sobrevive, porque el código es barato, pero instalar sensores, ganarse la confianza y operar bajo aprobación regulatoria no lo son.

Así que la afirmación precisa no es que mueran todas las empresas de software. Es que el foso específico, antes dominante, del software puro, autónomo y empaquetado, defendido por la dificultad de escribir y reemplazar código, ha sido destruido. Lo que sobrevive es el software anclado a algo que la IA no puede reproducir barato: una red, un conjunto de datos, una posición regulatoria, un canal de distribución o una operación física. El software que flota libre de todo eso ahora es una mercancía.

Parte Cuatro: El Histórico Foso del Hardware y Por Qué los Átomos Eran Difíciles

El argumento del hardware utiliza la misma disciplina. Primero establece por qué el hardware solía ser defendible, luego muestra cuáles de esas defensas disolvió el sistema manufacturero de China.

El hardware era defendible por razones casi opuestas a las del software, y los mercados de capital trataban a ambos como opuestos. Donde el software tenía un costo marginal casi cero, el hardware tenía un costo marginal alto y obstinado, porque cada unidad física consumía materiales, energía, mano de obra y tiempo de máquina. Donde el software se enviaba al instante e infinitamente, el hardware estaba limitado por la física de la fabricación y la logística. Esas propiedades hacían que el hardware fuera un peor negocio en términos de margen, pero también, extrañamente, lo volvían defendible de una manera específica, porque la dificultad de la producción física actuaba como una barrera que protegía a una empresa de hardware bien gestionada de la imitación casual.

Las fricciones específicas que protegían al hardware eran estas:

• Capital de utillaje. Fabricar un producto físico a escala requería utillaje especializado, principalmente los moldes de inyección y los troqueles de fundición usados para dar forma a piezas de plástico y metal, y esas herramientas costaban decenas o cientos de miles de dólares y obligaban a cantidades mínimas de pedido elevadas. Era un muro de capital duro que la mayoría de los nuevos entrantes no podía escalar, y protegía a los incumbentes que ya habían amortizado su utillaje.

• Latencia de iteración. Refinar un diseño físico significaba cortar nuevo utillaje, ajustar tolerancias y ejecutar lotes de prueba físicos, un ciclo que tomaba semanas o meses por vuelta y costaba mucho cada vez, de modo que los productos físicos mejoraban lentamente y un competidor necesitaba una campaña larga y costosa para alcanzar.

• Montaje de la cadena de suministro. Un producto físico es una lista de materiales obtenida de muchos proveedores especializados, y esos proveedores solían estar dispersos entre empresas, regiones y países, así que armar una cadena de suministro funcional significaba negociar con vendedores aislados, soportar plazos de entrega largos y gestionar una logística complicada.

• Conocimiento de precisión y de proceso. El saber acumulado, a menudo tácito, que se necesita para fabricar de verdad un diseño con un rendimiento aceptable. No se transfiere desde un plano. Hay que aprenderlo haciendo.

• Distribución. La necesidad de poner el producto físico frente a los compradores a través de minoristas, distribuidores y espacio en estanterías, que a su vez eran escasos y estaban controlados por guardianes.

Mira la composición de nuevo, igual que con el software. El foso defensivo del hardware era abrumadoramente un conjunto de fricciones de producción y logística: capital de utillaje, latencia de iteración, montaje de la cadena de suministro, rendimiento del proceso y distribución física. Estaba defendido por lo difícil, lento y costoso que era convertir un diseño en un objeto físico enviado. Y exactamente igual que con el software, una defensa basada en la dificultad de la producción solo es duradera mientras la producción siga siendo difícil.

Pero la contribución de China a la historia económica fue hacer que la producción física, a través de una enorme gama de bienes, dejara de ser difícil.

Parte Cinco: El Shock de China, la Aglomeración Industrial y el Fin del Foso Defensivo del Hardware

La confusión más común sobre el dominio manufacturero chino es que es una historia sobre mano de obra barata. Eso fue en parte cierto en la primera fase y hoy es, en su mayoría, falso, y entenderlo mal conduce directamente a la conclusión fallida de que la relocalización, o mover la producción al siguiente país de salarios bajos, restaurará el viejo orden.

La verdadera explicación es que China construyó, a una densidad y escala que nadie había visto antes, el fenómeno que Alfred Marshall describió hace más de un siglo como aglomeración industrial. Esa aglomeración, no el arbitraje salarial, es lo que desarmó el foso defensivo del hardware. No soy el primero en hacer este argumento. Andrew “bunnie” Huang ha documentado la versión de Shenzhen de primera mano durante más de una década en The Hardware Hacker.

Economías Externas Marshallianas

La aglomeración industrial es la agrupación geográfica autorreforzada de industrias conectadas, proveedores de componentes, fabricantes de subconjuntos, procesadores de materias primas, fabricantes de herramientas, fabricantes por contrato, proveedores logísticos y mano de obra especializada, todo concentrado en la misma región. Marshall identificó por qué esos clústeres generan ventajas que ninguna empresa aislada puede igualar:

• Crean un profundo mercado laboral compartido de trabajadores especializados.
• Sostienen proveedores locales especializados que nunca podrían sobrevivir atendiendo a un solo cliente lejano, pero prosperan atendiendo a un clúster denso de ellos.
• Generan derrames de conocimiento, donde las mejoras de proceso se difunden rápidamente por el clúster porque las personas relevantes están físicamente cerca y se mueven entre empresas.

Esas tres fuerzas son las economías externas marshallianas, y significan que una empresa dentro del clúster obtiene menores costos, iteración más rápida y mejor información que una empresa idéntica fuera de él, sin importar cuán eficiente sea por sí sola esa empresa externa.

Colapso de los Costos de Transacción

En el Delta del Río Perla, y en Shenzhen en particular, la aglomeración alcanzó una densidad sin precedentes históricos. La consecuencia práctica se ve mejor a través de la economía de costos de transacción de Ronald Coase. Coase explicó que el límite y la velocidad de la actividad económica están gobernados por los costos de transacción, el costo de buscar proveedores, negociar términos y coordinar la producción entre empresas. En una cadena de suministro dispersa, esos costos son enormes, y son el verdadero contenido de la tercera fricción del foso defensivo del hardware.

En un clúster hiperdenso, los costos de transacción se derrumban hasta casi nada. Toda la cadena de suministro de la mayoría de los dispositivos electrónicos y mecánicos está dentro de un radio pequeño, de modo que buscar, abastecerse, negociar y coordinar, que antes tomaba semanas a través de continentes, ahora toma horas a través de un distrito. Un diseñador puede especificar un dispositivo, conseguir todos los componentes localmente el mismo día, hacer fabricar y ensamblar una placa de circuito personalizada durante la noche, y tener un prototipo funcional a la mañana siguiente.

Esto no es mano de obra más barata. Es la eliminación casi total del costo de transacción y de la latencia de iteración, que es una cosa categóricamente distinta y mucho más poderosa.

A partir de esa densidad, cuatro mecanismos disolvieron el foso defensivo del hardware, reflejando los cuatro que la IA aplicó al software.

1. El Colapso de la Latencia de Iteración

Esta es la versión hardware de que el software pierde su ventaja temporal. En la cadena de suministro occidental dispersa, una vuelta de diseño físico tomaba semanas y costaba mucho, así que el hardware mejoraba lentamente y la ventaja de refinamiento del incumbente se mantenía. Dentro del clúster, la iteración física se aproxima a la velocidad de iteración del software. Los moldes se modifican, los diseños de placas se ajustan y los lotes de prueba se ejecutan en días.

La consecuencia estratégica es brutal. Cualquier diseño de hardware concebido en Occidente puede ser observado, invertido, optimizado para la fabricabilidad y producido en masa dentro del clúster más rápido de lo que la empresa occidental de origen puede terminar su propio segundo prototipo. El tiempo de espera del originador, que era la fuente de su renta, es negativo. El imitador envía primero la versión mejorada y más barata.

2. El Colapso del Capital de Utillaje

Esta es la versión hardware de la caída de la barrera de entrada del software. Las decenas de miles de dólares y las altas cantidades mínimas de pedido que solían cerrar la producción física han sido optimizadas fuera del sistema dentro del clúster mediante mecanizado rápido controlado por computadora, bases modulares estandarizadas de moldes que se reconfiguran en lugar de cortarse desde cero, y talleres de utillaje de altísimo rendimiento ferozmente competitivos. El hardware de pequeños lotes y altamente personalizado ahora puede producirse con una estructura de costos que antes solo estaba disponible para las grandes multinacionales. El muro de capital que filtraba a los entrantes en hardware se ha derrumbado en gran medida, igual que el que filtraba a los entrantes en software, y el mercado se inunda con la misma presión predecible a la baja sobre los precios.

3. La Curva de Experiencia, Reforzada por la Automatización

Este mecanismo es lo que fija permanentemente la ventaja de costos, y es la razón por la que la ventaja no puede ser arbitrada moviéndose a otro lugar. La Ley de Wright, descrita por primera vez por Theodore Wright en 1936 a partir de datos de producción aeronáutica y posteriormente generalizada por el Boston Consulting Group como la curva de experiencia, es una de las regularidades empíricas más fiables en la economía industrial. Afirma que para muchos productos, el costo unitario cae en un porcentaje constante cada vez que se duplica el volumen acumulado de producción, porque la organización aprende, mediante el hacer acumulado, cómo fabricar con mayor eficiencia.

Porque el clúster produce una cuota abrumadora del volumen acumulado global en innumerables categorías de productos, se sitúa muy abajo en la curva de experiencia que cualquier nuevo entrante, con un volumen acumulado bajo, ocupa en la parte superior. La fabricación china moderna luego refuerza esa ventaja de aprendizaje con automatización intensiva en capital, robótica avanzada, inspección óptica automatizada de alta velocidad e integración vertical que se extiende hasta las materias primas.

Este es exactamente el punto donde muere la explicación del coste laboral. La ventaja moderna no es los bajos salarios. Es aprendizaje acumulado más escala automatizada más densidad de proveedores, y un recién llegado no puede replicar esa combinación con ninguna acción a corto plazo, con salarios altos o salarios bajos, porque no puedes comprar instantáneamente décadas de experiencia acumulada de producción ni el ecosistema de proveedores que la rodea.

4. El Colapso de la Fricción de Distribución

Esta es la versión en hardware de la IA erosionando la necesidad de pasar por los canales de software incumbentes. Los mercados digitales globales y la logística de paquetes hipereficiente permiten a los fabricantes dentro del clúster saltarse por completo a los distribuidores occidentales, mayoristas y el espacio de estantería minorista, publicando directamente en plataformas globales y enviando al domicilio de un consumidor en días. La última fricción que protegía a una marca de hardware incumbente, su control de estanterías y canales, queda eludida. Un dispositivo funcionalmente equivalente llega al mismo cliente a una fracción del precio de marca sin tocar nunca el sistema de distribución del incumbente.

Los Bienes Comunes Industriales y Por Qué la Repatriación es Tan Difícil

La consecuencia más importante de todo esto, y la que con más frecuencia se ignora, tiene que ver con la repatriación, y aquí es donde importa la idea de los bienes comunes industriales. Gary Pisano y Willy Shih la denominaron así en Restoring American Competitiveness (PDF) en 2009. Su observación fue que la capacidad de fabricación no es una propiedad de las empresas individuales. Es una propiedad de un ecosistema, una base local compartida de proveedores, fabricantes de herramientas, ingenieros de procesos y conocimiento tácito.

Cuando un país deslocaliza la producción, no solo pierde fábricas. Con el tiempo pierde los bienes comunes circundantes, porque los proveedores, fabricantes de herramientas e ingenieros de procesos cualificados se degradan o se reubican una vez que ya no existe demanda local que los mantenga vivos. Una vez que los bienes comunes desaparecen, ninguna empresa individual ni ningún subsidio puede reconstruirlos rápidamente, porque una sola fábrica repatriada no tiene proveedores locales, no tiene fabricantes de herramientas locales, no tiene una reserva local de ingenieros de procesos con experiencia y, por tanto, no tiene ninguna de las economías externas marshallianas que hicieron eficiente al clúster en primer lugar.

Por eso repatriar una categoría de hardware comoditizada es tan difícil y tan caro. La ventaja que el repatriador intenta recrear nunca estuvo dentro de la fábrica. Estaba en el ecosistema alrededor de la fábrica, y ese ecosistema ya no está en casa. El foso no se trasladó a China porque las empresas chinas sean individualmente mejores. Se trasladó porque se trasladaron los bienes comunes, y un bien común es un activo colectivo que la acción individual no puede reconstruir.

La conclusión macro para el hardware es exactamente paralela a la del software. En el momento en que las especificaciones de un producto físico se conocen, el ecosistema de fabricación hiperdenso puede replicarlo, optimizarlo para su fabricación y distribuirlo directamente con una estructura de costes que aniquila el margen del originador. El hardware independiente, defendido solo por la dificultad de la producción física, ha sido comoditizado, porque esa dificultad, para una amplia gama de bienes, ya no existe.

Parte Seis: El Colapso Secuencial y Sus Consecuencias Estratégicas

La gente suele analizar los dos colapsos por separado, y cronológicamente deberían hacerlo. El colapso del hardware llegó primero. La aglomeración china hizo que la defensibilidad del hardware basada en la producción fuera débil en toda la electrónica de consumo y en muchos bienes de complejidad media años antes de que las herramientas de codificación de IA generativa importaran. El colapso del software llegó después. El hecho real para un fundador hoy no es que empezaran juntos. Es que ahora ambas condiciones están presentes en el mercado.

Las épocas anteriores todavía ofrecían una vía de escape. Cuando el software se volvía competitivo, el capital podía dirigirse hacia hardware defendible. Cuando el hardware se volvía competitivo, el capital podía dirigirse hacia software defendible. Los dos dominios eran refugios alternantes. Esa rotación ya no funciona. Los átomos puros ya perdieron su foso de producción, y los bits puros ahora están perdiendo el suyo. Ya no hay refugio de bits puros ni refugio de átomos puros. Este es el significado más profundo de la teoría del barbell de la que escribí el año pasado. El medio, donde una empresa dependía de que una dimensión fuera difícil, ha sido vaciado por ambos lados.

Consecuencia de Primer Orden: Presión Deflacionaria Generalizada

Cuando el coste marginal del software se aproxima a cero y el coste efectivo de la reproducción física se aproxima al suelo hipereficiente del clúster, la competencia empuja los precios en ambos dominios hacia esos suelos. Eso es desinflacionario para los consumidores y destructivo para los productores sin foso, y explica una paradoja que mucha gente nota: un progreso tecnológico enorme sentado justo al lado de márgenes comprimidos para las empresas que realmente hacen la producción. El progreso está siendo capturado por los consumidores y por los imitadores en lugar de por los innovadores, precisamente porque la apropiabilidad colapsó en ambos dominios.

Consecuencia de Segundo Orden: La Renta Migra a lo Largo de la Curva Sonriente

Stan Shih, fundador de Acer, propuso la curva sonriente alrededor de 1992. Si se representa el valor añadido frente a las etapas de producción en una cadena de valor manufacturera, se obtiene una forma parecida a una sonrisa. Ben Thompson la ha adaptado a la publicación, lo que muestra que la curva en realidad no trata de manufactura en absoluto. Aquí está la original:

Las etapas de Shih son estas:

• Alta valoración aguas arriba, es decir, diseño, marca y propiedad intelectual
• Un valle profundo en el centro, es decir, montaje y fabricación física, la etapa que se comoditiza con mayor facilidad
• Alta valoración aguas abajo, es decir, distribución, servicio y la relación con el cliente

El ascenso de China aplanó y comoditizó el centro de esa curva para el hardware. La IA generativa está ahora comoditizando el equivalente del centro para el software, que es el mero acto de escribir código. La instrucción que se sigue es idéntica en ambos casos: abandonar el centro comoditizado y moverse hacia los extremos de la sonrisa.

Pero los extremos son precisamente los activos del lado de la demanda y a nivel de sistema que ni la IA ni la densidad manufacturera pueden replicar barato. Aguas arriba eso significa datos propietarios, investigación y conocimiento de diseño. Aguas abajo eso significa marca, confianza, distribución, posición regulatoria y propiedad de la relación con el cliente y del resultado operativo.

Consecuencia de Tercer Orden: La Renta Se Mueve a las Costuras

Esta es la consecuencia que conecta el análisis con la estrategia. La renta duradera ha salido de cualquier dimensión individual y se ha movido hacia el acoplamiento entre dimensiones, y hacia activos que quedan totalmente fuera de la producción. Si el código puro es gratis y los átomos puros son baratos, entonces las fricciones que aún generan renta son las que viven en las costuras:

• El co-diseño estrecho de hardware personalizado con software personalizado, de modo que ninguno de los dos sea útil para un imitador sin el otro.
• Los datos propietarios generados al operar un flujo de trabajo físico real o regulado, que son escasos precisamente porque son un subproducto de hacer el trabajo y no algo que pueda copiarse.
• Las relaciones profundas, lentas de construir, y las acreditaciones regulatorias en industrias conservadoras, donde una copia más barata queda descalificada antes de que nadie siquiera la evalúe.
• La posición de principal, donde una empresa no vende una herramienta comoditizable sino que posee la operación, asume la responsabilidad, garantiza el resultado y captura tanto el conjunto completo de beneficios como el escape de datos exclusivo.

Estas son las fricciones que la IA y la aglomeración china son estructuralmente incapaces de disolver, porque no son fricciones de producción en absoluto. Son fricciones de confianza, de acceso físico, de regulación, de observación acumulada del mundo real y de propiedad operativa.

Parte Siete: Límites, Contraargumentos y Ser Honestos Sobre Ellos

Una tesis tan amplia tiene que someterse a pruebas de presión frente a sus objeciones más fuertes, porque una estrategia construida sobre una premisa exagerada fracasa exactamente donde la premisa era demasiado fuerte.

Objeción 1: El Software Generado por IA Todavía No Está al Nivel de Vanguardia

La primera objeción es que el software generado por IA todavía no es igual al software diseñado por expertos para los sistemas más complejos, de mayor fiabilidad o novedosos, y que aún existe una verdadera frontera de calidad entre la generación comoditizada y la ingeniería de vanguardia.

Esto es cierto y importa. El argumento de la comoditización se aplica con más fuerza al gran cuerpo del software de aplicaciones convencional cuya lógica está muy trillada. En la verdadera frontera, en algoritmos novedosos, en sistemas que exigen una fiabilidad o seguridad extremas, y en problemas sin precedente en los datos de entrenamiento, el juicio experto humano sigue obteniendo renta. Así que la afirmación precisa es que la IA colapsa el foso para la mayoría comoditizable del software, no que abole todo el valor del software.

Pero la dirección del viaje importa estratégicamente, porque la frontera que sigue siendo defendible es estrecha, se mueve constantemente y es una mala base para un negocio duradero a menos que esté anclada en uno de los fosos no productivos anteriores.

Objeción 2: El dominio chino es desigual y está políticamente disputado

La segunda objeción es que el dominio manufacturero chino es desigual entre categorías y ahora enfrenta serias fuerzas geopolíticas de contrapeso, incluidos aranceles, controles de exportación, relocalización impulsada por la seguridad nacional y una deliberada deslocalización amiga de las cadenas de suministro críticas.

Esto también es cierto. El argumento de la comoditización es más fuerte para la electrónica de consumo, los bienes mecánicos y los ensamblajes de complejidad media, y más débil en la cima absoluta de la pila tecnológica, más obviamente la fabricación avanzada de semiconductores, donde la intensidad extrema de capital y un puñado de proveedores irremplazables crean sus propios fosos. La política también puede volver a introducir artificialmente las fricciones que la aglomeración eliminó, mediante aranceles que elevan el costo puesto en destino del imitador o controles de exportación que le niegan insumos.

Pero esas fuerzas de contrapeso en realidad refuerzan la conclusión central en lugar de debilitarla, porque tanto el foso semiconductores sobreviviente como el foso de relocalización impulsado por políticas son, de nuevo, no fosos de hardware puro. Son fosos de escala extrema de capital, de posición de proveedor irremplazable, y de relación regulatoria y geopolítica. Son exactamente las fricciones de no producción, relación y posición hacia las que este informe dice que se ha desplazado la renta.

Objeción 3: ¿Por qué los grandes incumbentes siguen siendo tan rentables?

La tercera objeción es la sutil. Si tanto el software como el hardware están comoditizados, ¿por qué los mayores incumbentes tecnológicos siguen siendo extraordinariamente rentables?

La respuesta es que esos incumbentes nunca fueron defendidos realmente por software puro ni por hardware puro. Sus fosos reales son los efectos de red, el control de la distribución y de la atención, los datos propietarios a escala civilizatoria, el bloqueo del ecosistema y, en algunos casos, el arraigo regulatorio. El colapso descrito aquí no amenaza nada de eso y, en varios sentidos, lo fortalece, porque a medida que la producción pura se comoditiza, sube el valor relativo de los activos no productivos que los incumbentes ya poseen.

Esto es totalmente consistente con la tesis. La comoditización de la producción no aplana todo el beneficio. Lo redistribuye desde las empresas cuya única ventaja era que la producción era difícil, hacia las empresas que poseen las fricciones que la producción no puede tocar. Los incumbentes sobreviven porque nunca fueron negocios de una sola dimensión. Esa es la lección, no la excepción.

Parte Ocho: Síntesis y el puente hacia el foso moderno

Los dos colapsos de este informe son, en el fondo, el mismo mecanismo repitiéndose en dos dominios, no una sola línea temporal compartida. En ambos casos una clase de negocio obtenía una renta duradera porque producir era difícil, lento y caro. En ambos casos, una fuerza disolvente de fricciones, la IA generativa en el dominio digital y la aglomeración industrial hiperdensa en el físico, hizo que la producción fuera fácil, rápida y barata. En ambos casos, la renta que estaba defendida por la dificultad de producir se evaporó en el momento en que producir dejó de ser difícil.

La simetría es exacta, y notarla vale más que cualquiera de las dos mitades por sí sola, porque expone la ley general subyacente en ambas:

Cualquier foso que consista solo en la dificultad de hacer algo es temporal, y dura exactamente hasta que alguien descubre cómo hacer esa cosa fácilmente.

La consecuencia estratégica sigue directamente. Como ni los bits por sí solos ni los átomos por sí solos pueden resguardar un negocio, la defendibilidad tiene que ensamblarse a partir de las fricciones que sobrevivieron a ambos colapsos:

• La integración estrecha y cerrada entre hardware personalizado y software personalizado, de modo que el sistema no pueda desarmarse y clonarse pieza por pieza.
• Los datos propietarios, continuamente renovados, producidos como subproducto de operar un flujo de trabajo real, que no pueden copiarse porque tienen que ganarse mediante la operación.
• Las relaciones profundas, la confianza y la posición regulatoria de las industrias conservadoras, que ningún agente de codificación y ninguna fábrica de contratos puede generar.
• La decisión de operar como principal y no como proveedor, siendo dueño del flujo de trabajo y de su resultado para que toda la piscina de beneficios y todo el escape de datos queden capturados en lugar de venderse.

Una empresa moderna a escala de venture es defendible exactamente en la medida en que ensambla varias de esas fricciones sobrevivientes en un solo sistema operativo acoplado que mejora a medida que funciona. Todo lo que antes era un foso porque era difícil de construir ahora es una mercancía porque es fácil de construir. Lo que sigue siendo defendible es lo que es difícil de acceder, difícil de ganarse la confianza, difícil de obtener por la vía regulatoria y difícil de observar sin hacer el trabajo real.

El foso del futuro no está hecho de bits, y no está hecho de átomos. Está hecho de las costuras entre ellos, y de las relaciones y los datos ganados que nadie puede reproducir sin estar donde tú estás.

Conclusión del análisis

El paradigma de treinta años que trató al software como el motor fiable de beneficio defendible y al hardware como la mercancía de bajo margen no solo cambió. Sus dos supuestos fundacionales fueron falsados en secuencia. La aglomeración industrial china falsó primero el supuesto de que el hardware es difícil de iterar y fabricar. La IA generativa está falsando ahora el supuesto de que el software es difícil de producir y reemplazar.

Como ambos fosos se construyeron sobre todo sobre la dificultad de producir, y como esa dificultad fue el objetivo específico de ambas fuerzas disolventes de fricciones, ambos fosos colapsaron. La renta que antes iba a quien pudiera construir los bits o forjar los átomos ahora fluye hacia consumidores e imitadores, a menos que una empresa se haya anclado a una fricción que el colapso de la producción no pueda alcanzar.

Esas fricciones sobrevivientes, integración, datos operativos propietarios, relaciones de confianza, posición regulatoria y propiedad principal de un flujo de trabajo real, son donde fue a parar el valor duradero. Construir una empresa defendible en esta era significa negarse a depender de que una sola dimensión sea difícil, porque nada que sea solo difícil de hacer sigue siendo defendible una vez que hacerlo se vuelve fácil.

El foso moderno

Todo lo anterior es diagnóstico. Establece dónde fue la renta y por qué, pero se detiene en el nivel del principio, y un principio no te dice cómo se ve realmente una empresa construida sobre él. Esta mitad es la respuesta. Cubre de qué está hecha la defendibilidad ahora y cómo se ve ensamblada en un negocio real.

La mancuerna

Antes de las reglas de construcción, ayuda hacer explícita la mancuerna, ya que el análisis seguía apuntando a ella sin enumerar sus extremos. Lo expuse en 2025 en La teoría de la mancuerna del valor del software, donde concilié mi Teoría del Apalancamiento del Software Interno con la tesis de la abundancia. En la que la conclusión fue que el valor del software se está polarizando en dos grupos con un centro que se está colapsando.

En un extremo están los enormes primitivos fundacionales, modelos de base, infraestructura de cómputo, plataformas en la nube, chips e infraestructura central de IA. Estos están defendidos por la intensidad de capital, la economía de escala y la concentración de investigación a un nivel que una nueva venture básicamente no puede alcanzar. No son la oportunidad que estoy describiendo. Son el entorno en el que opera.

Google es el caso de techo. Combina modelos LLM, TPUs, infraestructura en la nube, Search, Android, YouTube, Maps, Chrome, distribución por defecto y datos propietarios a una escala que casi nadie puede tocar. Eso no lo convierte en un patrón de startup. Lo convierte en el polo superior de la mancuerna plenamente realizado. No puedes empezar ahí. Lo que Google demuestra es el mecanismo: que, cuando la producción se abarata, el valor duradero migra hacia el cómputo, la distribución, la infraestructura, los datos y la posición en el ecosistema, a los que un nuevo entrante no puede alquilarse casualmente para entrar. También hay que notar el límite. Google ejecuta la subasta. Normalmente no posee el resultado del anunciante. Por eso Waymo, y no Search, es el ejemplo más claro de posición principal más adelante.

En el otro extremo está el apalancamiento privado altamente específico. La propiedad profunda del flujo de trabajo, la automatización del mundo físico, los procesos regulatorios, el reemplazo de mano de obra experta, los datos operativos propietarios y la propiedad del resultado. Este extremo es alcanzable, y está defendido precisamente por las fricciones no productivas que el análisis identificó como sobrevivientes.

El centro peligroso es el software genérico. Es la aplicación web, el panel de control, la herramienta CRUD, el gestor de flujo de trabajo y la envoltura delgada sobre una API de modelo. Se ve comprimido desde arriba por los primitivos, que siguen absorbiendo en sí mismos la capacidad general, y desde abajo por el colapso del costo de construir cualquier cosa genérica. Un producto en el centro es fácil de construir, fácil de clonar, fácil de absorber por un incumbente como una función, y por lo general posee demasiado poco de la cadena de valor del cliente como para defender un precio.

El foso de cuatro factores

La defendibilidad hoy no proviene de una sola muralla alta. Proviene de entrelazar múltiples ventajas. Cuatro pilares distintos sobreviven al doble colapso de la producción de hardware y software. Una empresa moderna duradera necesita una vía creíble hacia al menos tres de ellos. No uno. Tres. Las dimensiones únicas ya no protegen a nadie, y no lo harán en el futuro.

Gran hardware

Gran software personalizado

El gran software personalizado no es SaaS genérico y no es una interfaz más agradable. Funciona dentro de un proceso físico o regulatorio específico, automatiza decisiones que tienen un peso económico real, coordina mano de obra o máquinas, y captura correcciones y casos límite a medida que ocurren. Observe qué lo hace defendible. No el código, que el análisis mostró que ahora es barato, sino su dependencia del acceso operativo, los datos propietarios y el conocimiento profundo del flujo de trabajo que un competidor no puede obtener clonando una interfaz. El software es difícil de copiar porque las cosas a las que está conectado son difíciles de alcanzar, no porque el software sea difícil de escribir.

Grandes relaciones

Las grandes relaciones están entre los fosos defensivos más duraderos en las industrias pesadas. Son completamente inmunes tanto a la mercantilización del hardware como a la del software. Incluyen la acreditación regulatoria, la confianza del cliente, el acceso de distribución a compradores conservadores y las asociaciones operativas de largo plazo. Esto se ve en sectores como defensa, salud, construcción e infraestructura. Los compradores en esos mercados nunca eligen un proveedor solo porque el software sea un poco mejor, y en muchos casos, ni siquiera si es 10 veces mejor. Compran basándose en la confianza y el historial, la fiabilidad, la responsabilidad, el cumplimiento y la prueba. Por lo general, una copia más barata queda descalificada antes de que alguien la evalúe. Las relaciones requieren tiempo, reputación y un historial de ejecución real. Ni los agentes de IA ni una línea de ensamblaje de Shenzhen pueden fabricar confianza de la noche a la mañana.

Datos únicos

Los datos únicos son lo más importante de los cuatro y lo que más a menudo la gente interpreta mal. No todos los datos son valiosos, y los datos genéricos extraídos de la web se acercan a no valer nada como foso defensivo hoy en día. Los datos que importan son privados, tácitos y de nivel experto, específicos del mundo físico y del flujo de trabajo, generados a partir de operaciones reales, y llenos de los casos límite, correcciones y fallos que nunca aparecen en ningún corpus público. Usted no puede comprar este tipo de datos, y no puede extraerlos. Se producen exclusivamente como subproducto de ejecutar una operación en vivo a través de un bucle cerrado de cuatro etapas:

1. Observación
2. Decisión
3. Acción
4. Resultado

Este bucle es también donde los cuatro factores empiezan a reforzarse entre sí. El hardware observa y actúa, el software decide y coordina, las relaciones dan acceso al flujo de trabajo, y los datos únicos se acumulan a partir de los resultados.

La mayoría de las empresas capturan solo la primera etapa de este flujo de datos. El foso defensivo necesita las cuatro, lo que significa que usted sabe no solo qué ocurrió, sino qué decisión se tomó en respuesta, qué acción se llevó realmente a cabo y si el resultado funcionó. Esa cuarta etapa, el resultado verificado, es lo que hace que los datos sean entrenables y lo que hace que la ventaja se acumule. Cada trabajo completado mejora el sistema que realiza el siguiente trabajo, que es la única forma de ventaja en todo este documento que crece en lugar de erosionarse.

Cuándo los bucles se acumulan y cuándo se estancan

El bucle cerrado suena inevitable en abstracto. En la práctica, la mayoría de los intentos de construir uno fracasan. El bucle es una afirmación, no una ley, y tiene modos de fallo específicos que es más útil entender que el caso de éxito.

• Los datos se saturan: El valor de los datos acumulados sigue una curva de rendimientos decrecientes. En aprendizaje profundo, Sun et al. encontraron que el rendimiento en tareas de visión aumentaba logarítmicamente con el volumen de datos de entrenamiento, lo que significa que cada duplicación del conjunto de datos compra otro incremento, no otro milagro. Las primeras mil ejecuciones le enseñan más. Las siguientes diez mil enseñan menos. Las siguientes cien mil no enseñan casi nada nuevo. Un competidor que empiece más tarde a menudo puede alcanzar el 90 por ciento de su rendimiento con una fracción de los datos históricos, cerrando la brecha más rápido de lo que sugieren las cifras brutas.

• Es posible que los datos no sean suyos para usarlos: Usted genera datos propietarios a través del flujo de trabajo, pero si su contrato dice que el cliente los posee y usted no puede agruparlos entre despliegues, usted tiene cincuenta silos de datos separados, no un solo motor de acumulación. En la capa de plataforma, OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock y Google Vertex AI les dicen a los clientes empresariales que sus entradas y salidas no se usan para entrenar modelos fundacionales por defecto. Eso es bueno para los clientes y una advertencia para los proveedores. El aprendizaje entre clientes solo se acumula si el contrato lo permite. La legislación de privacidad añade otra restricción, porque la limitación de la finalidad del RGPD, los derechos de supresión, las reglas de desidentificación de HIPAA y las reglas de CCPA/CPRA sobre compartir para publicidad conductual entre contextos hacen que el uso secundario de los datos sea más difícil. Esto destruye más fosos defensivos reales de IA que la competencia.

• El flujo de trabajo cambia más rápido de lo que mejora el modelo: En dominios operativos de cambio rápido, los datos tienen una vida media medible. Como mostraron Valavi et al. en una investigación de la Harvard Business School, una gran reserva histórica de datos crea una barrera de entrada débil. Un entrante equipado con un flujo más pequeño de datos frescos y recientes a menudo puede construir un modelo más preciso que un incumbente sentado sobre años de datos heredados, especialmente cuando los datos obsoletos degradan activamente la precisión. Un estudio de informática clínica encontró esto directamente, donde la vida media de los datos de predicción de pedidos de pacientes hospitalizados era de aproximadamente cuatro meses, y un mes de datos recientes superaba a doce meses de datos más antiguos. En fabricación, la deriva de sensores, el desgaste de herramientas, los rediseños de procesos y los cambios de esquema significan que los modelos entrenados con datos históricos de planta están razonando sobre una planta que ya no existe. Esto no es universal. Los procesos regidos por la física, las tablas actuariales, los datos geológicos y otros dominios de lento movimiento pueden mantener útiles los datos antiguos durante mucho tiempo. Si el flujo de trabajo cambia más rápido de lo que el modelo mejora, sus datos históricos se convierten en peso obsoleto más que en una ventaja.

• El costo es la barrera, y la barrera es el costo: Poseer flujos de trabajo del mundo real exige mucho capital, mucha mano de obra y márgenes más bajos que el software puro. Tesla informó un margen bruto GAAP total de alrededor del 18 por ciento en 2025 a pesar de la integración vertical. Intuitive Surgical informó una base instalada de da Vinci de 11.106 sistemas y un margen bruto no GAAP del 67,6 por ciento en 2025, tras décadas de capital, formación de cirujanos y volumen de procedimientos. El gasto que mantiene fuera a los competidores también impide que la mayoría de los entrantes construyan algo que valga la pena defender. Muchos intentos fracasan en la economía unitaria mucho antes de que el bucle se acumule.

Lo que separa los bucles que realmente se acumulan de los que son falsos fosos defensivos:

• Los datos están vinculados al resultado, lo que significa que usted sabe si el resultado fue correcto o incorrecto en lugar de limitarse a recopilar señales.
• Contractualmente, los datos son suyos para usarlos en distintos despliegues.
• El flujo de trabajo es lo bastante estable como para que los datos históricos sigan siendo relevantes.
• Cada ejecución genera nuevos casos límite, no más de lo mismo.
• La frecuencia es lo bastante alta para que el aprendizaje se acumule antes de que el flujo de trabajo muta.

Esta tesis es incorrecta si cualquiera de las siguientes afirmaciones es verdadera:

• Un competidor puede adquirir datos equivalentes mediante scraping, generación sintética, aprendizaje por transferencia o una compra única.
• El cliente posee los datos contractualmente y usted no puede agruparlos entre despliegues.
• El flujo de trabajo muta más rápido de lo que mejora el modelo, de modo que los datos acumulados describen un sistema que ya no existe.
• El valor de los datos se satura dentro de las primeras N ejecuciones, lo que significa que la ventaja es fija, no acumulativa.
• El costo de poseer el flujo de trabajo supera el valor de los datos que genera.

Si esas condiciones se cumplen, el bucle no es un foso defensivo. Es un proyecto de ingeniería costoso con una ventaja temporal. Como argumentó a16z en 2019, la mayoría de las ventajas de datos son efectos de escala con rendimientos decrecientes, no efectos de red mágicos. Eso era cierto antes de la ola actual de IA. Sigue siendo cierto ahora.

Modelos de negocio construidos sobre el foso moderno

Los cuatro factores describen de qué está hecho el foso. La siguiente pregunta es qué tipo de modelo de negocio puede realmente capturarlo. En la práctica, la respuesta se aleja de vender herramientas y se orienta a poseer el propio flujo de trabajo.

Principal, no proveedor

La decisión de mayor apalancamiento en todo el marco es rechazar la posición de proveedor.

Una jugada de proveedor significa vender una herramienta a la organización que ya posee el flujo de trabajo. Parece atractiva porque requiere poco capital y, en teoría, es escalable, pero entrega todas las fuentes de apalancamiento al cliente. El operador conserva la relación con el cliente, el proceso físico, los datos operativos, el presupuesto, la responsabilidad y el resultado final. El proveedor conserva una capa de software encima de todo eso. La startup captura una pequeña fracción del valor que crea, el cliente exige integraciones personalizadas hasta que el producto deriva hacia los servicios, el operador puede ver la herramienta en funcionamiento y luego reemplazarla por una construcción interna que ahora es dramáticamente más barata de producir, y como el operador posee los mejores datos, el modelo del proveedor nunca compone. Los márgenes permanecen limitados. Esto es especialmente peligroso en las industrias físicas, donde los proveedores de software degradan de forma fiable hasta convertirse en consultores glorificados.

La posición más fuerte es convertirse en el principal, poseer la operación, la responsabilidad, la acreditación, el flujo de trabajo o la propia responsabilidad legal. En lugar de vender software a quien sea que realiza el trabajo, la empresa realiza el trabajo o garantiza su resultado. Eso invierte todas las desventajas anteriores. La empresa captura el margen completo en lugar de una tajada de licencia, posee el resultado del cliente y por lo tanto la relación, y posee los datos porque sus propias operaciones los generan. No puede ser desintermediada por el operador porque es el operador, y construye verdadera experiencia operativa en lugar de comprensión de segunda mano.

El principio se comprime en una sola instrucción:

No vendas la herramienta. Vende el resultado terminado.

En la práctica esto se manifiesta como una reencuadración consistente de cualquier idea de proveedor en su versión principal:

Esta decisión importa más que cualquier otra en el marco, porque decide quién posee los datos, y la propiedad de los datos decide si la ventaja compone o se degrada.

El servicio como servicio

La posición principal implica un modelo de entrega que luce diferente del software convencional, y vale la pena nombrarlo, porque al principio parece un negocio peor para cualquiera formado en márgenes SaaS.

Este modelo tiene algunos nombres en circulación. YC, a16z y otros lo han llamado service-as-software, y la tesis de rollup habilitado por IA es una pariente cercana. Prefiero servicio como servicio porque mantiene el énfasis en lo que el cliente realmente recibe.

El cliente no debería tener que usar el software para que el trabajo se haga. La empresa debería usar software, IA, trabajo humano, hardware y operaciones juntos para entregar el trabajo terminado. El software es apalancamiento interno, no el producto.

La secuencia es deliberada. Comienza haciendo el trabajo manualmente, o con humanos en el circuito. Usa software para hacer ese trabajo humano más rápido, más consistente y más medible. Captura cada entrada, decisión, corrección, caso límite y resultado. Luego usa los datos acumulados para automatizar cada vez más del flujo de trabajo, convergiendo hacia un proveedor de servicios automatizado con márgenes y defensibilidad que el software convencional no puede igualar.

Esto difiere de la consultoría en una diferencia decisiva. La consultoría vende trabajo personalizado a cada cliente para siempre, y cada compromiso no deja detrás nada reutilizable. El servicio como servicio usa deliberadamente el trabajo humano inicial como el instrumento para construir el sistema de automatización, y cada compromiso deja detrás datos que hacen el siguiente más barato.

Pero hay que tener cuidado y estar atento a una trampa en este tipo de modelo. Si cada nuevo cliente requiere integraciones personalizadas, limpieza de datos personalizada, mapeo de flujo de trabajo personalizado y ajuste de modelo personalizado, la empresa es una consultoría que aún no lo ha admitido. La fase de humanos en el circuito está bien, y a menudo es necesaria, pero solo con la condición de que produzca datos propietarios y converja hacia una automatización escalable. Si los humanos siguen haciendo el mismo trabajo al mismo costo por unidad después de cincuenta trabajos, el modelo ha fracasado.

El Stargate para los datos

La IA está pasando de un cuello de botella de cómputo a un cuello de botella de datos. Las empresas de IA más valiosas del próximo período no serán las que tengan los datos más genéricos, que son abundantes y por lo tanto no exigen renta, exactamente por la lógica de la primera mitad. Serán las que posean datos operativos raros, privados y de alta calidad que no puedan obtenerse de ninguna otra manera que no sea haciendo el trabajo.

La frase Stargate para los datos está tomada de Stargate de OpenAI, la anunciada construcción de cómputo de varios cientos de miles de millones de dólares, y el préstamo es el punto. Si el recurso escaso del último ciclo justificó infraestructura planificada a esa escala, el siguiente merece el mismo tratamiento. El objetivo no es acumular un conjunto de datos. Es construir una máquina que fabrique datos propietarios continuamente como subproducto de entregar un servicio.

La distinción que importa en este caso es que el objetivo no es recopilar datos por sí mismos, lo que produce lagos caros de material inutilizable. El objetivo es poseer el bucle operativo que produce exactamente los datos necesarios para automatizar ese bucle.

La computadora de átomos

Los cuatro factores describen una estructura. La computadora de átomos describe para qué sirve esa estructura, y es la visión a largo plazo que hace que todo el ejercicio valga la pena.

No se me ocurrió esta idea y quiero dejar eso claro de entrada. El marco es de Travis Kalanick. Después de ser expulsado de Uber en 2017, pasó ocho años construyendo City Storage Systems en secreto, y en marzo de 2026 la rebautizó como Atoms y publicó una carta de visión en la que lo expone todo. Su formulación es que abordas los problemas del mundo físico de la misma manera que abordarías los problemas de software, y que los recursos informáticos centrales tienen analogías físicas donde la CPU es la fabricación, el almacenamiento es el bienes raíces y la red es el transporte. En un evento de lanzamiento de a16z, Kalanick definió la empresa en torno a la IA industrial, usando software, sensores, robótica e IA para automatizar operaciones en sectores industriales enteros, empezando por la alimentación, la minería y el transporte. Lee su carta. Es mejor que mi resumen, y algunas de sus conclusiones llegan al mismo lugar que este documento desde una dirección distinta.

A medida que la IA se vuelve más capaz, su restricción vinculante se está desplazando. El límite ya no es solo la calidad del razonamiento. Es la interacción con la realidad física. Un modelo puede producir texto, código, imágenes y planes de alta calidad y aun así ser incapaz de hacer de forma fiable cualquier cosa en un entorno real desordenado, no estructurado y con consecuencias. Las computadoras tradicionales dieron a la inteligencia un sustrato para manipular bits. La oportunidad ahora es construir el sustrato equivalente para los átomos, creando sistemas que detecten el mundo físico, interpreten condiciones reales desordenadas, decidan, actúen, verifiquen resultados y aprendan de la retroalimentación, todo bajo restricciones físicas, regulatorias y económicas reales. Esa última cláusula es la difícil, y es por eso que esto es una oportunidad de negocio en lugar de un proyecto de investigación. Operar bajo restricción regulatoria y económica es exactamente lo que no puede clonarse, y es exactamente lo que genera los datos de circuito cerrado que el cuarto factor necesita.

En un punto Kalanick y yo estamos completamente de acuerdo, y él lo dice mejor que yo. Su término es robots con empleo remunerado, es decir, máquinas especializadas con un trabajo productivo específico, en oposición a humanoides construidos para imitarnos. Su ejemplo es que si necesitas hacer mil panqueques por hora, un humanoide dándoles la vuelta torpemente es el peor diseño posible y una máquina hecha para ese propósito es la obvia. Así que el enfoque correcto no es construir un robot de propósito general. Es encontrar una cuña estrecha donde el ciclo de percibir, decidir, actuar pueda desplegarse dentro de un flujo de trabajo real con valor económico inmediato claro, y hacer que ese ciclo funcione de extremo a extremo antes de ampliarlo.

La empresa de corto plazo debería ser tan estrecha que parezca poco ambiciosa. El techo de largo plazo es la razón para aceptar esa estrechez.

Un ejemplo trabajado

El marco es abstracto, así que ayuda recorrer una idea a través de él. Esto es solo una ilustración de los criterios en uso, no la única conclusión que el marco impone.

Tome la inspección especial de construcción y las pruebas de materiales. La versión de proveedor vende software a las agencias y laboratorios que ya poseen el flujo de trabajo. La versión principal se convierte en la agencia y el laboratorio. Posee la acreditación, realiza las inspecciones y asume la responsabilidad regulatoria. Internamente, utiliza software, hardware e IA para entregar resultados certificados más rápido, más barato y de forma más confiable que los incumbentes.

Esa forma alcanza los cuatro factores. Es física, porque trata con sitios, muestras, instrumentos y mediciones del mundo real. Tiene fosos relacionales y regulatorios, porque los compradores necesitan resultados aceptados por las autoridades con jurisdicción, no un panel más bonito. Posee el resultado, porque vende resultados certificados en lugar de herramientas. Y genera datos operativos propietarios como subproducto del trabajo, incluidos resultados de pruebas, modos de falla, propiedades de materiales, correcciones de expertos y los vínculos entre las condiciones físicas y los resultados finales.

También comienza estrecha, lo que sigue la lógica clásica de las startups que Paul Graham y YC han defendido durante años. Empiece con una cuña aguda, pero asegúrese de que la cuña pertenezca a un problema grande y doloroso. No hace falta automatizar la inspección de construcción como industria desde el primer día. El punto de entrada puede ser un tipo de inspección, una prueba de material, una geografía o un flujo de trabajo de cumplimiento. A partir de ahí, el software estandariza el trabajo, los humanos producen los primeros datos y la automatización se expande solo donde realmente el ciclo se compone.

Los riesgos son exactamente los que predice el marco. Los plazos de acreditación condicionan los ingresos, las operaciones son pesadas antes de que la automatización madure, y la trampa de los servicios es real si cada proyecto resulta ser a medida. Ese es el punto del marco. No hace que el negocio sea fácil. Le dice dónde deberían estar las partes difíciles.

Empresas que ya se parecen a esto

Es más fácil confiar en el marco si describe cosas que ya existen en lugar de solo cosas que me gustaría que existieran.

Anduril es cuatro de cuatro. Hardware personalizado en drones, torres de sensores, interceptores y vehículos submarinos. Software personalizado en Lattice, sobre el que funciona cada pieza de ese hardware. Relaciones y posición regulatoria que ningún agente de codificación puede generar, ya que el cliente es el gobierno de EE. UU. y sus aliados. Datos operativos de sistemas desplegados que retroalimentan el software. Dos detalles importan más que la lista de productos. Financia su propia I+D y construye el producto antes de venderlo dentro de una línea presupuestaria existente, invirtiendo el modelo de costo más margen sobre el que operan los grandes contratistas tradicionales. Anduril es privada y no publica márgenes auditados, pero estimaciones secundarias sitúan su margen bruto en torno al 40 al 45 por ciento. Eso es inusualmente alto para hardware de defensa, donde las empresas aeroespaciales y de defensa promedian aproximadamente un margen bruto del 17.5 por ciento en los datos sectoriales de NYU Stern. La cifra exacta importa menos que la estructura. Un modelo integrado verticalmente, de precio fijo y definido por software parece obtener una mejor economía que la integración de plataformas tradicional de costo más margen.

Intuitive Surgical es la versión más antigua y silenciosa de la misma estructura. El sistema da Vinci combina hardware que no vale nada sin su software, autorizaciones de la FDA que ningún competidor puede atajar, dos décadas de relaciones con hospitales y datos de procedimientos de millones de operaciones. Cumple cuatro de cuatro, se compone de forma continua y ha estado ejecutando esta estrategia desde su autorización inicial en 2000, mucho antes de que nadie lo llamara IA física.

Kraken Robotics es la que encuentro más instructiva, en parte porque pocos fuera de la tecnología marina la conocen. Construye sonar de apertura sintética, la plataforma remolcada KATFISH, baterías submarinas y LiDAR subacuático. Ninguno de esos equipos es útil sin el software de imágenes propietario que los envuelve. Entre sus clientes se encuentran armadas alineadas con la OTAN. Eso es confianza y regulación al nivel más alto, porque una marina no cambiará de proveedor de sonar por una copia más barata. Lo crucial es que Kraken no solo vende equipos. Ejecuta estudios como servicio, lo que significa que cada trabajo produce inteligencia del lecho marino que nadie más posee. Esa última decisión es todo el marco en miniatura. Una empresa de hardware se dio cuenta de que los datos valían más que la caja, y pasó a la posición principal para quedárselos.

SpaceX y Waymo son apuestas puras de principal. SpaceX no vende cohetes. Vende cargas útiles entregadas. Waymo no licencia software de autonomía a fabricantes de automóviles. Vende viajes completados. En ambos casos, la empresa rechazó la posición de proveedor, absorbió la responsabilidad operativa y se quedó con los datos. Waymo también tiene un foso regulatorio que llega una jurisdicción a la vez. Esa expansión es lenta, y precisamente por eso es defendible.

Carbon Robotics es el caso parcial útil. Su LaserWeeder elimina malezas usando visión por computadora y láseres de alta potencia. En febrero de 2026, la empresa declaró que su Large Plant Model había sido entrenado con más de 150 millones de plantas etiquetadas, recopiladas en aproximadamente un centenar de granjas en quince países. Ese es el motor de datos funcionando como se describe, generado como subproducto operativo y no como iniciativa separada. Pero también señalaría la vulnerabilidad de esta configuración. Carbon vende equipos a los agricultores, permaneciendo como proveedor en lugar de principal. Tiene éxito porque los datos siguen fluyendo de regreso a su modelo central, lo que hace que la posición de proveedor sea viable. Si los productores llegaran a poseer esos datos de la flota, el foso desaparecería.

Nokia es a la vez la advertencia histórica y un caso de prueba emergente. En 2007, controlaba casi el 50 por ciento del mercado mundial de teléfonos inteligentes con el mejor hardware, escala de fabricación y cadena de suministro en telefonía móvil. Ejecutó mejor que nadie en una sola dimensión y colapsó porque carecía de una plataforma de software. La Nokia de hoy está intentando exactamente la estrategia multifactor descrita aquí. Como Michael Sikand explica en este desglose en video, la empresa pasó más de una década girando desde los aparatos de consumo para combinar silicio óptico integrado verticalmente, relaciones arraigadas con operadores y defensa, y computación de borde habilitada por IA. La vieja Nokia demostró que el hardware aislado es una ventaja temporal. Bueno, la nueva Nokia está intentando demostrar que el hardware unido a la confianza institucional y la infraestructura de software crea un foso duradero.

Ninguna de estas empresas se parece en la superficie, pero todas apuntan a la misma lección. Los negocios más duraderos ganaron algo lento, como una acreditación, una flota de sensores desplegada, la confianza de los cirujanos, la confianza naval, la aprobación regulatoria o una década de datos operativos. Ninguna llegó allí solo escribiendo mejor código, y ninguna puede ser alcanzada por alguien que sí lo haga.

La estrechez es el requisito de entrada

También todas empezaron pequeñas. Las empresas que ganan no comienzan intentando poseer todo el ciclo, y intentarlo es el error más común. El ciclo solo se compone si está lo suficientemente integrado en un flujo de trabajo para generar datos ligados al resultado que los competidores no pueden adquirir de ninguna otra manera. La exposición superficial a muchos flujos de trabajo produce datos superficiales que se saturan rápidamente.

El patrón se mantiene a lo largo de los operadores y más allá de ellos. Anduril comenzó con protección de fuerzas y sistemas contra drones antes de escalar la producción y capacidades adyacentes. Intuitive Surgical comenzó con procedimientos laparoscópicos específicos y construyó la formación de cirujanos y el volumen de procedimientos durante décadas antes de expandirse a través de especialidades. SpaceX comenzó con un vehículo de lanzamiento reutilizable antes de expandirse a Starlink. Tesla comenzó con una cuña estrecha de VE premium (el coche deportivo Roadster ) y utilizó la flota para datos y aprendizaje de fabricación antes de pasar a modelos de volumen, energía y autonomía. Palantir comenzó con flujos de trabajo de inteligencia específicos para agencias específicas antes de expandirse al ámbito comercial. En todos los casos, la entrada estrecha no fue un compromiso. Fue el mecanismo que hizo que el bucle se compusiera.

El punto de entrada es estrecho a propósito. Un flujo de trabajo, un tipo de cliente, un flujo de datos que es difícil de replicar. Construyes el bucle alrededor de ese flujo de trabajo hasta que los datos se compongan y la relación se profundice, luego te expandes a flujos de trabajo adyacentes donde los mismos datos, las mismas relaciones y la misma disciplina operativa te dan una ventaja que un nuevo entrante no puede igualar. Empezar amplio es cómo terminas con un montón de datos que no se compone. Un competidor que comienza hoy no está persiguiendo una ventaja fija. Está persiguiendo una que se extiende cada vez que se completa un trabajo, pero solo si el trabajo es lo suficientemente estrecho, lo suficientemente profundo y se repite lo suficiente como para que los datos realmente importen.

Conclusión

La primera mitad de este documento estableció una ley general. Cualquier foso que consista únicamente en la dificultad de hacer algo es temporal, y dura exactamente hasta que alguien hace que esa cosa sea fácil de hacer. La aglomeración industrial china le hizo esto al hardware al reducir los costos de transacción y la latencia de iteración dentro de un clúster hiperdenso. La IA generativa le está haciendo esto al software al reducir el costo de su insumo escaso. El hardware se abatió primero y el software lo siguió después, pero para un fundador que construye hoy, ninguno de los dos refugios es fiable.

La segunda mitad convirtió esa ley en una respuesta. Si la dificultad de producción ya no defiende nada, entonces la defendibilidad tiene que ensamblarse a partir de las fricciones que el colapso de la producción no puede alcanzar. Entre ellas están el acceso físico, los datos operativos en bucle cerrado, la posición regulatoria, la confianza ganada y la propiedad del propio resultado. Por eso los cuatro factores piden tres de cuatro en lugar de uno, por eso la posición principal importa más que cualquier otra decisión individual, y por eso los datos tienen que ser un subproducto operativo en lugar de un activo recopilado.

Se comprime en una sola frase central.

En la era de la IA, las mejores empresas no serán herramientas genéricas de software ni productos de hardware copiables. Serán negocios principales estrechos, impulsados por resultados que combinen software, flujos de trabajo físicos, relaciones de confianza y datos operativos propietarios para automatizar trabajo del mundo real de alto valor.

Para un fundador, la pregunta ya no es “¿qué software puedo construir?” sino ¿qué resultado valioso del mundo real puedo poseer, ejecutar, medir y automatizar?

Las oportunidades más fuertes están donde el software se encuentra con átomos, confianza, regulación y datos propietarios. Comienzan con un flujo de trabajo estrecho y doloroso, usando humanos cuando es necesario. Capturan datos operativos como subproducto del trabajo, automatizan paso a paso y se componen en sistemas difíciles de desplazar. La ventaja es duradera precisamente porque se ganó a través de la operación física en lugar de escribirse en código.

El objetivo final no es construir un producto. Es construir una empresa operativa con escalabilidad similar al software, defendibilidad en el mundo físico y datos propietarios que mejoran con cada trabajo completado.

Todo lo que solía ser un foso porque era difícil de construir se está convirtiendo en una mercancía. Construir algo es más fácil que nunca y, a medida que avancen la IA y las cadenas de suministro globales, solo será más fácil. Lo que sigue siendo defendible es lo que es difícil de acceder, difícil de ganar en confianza, difícil de alcanzar por la vía regulatoria y difícil de observar sin hacer el trabajo real.

Citas y fuentes

Quiero ser explícito sobre de dónde vienen las partes prestadas, porque gran parte de este documento consiste en conectar el trabajo de otras personas en lugar de inventar algo. Las cosas que realmente reclamaría como mías son la regla de los cuatro factores, el estándar de tres de cuatro y el argumento específico de que los dos colapsos comparten el mismo mecanismo subyacente aunque ocurrieran en secuencia. Las cifras se mueven, así que compruébalas antes de citarme.

Mío, de escritos anteriores

• La campana de valor del software (2025), donde expuse por primera vez el centro que se colapsa y la Teoría del Apalancamiento del Software Interno. La segunda mitad aquí es la versión operativa de esa publicación.

El ordenador de los átomos

• Travis Kalanick, Visión, Asuntos pendientes y Cómo la IA transformará el mundo físico, Atoms y a16z, 2026. El marco del ordenador basado en átomos, el mapeo de CPU/almacenamiento/red sobre fabricación/inmuebles/transporte, el bucle entender-predecir-controlar, la IA industrial y los robots con empleo remunerado son todos suyos. Esa sección es mi resumen de su idea, no mi idea.
• Ben Horowitz y Alex Danco, Travis ha vuelto, a16z, 2026.

La economía

• Atlassian, resultados del segundo trimestre del ejercicio fiscal 2025, para márgenes brutos maduros de SaaS horizontal en el rango de los bajos ochenta por ciento.
• Snowflake, resultados del ejercicio fiscal 2025, para el contraejemplo de que el software intensivo en consumo puede operar materialmente por debajo de los márgenes brutos clásicos de SaaS.
• Michael Porter, cinco fuerzas, 1979, para la taxonomía de las fuentes de renta en la Parte Uno.
• David Teece, Aprovechar la innovación tecnológica, 1986, para el problema de apropiabilidad en la Parte Tres.
• Alfred Marshall, Principios de economía, 1890, para las economías externas y la aglomeración en la Parte Cinco.
• Ronald Coase, La naturaleza de la firma, 1937, para los costos de transacción en la Parte Cinco.
• Theodore Wright, 1936, y Boston Consulting Group, para la curva de experiencia en la Parte Cinco.
• Stan Shih, la curva sonriente, alrededor de 1992. Su diagrama original está en Wikimedia Commons, y Editores y la curva sonriente de Ben Thompson es la mejor ampliación de ella que he leído.
• Gary Pisano y Willy Shih, Restablecer la competitividad estadounidense, Harvard Business Review, 2009, para los bienes comunes industriales y por qué es difícil la relocalización.
• Andrew “bunnie” Huang, El hacker de hardware, para el relato de primera mano de cómo se siente realmente trabajar dentro de la densidad de Shenzhen.
• OMC, Adhesiones: China, para contexto sobre la integración de China en el sistema comercial global.
• Banco Mundial, valor añadido manufacturero, para contexto sobre la escala de la manufactura china en relación con Estados Unidos.

La mecánica de las startups

• Paul Graham, Haz cosas que no escalan y Cómo obtener ideas para startups, para la cuña estrecha.
• Tesla, El secreto del plan maestro de Tesla Motors, 2006, para la lógica de la cuña del Roadster hacia el coche asequible.
• Palantir, declaración de registro S-1, 2020, para el patrón de expansión de gobierno a comercial.
• Historia de la empresa SpaceX y divulgaciones de Starlink, a través de SpaceX y Starlink, para el lanzamiento como la cuña inicial antes de una infraestructura espacial más amplia.

Codificación de IA y producción de software

• GitHub, Introducción a GitHub Copilot, 2021, y disponibilidad general de GitHub Copilot, 2022, por el inicio práctico de la asistencia comercial de codificación con IA.
• OpenAI, Informe técnico de GPT-4, 2023, y Anthropic, Claude 3.5 Sonnet, 2024, como contexto sobre la aceleración de las capacidades de los modelos.
• Peng et al., El impacto de la IA en la productividad de los desarrolladores, 2023, por el resultado controlado de GitHub Copilot en el que los desarrolladores completaron una tarea de codificación acotada un 55.8 por ciento más rápido.
• Cui et al., Los efectos de la IA generativa en el trabajo altamente cualificado, 2025, por el resultado del estudio de campo en 4,867 desarrolladores que mostró un 26.08 por ciento más de tareas completadas.
• METR, Midiendo el impacto de la IA de principios de 2025 en la productividad de desarrolladores experimentados de código abierto, 2025, por el contraejemplo en el que los desarrolladores experimentados fueron un 19 por ciento más lentos con herramientas de IA en repositorios maduros.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, y OpenCode, por el cambio del autocompletado al acceso agentivo al repositorio y al terminal.
• Conductor, Superset, y Hermes Agent, por la capa de orquestación por encima de las herramientas de codificación de un solo agente.

Los modos de fallo del foso de datos

• Sun et al., Revisiting Unreasonable Effectiveness of Data in Deep Learning Era, ICCV 2017, por el hallazgo empírico de que el rendimiento en tareas de visión mejora logarítmicamente con el volumen de datos de entrenamiento.
• Martin Casado y Peter Lauten, La promesa vacía de los fosos de datos, a16z, 2019, por el argumento de que los efectos de escala de los datos suelen erosionarse en lugar de compundirse.
• Valavi et al., El tiempo y el valor de los datos, Documento de trabajo de Harvard Business School 21-016, 2021, por la distinción entre stock de datos y flujo de datos, y el hallazgo de que los datos obsoletos pueden perjudicar la precisión del modelo.
• Chen et al., Disminución de la relevancia de los datos clínicos hacia decisiones futuras en conjuntos de órdenes clínicas hospitalarias impulsadas por datos, International Journal of Medical Informatics, 2017, por la vida media de aproximadamente cuatro meses de los datos de predicción clínica.
• OpenAI Privacidad empresarial, Anthropic Términos comerciales, Microsoft Azure OpenAI privacidad de datos, AWS Bedrock FAQ, y Google Vertex AI gobernanza de datos, por compromisos predeterminados de no entrenamiento sobre entradas y salidas de clientes empresariales.
• European Data Protection Board, Dictamen 28/2024 sobre modelos de IA, RGPD artículo 5 y artículo 17, normas de desidentificación de HIPAA, y normas CCPA/CPRA, por restricciones de la ley de privacidad sobre el uso secundario de datos, el borrado, la desidentificación y el intercambio.
• Lathrop GPM, Navegando la propiedad de IA en acuerdos comerciales y de licencias de PI, 2026, por la tensión contractual entre los compromisos de no entrenamiento y los derechos conservados de uso agregado o desidentificado.

Imágenes

• La curva sonriente de Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei en el cruce de Shennan, foto de Charlie fong, Wikimedia Commons, CC BY-SA.
• Matriz de moldeo por inyección, foto de Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Precios de módulos solares fotovoltaicos frente a la capacidad instalada acumulada, Our World in Data, CC BY 4.0. Gráfico recreado localmente a partir del conjunto de datos publicado.

Los ejemplos de la empresa

• Estimación del margen bruto de Anduril mediante Sacra. Anduril es privada y no publica márgenes auditados, por lo que esto se trata como una estimación y no como una cifra reportada. Referencia sectorial para los márgenes brutos de aeroespacial y defensa (aproximadamente 17.5 por ciento) tomada del conjunto de datos de márgenes de Aswath Damodaran de NYU Stern.
• Contexto de Alphabet y Google a través del Formulario 10-K FY2025 de Alphabet, combinado con United States v. Google LLC para los acuerdos de distribución por defecto de búsqueda, las ventajas de escala de búsqueda y el contexto antimonopolio.
• Carbon Robotics Large Plant Model y 150 millones de plantas etiquetadas a través del anuncio de Business Wire de febrero de 2026, con TechCrunch como corroboración.
• Historia de Intuitive Surgical y autorización de la FDA en 2000 mediante Historia de la empresa Intuitive. Volumen de procedimientos mediante el Informe de impacto corporativo 2025 de Intuitive, y base instalada / cifras de margen mediante su comunicado de resultados del cuarto trimestre de 2025.
• Cifras de margen de Tesla mediante su actualización del cuarto trimestre y del año fiscal 2025.
• Patrón de expansión regulatoria de Waymo mediante el Mapa regulatorio de robotaxis 2026 de Tesorb y la cobertura de Electrek sobre la aprobación de expansión de la CPUC.
• Pico y cronología de declive de Nokia en 2007 mediante BBC News y Wikipedia, con el estudio de Vuori y Huy de Administrative Science Quarterly / INSEAD para la dinámica organizativa detrás del colapso, y el desglose en video de Michael Sikand video breakdown para su giro moderno hacia la infraestructura.
• Detalles de OpenAI Stargate mediante el anuncio original de OpenAI y el anuncio de expansión del sitio. Estos son compromisos y planes anunciados, no capacidad totalmente desplegada.
• Kraken Robotics extraída de las propias divulgaciones de productos y contratos de la empresa.