خندق مدرن

خلاصهٔ خیلی کوتاه

خندق تعیین‌کنندهٔ کسب‌وکار در قرن بیست‌ویکم، یعنی نرم‌افزار خالص، با شتاب در حال فروپاشی است، زیرا هوش مصنوعی مولد هزینهٔ کدنویسی را به صفر می‌رساند؛ درست شبیه اینکه چگونه تجمع صنعتی چین از پیش خندق سخت‌افزار خالص را نابود کرد. دشواریِ صرفِ تولید دیگر از یک کسب‌وکار در هیچ‌یک از این دو حوزه محافظت نمی‌کند، بنابراین سود پایدار به درزها و شکاف‌های میان بیت‌ها و اتم‌ها مهاجرت کرده است. برای ساختن یک شرکت قابل‌دفاع امروز، بنیان‌گذاران باید مدلِ عمومیِ فروشندهٔ نرم‌افزار را کنار بگذارند و مانند یک اصل‌گذار عمل کنند که یک جریان کاری فیزیکیِ واقعی را از ابتدا تا انتها مالک است. با یکپارچه‌سازیِ تنگاتنگِ دست‌کم سه مورد از چهار عامل کلیدی (سخت‌افزار سفارشی، نرم‌افزار تخصصی، روابطِ به‌دست‌آمده، و دادهٔ مالکانه)، یک کسب‌وکار مدرن می‌تواند یک نتیجهٔ تضمین‌شده ارائه دهد و هم‌زمان دادهٔ حلقه‌بسته‌ای را برداشت کند که به خندق واقعی تبدیل می‌شود. رقیبی که امروز شروع می‌کند، دنبالِ یک برتریِ ثابت نیست. او دنبالِ برتری‌ای است که هر بار که کاری انجام می‌شود، بیشتر هم می‌شود.

پیش‌گفتار و هدف

این گزارش، همان ادعای واحدی را بسط می‌دهد که همه‌چیزِ دیگر در نظریهٔ خندق من بر آن استوار است: نرم‌افزار خالص دیگر یک خندق قابل‌دفاع نیست، و سخت‌افزار خالص هم از زمانی که چین هژمونیِ تولیدیِ خود را مقیاس داد، دیگر چنین چیزی نیست. هر دو معمولاً به‌صورت شعار به کار می‌روند. من می‌خواهم شعار را بیرون بکشم و سازوکار را جای آن بگذارم. چرا هر فروپاشی رخ داد، کدام فرض‌ها بی‌صدا شکستند، این دو چگونه یکدیگر را تغذیه می‌کنند، و سود پایدار هنوز کجا می‌تواند به‌دست آید. این را طوری نوشتم که به‌تنهایی بایستد، تا یک خوانندهٔ آینده، یا یک مدلِ آینده، بتواند کلِ استدلال را بدون گفت‌وگویی که آن را تولید کرد، دریافت کند.

برای حدود سی سال، راهبرد فناوری فرض می‌کرد که دنیای دیجیتال سودِ پایدار، با حاشیهٔ بالا و قابل‌دفاع تولید می‌کند، در حالی که دنیای فیزیکی خروجیِ کالایی، کم‌حاشیه و بی‌تمایز تولید می‌کند. این دو شوک هم‌زمان نرسیدند. تجمعِ تولیدیِ چین، دفاع‌پذیریِ سخت‌افزارِ مبتنی بر تولید را نخست شکست، عمدتاً در دهه‌های ۲۰۰۰ و ۲۰۱۰. هوش مصنوعی مولد، دفاع‌پذیریِ نرم‌افزارِ مبتنی بر تولید را بعدتر، در دههٔ ۲۰۲۰، می‌شکند. هوش مصنوعی مولد، هزینهٔ نهاییِ تولید نرم‌افزار را به سمت صفر راند، و بدین‌سان موانعی را که نرم‌افزار را قابل‌دفاع می‌کردند از میان برد. تجمع صنعتی چین، هزینه و تأخیرِ تکرار فیزیکی را تا سطحِ هزینه و تأخیرِ نرم‌افزار پایین آورد، و بدین‌سان موانعی را که سخت‌افزار را قابل‌دفاع می‌کردند از میان برد. بنابراین نه بیت‌ها به‌تنهایی و نه اتم‌ها به‌تنهایی دیگر نمی‌توانند از یک کسب‌وکار محافظت کنند. مزیت پایدار از هر بُعدِ منفرد بیرون رفت و به جفت‌شدنِ تنگاتنگِ هر دو، به‌علاوهٔ روابط و دادهٔ مالکانه، منتقل شد.

این سند در دو نیمه است:

• تحلیل. خندق واقعاً چیست، چرا هر حوزه زمانی قابل‌دفاع بود، هر شوک دقیقاً کدام اصطکاک‌ها را از میان برداشت، و چه چیزهایی هنوز باقی مانده‌اند. این نیمه، تحلیل اقتصادی است و درست در جایی متوقف می‌شود که تحلیل متوقف می‌شود.
• خندق مدرن. دفاع‌پذیری امروز، وقتی هیچ‌کدام از بیت‌ها یا اتم‌ها به‌تنهایی از شما دفاع نمی‌کنند، واقعاً از چه ساخته شده است، و شرکتی که بر پایهٔ آن بنا شده در عمل چه شکلی دارد.

تحلیل: چگونه هر دو خندق فروپاشیدند

بخش اول: خندق واقعاً چیست

پیش از آنکه توضیح بدهم خندق‌ها چگونه فروپاشیدند، باید دقیق بگویم خندق چیست، زیرا کاربردِ سستِ این واژه مسئولِ بیشترِ تفکرِ بدِ راهبردی‌ای است که دیده‌ام. خندق محصولی خوب نیست، برتریِ موقت نیست، و صرفِ زودتر بودن هم نیست. خندق یک ویژگیِ ساختاریِ بازار است که به یک بنگاه اجازه می‌دهد برای مدت طولانی بازدهی‌ای بالاتر از هزینهٔ سرمایهٔ خود به‌دست آورد، بدون آنکه این بازدهی‌ها توسط رقابت از بین بروند. در زبانِ اقتصادِ صنعتی، خندق یک منبعِ پایدارِ رانت اقتصادی است.

رانت اقتصادی، مازادِی است که یک بنگاه بالاتر از حداقلِ چیزی که برای ادامهٔ فعالیت می‌پذیرد به‌دست می‌آورد، و در یک بازار واقعاً رقابتی، آن مازاد به صفر می‌رسد. در رقابت کامل، قیمت تا هزینهٔ نهایی پایین رانده می‌شود، بنگاه‌ها فقط هزینهٔ سرمایهٔ خود را به‌دست می‌آورند، و هیچ سودِ اضافی باقی نمی‌ماند. هر چارچوبی دربارهٔ دفاع‌پذیری، در واقع نظریه‌ای است دربارهٔ اینکه چگونه یک بنگاهِ مشخص از آن کشش به‌سوی قیمت‌گذاری بر مبنای هزینهٔ نهایی و سودِ صفر می‌گریزد.

فهرستِ کلاسیک از مایکل پورتر می‌آید؛ چارچوبِ پنج نیروی او از سال ۱۹۷۹ تا امروز ابزارِ استانداردِ این بحث بوده و بعدها توسط جمعِ سرمایه‌گذاری ارزشی دقیق‌تر شد. این چارچوب، تعداد کمی منبعِ واقعی و پایدارِ رانت را مشخص می‌کند:

• موانع ورود که رقباي تازه را بیرون نگه می‌دارند
• هزینه‌های بالای تغییر که مشتریانِ موجود را نگه می‌دارند
• اثرات شبکه‌ای، جایی که محصول هرچه افراد بیشتری از آن استفاده کنند ارزشمندتر می‌شود
• صرفه‌های مقیاس که به بازیگرانِ مسلط اجازه می‌دهد تازه‌واردها را از میدان به در کنند
• مالکیت فکریِ انحصاری یا حفاظتِ مقرراتی که به‌صورت قانونی مقلدان را حذف می‌کند
• کنترلِ یک نهادهٔ کمیاب یا کانالِ توزیع که رقبا به آن دسترسی ندارند

هر منبعِ رانت یک اصطکاک است

هر یک از آن منابعِ رانت، یک اصطکاک است. یک خندق در واقع فقط شکلی از اصطکاک است که رقبا نمی‌توانند با هزینهٔ کم از آن عبور کنند:

• هزینه‌های بالای تغییر، اصطکاک در خروجِ مشتری هستند.
• موانع ورود، اصطکاک در ورودِ رقیب هستند.
• اثرات شبکه‌ای، اصطکاک در هماهنگی‌ای هستند که لازم است تا کاربران با هم به جای دیگری بروند.
• مقیاسِ تولید، اصطکاک در سرمایه و زمانی است که یک تازه‌وارد باید پیش از رسیدن به هزینهٔ واحدِ رقابتی، غرق کند.

این دقیقاً به شما می‌گوید چیزی مثل هوش مصنوعی مولد، یا چیزی مثل تراکمِ صنعتیِ چین، در واقع چه‌کار می‌کند. این نیروها به محصولات حمله نمی‌کنند. آن‌ها به اصطکاک‌ها حمله می‌کنند. آن‌ها فناوری‌های برطرف‌کنندهٔ اصطکاک‌اند. و فناوریِ برطرف‌کنندهٔ اصطکاک، بنا به تعریف، فناوریِ برطرف‌کنندهٔ خندق است.

تمامِ استدلال در یک جمله فشرده می‌شود: خندق‌های نرم‌افزار و سخت‌افزار فروپاشیدند، زیرا اصطکاک‌های مشخصی که رانت آن‌ها را تولید می‌کردند، دقیقاً همان اصطکاک‌هایی بودند که هوش مصنوعی و تجمعِ صنعتیِ چین در از میان بردن‌شان به‌طور غیرعادی خوب بودند.

بخش دوم: خندق تاریخیِ نرم‌افزار و چرا بیت‌ها پول چاپ می‌کردند

برای فهم فروپاشی، نخست باید بفهمید چرا نرم‌افزار از نظر تاریخی بهترین ساختارِ کسب‌وکاری بود که سرمایه‌داری تا به‌حال پیدا کرده بود، زیرا فروپاشی فقط وارونگیِ همان چیزهایی است که آن را عالی می‌کرد.

نرم‌افزار ساختارِ هزینه‌ای تقریباً منحصربه‌فردی داشت. این ساختار، هزینهٔ ثابتِ بالا برای ساخت نخستین نسخه را با هزینهٔ نهاییِ تقریباً صفر برای تکثیر و ارسالِ هر نسخهٔ بعدی ترکیب می‌کرد. نوشتنِ نخستین نسخهٔ یک برنامهٔ پیچیده، به مجموعه‌ای کمیاب، گران، و کندآموز از مهندسان نیاز داشت که ماه‌ها یا سال‌ها کار می‌کردند. اما وقتی نوشته می‌شد، ساختِ میلیونمین نسخه عملاً هیچ هزینه‌ای نداشت و رساندنش هم تقریباً هیچ هزینه‌ای نداشت. این ناهم‌ترازی، اهرمِ عملیاتیِ عظیمی ایجاد می‌کرد. نرم‌افزارِ افقیِ بالغ می‌تواند حاشیهٔ سود ناخالص در محدودهٔ هشتاد درصد ثبت کند، همان‌طور که Atlassian برای سه‌ماههٔ دوم سال مالی ۲۰۲۵ راهنمایی کرد، زیرا درآمد با کاربران مقیاس می‌گیرد در حالی که بهای تمام‌شدهٔ کالای فروخته‌شده تقریباً تکان نمی‌خورد. اما این گزاره دیگر به‌آن اندازه که قبلاً بود جهان‌شمول نیست، چون نرم‌افزارهای مصرف‌محورتر مانند Snowflake در سال مالی ۲۰۲۵ به حاشیهٔ سود ناخالصی نزدیک به ۶۷ درصد رسیدند، تا حدی چون زیرساختِ ابریِ شخص ثالث داخلِ هزینهٔ درآمد قرار می‌گیرد. در اصطلاح اقتصادی، نرم‌افزار مانند یک کالای اطلاعاتی خالص عمل می‌کرد، و کالاهای اطلاعاتی رابطهٔ معمولِ میان تولید و هزینه را که بر کالاهای فیزیکی حاکم است، می‌شکنند.

اما هزینهٔ نهاییِ پایین به‌تنهایی خندق ایجاد نمی‌کند. اگر هرکسی بتواند کالا را ارزان بسازد، هزینهٔ نهاییِ پایین برای شما رقابتِ ویرانگر می‌آورد، نه رانت. نرم‌افزار رانت به‌دست آورد چون هزینهٔ ثابتِ بالای نخستین نسخه به‌عنوان مانعِ ورود عمل می‌کرد، و چون چند اصطکاکِ دیگر هم روی آن سوار می‌شدند:

• کمیابیِ استعداد مهندسی. ساختِ نرم‌افزارِ غیرساده به افرادی نیاز داشت که گران، سخت‌استخدام، و سخت‌هماهنگ‌کردن بودند، بنابراین بیشترِ رقبای بالقوه حتی نمی‌توانستند تیم لازم را کنار هم بگذارند تا یک کپیِ معتبر بسازند.
• زمان. حتی یک رقیبِ خوب‌سرمایه‌گذاری‌شده هم برای مهندسیِ معکوس، تعریف، ساخت، آزمایش، و عرضهٔ یک محصولِ رقیب، به ماه‌های زیادی نیاز داشت، و در طول آن ماه‌ها، بازیگرِ مسلط یک انحصارِ موقت داشت تا کاربران، درآمد، و عمقِ محصولیِ بیشتری جمع کند.
• هزینهٔ تغییر. وقتی مشتری داده‌هایش را در یک سیستم قرار می‌داد، کارکنانش را روی آن رابط آموزش می‌داد، و سیستم را از طریق یکپارچه‌سازی‌های سفارشی به همه‌چیزِ دیگر وصل می‌کرد، ترک کردن حتی در صورتِ وجودِ چیزی بهتر و ارزان‌تر، بیش از حد پرهزینه می‌شد.
• محاسبهٔ بساز در برابر بخر. چون ساختِ نرم‌افزارِ داخلیِ سفارشی خودش پرهزینه و پرریسک بود، شرکت‌ها به‌طور عقلانی به‌جای ساختِ محصولِ خودشان، محصولات استانداردِ آماده را می‌خریدند، و این بازارِ بزرگی را برای فروشندگانِ نرم‌افزارِ بسته‌بندی‌شده تضمین می‌کرد.
• اثرات شبکه‌ای و انباشتِ دادهٔ مالکانه، که در بهترین حالت‌ها روی همهٔ این‌ها لایه می‌شدند.

آسیب‌پذیریِ ساختاری

به آن فهرست نگاه کنید. فقط یکی از آن پنج اصطکاک، یعنی اثرات شبکه‌ای، ذاتیِ سمتِ تقاضای محصول است. چهار موردِ دیگر، یعنی کمیابیِ استعداد، زمانِ ساخت، هزینهٔ تغییر، و جریمهٔ بساز در برابر بخر، همگی اصطکاک‌های تولیدِ سمتِ عرضه هستند. آن‌ها مصنوعاتِ این هستند که نرم‌افزار چقدر سخت، کند، و گران برای ساختن و جایگزین‌کردن بود.

این همان آسیب‌پذیری است. کسب‌وکاری که دفاع‌پذیری‌اش عمدتاً بر این استوار است که آن چیز چقدر سخت تولید می‌شود، فقط تا زمانی دفاع‌پذیر است که تولید سخت بماند. لحظه‌ای که هزینهٔ تولید و جایگزینیِ نرم‌افزار سقوط کند، چهار ستون از پنج ستون همراه آن فرو می‌ریزند، و فقط اثرات شبکه‌ایِ سمت تقاضا باقی می‌ماند.

این فروپاشی دقیقاً همان چیزی است که هوش مصنوعی مولد تحویل داد.

بخش سوم: شوکِ هوش مصنوعی و فروپاشیِ خندقِ نرم‌افزار

راه درست برای مدل‌کردن آنچه هوش مصنوعی مولد با اقتصاد نرم‌افزار کرد این است که آن را به‌مثابه یک شوک به تابع تولید نرم‌افزار در نظر بگیریم. در اقتصاد پایه، هزینه تولید هر چیزی تابعی از هزینه نهاده‌های آن است. برای نرم‌افزار، نهاده مسلط همواره نیروی کار شناختی انسانیِ ماهر بوده است، به‌طور مشخص نیروی کارِ تبدیل یک نیازمندی کسب‌وکار به کدی درست، آزموده و قابل استقرار. آن نیروی کار نهاده‌ای کمیاب و پرهزینه بود که مانع ورود را ایجاد می‌کرد.

هوش مصنوعی مولد و عامل‌های کدنویسی خودمختار مستقیماً به همان نهاده حمله می‌کنند. آن‌ها در بسیاری از وظایف، کد را با کسری از هزینه تاریخی تولید، بازآرایی، اشکال‌زدایی، مستندسازی و مستقر می‌کنند. یک آزمایش کنترل‌شده GitHub Copilot نشان داد که توسعه‌دهندگان یک وظیفهٔ کدنویسی محدود را 55.8 درصد سریع‌تر تکمیل کردند، و یک مطالعه میدانی روی 4,867 توسعه‌دهنده نشان داد 26.08 درصد وظیفهٔ بیشتری تکمیل شد. اثر واقعی است، اما ناهمگون است؛ زیرا یک آزمایش تصادفی 2025 توسط METR نشان داد توسعه‌دهندگان باتجربهٔ متن‌باز که روی کدبیس‌های بالغ و آشنا کار می‌کردند، با ابزارهای هوش مصنوعی اوایل 2025، 19 درصد کندتر بودند، در حالی که باور داشتند سریع‌تر شده‌اند. نتیجه‌گیری امن این نیست که هوش مصنوعی هر مهندسی را در هر محیطی سریع‌تر می‌کند. نتیجه این است که هوش مصنوعی هزینه تولید کد را فشرده می‌کند، به‌ویژه برای کارهای محدود، greenfield، و کم‌سابقه‌تر. نهادهٔ کمیاب در حال فراوان‌تر شدن است. وقتی قیمت نهادهٔ کمیابِ بحرانی پایین می‌آید، مانع ورود که بر پایهٔ آن کمیابی ساخته شده بود نیز همراه آن فرو می‌ریزد. آن یک سازوکار، در چهار ستون سمت عرضه به‌صورت آبشاری پخش می‌شود.

این تغییر در ابزارهایی که توسعه‌دهندگان واقعاً استفاده می‌کنند قابل مشاهده است. ابتدا copilots بومی IDE مانند Cursor آمدند. سپس عامل‌های کدنویسی بومی ترمینال مانند Claude Code، Codex CLI، Kiro CLI و OpenCode آمدند، جایی که مدل مخزن را می‌خواند، فایل‌ها را ویرایش می‌کند، دستورها را اجرا می‌کند و در همان محیطِ مهندس به‌صورت تکراری کار می‌کند. اکنون لایهٔ سومی پیرامون هماهنگ‌سازی چندعامل در حال شکل‌گیری است، با ابزارهایی مانند Conductor، Superset و Hermes Agent که چندین عامل را در پروژه‌ها و محیط‌های مختلف هماهنگ می‌کنند. این روند روشن است. از تکمیل خودکار، به عامل‌های خودمختار، و سپس به هماهنگ‌سازی هم‌زمانِ چندین عامل حرکت کرده است، و این تنها شتاب خواهد گرفت. کار دیجیتال هر سال آسان‌تر برای خودکارسازی می‌شود، و ابزارهایی که امروز به یک اپراتور ماهر نیاز دارند، فردا به مداخلهٔ انسانی کمتر و کمتری نیاز خواهند داشت.

1. فروپاشی مانع ورود

راه‌اندازی یک محصول نرم‌افزاری معتبر پیش‌تر مستلزم سرمایهٔ اولیهٔ واقعی بود که بخش عمدهٔ آن صرف استخدام مهندسان لازم برای ساخت یک MVP می‌شد. آن نیاز سرمایه‌ای بازار را غربال می‌کرد. فقط بنگاه‌هایی که می‌توانستند پول جذب کنند و استعداد استخدام کنند اصلاً محصول را عرضه می‌کردند، و کمبود رقبا که از این‌جا به‌وجود می‌آمد، خود بخشی از حفاظتِ بازیگرِ جاافتاده بود.

وقتی یک توسعه‌دهنده با ابزارهای خوبِ هوش مصنوعی می‌تواند یک برنامهٔ صیقل‌خورده و کارا را در کسری کوچک از زمان و هزینهٔ گذشته طراحی، بسازد و عرضه کند، آن فیلتر ناپدید می‌شود. بازار از تازه‌واردان لبریز می‌شود. از نظر رقابتی، منحنی عرضهٔ ویژگی‌های نرم‌افزاری به‌طور عظیم به بیرون جابه‌جا می‌شود، و نظریهٔ پایهٔ قیمت‌گذاری بدون هیچ ابهامی به شما می‌گوید بعد چه می‌شود. وقتی عرضهٔ یک کالای جانشین‌شونده به‌طور شدید در برابر تقاضایی تقریباً ثابت گسترش یابد، قیمت به سوی هزینهٔ نهایی سقوط می‌کند، و چون هزینهٔ نهایی نرم‌افزار نزدیک به صفر است، قیمت نیز به سوی صفر کشیده می‌شود. فراوانیِ شدیدِ عرضهٔ نرم‌افزار، به‌صورت مکانیکی، نابودی قدرت قیمت‌گذاری نرم‌افزار است.

2. فروپاشی برتری زمانی

این احتمالاً مهم‌ترین خندق رقابتیِ نرم‌افزار در میان همه بود. منطقِ عرضهٔ سریع و تکرار سریع کاملاً بر این استوار بود که ویژگیِ عرضه‌شده به سازنده‌اش ماه‌ها برتری انحصاری پیش از آن‌که کسی بتواند آن را کپی کند، می‌خرد. آن زمانِ پیشتازی همان پنجره‌ای بود که در آن اثرات شبکه‌ای، برند و مشتریان تثبیت می‌شدند.

هوش مصنوعی چرخهٔ تقلید را از ماه‌ها به ساعت‌ها فشرده می‌کند. یک رقیب می‌تواند رابط یک محصول را ببیند، رفتار آن را برای یک عامل کدنویسی توصیف کند، و تقریباً بلافاصله یک کلون کارا به دست آورد، بی‌آن‌که هرگز کد منبع اصلی را دیده باشد، زیرا ارزش هرگز واقعاً در کد مشخص نبود. ارزش در مشخصات بود، و مشخصات اکنون به‌طرز بدیهی ارزان هستند تا پیاده‌سازی شوند.

وقتی فاصلهٔ تقلید به صفر می‌رسد، انحصار موقتی که نوآوری سریع را توجیه می‌کرد از بین می‌رود. نوآوری همچنان رخ می‌دهد، اما دیگر حق‌الزحمهٔ پایداری به‌دست نمی‌آورد، زیرا پاداش نوآوری بلافاصله به دستِ مقلدان سپرده می‌شود. این نمونهٔ کلاسیکِ چیزی است که David Teece در مقالهٔ 1986 خود دربارهٔ سود بردن از نوآوری فناورانه، «مسئلهٔ قابلیت تصاحب» نامید. نوآوری فقط زمانی برای خودش هزینه‌اش را جبران می‌کند که نوآور بتواند پیش از آن‌که تقلید آن را از بین ببرد، بخش کافی از ارزشی را که ایجاد می‌کند تصاحب کند. هوش مصنوعی قابلیت تصاحبِ نوآوریِ صرفاً نرم‌افزاری را به سوی صفر سوق می‌دهد.

3. انحلال هزینه‌های جابه‌جایی

این پایدارترینِ خندق‌های سنتی نرم‌افزار بود، زیرا حتی وقتی محصول رقیب به‌وضوح بهتر بود نیز کار می‌کرد. اما هزینه‌های جابه‌جایی خود از اصطکاک‌ها ساخته شده بودند: مهاجرت داده از یک schema به دیگری، بازسازی یکپارچه‌سازی‌های سفارشی، و آموزش دوبارهٔ کارکنان روی یک رابط ناآشنا. هر یک از این‌ها دقیقاً همان نوع کار خسته‌کننده و مبتنی بر الگوست که هوش مصنوعی در آن خوب است.

نگاشت دادهٔ مبتنی بر هوش مصنوعی می‌تواند یک پایگاه دادهٔ پیچیده را از ساختار یک سیستم به ساختار سیستمی دیگر، سریع و ارزان، وارد، نرمال‌سازی و مهاجرت دهد. رابط‌های زبان طبیعی هزینهٔ بازآموزی را کاهش می‌دهند، زیرا کاربران increasingly از طریق مکالمه تعامل می‌کنند به‌جای آن‌که یک درخت منوی اختصاصی را حفظ کنند؛ و این یعنی مهارت انباشته‌ای که در رابط یک فروشنده قفل شده بود، دیگر به‌عنوان جریمهٔ جابه‌جایی عمل نمی‌کند.

وقتی هزینهٔ ترک‌کردن پایین می‌آید، ارزش طول عمرِ یک مشتریِ به‌دام‌افتاده نیز همراه آن پایین می‌آید، هزینهٔ جذب مشتری نسبت به آن ارزش طول عمرِ درحال‌کوچک‌شدن افزایش می‌یابد، و اقتصاد واحدِ کل مدل اشتراکی تضعیف می‌شود. خندقی که بر ناتوانی مشتری از ترک‌کردن بنا شده است، وقتی ترک‌کردن ارزان می‌شود، فرو می‌ریزد.

4. وارونگی ساخت در برابر خرید

این یکی آرام‌آرام خودِ بازار قابل‌دسترس را نابود می‌کند. شرکت‌ها نرم‌افزار بسته‌بندی‌شده می‌خریدند چون ساخت ابزارهای داخلیِ سفارشی برای هر چیزی جز نیازمندترین و متمایزترین مواردشان بسیار پرهزینه، بسیار کند و بسیار پرریسک بود تا توجیه شود. آن جریمه بر ساخت در داخل دقیقاً همان چیزی بود که به فروشندگان یک بازار بزرگ تضمین می‌داد.

وقتی عامل‌های هوش مصنوعی به تیم‌های داخلی، حتی تیم‌های غیرفنی، اجازه می‌دهند برنامه‌های سفارشی متناسب با جریان‌کارهای خودشان تولید کنند، جریمهٔ ساخت ناپدید می‌شود، و انتخاب عقلانی از خرید یک اشتراک عمومی به تولید یک ابزار خصوصی که کاملاً می‌نشیند و هیچ مجوز تکرارشونده‌ای ندارد، تغییر می‌کند.

این فقط رقابت میان فروشندگان را شدیدتر نمی‌کند. بلکه کل بازار قابل‌دسترس‌ای را که فروشندگان بر سر آن رقابت می‌کنند کوچک می‌کند، زیرا سهم رو‌به‌رشدی از تقاضای نرم‌افزار در داخل برآورده می‌شود و اصلاً به بازار خارجی نمی‌رسد. ارزش از فروشندگان نرم‌افزار خارجی به ظرفیت عملیاتی داخلی مهاجرت می‌کند، یعنی دیگر بازار نیست و به بهره‌وری هزینهٔ درون‌سازمانی تبدیل می‌شود.

این همان چیزی است که من در نوشته‌ام، The Barbell of Software Value، به‌عنوان اهرم نرم‌افزاری داخلی نامیدم، این‌بار از سمت فروشنده به‌جای خریدار دیده می‌شود.

نتیجه و آنچه فرو نمی‌ریزد

این چهار سازوکار را با هم بگذارید و به کالایی‌شدنِ نرم‌افزار خالص می‌رسید. صنعت وارد فراوانیِ شدیدِ نرم‌افزار می‌شود، جایی که برنامه‌های کاربردیِ کارکردی ارزان‌اند تا ساخته شوند، فوراً قابل‌کلون‌کردن‌اند، و به‌طور فزاینده‌ای در داخل و برحسب تقاضا تولید می‌شوند. در چنین وضعیتی، خودِ کد از منبع رانت بودن بازمی‌ایستد، دقیقاً همان‌طور که هر کالایی وقتی فراوان و جانشین‌پذیر می‌شود دیگر رانت تولید نمی‌کند. ارزش از کد جدا می‌شود.

صادق بودن مستلزم آن است که روشن بگوییم چه چیزی فرو نمی‌ریزد، چون اغراق در این‌باره آن را نادرست می‌کند. هوش مصنوعی مولد اصطکاک‌های تولید در سمت عرضه را هدف می‌گیرد. به‌خودی‌خود، اصطکاک‌های سمت تقاضا و سطح سیستم را هدف نمی‌گیرد.

• اثرات شبکه‌ای باقی می‌مانند، چون هوش مصنوعی می‌تواند نرم‌افزار یک شبکهٔ اجتماعی را در یک بعدازظهر کلون کند، اما نمی‌تواند کاربران را کلون کند، و کاربران همان دارایی‌اند.
• خندق‌های دادهٔ اختصاصی باقی می‌مانند و در واقع قوی‌تر می‌شوند، چون هوش مصنوعی کد را ارزان‌تر می‌کند در حالی که دادهٔ کمیابی را که آن را آموزش می‌دهد باارزش‌تر می‌سازد.
• توزیع و برند باقی می‌مانند، چون توجه و اعتماد حتی وقتی ویژگی‌ها رایگان‌اند، همچنان کمیاب می‌مانند.
• موانع مقرراتی و انطباقی باقی می‌مانند، چون یک عامل کدنویسی نمی‌تواند مجوز بانکی، تأییدیهٔ تجهیزات پزشکی یا گواهی‌نامهٔ هوانوردی تولید کند.
• ادغام عمیق با واقعیت عملیاتی فیزیکی یا تنظیم‌گری‌شده باقی می‌ماند، چون کد ارزان است، اما نصب حسگرها، جلب اعتماد، و فعالیت تحت تأیید مقررات ارزان نیست.

پس ادعای دقیق این نیست که همهٔ کسب‌وکارهای نرم‌افزاری می‌میرند. بلکه این است که خندق مشخص و زمانی مسلطِ نرم‌افزارِ خالص، مستقل و بسته‌بندی‌شده، که با دشواریِ نوشتن و جایگزین‌کردن کد محافظت می‌شد، نابود شده است. آنچه باقی می‌ماند نرم‌افزاری است که به چیزی تکیه دارد که هوش مصنوعی نمی‌تواند ارزان بازتولید کند: یک شبکه، یک مجموعه‌داده، یک موقعیت مقرراتی، یک کانال توزیع، یا یک عملیات فیزیکی. نرم‌افزاری که از همهٔ این‌ها آزاد و جدا شناور باشد، اکنون یک کالا است.

بخش چهارم: خندق تاریخیِ سخت‌افزار و چرا اتم‌ها سخت بودند

استدلال سخت‌افزار همین انضباط را می‌طلبد. ابتدا باید روشن کنیم چرا سخت‌افزار پیش‌تر قابل‌دفاع بود، سپس نشان دهیم کدام یک از آن دفاع‌ها را نظام تولید چین از میان برداشت.

سخت‌افزار به دلایلی تقریباً برعکسِ دلایلی که نرم‌افزار داشت، قابل دفاع بود، و بازارهای سرمایه این دو را به‌عنوان متضاد در نظر می‌گرفتند. جایی که نرم‌افزار هزینه نهایی نزدیک به صفر داشت، سخت‌افزار هزینه نهایی بالا و سرسختانه داشت، چون هر واحد فیزیکی مواد، انرژی، نیروی کار، و زمان ماشین را مصرف می‌کرد. جایی که نرم‌افزار فوراً و بی‌نهایت ارسال می‌شد، سخت‌افزار به فیزیکِ تولید و لجستیک مقید بود. این ویژگی‌ها سخت‌افزار را از نظر حاشیه‌ای به کسب‌وکاری بدتر تبدیل می‌کرد، اما در عین حال، به‌طرزی عجیب، آن را به شکلی مشخص قابل دفاع هم می‌کرد، چون دشواری تولید فیزیکی به‌عنوان مانعی عمل می‌کرد که یک شرکت سخت‌افزاریِ خوب اداره‌شده را از تقلید سرسری محافظت می‌کرد.

اصطکاک‌های مشخصی که از سخت‌افزار محافظت می‌کردند این‌ها بودند:

• سرمایه‌گذاری ابزارسازی. ساخت یک محصول فیزیکی در مقیاس بالا به ابزارسازی تخصصی نیاز داشت، عمدتاً قالب‌های تزریق و قالب‌های ریخته‌گری که برای شکل دادن قطعات پلاستیکی و فلزی به کار می‌رفتند، و این ابزارها ده‌ها یا صدها هزار دلار هزینه داشتند و حداقل مقادیر سفارش بالایی را تحمیل می‌کردند. این یک دیوار سرمایه‌ای سخت بود که بیشتر تازه‌واردها نمی‌توانستند از آن بالا بروند، و از بازیگران تثبیت‌شده‌ای محافظت می‌کرد که قبلاً هزینه ابزارسازی خود را مستهلک کرده بودند.

• تأخیرِ تکرار. اصلاح یک طرح فیزیکی یعنی بریدن ابزارسازی جدید، تنظیم تلرانس‌ها، و اجرای دسته‌های آزمایشی فیزیکی؛ چرخه‌ای که هر بار هفته‌ها یا ماه‌ها طول می‌کشید و هر بار هزینه زیادی داشت، بنابراین محصولات فیزیکی آهسته بهبود می‌یافتند و یک رقیب برای رسیدن به آن‌ها به یک کارزار طولانی و پرهزینه نیاز داشت.

• مونتاژ زنجیره تأمین. یک محصول فیزیکی فهرستی از مواد است که از تأمین‌کنندگان متعدد و تخصصی تأمین می‌شود، و آن تأمین‌کنندگان قبلاً در میان شرکت‌ها، مناطق، و کشورها پراکنده بودند، بنابراین کنار هم گذاشتن یک زنجیره تأمینِ کارا مستلزم مذاکره با فروشندگان منفرد، تحمل زمان‌های انتظار طولانی، و مدیریت لجستیک پیچیده بود.

• دقت و دانش فرایندی. آن دانش انباشته و اغلب ضمنیِ «چگونه‌اش» که برای واقعاً ساختن یک طرح با بازده قابل‌قبول لازم است. این دانش از روی یک نقشه منتقل نمی‌شود. باید با انجام دادن آن را یاد بگیرید.

• توزیع. نیاز به رساندن محصول فیزیکی به دست خریداران از طریق خرده‌فروشان، توزیع‌کنندگان، و فضای قفسه‌ای که خودشان هم کمیاب و دروازه‌بانی‌شده بودند.

بار دیگر به ترکیب نگاه کنید، همان‌طور که درباره نرم‌افزار بود. خندقِ دفاعیِ سخت‌افزار عمدتاً مجموعه‌ای از اصطکاک‌های تولید و لجستیک بود: سرمایه‌گذاری ابزارسازی، تأخیرِ تکرار، مونتاژ زنجیره تأمین، بازده فرایند، و توزیع فیزیکی. این خندق به این دلیل دفاع می‌شد که تبدیل یک طرح به یک شیء فیزیکیِ ارسال‌شده چقدر سخت، کند، و پرهزینه بود. و درست مثل نرم‌افزار، دفاعی که بر دشواری تولید بنا شده باشد فقط تا زمانی پایدار است که تولید دشوار بماند.

اما سهم چین در تاریخ اقتصادی این بود که تولید فیزیکی را، در طیف عظیمی از کالاها، دیگر دشوار نکند.

بخش پنجم: شوک چین، تجمع صنعتی، و پایان خندق سخت‌افزار

رایج‌ترین سوءبرداشت درباره سلطه تولید چین این است که این یک داستانِ نیروی کار ارزان است. در مرحله نخست تا حدی درست بود و اکنون عمدتاً نادرست است، و اشتباه فهمیدن آن مستقیماً به این نتیجه‌گیریِ شکست‌خورده منجر می‌شود که بازگرداندن تولید به داخل، یا انتقال تولید به کشور کم‌دستمزد بعدی، نظم قدیم را بازمی‌گرداند.

توضیح واقعی این است که چین، با تراکم و مقیاسی که هیچ‌کس پیش از آن ندیده بود، پدیده‌ای را ساخت که آلفرد مارشال بیش از یک قرن پیش آن را تجمع صنعتی توصیف کرده بود. این تجمع، نه آربیتراژ دستمزد، چیزی بود که خندق سخت‌افزار را از هم باز کرد. من اولین کسی نیستم که این استدلال را مطرح می‌کنم. اندرو «بانی» هوانگ نسخه شنژنِ آن را بیش از یک دهه است که از نزدیک در The Hardware Hacker مستندسازی کرده است.

برون‌اقتصادهای مارشالی

تجمع صنعتی، خوشه‌بندی جغرافیاییِ خودتقویت‌شوندهٔ صنایع مرتبط، تأمین‌کنندگان قطعات، سازندگان زیرمونتاژها، فرآوری‌کنندگان مواد خام، ابزارسازان، تولیدکنندگان قراردادی، ارائه‌دهندگان لجستیک، و نیروی کار ماهرِ تخصصی است که همگی در همان منطقه فشرده شده‌اند. مارشال توضیح داد چرا این خوشه‌ها مزایایی ایجاد می‌کنند که هیچ شرکت منزوی‌ای نمی‌تواند با آن‌ها رقابت کند:

• آن‌ها یک مخزن عمیق مشترک نیروی کار از کارگران متخصص ایجاد می‌کنند.
• آن‌ها تأمین‌کنندگان محلی تخصصی را پشتیبانی می‌کنند که هرگز نمی‌توانستند با خدمت‌رسانی به یک مشتری دوردست زنده بمانند، اما با خدمت‌رسانی به یک خوشه متراکم از آن‌ها شکوفا می‌شوند.
• آن‌ها سرریزهای دانشی ایجاد می‌کنند، جایی که بهبودهای فرایندی به‌سرعت در سراسر خوشه پخش می‌شود، چون افراد مرتبط از نظر فیزیکی به هم نزدیک‌اند و بین شرکت‌ها جابه‌جا می‌شوند.

این سه نیرو همان برون‌اقتصادهای مارشالی هستند، و به این معنا هستند که یک شرکت داخل خوشه هزینه‌های کمتر، تکرار سریع‌تر، و اطلاعات بهتر از یک شرکت همسان در خارج از آن به دست می‌آورد، فارغ از اینکه آن شرکت بیرونی به‌تنهایی چقدر کارآمد باشد.

فروپاشی هزینه‌های مبادله

در دلتای رود مروارید، و به‌ویژه در شنژن، تجمع به تراکمی رسید که در تاریخ سابقه نداشت. پیامد عملی آن را می‌توان از طریق اقتصاد هزینه‌های مبادلهٔ رونالد کوز بهتر دید. کوز توضیح داد که مرز و سرعت فعالیت اقتصادی توسط هزینه‌های مبادله تعیین می‌شود، یعنی هزینه جست‌وجوی تأمین‌کنندگان، مذاکره بر سر شرایط، و هماهنگ‌سازی تولید میان شرکت‌ها. در یک زنجیره تأمین پراکنده، این هزینه‌ها عظیم‌اند، و آن‌ها در واقع محتوای واقعیِ اصطکاک سومِ خندق سخت‌افزار هستند.

در یک خوشه فوق‌متراکم، هزینه‌های مبادله تقریباً به هیچ می‌رسند. کل زنجیره تأمینِ بیشتر دستگاه‌های الکترونیکی و مکانیکی در شعاعی کوچک قرار دارد، بنابراین جست‌وجو، تأمین، مذاکره، و هماهنگی که قبلاً در سراسر قاره‌ها هفته‌ها طول می‌کشید، اکنون در عرض ساعات و درون یک منطقه انجام می‌شود. یک طراح می‌تواند دستگاهی را مشخص کند، همان روز همه اجزا را محلی تهیه کند، یک برد مدار سفارشی را شبانه ساخته و مونتاژ کند، و صبح روز بعد یک نمونه کارا در دست داشته باشد.

این نیروی کار ارزان‌تر نیست. این تقریباً حذفِ هزینه مبادله و تأخیرِ تکرار است، و این چیزی به‌طور کیفی متفاوت و بسیار قدرتمندتر است.

از دل این تراکم، چهار سازوکار خندق سخت‌افزار را از بین بردند، و چهار چیزی را که هوش مصنوعی برای نرم‌افزار انجام دادند، بازتاب دادند.

۱. فروپاشی تأخیرِ تکرار

این نسخه سخت‌افزاریِ از دست رفتنِ مزیت زمانیِ نرم‌افزار است. در زنجیره تأمین پراکندهٔ غربی، یک دورِ طراحیِ فیزیکی هفته‌ها طول می‌کشید و هزینه زیادی داشت، بنابراین سخت‌افزار آهسته بهبود می‌یافت و برتریِ پالایشِ بازیگرِ مسلط حفظ می‌شد. در داخل خوشه، تکرار فیزیکی به سرعت تکرار نرم‌افزار نزدیک می‌شود. قالب‌ها اصلاح می‌شوند، چیدمان بردها تنظیم می‌شود، و دسته‌های آزمایشی در عرض روزها اجرا می‌شوند.

پیامد راهبردی این وضعیت بی‌رحمانه است. هر طرح سخت‌افزاری که در غرب تصور شود می‌تواند در داخل خوشه مشاهده، مهندسی معکوس، برای ساخت‌پذیری بهینه، و به‌صورت انبوه تولید شود، سریع‌تر از آن‌که شرکت غربیِ آغازگر بتواند دومین نمونهٔ خود را تمام کند. زمان پیشرویِ آغازگر، که منبع اجارهٔ او بود، منفی است. تقلیدکننده نسخهٔ بهبود‌یافته و ارزان‌تر را اول ارسال می‌کند.

۲. فروپاشی سرمایه‌گذاری ابزارسازی

این نسخه سخت‌افزاریِ فرو ریختنِ مانع ورودِ نرم‌افزار است. ده‌ها هزار دلار و حداقل مقادیر سفارش بالا که قبلاً تولید فیزیکی را حصار می‌کشید، در داخل خوشه از طریق ماشین‌کاریِ سریعِ کنترل‌شده با رایانه، پایه‌های قالبِ استاندارد و ماژولاری که به‌جای تراشیدن از صفر بازپیکربندی می‌شوند، و کارگاه‌های ابزارسازیِ بسیار رقابتی با توان‌عبور بالا، بهینه‌سازی و عملاً حذف شده‌اند. سخت‌افزارِ کم‌تیراژ و بسیار سفارشی اکنون می‌تواند با ساختار هزینه‌ای تولید شود که قبلاً فقط برای شرکت‌های چندملیتی بزرگ در دسترس بود. دیوار سرمایه‌ای که تازه‌واردان سخت‌افزار را فیلتر می‌کرد، تا حد زیادی فرو ریخته است، همان‌طور که دیوارِ فیلترکنندهٔ تازه‌واردان نرم‌افزار فرو ریخت، و بازار با همان فشار قابل‌پیش‌بینیِ نزولی بر قیمت‌ها سرازیر می‌شود.

۳. منحنی تجربه، تشدیدشده با اتوماسیون

این سازوکار چیزی است که برتری هزینه را برای همیشه قفل می‌کند، و دلیل آن است که این مزیت را نمی‌توان با جابه‌جایی به جای دیگری آربیتراژ کرد. قانون رایت، که نخستین‌بار تئودور رایت در سال ۱۹۳۶ از داده‌های تولید هواپیما توصیف کرد و بعداً گروه مشاوره بوستون آن را به‌عنوان منحنی تجربه تعمیم داد، یکی از قابل‌اعتمادترین نظم‌های تجربی در اقتصاد صنعتی است. این قانون بیان می‌کند که برای بسیاری از محصولات، هزینه واحد هر بار که حجم تولید تجمعی دو برابر می‌شود، به درصد ثابتی کاهش می‌یابد، زیرا سازمان از طریق انجام انباشته، می‌آموزد که چگونه کارآمدتر تولید کند.

زیرا خوشه سهمی سرسام‌آور از حجم تجمعی جهانی را در شمارش‌ناپذیری از دسته‌های محصول تولید می‌کند، بسیار پایین‌تر از منحنی تجربه قرار دارد؛ در حالی که هر تازه‌واردی با حجم تجمعی پایین، در بالای آن قرار می‌گیرد. سپس تولید مدرن چین این برتری یادگیری را با اتوماسیون سرمایه‌بر، رباتیک پیشرفته، بازرسی نوری خودکارِ پرسرعت، و یکپارچگی عمودی که تا اعماق مواد خام امتداد می‌یابد، تشدید می‌کند.

این دقیقاً همان نقطه‌ای است که توضیحِ هزینهٔ نیروی کار می‌میرد. مزیت مدرن، دستمزدهای پایین نیست. بلکه یادگیریِ انباشته به‌علاوهٔ مقیاسِ خودکار به‌علاوهٔ تراکمِ تأمین‌کنندگان است، و یک تازه‌وارد نمی‌تواند این ترکیب را با هیچ اقدام کوتاه‌مدتی، چه با دستمزد بالا و چه با دستمزد پایین، بازتولید کند، زیرا نمی‌توان دهه‌ها تجربهٔ تولید تجمعی یا زیست‌بومِ تأمین‌کنندگانِ پیرامون آن را فوراً خرید.

۴. فروپاشی اصطکاک توزیع

این نسخهٔ سخت‌افزاریِ فرسایشِ نیازِ هوش مصنوعی به عبور از کانال‌های نرم‌افزاریِ مستقر است. بازارگاه‌های دیجیتال جهانی و لجستیکِ بسته‌ایِ فوق‌کارآمد به تولیدکنندگانِ داخلِ خوشه اجازه می‌دهند به‌طور کامل از توزیع‌کنندگان، عمده‌فروشان، و فضای قفسهٔ خرده‌فروشیِ غربی عبور کنند، مستقیماً در پلتفرم‌های جهانی فهرست شوند و ظرف چند روز کالا را به درِ خانهٔ مصرف‌کننده ارسال کنند. آخرین اصطکاکی که از یک برندِ سخت‌افزاریِ مستقر محافظت می‌کرد، یعنی کنترلِ قفسه‌ها و کانال‌ها، دور زده می‌شود. یک دستگاهِ از نظر عملکرد معادل، با کسری از قیمتِ برندشده، بدون آنکه هرگز به سیستم توزیعِ مستقر دست بزند، به همان مشتری می‌رسد.

مشترکِ صنعتی و اینکه چرا بازگرداندن تولید به داخل این‌قدر سخت است

مهم‌ترین پیامدِ همهٔ این‌ها، و آنی که بیشترین اوقات نادیده گرفته می‌شود، دربارهٔ بازگرداندن تولید به داخل است، و اینجا است که مفهومِ مشترکِ صنعتی اهمیت پیدا می‌کند. گری پیسانو و ویلی شی در Restoring American Competitiveness (PDF) در سال ۲۰۰۹ این اصطلاح را به‌کار بردند. مشاهدهٔ آن‌ها این بود که توانمندیِ تولید ویژگیِ شرکت‌های منفرد نیست. این یک ویژگیِ یک زیست‌بوم است: یک پایگاه محلیِ مشترک از تأمین‌کنندگان، ابزارسازان، مهندسان فرایند، و دانشِ ضمنی.

وقتی کشوری تولید را برون‌سپاری می‌کند، فقط کارخانه‌ها را از دست نمی‌دهد. با گذشت زمان، مشترکِ پیرامونی را نیز از دست می‌دهد، زیرا تأمین‌کنندگان، ابزارسازان، و مهندسانِ فرایندِ ماهر دچار فرسایش می‌شوند یا جابه‌جا می‌شوند، چون دیگر تقاضای محلی‌ای وجود ندارد که آن‌ها را زنده نگه دارد. وقتی مشترک از بین رفت، هیچ شرکتِ منفردی یا هیچ یارانه‌ای نمی‌تواند آن را به‌سرعت بازسازی کند، زیرا یک کارخانهٔ تنها که به داخل بازگردانده شده است، نه تأمین‌کنندهٔ محلی دارد، نه ابزارسازِ محلی، نه مجموعهٔ محلیِ مهندسانِ فرایندِ باتجربه، و در نتیجه هیچ‌یک از اقتصادهای بیرونیِ مارشالی را ندارد که در وهلهٔ نخست خوشه را کارآمد می‌کردند.

به همین دلیل است که بازگرداندنِ تولید به داخل در یک دستهٔ سخت‌افزاریِ کالایی‌شده این‌قدر سخت و این‌قدر پرهزینه است. مزیتی که بازگردانندهٔ تولید به داخل می‌کوشد بازآفرینی کند، هرگز داخل کارخانه نبود. آن مزیت در زیست‌بومِ اطراف کارخانه بود، و آن زیست‌بوم دیگر در خانه نیست. خندقِ دفاعی به چین نرفت چون شرکت‌های چینی به‌صورت فردی بهتر بودند. این خندق جابه‌جا شد چون مشترک جابه‌جا شد، و مشترک یک دارایی جمعی است که کنشِ فردی نمی‌تواند آن را بازسازی کند.

نتیجهٔ کلان برای سخت‌افزار دقیقاً با نتیجهٔ نرم‌افزار هم‌خوان است. به محض اینکه مشخصاتِ یک محصولِ فیزیکی معلوم شود، زیست‌بومِ تولیدِ فوق‌متراکم می‌تواند آن را بازتولید کند، برای تولید بهینه‌اش کند، و مستقیماً با ساختار هزینه‌ای‌ای توزیعش کند که حاشیهٔ سودِ مبدأ را نابود می‌کند. سخت‌افزارِ مستقل، که فقط از دشواریِ تولیدِ فیزیکی دفاع می‌کرد، کالایی‌سازی شده است، زیرا آن دشواری، برای دامنهٔ عظیمی از کالاها، دیگر وجود ندارد.

بخش شش: فروپاشیِ ترتیبی و پیامدهای راهبردی آن

مردم معمولاً این دو فروپاشی را جداگانه تحلیل می‌کنند، و از نظر زمانی هم باید چنین باشد. فروپاشیِ سخت‌افزار زودتر رخ داد. تجمعِ چینی، دفاع‌پذیریِ سخت‌افزارِ مبتنی بر تولید را در لوازم الکترونیکی مصرفی و بسیاری از کالاهای با پیچیدگیِ متوسط، سال‌ها پیش از آنکه ابزارهای کدنویسیِ هوش مصنوعی مولد اهمیت پیدا کنند، ضعیف کرد. فروپاشیِ نرم‌افزار بعداً رخ داد. رویداد واقعی برای یک بنیان‌گذار امروز این نیست که این دو هم‌زمان آغاز شدند. بلکه این است که اکنون هر دو شرط در بازار حاضرند.

دوره‌های پیشین هنوز یک راه خروج فراهم می‌کردند. وقتی نرم‌افزار رقابتی می‌شد، سرمایه می‌توانست به سمت سخت‌افزارِ دفاع‌پذیر برود. وقتی سخت‌افزار رقابتی می‌شد، سرمایه می‌توانست به سمت نرم‌افزارِ دفاع‌پذیر برود. این دو حوزه به‌طور متناوب پناهگاه بودند. آن چرخش دیگر کار نمی‌کند. اتم‌های ناب، خندقِ تولیدیِ خود را از پیش از دست داده‌اند، و بیت‌های ناب اکنون در حال از دست دادنِ خندقِ خود هستند. دیگر نه پناهگاهِ بیتِ ناب وجود دارد و نه پناهگاهِ اتمِ ناب. این معنای عمیق‌ترِ آن تحلیل باربل است که سال گذشته درباره‌اش نوشتم. میانه، جایی که شرکت بر سخت بودنِ یک بُعد تکیه می‌کرد، از هر دو سو تهی شده است.

پیامدِ مرتبهٔ اول: فشارِ کاهشیِ تعمیم‌یافته

وقتی هزینهٔ نهاییِ نرم‌افزار به صفر نزدیک می‌شود و هزینهٔ مؤثرِ بازتولیدِ فیزیکی به کفِ فوق‌کارآمدِ خوشه نزدیک می‌شود، رقابت قیمت‌ها را در هر دو حوزه به سمت آن کف‌ها می‌راند. این برای مصرف‌کنندگان ضدتورمی است و برای تولیدکنندگانی که خندق ندارند ویرانگر است، و این یک معما را توضیح می‌دهد که خیلی‌ها متوجه آن می‌شوند: اینکه پیشرفتِ فناوریِ عظیم درست کنارِ فشرده‌شدنِ حاشیهٔ سودِ شرکت‌هایی قرار دارد که واقعاً در حال تولیدند. پیشرفت توسط مصرف‌کنندگان و تقلیدکنندگان تصاحب می‌شود، نه توسط نوآوران، دقیقاً چون قابلیتِ تصاحب در هر دو حوزه فروپاشیده است.

پیامدِ مرتبهٔ دوم: رانت در امتداد منحنیِ لبخند جابه‌جا می‌شود

استن شیح، بنیان‌گذارِ ایسوس، حدود سال ۱۹۹۲ منحنی لبخند را پیشنهاد کرد. اگر ارزش افزوده را در برابر مراحل تولید در یک زنجیرهٔ ارزشِ تولیدی رسم کنید، شکلی شبیه لبخند به دست می‌آورید. بن تامپسون آن را برای نشر تطبیق داده است، که نشان می‌دهد این منحنی در واقع اصلاً دربارهٔ تولید نیست. این هم نسخهٔ اصلی:

مراحلِ شیح این‌ها هستند:

• ارزشِ بالا در بالادست، یعنی طراحی، برندسازی، و مالکیت فکری
• یک فرورفتگی عمیق در میانه، یعنی مونتاژ و تولیدِ فیزیکی، مرحله‌ای که به‌راحتی کالایی می‌شود
• ارزشِ بالا در پایین‌دست، یعنی توزیع، خدمت‌رسانی، و رابطه با مشتری

ظهورِ چین میانهٔ آن منحنی را برای سخت‌افزار هموار و کالایی کرد. هوش مصنوعی مولد اکنون دارد میانهٔ معادل را برای نرم‌افزار کالایی می‌کند، یعنی صرفِ عملِ نوشتنِ کد. نتیجه‌گیری‌ای که در هر دو مورد یکسان است این است: میانهٔ کالایی‌شده را رها کنید و به دو انتهای لبخند بروید.

اما این دو انتها دقیقاً همان دارایی‌های سمتِ تقاضا و در سطحِ سیستم هستند که نه هوش مصنوعی و نه تراکمِ تولید نمی‌توانند ارزان بازتولیدشان کنند. در بالادست یعنی دادهٔ اختصاصی، پژوهش، و بینشِ طراحی. در پایین‌دست یعنی برند، اعتماد، توزیع، موقعیتِ تنظیم‌گری، و مالکیتِ رابطه با مشتری و نتیجهٔ عملیاتی.

پیامدِ مرتبهٔ سوم: رانت به درزها منتقل می‌شود

این پیامدی است که تحلیل را به راهبرد وصل می‌کند. رانتِ پایدار از هر بُعدِ منفردی بیرون رفته و به اتصالِ میانِ ابعاد منتقل شده است، و نیز به دارایی‌هایی که اساساً بیرون از تولید قرار دارند. اگر کدِ ناب رایگان است و اتمِ ناب ارزان، پس اصطکاک‌هایی که هنوز رانت ایجاد می‌کنند همان‌هایی‌اند که در درزها زندگی می‌کنند:

• طراحیِ مشترکِ فشردهٔ سخت‌افزارِ سفارشی با نرم‌افزارِ سفارشی، به‌طوری‌که هیچ‌کدام بدون دیگری برای یک تقلیدکننده مفید نباشد.
• دادهٔ اختصاصیِ تولیدشده از راهِ ادارهٔ یک فرایندِ واقعیِ فیزیکی یا تنظیم‌گری‌شده، که دقیقاً چون محصولِ جانبیِ انجامِ کار است و نه چیزی که بتوان آن را کپی کرد، کمیاب است.
• روابطِ عمیق و دیرساختِ اعتماد و اعتبارنامه‌های تنظیم‌گری در صنایعِ محافظه‌کار، جایی که یک کلونِ ارزان پیش از آنکه کسی اصلاً آن را ارزیابی کند رد صلاحیت می‌شود.
• موقعیتِ اصل، جایی که یک شرکت ابزارِ کالایی‌شدنی نمی‌فروشد، بلکه خودِ عملیات را در اختیار دارد، مسئولیت را می‌پذیرد، نتیجه را تضمین می‌کند، و هم کلِ استخرِ سود و هم خروجیِ دادهٔ انحصاری را تصاحب می‌کند.

این‌ها همان اصطکاک‌هایی هستند که هوش مصنوعی و تجمعِ چینی از نظر ساختاری قادر به حل‌کردن‌شان نیستند، چون اصلاً اصطکاکِ تولیدی نیستند. آن‌ها اصطکاکِ اعتماد، دسترسیِ فیزیکی، تنظیم‌گری، مشاهدهٔ انباشتهٔ دنیای واقعی، و مالکیتِ عملیاتی هستند.

بخش هفت: محدودیت‌ها، ایرادها، و صادق بودن دربارهٔ آن‌ها

چنین تزِ فراگیری باید در برابرِ قوی‌ترین اعتراض‌هایش آزمونِ فشار شود، چون راهبردی که بر پایهٔ یک پیش‌فرضِ اغراق‌آمیز ساخته شود دقیقاً همان‌جایی شکست می‌خورد که آن پیش‌فرض بیش از حد قوی بوده است.

ایراد ۱: نرم‌افزارِ تولیدشده توسط هوش مصنوعی هنوز در سطحِ مرزی نیست

نخستین ایراد این است که نرم‌افزارِ تولیدشده توسط هوش مصنوعی هنوز برای پیچیده‌ترین، قابل‌اعتمادترین، یا نوآورانه‌ترین سیستم‌ها هم‌سطحِ نرم‌افزارِ مهندسی‌شده توسط متخصص نیست، و اینکه یک مرزِ واقعیِ کیفیت هنوز میانِ تولیدِ کالایی و مهندسیِ مرزی وجود دارد.

این درست است و اهمیت دارد. استدلالِ کالایی‌سازی بیشترین شدت را بر بدنهٔ بزرگِ نرم‌افزارِ کاربردیِ متعارف دارد، جایی که منطقش پیش‌تر پیموده شده است. در مرزِ واقعی، در الگوریتم‌های نو، در سیستم‌هایی که به قابلیتِ اطمینان یا امنیتِ بسیار بالا نیاز دارند، و در مسائلی که در داده‌های آموزشی سابقه‌ای ندارند، قضاوتِ انسانیِ متخصص هنوز رانت می‌گیرد. بنابراین ادعای دقیق این است که هوش مصنوعی خندق را برای اکثریتِ قابلِ کالایی‌شدنِ نرم‌افزار فرو می‌ریزد، نه اینکه همهٔ ارزشِ نرم‌افزار را از میان می‌برد.

اما جهت حرکت از نظر استراتژیک مهم است، زیرا مرزی که هنوز قابل دفاع می‌ماند باریک است، پیوسته جابه‌جا می‌شود، و برای یک کسب‌وکار پایدار پایه‌ی بدی است مگر آن‌که به یکی از سنگرهای غیرتولیدیِ بالا لنگر انداخته باشد.

اعتراض ۲: برتری چینی‌ها نابرابر است و از نظر سیاسی محل مناقشه است

دومین اعتراض این است که سلطه‌ی تولیدی چین در میان دسته‌های مختلف نابرابر است و اکنون با نیروهای متقابل ژئوپولیتیکیِ جدی روبه‌رو است، از جمله تعرفه‌ها، کنترل‌های صادراتی، بازگردانی تولید به داخلِ برانگیخته‌شده توسط امنیت ملی، و دوست‌محورسازیِ عمدیِ زنجیره‌های تأمینِ حیاتی.

این هم درست است. استدلالِ کالاوارگی در الکترونیک مصرفی، کالاهای مکانیکی، و مونتاژهای با پیچیدگی متوسط قوی‌تر است، و در بالاترین لایه‌ی پشته‌ی فناوری ضعیف‌تر، و آشکارترین نمونه‌اش ساختِ پیشرفته‌ی نیمه‌هادی است، جایی که شدتِ بسیار بالای سرمایه و تعداد اندکی تأمین‌کننده‌ی غیرقابل‌جایگزین، برای خودشان سنگرهایی ایجاد می‌کنند. سیاست‌گذاری هم می‌تواند اصطکاک‌هایی را که تجمع صنعتی حذف کرده بود، به‌طور مصنوعی بازگرداند؛ از طریق تعرفه‌هایی که هزینه‌ی تمام‌شده‌ی وارداتیِ تقلیدکننده را بالا می‌برند یا کنترل‌های صادراتی که ورودی‌هایش را از او دریغ می‌کنند.

اما آن نیروهای متقابل در واقع نتیجه‌گیریِ مرکزی را تقویت می‌کنند، نه تضعیف، زیرا هم سنگرِ نیمه‌هادیِ باقی‌مانده و هم سنگرِ بازگردانی تولیدِ هدایت‌شده توسط سیاست، باز هم، سنگرِ صرفاً سخت‌افزاری نیستند. آن‌ها سنگرهای مقیاس سرمایه‌ی بسیار بالا، جایگاهِ تأمین‌کننده‌ی غیرقابل‌جایگزین، و رابطه‌ی مقرراتی و ژئوپولیتیکی‌اند. آن‌ها دقیقاً همان اصطکاک‌های غیرتولیدی، رابطه‌ای، و موقعیتی هستند که این گزارش می‌گوید رانت به‌سوی آن‌ها مهاجرت کرده است.

اعتراض ۳: چرا غول‌های جاافتاده هنوز این‌قدر سودآورند؟

سومین اعتراض ظریف‌تر است. اگر هم نرم‌افزار و هم سخت‌افزار کالاوار شده‌اند، چرا بزرگ‌ترین بازیگرانِ جاافتاده‌ی فناوری هنوز به‌طور خارق‌العاده‌ای سودآورند؟

پاسخ این است که آن بازیگران جاافتاده هرگز در واقع توسط نرم‌افزارِ صرف یا سخت‌افزارِ صرف دفاع نمی‌شدند. سنگرهای واقعی آن‌ها اثرات شبکه‌ای، کنترل توزیع و توجه، داده‌ی انحصاری در مقیاس تمدنی، قفل‌شدگیِ اکوسیستم، و در برخی موارد ریشه‌دوانیِ مقرراتی است. فروپاشی‌ای که اینجا توصیف شده هیچ‌کدام از آن‌ها را تهدید نمی‌کند، و در چند جهت آن‌ها را تقویت هم می‌کند، زیرا هرچه تولیدِ صرف کالاوارتر می‌شود، ارزشِ نسبیِ دارایی‌های غیرتولیدی‌ای که جاافتاده‌ها از قبل مالک آن‌ها بوده‌اند بالا می‌رود.

این کاملاً با این تز سازگار است. کالاوارگیِ تولید همه‌ی سود را هموار نمی‌کند. سود را از شرکت‌هایی بازتوزیع می‌کند که تنها برتری‌شان این بود که تولید سخت بود، و به‌سوی شرکت‌هایی می‌برد که اصطکاک‌هایی را مالک‌اند که تولید نمی‌تواند لمسشان کند. جاافتاده‌ها باقی می‌مانند چون هرگز کسب‌وکارهای تک‌بعدی نبودند. این درس است، نه استثنا.

بخش هشت: جمع‌بندی و پل به سنگر مدرن

دو فروپاشیِ این گزارش، در بنیاد، یک سازوکارِ واحد هستند که در دو حوزه تکرار می‌شود، نه یک جدول زمانیِ مشترک. در هر دو مورد، طبقه‌ای از کسب‌وکار رانتِ پایداری به‌دست آورد چون تولید سخت، کند، و گران بود. در هر دو مورد، نیرویی که اصطکاک را می‌زداید، یعنی هوش مصنوعی زایشی در حوزه‌ی دیجیتال و تجمع صنعتیِ بسیار متراکم در حوزه‌ی فیزیکی، تولید را آسان، سریع، و ارزان کرد. در هر دو مورد، رنتی که توسط دشواریِ تولید دفاع می‌شد، به‌محض آن‌که تولید دیگر دشوار نبود، بخار شد.

این تقارن دقیق است، و دیدن آن از دانستنِ هر نیمه به‌تنهایی ارزشمندتر است، چون قانونِ عام زیرِ هر دو را آشکار می‌کند:

هر سنگری که فقط از دشواریِ ساختنِ یک چیز تشکیل شده باشد، موقتی است، و دقیقاً تا زمانی دوام می‌آورد که کسی بفهمد چگونه همان چیز را آسان بسازد.

نتیجه‌ی راهبردی مستقیماً از این‌جا بیرون می‌آید. چون نه بیت‌ها به‌تنهایی و نه اتم‌ها به‌تنهایی می‌توانند از یک کسب‌وکار محافظت کنند، دفاع‌پذیری باید از اصطکاک‌هایی ساخته شود که از هر دو فروپاشی جان سالم به‌در برده‌اند:

• ادغامِ حلقه‌به‌حلقه‌ی فشرده و بسته‌ی سخت‌افزارِ سفارشی و نرم‌افزارِ سفارشی، تا نتوان سامانه را تکه‌تکه کرد و جزءبه‌جزء کپی نمود.
• داده‌ی انحصاری و پیوسته به‌روزرسانی‌شده‌ای که به‌عنوان محصول جانبیِ اداره‌ی یک گردش‌کار واقعی تولید می‌شود، که قابل کپی‌برداری نیست چون باید از راه عملیات به‌دست آید.
• روابط عمیق، اعتماد، و جایگاه مقرراتیِ صنایع محافظه‌کار، که هیچ عاملِ کدنویس و هیچ کارخانه‌ی قراردادی نمی‌تواند ایجاد کند.
• تصمیم به فعالیت به‌عنوان اصیل به‌جای فروشنده، یعنی مالکیتِ گردش‌کار و نتیجه‌ی آن، تا کل استخرِ سود و تمام ردپای داده‌ایِ آن حفظ شود و به بیرون فروخته نشود.

یک شرکتِ در مقیاسِ سرمایه‌گذاریِ مدرن دقیقاً به همان اندازه قابل دفاع است که چندین‌تا از آن اصطکاک‌های باقی‌مانده را در یک سیستمِ عملیاتیِ جفت‌شده که با اجرا بهتر می‌شود، گرد هم آورد. هر چیزی که قبلاً چون ساختنش سخت بود سنگر محسوب می‌شد، اکنون چون ساختنش آسان است کالا شده است. آن‌چه قابل دفاع می‌ماند، چیزی است که دسترسی به آن سخت است، جلب اعتماد در آن سخت است، از نظر مقرراتی وارد شدن به آن سخت است، و بدون انجامِ کارِ واقعی سخت است که مشاهده شود.

سنگرِ آینده از بیت‌ها ساخته نشده است، و از اتم‌ها هم ساخته نشده است. از درزهای بین آن‌ها ساخته شده است، و از روابط و داده‌ی به‌دست‌آمده‌ای که هیچ‌کس نمی‌تواند بدون ایستادن در جایی که تو ایستاده‌ای بازآفرینی کند.

نتیجه‌گیریِ تحلیل

پارادایمِ سی‌ساله‌ای که نرم‌افزار را موتورِ قابل‌اعتمادِ سودِ قابل‌دفاع و سخت‌افزار را کالای کم‌حاشیه می‌دانست، فقط جابه‌جا نشد. دو فرض بنیادینِ آن به‌صورت پی‌درپی ابطال شدند. تجمع صنعتیِ چین فرضِ دشوار بودنِ تکرار و تولیدِ سخت‌افزار در نخستین گام را ابطال کرد. هوش مصنوعی زایشی اکنون فرضِ دشوار بودنِ تولید و جایگزینیِ نرم‌افزار را ابطال می‌کند.

از آن‌جا که هر دو سنگر عمدتاً بر دشواریِ تولید بنا شده بودند، و چون آن دشواری هدفِ مشخصِ هر دو نیروی اصطکاک‌زدا بود، هر دو سنگر فرو ریختند. رانتِ گذشته که به هرکس می‌رفت که می‌توانست بیت‌ها را بسازد یا اتم‌ها را فورج کند، اکنون به مصرف‌کنندگان و تقلیدکنندگان جریان می‌یابد، مگر آن‌که یک شرکت خود را به اصطکاکی لنگر زده باشد که فروپاشیِ تولید به آن دسترسی ندارد.

آن اصطکاک‌های باقی‌مانده، یعنی یکپارچگی، داده‌ی عملیاتیِ انحصاری، روابطِ مورداعتماد، جایگاهِ مقرراتی، و مالکیتِ اصیلِ یک گردش‌کار واقعی، جایی‌اند که ارزشِ پایدار به آن‌جا رفت. ساختنِ یک شرکتِ قابل‌دفاع در این دوران یعنی خودداری از وابستگی به این‌که هیچ بُعدِ واحدی سخت باشد، زیرا هیچ چیزی که صرفاً ساختنش سخت است، وقتی ساختنش آسان شود، دیگر قابل دفاع نمی‌ماند.

سنگر مدرن

تمامِ آن‌چه بالا آمد، تشخیص است. مشخص می‌کند رانت به کجا رفت و چرا، اما در سطحِ اصل متوقف می‌شود، و یک اصل به تو نمی‌گوید شرکتی که بر پایه‌ی آن ساخته شده واقعاً چه شکلی دارد. این نیمه پاسخ است. توضیح می‌دهد دفاع‌پذیری از چه ساخته شده است اکنون، و وقتی به‌صورت یک کسب‌وکار واقعی سرهم می‌شود چه شکلی دارد.

دمبل

پیش از قواعدِ ساخت، مفید است که دمبل را صریح کنیم، چون تحلیل بارها به آن اشاره کرد بدون آن‌که دو سرش را فهرست کند. من این را در ۲۰۲۵ در نظریه‌ی دمبلِ ارزشِ نرم‌افزار بسط دادم، جایی که نظریه‌ی اهرمِ نرم‌افزارِ درونی‌ام را در برابر تزِ فراوانی آشتی دادم. نتیجه این بود که ارزشِ نرم‌افزار به دو خوشه قطبی می‌شود و میانه در حال فروپاشی است.

در یک سر، پرایمیتیوهای بنیادینِ عظیم قرار دارند، مدل‌های بنیادین، زیرساختِ محاسباتی، پلتفرم‌های ابری، تراشه‌ها، و زیرساختِ اصلیِ هوش مصنوعی. این‌ها با شدتِ سرمایه، اقتصادِ مقیاس، و تمرکزِ پژوهشی در سطحی دفاع می‌شوند که یک سرمایه‌گذاریِ تازه اساساً نمی‌تواند به آن برسد. این‌ها فرصتی نیستند که من توصیف می‌کنم. آن‌ها محیطی هستند که آن فرصت درونش عمل می‌کند.

گوگل موردِ سقف است. این شرکت مدل‌های LLM، TPUها، زیرساختِ ابری، Search، Android، YouTube، Maps، Chrome، توزیعِ پیش‌فرض، و داده‌ی انحصاری را در مقیاسی ترکیب می‌کند که تقریباً هیچ‌کس نمی‌تواند به آن دست بزند. این آن را به الگوی استارتاپی تبدیل نمی‌کند. آن را به قطبِ بالاییِ دمبل در تحققِ کامل تبدیل می‌کند. تو نمی‌توانی از آن‌جا شروع کنی. آن‌چه گوگل ثابت می‌کند سازوکار است: وقتی تولید ارزان می‌شود، ارزشِ پایدار به محاسبات، توزیع، زیرساخت، داده، و جایگاهِ اکوسیستمی مهاجرت می‌کند که یک تازه‌وارد نمی‌تواند به‌سادگی با اجاره به آن وارد شود. محدودیت را هم ببین. گوگل حراج را اجرا می‌کند. معمولاً نتیجه‌ی تبلیغ‌کننده را مالک نیست. به همین دلیل است که Waymo، نه Search، نمونه‌ی روشن‌ترِ جایگاهِ اصیل در ادامه است.

در سرِ دیگر، اهرمِ خصوصیِ بسیار خاص قرار دارد. مالکیتِ عمیقِ گردش‌کار، خودکارسازیِ دنیای فیزیکی، فرایندهای مقرراتی، جایگزینیِ نیروی کارِ متخصص، داده‌ی عملیاتیِ انحصاری، و مالکیتِ نتیجه. این سر قابل دسترس است، و دقیقاً توسط همان اصطکاک‌های غیرتولیدی‌ای دفاع می‌شود که تحلیل آن‌ها را بازمانده‌ها شناسایی کرد.

میانه‌ی خطرناک، نرم‌افزارِ عمومی است. این همان وب‌اپ، داشبورد، ابزار CRUD، مدیرِ گردش‌کار، و پوسته‌ی نازک روی API مدل است. از بالا توسط پرایمیتیوها تحت فشار قرار می‌گیرد، چون آن‌ها قابلیتِ عمومی را پیوسته در خود جذب می‌کنند، و از پایین توسط فروپاشیِ هزینه‌ی ساختِ هر چیزِ عمومیِ دیگری. یک محصول در میانه ساختنش آسان است، کپی‌کردنش آسان است، برای یک بازیگرِ جاافتاده آسان است که آن را به‌عنوان یک ویژگی در خود جذب کند، و معمولاً بخشِ بسیار کمی از زنجیره‌ی ارزشِ مشتری را مالک است تا از یک قیمت دفاع کند.

سنگرِ چهار عاملی

دفاع‌پذیریِ امروز از یک دیوارِ بلند نمی‌آید. از درهم‌تنیده شدنِ چند مزیت می‌آید. چهار ستونِ متمایز فروپاشیِ دوقلویِ تولیدِ سخت‌افزار و نرم‌افزار را تاب می‌آورند. یک شرکتِ مدرنِ پایدار به مسیرِ معتبر به‌سوی دست‌کم سه‌تا از آن‌ها نیاز دارد. نه یکی. سه‌تا. ابعادِ واحد دیگر هیچ‌کس را محافظت نمی‌کنند، و در ادامه هم هرگز نخواهند کرد.

سخت‌افزارِ عالی

سخت‌افزار عالی به معنای اختراع دستگاه‌های عجیب‌وغریب نیست. قطعاً به معنای فروختن یک ابزارک هوشمند با حاشیه سود هم نیست. یک دستگاه قابل‌مشاهده، قابل‌کپی، و جداگانه‌فروخته‌شده دقیقاً همان چیزی است که خوشه‌های تولیدی سریع‌ترین نابودش می‌کنند. سخت‌افزار زمانی جای خود را پیدا می‌کند که خودِ محصول نباشد، بلکه ابزار باشد. این به شرکت دسترسی فیزیکیِ ممتاز به فرایندی می‌دهد که هیچ رقیبی نمی‌تواند از بیرون آن را مشاهده کند. سخت‌افزار دنیای فیزیکی را حس می‌کند، داده‌های اختصاصی را ثبت می‌کند، اقدامات فیزیکی را اجرا می‌کند، و گردش‌کار را استاندارد می‌سازد و در نتیجه نرم‌افزارِ بالای آن را بسیار سخت‌تر برای کپی‌کردن می‌کند. آزمون ساده است. آیا می‌توان سخت‌افزار را جدا کرد و به‌تنهایی فروخت؟ اگر بتوان، آن یک ابزارک است و کالایی‌سازی می‌شود. اگر بدون نرم‌افزار، داده، و عملیات پیرامونش بی‌معنا باشد، پس دارد کارِ خندق‌سازی انجام می‌دهد.

نرم‌افزار سفارشیِ عالی

نرم‌افزار سفارشیِ عالی، SaaS عمومی نیست و یک رابط کاربری بهتر هم نیست. این نرم‌افزار درون یک فرایند فیزیکی یا مقرراتیِ مشخص کار می‌کند، تصمیم‌هایی را خودکار می‌کند که وزن اقتصادی واقعی دارند، نیروی انسانی یا ماشین‌ها را هماهنگ می‌کند، و اصلاحات و موارد لبه‌ای را همان‌طور که رخ می‌دهند ثبت می‌کند. توجه کنید چه چیزی آن را قابل‌دفاع می‌کند. نه کد، که همان‌طور که تحلیل نشان داد اکنون ارزان است، بلکه وابستگی‌اش به دسترسی عملیاتی، داده‌های اختصاصی، و دانش عمیق گردش‌کار که یک رقیب نمی‌تواند صرفاً با تقلید از یک رابط به دست آورد. این نرم‌افزار سخت کپی می‌شود، چون چیزهایی که به آن متصل است سخت دسترس هستند، نه چون خودِ نرم‌افزار سخت نوشته می‌شود.

روابط عالی

روابط عالی در میان پایدارترین خندق‌ها در صنایع سخت هستند. آن‌ها کاملاً در برابر کالایی‌سازیِ هم سخت‌افزار و هم نرم‌افزار مصون‌اند. این روابط شامل اعتبارسنجی مقرراتی، اعتماد مشتری، دسترسی توزیعی به خریداران محافظه‌کار، و مشارکت‌های عملیاتیِ بلندمدت می‌شوند. این را در بخش‌هایی مانند دفاع، سلامت، ساخت‌وساز، و زیرساخت می‌بینید. خریداران در آن بازارها هرگز فقط به این دلیل که نرم‌افزار کمی بهتر است، یک فروشنده را انتخاب نمی‌کنند، و در بسیاری از موارد، حتی اگر ۱۰ برابر بهتر هم باشد، این کار را نمی‌کنند. آن‌ها بر اساس اعتماد و سابقه، قابلیت‌اطمینان، مسئولیت‌پذیری، انطباق، و اثبات می‌خرند. یک نسخه ارزان‌تر معمولاً پیش از آن‌که کسی آن را ارزیابی کند، رد صلاحیت می‌شود. روابط به زمان، اعتبار، و سابقه اجرای واقعی نیاز دارند. نه عامل‌های هوش مصنوعی و نه یک خط مونتاژ شنژن نمی‌توانند اعتماد را یک‌شبه تولید کنند.

داده‌های منحصربه‌فرد

داده‌های منحصربه‌فرد مهم‌ترینِ این چهار مورد است و همان چیزی است که مردم بیش از همه در آن اشتباه می‌کنند. همه داده‌ها ارزشمند نیستند، و داده‌های عمومیِ استخراج‌شده اکنون تقریباً به‌عنوان خندق بی‌ارزش‌اند. داده‌ای که اهمیت دارد خصوصی، ضمنی، و در سطح خبره است، فیزیکی و مخصوص گردش‌کار است، از عملیات واقعی تولید می‌شود، و پر از موارد لبه‌ای، اصلاحات، و شکست‌هایی است که هرگز در هیچ پیکره عمومی ظاهر نمی‌شوند. شما نمی‌توانید چنین داده‌ای بخرید، و نمی‌توانید آن را استخراج کنید. این داده فقط به‌عنوان محصول جانبیِ اجرای یک عملیات زنده از طریق یک حلقه بسته از چهار مرحله تولید می‌شود:

1. مشاهده
2. تصمیم
3. اقدام
4. نتیجه

این حلقه همچنین جایی است که چهار عامل شروع به تقویت یکدیگر می‌کنند. سخت‌افزار مشاهده می‌کند و عمل می‌کند، نرم‌افزار تصمیم می‌گیرد و هماهنگ می‌کند، روابط دسترسی به گردش‌کار را فراهم می‌کنند، و داده‌های منحصربه‌فرد از نتایج انباشت می‌شوند.

بیشتر شرکت‌ها فقط مرحله اول این جریان داده را ثبت می‌کنند. خندق به هر چهار مورد نیاز دارد، یعنی شما نه‌تنها می‌دانید چه رخ داده، بلکه می‌دانید در پاسخ چه تصمیمی گرفته شده، چه اقدامی واقعاً انجام شده، و آیا نتیجه کار کرده است یا نه. آن مرحله چهارم، یعنی نتیجه تأییدشده، همان چیزی است که داده را قابل‌آموزش می‌کند و مزیت را مرکب می‌سازد. هر کارِ تکمیل‌شده، سیستمی را که کار بعدی را انجام می‌دهد بهبود می‌بخشد، و این تنها شکل مزیت در سراسر این سند است که رشد می‌کند به‌جای آن‌که فرسوده شود.

وقتی حلقه‌ها مرکب می‌شوند و وقتی متوقف می‌شوند

حلقه بسته در سطح انتزاعی اجتناب‌ناپذیر به نظر می‌رسد. در عمل، بیشتر تلاش‌ها برای ساختن آن شکست می‌خورند. حلقه یک ادعاست، نه یک قانون، و حالت‌های شکست مشخصی دارد که فهمیدن‌شان از حالت موفقیت مفیدتر است.

• داده اشباع می‌شود: ارزش داده‌های انباشته از یک منحنی بازده نزولی پیروی می‌کند. در یادگیری عمیق، سون و همکاران دریافتند که عملکرد در وظایف بینایی با حجم داده آموزشی به‌صورت لگاریتمی افزایش می‌یابد، که یعنی هر دوبرابرشدن مجموعه‌داده یک افزایش دیگر می‌خرد، نه یک معجزه دیگر. اولین هزار اجرا بیشترین آموزش را به شما می‌دهد. ده‌هزار اجرای بعدی کمتر آموزش می‌دهند. صد‌هزار اجرای بعدی تقریباً هیچ چیز تازه‌ای یاد نمی‌دهند. رقیبی که دیرتر شروع می‌کند اغلب می‌تواند با کسری از داده تاریخی به ۹۰ درصد عملکرد شما برسد و شکاف را سریع‌تر از چیزی که اعداد خام نشان می‌دهند ببندد.

• ممکن است داده‌ها متعلق به شما نباشند که از آن‌ها استفاده کنید: شما از طریق گردش‌کار داده‌های اختصاصی تولید می‌کنید، اما اگر قرارداد شما بگوید مشتری مالک آن است و شما نمی‌توانید آن را در استقرارهای مختلف تجمیع کنید، شما پنجاه سیلوی داده جداگانه دارید، نه یک فلای‌ویل. در سطح پلتفرم، OpenAI، Anthropic، Microsoft Azure OpenAI، AWS Bedrock، و Google Vertex AI همگی به مشتریان تجاری می‌گویند ورودی‌ها و خروجی‌هایشان به‌طور پیش‌فرض برای آموزش مدل‌های بنیادی استفاده نمی‌شود. این برای مشتریان خوب است و برای فروشندگان یک هشدار. یادگیری میان‌مشتری فقط در صورتی مرکب می‌شود که قرارداد اجازه بدهد. قانون حریم خصوصی هم محدودیت دیگری اضافه می‌کند، چون اصل محدودسازی هدف در GDPR، حقوق حذف، قواعد عدم‌شناسایی HIPAA، و قواعد CCPA/CPRA درباره اشتراک‌گذاری برای تبلیغات رفتاریِ میان‌زمینه‌ای همگی استفاده ثانویه از داده را سخت‌تر می‌کنند. این بیشتر خندق‌های واقعیِ هوش مصنوعی را می‌کشد تا رقابت.

• گردش‌کار سریع‌تر از بهبود مدل تغییر می‌کند: در حوزه‌های عملیاتی با تغییرات سریع، داده یک نیمه‌عمر قابل‌اندازه‌گیری دارد. همان‌طور که والی و همکاران در پژوهشی از دانشکده کسب‌وکار هاروارد نشان دادند، یک انبار تاریخی بزرگ از داده مانع ورود ضعیفی ایجاد می‌کند. یک تازه‌وارد که به جریان کوچک‌تری از داده‌های تازه و جدید مجهز است، اغلب می‌تواند مدلی دقیق‌تر از یک بازیگر جاافتاده بسازد که روی سال‌ها داده قدیمی نشسته است، به‌ویژه وقتی داده کهنه به‌طور فعال دقت را کاهش می‌دهد. یک مطالعه انفورماتیک بالینی این را مستقیماً نشان داد، جایی که نیمه‌عمر داده‌های پیش‌بینی سفارش بستری حدود چهار ماه بود، و یک ماه داده تازه از دوازده ماه داده قدیمی بهتر عمل کرد. در تولید، رانش حسگر، فرسودگی ابزار، بازطراحی فرایند، و تغییرات شِما یعنی مدل‌هایی که با داده تاریخیِ کارخانه آموزش دیده‌اند دارند درباره کارخانه‌ای استدلال می‌کنند که دیگر وجود ندارد. این یک قاعده جهانی نیست. فرایندهای تحت حاکمیت فیزیک، جداول اکچوئری، داده‌های زمین‌شناسی، و سایر حوزه‌های کند می‌توانند داده‌های قدیمی را برای مدت طولانی ارزشمند نگه دارند. اگر گردش‌کار سریع‌تر از بهبود مدل تغییر کند، داده تاریخی شما به‌جای مزیت، وزن کهنه می‌شود.

• هزینه، مانع است و مانع هم همان هزینه است: مالکیت گردش‌کارهای دنیای واقعی سرمایه‌بر، نیروی‌کاربر، و کم‌حاشیه‌تر از نرم‌افزار خالص است. تسلا گزارش داد حاشیه سود ناخالص GAAP کل در سال ۲۰۲۵ حدود ۱۸ درصد بوده است با وجود یکپارچگی عمودی. Intuitive Surgical گزارش داد پایگاه نصب‌شده دِوینچی ۱۱٬۱۰۶ سیستم و حاشیه سود ناخالص non-GAAP برابر ۶۷٫۶ درصد در سال ۲۰۲۵ بوده است، پس از دهه‌ها سرمایه‌گذاری، آموزش جراح، و حجم رویه. همان هزینه‌ای که رقبا را بیرون نگه می‌دارد، بیشتر تازه‌واردان را هم از ساختن چیزی که ارزش دفاع داشته باشد بازمی‌دارد. بسیاری از تلاش‌ها خیلی قبل از آن‌که حلقه مرکب شود، در اقتصاد واحد شکست می‌خورند.

آنچه حلقه‌هایی را که واقعاً مرکب می‌شوند از حلقه‌هایی که خندق جعلی هستند جدا می‌کند:

• داده به نتیجه پیوند خورده است، یعنی شما می‌دانید نتیجه درست بود یا غلط، نه این‌که فقط سیگنال‌ها را جمع کنید.
• داده از نظر قراردادی متعلق به شماست که در استقرارهای مختلف از آن استفاده کنید.
• گردش‌کار به‌اندازه کافی پایدار است که داده تاریخی مرتبط باقی بماند.
• هر اجرا موارد لبه‌ای جدیدی تولید می‌کند، نه فقط همان چیزهای قبلی.
• فراوانی به‌اندازه کافی بالاست که یادگیری پیش از آن‌که گردش‌کار دگرگون شود، مرکب گردد.

این تز در صورتی نادرست است که هر یک از موارد زیر درست باشند:

• یک رقیب بتواند داده معادل را از طریق اسکرپ‌کردن، تولید مصنوعی، یادگیری انتقالی، یا یک خرید یک‌باره به دست آورد.
• مشتری طبق قرارداد مالک داده باشد و شما نتوانید آن را در استقرارهای مختلف تجمیع کنید.
• گردش‌کار سریع‌تر از بهبود مدل تغییر کند، به‌طوری‌که داده انباشته سیستمی را توصیف کند که دیگر وجود ندارد.
• ارزش داده در همان N اجرای اول اشباع شود، یعنی مزیت ثابت است نه مرکب.
• هزینه مالکیت گردش‌کار از ارزش داده‌ای که تولید می‌کند بیشتر باشد.

اگر آن شرایط برقرار باشند، حلقه یک خندق نیست. یک پروژه مهندسی پرهزینه با یک برتری موقتی است. همان‌طور که a16z در سال ۲۰۱۹ استدلال کرد، بیشتر مزیت‌های داده اثرات مقیاس با بازده نزولی هستند، نه اثرات شبکه‌ای جادویی. این قبل از موج کنونی هوش مصنوعی درست بود. الان هم هنوز درست است.

مدل‌های کسب‌وکار ساخته‌شده بر خندق مدرن

چهار عامل توضیح می‌دهند که خندق از چه ساخته شده است. سؤال بعدی این است که چه نوع مدل کسب‌وکاری واقعاً می‌تواند آن را تصاحب کند. در عمل، پاسخ از فروش ابزارها دور می‌شود و به‌سوی مالکیت خودِ جریان کار می‌رود.

اصل، نه فروشنده

مهم‌ترین تصمیم با بیشترین اهرم در کل این چارچوب، رد کردن جایگاه فروشنده است.

یک حرکتِ فروشنده یعنی فروختنِ یک ابزار به سازمانی که از قبل مالکِ جریان کار است. این کار جذاب به نظر می‌رسد چون از نظر سرمایه‌ای سبک است و در تئوری مقیاس‌پذیر است، اما هر منبع اهرمی را به مشتری واگذار می‌کند. اپراتور رابطه با مشتری، فرایند فیزیکی، داده‌های عملیاتی، بودجه، مسئولیت حقوقی، و نتیجه نهایی را حفظ می‌کند. فروشنده فقط یک لایه نرم‌افزار را بالای همهٔ این‌ها نگه می‌دارد. استارتاپ بخش کوچکی از ارزشی را که ایجاد می‌کند تصاحب می‌کند، مشتری تا جایی که محصول به خدماتی‌شدن منحرف شود، یکپارچه‌سازی‌های سفارشی می‌طلبد، اپراتور می‌تواند ابزار را در حال کار ببیند و سپس آن را با یک ساخت داخلی جایگزین کند که اکنون تولیدش به‌طور چشمگیری ارزان‌تر است، و چون اپراتور بهترین داده‌ها را در اختیار دارد، مدلِ فروشنده هرگز اثر انباشت پیدا نمی‌کند. حاشیه سودها در حد سقف نگه داشته می‌شوند. این موضوع به‌ویژه در صنایع فیزیکی خطرناک است، جایی که فروشندگان نرم‌افزار به‌طور قابل‌اعتماد به مشاورانی پرآب‌وتاب تنزل پیدا می‌کنند.

جایگاهِ قوی‌تر این است که اصل شوید، یعنی خودِ عملیات، مسئولیت، اعتباربخشی، جریان کار، یا خودِ مسئولیت حقوقی را مالک شوید. به‌جای فروش نرم‌افزار به هر کسی که کار را انجام می‌دهد، شرکت خودِ کار را انجام می‌دهد یا نتیجهٔ آن را تضمین می‌کند. این کار هر عیب بالا را وارونه می‌کند. شرکت به‌جای یک برشِ مجوزدهی، کلِ حاشیهٔ سود را تصاحب می‌کند، نتیجهٔ مشتری و در نتیجه رابطه را مالک می‌شود، و داده‌ها را هم مالک می‌شود چون عملیات خودِ شرکت آن را تولید می‌کند. چون خودِ شرکت اپراتور است، نمی‌توان آن را توسط اپراتور واسطه‌زدایی کرد، و به‌جای فهم دست‌دوم، تخصص عملیاتی واقعی می‌سازد.

این اصل در یک دستور فشرده می‌شود:

ابزار را نفروش. نتیجهٔ کامل‌شده را بفروش.

در عمل، این موضوع به‌صورت بازقالب‌بندیِ مداوم هر ایدهٔ فروشنده به نسخهٔ اصلیِ آن خود را نشان می‌دهد:

این تصمیم از هر تصمیم دیگری در چارچوب مهم‌تر است، چون مشخص می‌کند چه کسی مالک داده است، و مالکیت داده تعیین می‌کند که آیا مزیت انباشت می‌شود یا فرسوده می‌گردد.

سرویس به‌مثابه سرویس

جایگاه اصلی مستلزم یک مدل تحویل است که با نرم‌افزارِ متعارف فرق دارد، و ارزش دارد برایش نامی گذاشته شود، چون در نگاه اول برای هر کسی که با حاشیه سودهای SaaS آموزش دیده، شبیه کسب‌وکاری بدتر به نظر می‌رسد.

این مدل چند نام در گردش دارد. YC، a16z، و دیگران آن را service-as-software نامیده‌اند، و تزِ رول‌آپِ مجهز به هوش مصنوعی خویشاوند نزدیکی است. من service as a service را ترجیح می‌دهم چون تأکید را روی چیزی می‌گذارد که مشتری واقعاً دریافت می‌کند.

مشتری نباید برای انجام شدن کار، مجبور باشد از نرم‌افزار استفاده کند. شرکت باید با هم‌زمان به‌کارگیری نرم‌افزار، هوش مصنوعی، نیروی انسانی، سخت‌افزار، و عملیات، کارِ نهایی را تحویل دهد. نرم‌افزار اهرم داخلی است، نه محصول.

توالیِ کار عمدی است. کار را در ابتدا به‌صورت دستی، یا با انسان‌ها در حلقه انجام دهید. از نرم‌افزار استفاده کنید تا آن کار انسانی سریع‌تر، یکنواخت‌تر، و قابل‌اندازه‌گیری‌تر شود. هر ورودی، تصمیم، اصلاح، حالتِ استثنایی، و نتیجه را ثبت کنید. سپس از داده‌های انباشته‌شده استفاده کنید تا بخش بیشتری از جریان کار را خودکار کنید، و به سمت یک ارائه‌دهندهٔ سرویسِ خودکار با حاشیه سود و دفاع‌پذیری‌ای حرکت کنید که نرم‌افزار متعارف نمی‌تواند با آن رقابت کند.

این از مشاوره در یک تفاوتِ تعیین‌کننده متمایز می‌شود. مشاوره، نیروی کارِ سفارشی را برای هر مشتری برای همیشه می‌فروشد، و هر قرارداد چیزی قابل‌استفادهٔ مجدد باقی نمی‌گذارد. سرویس به‌مثابه سرویس، نیروی انسانیِ اولیه را عمداً به‌عنوان ابزار ساختِ سیستم اتوماسیون به‌کار می‌گیرد، و هر قرارداد داده‌ای برجا می‌گذارد که قرارداد بعدی را ارزان‌تر می‌کند.

اما باید مراقب باشید و در این نوع مدل دنبال یک دام بگردید. اگر هر مشتری جدید به یکپارچه‌سازی سفارشی، پاک‌سازی دادهٔ سفارشی، نقشه‌برداری سفارشیِ جریان کار، و تنظیم سفارشیِ مدل نیاز داشته باشد، شرکت یک شرکت مشاوره است که هنوز آن را نپذیرفته است. مرحلهٔ انسان در حلقه خوب است، و اغلب لازم هم هست، اما فقط به این شرط که دادهٔ اختصاصی تولید کند و به‌سوی اتوماسیونِ مقیاس‌پذیر همگرا شود. اگر پس از پنجاه کار، انسان‌ها هنوز همان کار را با همان هزینهٔ واحد انجام می‌دهند، مدل شکست خورده است.

استارگیت برای داده

هوش مصنوعی در حال حرکت از گلوگاهِ محاسباتی به گلوگاهِ داده است. ارزشمندترین شرکت‌های هوش مصنوعیِ دورهٔ پیشِ رو آن‌هایی نخواهند بود که عمومی‌ترین داده‌ها را دارند، چون چنین داده‌هایی فراوان‌اند و بنابراین هیچ اجاره‌ای تولید نمی‌کنند، دقیقاً بر اساس منطقِ نیمهٔ اول. آن‌ها شرکت‌هایی خواهند بود که داده‌های عملیاتیِ نادر، خصوصی، و باکیفیت را مالک‌اند؛ داده‌هایی که راهی برای به‌دست‌آوردنشان وجود ندارد مگر با انجام دادنِ کار.

عبارت Stargate for Data از Stargate شرکت OpenAI، یعنی توسعهٔ زیرساخت محاسباتی چندصد میلیارد دلاریِ اعلام‌شده، وام گرفته شده است، و خودِ این وام‌گیری همان نکته است. اگر منبع کمیابِ چرخهٔ قبلی سرمایه‌گذاریِ زیرساختیِ برنامه‌ریزی‌شده در آن مقیاس را توجیه می‌کرد، چرخهٔ بعدی همان برخورد را شایسته است. هدف جمع‌آوری یک مجموعه‌داده نیست. هدف این است که ماشینی بسازیم که به‌طور پیوسته و به‌عنوان محصول جانبیِ ارائهٔ یک سرویس، دادهٔ اختصاصی تولید کند.

تمایزی که در اینجا اهمیت دارد این است که هدف، جمع‌آوری داده به‌خاطر خودِ داده نیست، چون این کار به دریاچه‌های پرهزینه‌ای از موادِ غیرقابل‌استفاده منجر می‌شود. هدف مالکیتِ حلقهٔ عملیاتی است که دقیقاً همان دادهٔ لازم برای خودکار کردنِ آن حلقه را تولید می‌کند.

رایانهٔ اتم‌ها

چهار عامل یک ساختار را توصیف می‌کنند. رایانهٔ اتم‌ها توضیح می‌دهد که آن ساختار برای چه است، و این همان چشم‌انداز بلندمدتی است که کلِ این تلاش را ارزشمند می‌کند.

این ایده را من مطرح نکرده‌ام و می‌خواهم این را از همان ابتدا روشن کنم. این چارچوب‌بندی متعلق به تراویس کالانیک است. پس از آن‌که در سال ۲۰۱۷ از اوبر کنار گذاشته شد، هشت سال را صرف ساختنِ City Storage Systems به‌صورت مخفیانه کرد، و در مارس ۲۰۲۶ نام آن را به Atoms تغییر داد و نامهٔ چشم‌اندازی منتشر کرد که کل موضوع را توضیح می‌داد. صورت‌بندی او این است که شما با مسائل جهان فیزیکی همان‌طور برخورد می‌کنید که با مسائل نرم‌افزاری برخورد می‌کنید، و اینکه منابع محاسباتیِ اصلی هم‌ارزهای فیزیکی دارند که در آن CPU برابر با تولید است، storage برابر با املاک، و network برابر با حمل‌ونقل. در یک رویداد معرفی a16z، کالانیک شرکت را بر پایهٔ هوش مصنوعی صنعتی تعریف کرد و از نرم‌افزار، حسگرها، رباتیک، و هوش مصنوعی برای خودکارسازی عملیات در سراسر بخش‌های صنعتی، با شروع از غذا، معدن، و حمل‌ونقل، استفاده کرد. نامه‌اش را بخوانید. از خلاصهٔ من بهتر است، و چند نتیجه‌گیریِ او از جهتی متفاوت به همان جایی می‌رسند که این سند می‌رسد.

با توانمندتر شدنِ هوش مصنوعی، محدودیتِ تعیین‌کنندهٔ آن در حال جابه‌جایی است. حدِ آن دیگر فقط کیفیت استدلال نیست. تعامل با واقعیت فیزیکی است. یک مدل می‌تواند متن، کد، تصویر، و طرح‌هایی با کیفیت بالا تولید کند و با این حال همچنان نتواند در یک محیط واقعیِ شلوغ، بدون ساختار، و پرپیامد، چیزی را با اطمینان انجام دهد. رایانه‌های سنتی به هوش یک بستر برای دست‌کاری بیت‌ها دادند. فرصتِ اکنون ساختِ بسترِ هم‌ارز برای اتم‌ها است؛ ساختن سیستم‌هایی که جهان فیزیکی را حس می‌کنند، شرایط شلوغِ دنیای واقعی را تفسیر می‌کنند، تصمیم می‌گیرند، عمل می‌کنند، نتایج را راستی‌آزمایی می‌کنند، و از بازخورد یاد می‌گیرند، همه تحت محدودیت‌های واقعیِ فیزیکی، مقرراتی، و اقتصادی. آن بندِ آخر بخش دشوار است، و به همین دلیل است که این یک فرصتِ کسب‌وکار است نه یک پروژهٔ پژوهشی. کار کردن تحت محدودیت‌های مقرراتی و اقتصادی دقیقاً همان چیزی است که قابل‌کپی‌برداری نیست، و دقیقاً همان چیزی است که دادهٔ حلقه‌بستهٔ موردنیازِ عامل چهارم را تولید می‌کند.

در یک نکته، کالانیک و من کاملاً موافقیم، و او آن را بهتر از من می‌گوید. اصطلاح او ربات‌های سودمندانه شاغل است، یعنی ماشین‌های تخصصی با یک کارِ تولیدیِ مشخص، در برابر انسان‌نماهایی که برای تقلید از ما ساخته شده‌اند. مثال او این است که اگر لازم دارید هزار پنکیک در ساعت تولید کنید، یک انسان‌نمای دست‌وپاچلفتی که آن‌ها را برمی‌گرداند بدترین طراحیِ ممکن است و یک ماشینِ مخصوصِ آن کار، طراحیِ بدیهی است. پس رویکردِ درست این نیست که یک رباتِ همه‌منظوره بسازید. بلکه این است که یک گوهٔ باریک پیدا کنید که در آن چرخهٔ حس‌کردن، تصمیم‌گرفتن، و عمل‌کردن بتواند درون یک جریانِ کارِ واقعی با ارزش اقتصادیِ فوری و روشن به‌کار گرفته شود، و آن چرخه را پیش از گسترش، از ابتدا تا انتها کارا کنید.

شرکتِ کوتاه‌مدت باید آن‌قدر باریک باشد که جاه‌طلبانه به نظر نرسد. سقفِ بلندمدت دلیلِ پذیرشِ آن باریکی است.

یک مثالِ حل‌شده

این چارچوب انتزاعی است، بنابراین خوب است که یک ایده را مرحله‌به‌مرحله از آن عبور دهیم. این فقط نمونه‌ای از معیارها در عمل است، نه تنها نتیجه‌ای که چارچوب تحمیل می‌کند.

به بازرسی ویژه ساخت‌وساز و آزمون مواد بپردازید. نسخهٔ فروشنده، نرم‌افزار را به سازمان‌ها و آزمایشگاه‌هایی می‌فروشد که از پیش مالکِ گردش‌کار هستند. نسخهٔ اصلی، خودش به سازمان و آزمایشگاه تبدیل می‌شود. این نسخه اعتباربخشی را در اختیار دارد، بازرسی‌ها را انجام می‌دهد، و مسئولیت مقرراتی را بر عهده می‌گیرد. درونی، از نرم‌افزار، سخت‌افزار، و هوش مصنوعی برای ارائهٔ نتایج تأییدشده به‌صورت سریع‌تر، ارزان‌تر، و قابل‌اعتمادتر از بازیگران موجود استفاده می‌کند.

این شکل هر چهار عامل را در بر می‌گیرد. فیزیکی است، چون با سایت‌ها، نمونه‌ها، ابزارها، و اندازه‌گیری‌های دنیای واقعی سروکار دارد. دارای خندق‌های رابطه‌ای و مقرراتی است، چون خریداران به نتایجی نیاز دارند که از سوی مراجع ذی‌صلاح پذیرفته شود، نه یک داشبورد زیباتر. مالک نتیجه است، چون به‌جای ابزار، نتایج تأییدشده می‌فروشد. و در جریان کار، داده‌های عملیاتی اختصاصی تولید می‌کند، از جمله نتایج آزمون، حالت‌های خرابی، خواص مواد، اصلاحات کارشناسی، و پیوندهای میان شرایط فیزیکی و نتایج نهایی.

این کار همچنین از نقطه‌ای محدود آغاز می‌شود، که همان منطق کلاسیک استارتاپی است که پل گراهام و YC سال‌هاست مطرح می‌کنند. کار را با یک گُوِهٔ تیز شروع کنید، اما مطمئن شوید آن گُوِه به یک مسئلهٔ بزرگ و دردناک تعلق دارد. نیازی نیست که بازرسی ساخت‌وساز را در روز اول به‌عنوان یک صنعت خودکار کنید. نقطهٔ ورود می‌تواند یک نوع بازرسی، یک آزمون ماده، یک جغرافیا، یا یک گردش‌کار انطباق باشد. از آنجا، نرم‌افزار کار را استاندارد می‌کند، انسان‌ها نخستین داده‌ها را تولید می‌کنند، و خودکارسازی فقط در جایی گسترش می‌یابد که حلقه واقعاً اثر ترکیبی ایجاد کند.

ریسک‌ها دقیقاً همان‌هایی هستند که این چارچوب پیش‌بینی می‌کند. زمان‌بندی‌های اعتباربخشی، درآمد را دروازه‌بانی می‌کنند، عملیات پیش از بلوغ خودکارسازی سنگین است، و اگر هر پروژه سفارشی از آب درآید، تلهٔ خدمات واقعی است. هدف این چارچوب همین است. کار را آسان نمی‌کند. به شما می‌گوید بخش‌های سخت باید کجا باشند.

شرکت‌هایی که از قبل شبیه این هستند

اعتماد به این چارچوب آسان‌تر است اگر چیزهایی را توصیف کند که از قبل وجود دارند، نه فقط چیزهایی را که من دوست دارم وجود داشته باشند.

Anduril چهار از چهار است. سخت‌افزار سفارشی در سراسر پهپادها، برجک‌های حسگر، رهگیرها، و وسایل زیرآبی. نرم‌افزار سفارشی در Lattice، که هر بخش از آن سخت‌افزار روی آن اجرا می‌شود. روابط و جایگاه مقرراتی‌ای که هیچ عامل کدنویسی‌ای نمی‌تواند ایجاد کند، چون مشتری دولت ایالات متحده و متحدانش هستند. دادهٔ عملیاتی از سیستم‌های مستقرشده که به نرم‌افزار بازمی‌گردد. دو جزئیات از فهرست محصول مهم‌ترند. این شرکت تحقیق و توسعهٔ خود را خودش تأمین مالی می‌کند و محصول را پیش از فروش در یک خط بودجهٔ موجود می‌سازد، و مدل هزینه‌به‌علاوه‌ای را که پیمانکاران اصلی سنتی بر آن کار می‌کنند، وارونه می‌کند. Anduril خصوصی است و حاشیهٔ سود حسابرسی‌شده منتشر نمی‌کند، اما برآوردهای ثانویه حاشیهٔ سود ناخالص آن را حدود ۴۰ تا ۴۵ درصد قرار می‌دهند. این رقم برای سخت‌افزار دفاعی به‌طور غیرعادی بالاست، جایی که داده‌های بخشی دانشگاه نیویورک استرن نشان می‌دهد شرکت‌های هوافضا و دفاع به‌طور میانگین حدود ۱۷٫۵ درصد حاشیهٔ سود ناخالص دارند. عدد دقیق کمتر از ساختار اهمیت دارد. یک مدل یکپارچهٔ عمودی، قیمت ثابت، و نرم‌افزارمحور به‌نظر می‌رسد اقتصاد بهتری نسبت به یکپارچه‌سازی سنتیِ پلتفرم با مدل هزینه‌به‌علاوه ایجاد کند.

Intuitive Surgical نسخهٔ قدیمی‌تر و کم‌سر‌وصداترِ همین ساختار است. سیستم da Vinci سخت‌افزاری را ترکیب می‌کند که بدون نرم‌افزارش بی‌ارزش است، مجوزهای FDA که هیچ رقیبی نمی‌تواند از آن میان‌بُر بزند، دو دهه رابطه با بیمارستان‌ها، و داده‌های رویه‌ای حاصل از میلیون‌ها عمل. این شرکت چهار از چهار را به‌دست می‌آورد، پیوسته اثر ترکیبی ایجاد می‌کند، و از صدور نخستین مجوز در سال ۲۰۰۰ این الگو را اجرا کرده است، خیلی پیش از آن‌که کسی آن را هوش مصنوعی فیزیکی بنامد.

Kraken Robotics موردی است که من آن را آموزنده‌ترین می‌دانم، تا حدی چون تعداد کمی بیرون از فناوری دریایی آن را می‌شناسند. این شرکت سونار روزنهٔ مصنوعی، پلتفرم یدک‌کش KATFISH، باتری‌های زیرسطحی، و LiDAR زیرآبی می‌سازد. هیچ‌یک از آن سخت‌افزارها بدون نرم‌افزار تصویربرداری اختصاصیِ پیچیده‌شده پیرامون آن مفید نیست. مشتریانش شامل نیروی دریایی هم‌سو با NATO هستند. این یعنی اعتماد و مقررات در بالاترین سطح، زیرا یک نیروی دریایی برای یک نسخهٔ ارزان‌تر، تأمین‌کنندهٔ سونار را عوض نمی‌کند. نکتهٔ حیاتی این است که Kraken فقط تجهیزات نمی‌فروشد. این شرکت به‌عنوان خدمت، پیمایش انجام می‌دهد، به این معنا که هر کار، هوشمندیِ بستر دریا را تولید می‌کند که هیچ‌کس دیگری در اختیار ندارد. آن تصمیمِ آخر، کل چارچوب را در مقیاسی کوچک نشان می‌دهد. یک شرکت سخت‌افزاری فهمید که داده از جعبه ارزشمندتر است، و برای نگه‌داشتنش به موقعیت اصلی حرکت کرد.

SpaceX و Waymo بازی‌های خالصِ اصلی هستند. SpaceX موشک نمی‌فروشد. محمولهٔ تحویل‌شده می‌فروشد. Waymo نرم‌افزار خودران را به شرکت‌های خودروسازی مجوز نمی‌دهد. سفرهای کامل می‌فروشد. در هر دو مورد، شرکت موقعیت فروشنده را رد کرد، مسئولیت عملیاتی را پذیرفت، و داده را حفظ کرد. Waymo همچنین خندق مقرراتی‌ای دارد که یک حوزهٔ قضایی در هر بار می‌رسد. این گسترش کند است، و دقیقاً به همین دلیل قابل‌دفاع است.

Carbon Robotics موردِ ناقصِ مفید است. LaserWeeder آن با استفاده از بینایی رایانه‌ای و لیزرهای پرقدرت علف‌های هرز را از بین می‌برد. در فوریهٔ ۲۰۲۶، شرکت اعلام کرد که Large Plant Model آن روی بیش از ۱۵۰ میلیون گیاه برچسب‌خورده آموزش دیده است، که در حدود صد مزرعه در پانزده کشور گردآوری شده‌اند. این همان موتور داده است که مطابق توصیف عمل می‌کند، و به‌عنوان محصول جانبی عملیاتی تولید می‌شود نه یک ابتکار جداگانه. اما من همچنین به آسیب‌پذیری این ساختار اشاره می‌کنم. Carbon تجهیزات را به کشاورزان می‌فروشد و در مقام فروشنده می‌ماند نه اصلی. موفق می‌شود چون داده هنوز به مدل مرکزی آن بازمی‌گردد و جایگاه فروشنده را قابل‌زیست می‌کند. اگر کشاورزان روزی مالک داده‌های آن ناوگان می‌شدند، خندق ناپدید می‌شد.

Nokia هم هشدار تاریخی است و هم یک مورد آزمونِ در حال ظهور. در سال ۲۰۰۷، این شرکت تقریباً ۵۰ درصد بازار جهانی گوشی‌های هوشمند را در اختیار داشت و بهترین سخت‌افزار، مقیاس تولید، و زنجیرهٔ تأمین را در تلفن همراه داشت. این شرکت در یک بُعد بهتر از هر کس زنده‌ای اجرا کرد، و سقوط کرد چون یک پلتفرم نرم‌افزاری نداشت. Nokia امروز دقیقاً همان الگوی چندعاملیِ توصیف‌شده در اینجا را می‌کوشد اجرا کند. همان‌طور که Michael Sikand در این تحلیل ویدئویی توضیح می‌دهد، شرکت بیش از یک دهه صرف چرخش از گجت‌های مصرفی به سمت بسته‌بندی سیلیکون نوری یکپارچهٔ عمودی، روابط ریشه‌دار با اپراتورها و دفاع، و محاسبات لبه‌ای مجهز به هوش مصنوعی کرده است. Nokia قدیم ثابت کرد که سخت‌افزارِ جداافتاده یک برتری موقتی است. خب، Nokia جدید تلاش می‌کند ثابت کند که سخت‌افزارِ همراه با اعتماد نهادی و زیرساخت نرم‌افزاری، خندق پایداری ایجاد می‌کند.

هیچ‌یک از این شرکت‌ها در ظاهر شبیه هم نیستند، اما همگی به یک درس اشاره می‌کنند. ماندگارترین کسب‌وکارها چیزی کند به‌دست آورده‌اند، مثل اعتباربخشی، ناوگان حسگر مستقرشده، اعتماد جراح، اطمینان نیروی دریایی، تأیید مقرراتی، یا یک دهه دادهٔ عملیاتی. هیچ‌کدام فقط با نوشتن کد بهتر به آنجا نرسیده‌اند، و هیچ‌کدام توسط کسی که چنین کاری می‌کند قابل‌دستیابی نیستند.

محدودبودن شرط ورود است

آن‌ها همگی کوچک شروع کردند. شرکت‌هایی که برنده می‌شوند با تلاش برای مالکیت کل حلقه آغاز نمی‌کنند، و تلاش برای این کار رایج‌ترین اشتباه است. حلقه فقط وقتی اثر ترکیبی پیدا می‌کند که آن‌قدر در یک گردش‌کار عمیق باشید که دادهٔ وابسته به نتیجه تولید کنید؛ داده‌ای که رقبا به هیچ روش دیگری نمی‌توانند به‌دست آورند. مواجههٔ سطحی با گردش‌کارهای متعدد، دادهٔ سطحی تولید می‌کند که به‌سرعت به اشباع می‌رسد.

این الگو در میان اپراتورهای بالا و فراتر از آن‌ها صادق است. آندوریل کار خود را با حفاظت نیرو و سامانه‌های مقابله با پهپاد آغاز کرد، پیش از آن‌که تولید و قابلیت‌های مجاور را مقیاس‌دهی کند. اینتویتیو سرجیکال با رویه‌های خاص لاپاراسکوپی آغاز کرد و آموزش جراحان و حجم رویه‌ها را طی دهه‌ها ساخت، پیش از آن‌که در سراسر تخصص‌ها گسترش یابد. اسپیس‌اکس با یک وسیلهٔ پرتابِ قابل‌بازاستفاده آغاز کرد، پیش از آن‌که به استارلینک گسترش یابد. تسلا با یک گُوِهٔ باریکِ خودروی برقی ممتاز (خودروی اسپرت Roadster ) آغاز کرد و ناوگان را برای یادگیری داده و تولید به‌کار گرفت، پیش از آن‌که به مدل‌های حجمی، انرژی و خودران‌سازی حرکت کند. پالانتیر با گردش‌کارهای اطلاعاتیِ خاص برای سازمان‌های خاص آغاز کرد، پیش از آن‌که به حوزهٔ تجاری گسترش یابد. در هر مورد، ورودِ باریک یک مصالحه نبود. این همان سازوکاری بود که به حلقه امکانِ ترکیب‌شونده شدن می‌داد.

نقطهٔ ورود عمداً باریک است. یک گردش‌کار، یک نوع مشتری، یک جریان داده که تقلید از آن سخت است. شما حلقه را پیرامون همان گردش‌کار می‌سازید تا زمانی که داده‌ها ترکیب شوند و رابطه عمیق‌تر گردد، سپس به گردش‌کارهای مجاور گسترش می‌یابید؛ جایی که همان داده، همان روابط و همان انضباط عملیاتی به شما مزیتی می‌دهد که یک تازه‌وارد نمی‌تواند با آن برابری کند. شروع گسترده همان راهی است که در نهایت به توده‌ای از داده می‌رسید که ترکیب نمی‌شود. رقیبی که امروز شروع می‌کند، به دنبال یک مزیتِ ثابت نیست. او دنبال مزیتی است که هر بار یک کار انجام می‌شود، گسترش می‌یابد؛ اما فقط اگر آن کار به‌قدر کافی باریک، به‌قدر کافی عمیق، و به‌قدر کافی تکرار شود تا داده واقعاً اهمیت پیدا کند.

نتیجه‌گیری

نیمهٔ نخست این سند یک قانون کلی را تثبیت کرد. هر خندقی که فقط از دشواریِ ساختنِ یک چیز تشکیل شده باشد، موقتی است، و دقیقاً تا زمانی دوام می‌آورد که کسی آن چیز را ساختنش را آسان کند. خوشه‌بندی صنعتیِ چین این را نسبت به سخت‌افزار انجام داد، با فروریختن هزینه‌های تراکنش و تأخیرِ تکرار درون یک خوشهٔ فوق‌متراکم. هوش مصنوعیِ مولد همین کار را نسبت به نرم‌افزار انجام می‌دهد، با فروریختن هزینهٔ ورودیِ کمیاب آن. سخت‌افزار نخست فروپاشید و نرم‌افزار بعدتر دنبال آن آمد، اما برای بنیان‌گذاری که امروز می‌سازد، هیچ‌یک از این پناهگاه‌ها قابل اتکا نیست.

نیمهٔ دوم آن قانون را به یک پاسخ تبدیل کرد. اگر دشواریِ تولید دیگر از چیزی دفاع نمی‌کند، پس دفاع‌پذیری باید از اصطکاک‌هایی ساخته شود که فروپاشیِ تولید به آن‌ها نمی‌رسد. این‌ها شامل دسترسی فیزیکی، دادهٔ عملیاتیِ حلقه‌بسته، جایگاه نظارتی، اعتمادِ به‌دست‌آمده، و مالکیتِ خودِ نتیجه هستند. به همین دلیل است که چهار عامل، به‌جای یکی، سه‌تا از چهار تا را می‌طلبند؛ به همین دلیل است که موضعِ اصلی از هر تصمیمِ منفردِ دیگری مهم‌تر است؛ و به همین دلیل است که داده باید یک محصول جانبیِ عملیاتی باشد، نه یک داراییِ جمع‌آوری‌شده.

این را می‌توان در یک جملهٔ مرکزی فشرده کرد.

در عصرِ هوش مصنوعی، بهترین شرکت‌ها ابزارهای نرم‌افزاریِ عمومی یا محصولات سخت‌افزاریِ قابل‌کپی نخواهند بود. آن‌ها کسب‌وکارهای اصلیِ باریک و نتیجه‌محور خواهند بود که نرم‌افزار، گردش‌کارهای فیزیکی، روابطِ مبتنی بر اعتماد، و دادهٔ عملیاتیِ اختصاصی را ترکیب می‌کنند تا کارِ دنیای واقعیِ باارزش را خودکار کنند.

برای یک بنیان‌گذار، پرسش دیگر این نیست که «چه نرم‌افزاری می‌توانم بسازم؟» بلکه چه نتیجهٔ باارزشِ دنیای واقعی را می‌توانم مالک شوم، انجام دهم، اندازه‌گیری کنم و خودکار سازم؟

قوی‌ترین فرصت‌ها در جایی قرار دارند که نرم‌افزار با اتم‌ها، اعتماد، مقررات و دادهٔ اختصاصی تلاقی می‌کند. آن‌ها با یک گردش‌کارِ باریک و دردناک آغاز می‌شوند، و در صورت نیاز از انسان‌ها استفاده می‌کنند. آن‌ها دادهٔ عملیاتی را به‌عنوان محصول جانبیِ کار جذب می‌کنند، گام‌به‌گام خودکار می‌شوند، و به سیستم‌هایی ترکیب می‌شوند که جابه‌جا کردنشان دشوار است. این مزیت دقیقاً به این دلیل پایدار است که از طریق عملیات فیزیکی به‌دست آمده، نه این‌که در کد نوشته شده باشد.

هدف نهایی ساختن یک محصول نیست. هدف ساختن یک شرکتِ عملیاتی است با مقیاس‌پذیریِ شبیه نرم‌افزار، دفاع‌پذیریِ دنیای فیزیکی، و دادهٔ اختصاصی که با هر کارِ انجام‌شده بهتر می‌شود.

هر چیزی که قبلاً به این دلیل خندق بود که ساختنش سخت بود، در حال تبدیل شدن به کالا است. ساختنِ چیزی آسان‌تر از همیشه است، و با پیشرفتِ هوش مصنوعی و زنجیره‌های تأمین جهانی، فقط آسان‌تر هم خواهد شد. آنچه دفاع‌پذیر می‌ماند، چیزی است که دسترسی به آن سخت است، جلب اعتماد به آن سخت است، ورود به آن از مسیر مقررات سخت است، و مشاهدهٔ آن بدون انجام کارِ واقعی سخت است.

استنادات و منابع

می‌خواهم صریح بگویم بخش‌های وام‌گرفته از کجا آمده‌اند، چون بخش زیادی از این سند در واقع اتصالِ کارِ دیگران به هم است، نه اختراعِ چیزی تازه. چیزهایی که واقعاً ادعا می‌کنم از خودم هستند، قانونِ چهار عامل، استانداردِ سه از چهار، و استدلالِ مشخصی است که دو فروپاشیِ مذکور با وجود این‌که به‌صورت متوالی رخ داده‌اند، همان سازوکارِ زیربنایی را دارند. اعداد جابه‌جا می‌شوند، پس پیش از نقل‌قول از من آن‌ها را بررسی کنید.

از من، از نوشته‌های قبلی

• دژِ باربلِ ارزشِ نرم‌افزار (۲۰۲۵)، که در آن نخستین بار میانهٔ در حال فروپاشی و نظریهٔ اهرمِ نرم‌افزارِ درونی را مطرح کردم. نیمهٔ دومِ اینجا نسخهٔ عملیاتیِ همان نوشته است.

کامپیوترِ اتم‌ها

• تراویس کالانیک، چشم‌انداز، کارِ ناتمام، و هوش مصنوعی چگونه دنیای فیزیکی را دگرگون خواهد کرد، آتمز و a16z، ۲۰۲۶. چارچوبِ کامپیوترِ مبتنی بر اتم‌ها، نگاشتِ CPU/ذخیره‌سازی/شبکه بر تولید/املاک/حمل‌ونقل، حلقهٔ فهم-پیش‌بینی-کنترل، هوش مصنوعیِ صنعتی، و ربات‌های دارای اشتغالِ سودآور همه از اوست. آن بخش خلاصهٔ ایدهٔ اوست، نه ایدهٔ من.
• بن هوروویتز و الکس دانکو، تراویس برگشته است، a16z، ۲۰۲۶.

اقتصاد

• آتلسیان، نتایج سه‌ماههٔ دومِ سال مالی ۲۰۲۵، برای حاشیهٔ سود ناخالصِ SaaS افقیِ بالغ در محدودهٔ پایینِ هشتاد درصد.
• اسنوفلیک، نتایج سال مالی ۲۰۲۵، به‌عنوان نمونهٔ متقابل که نشان می‌دهد نرم‌افزارِ متکی بر مصرف می‌تواند به‌طور معناداری پایین‌تر از حاشیهٔ سود ناخالصِ کلاسیکِ SaaS عمل کند.
• مایکل پورتر، پنج نیرو، ۱۹۷۹، برای طبقه‌بندیِ منابعِ رانت در بخش اول.
• دیوید تیس، سودبردن از نوآوریِ فناورانه، ۱۹۸۶، برای مسئلهٔ قابلیتِ تصاحب در بخش سوم.
• آلفرد مارشال، اصول اقتصاد، ۱۸۹۰، برای اقتصادهای بیرونی و تجمع‌پذیری در بخش پنجم.
• رونالد کوز، ماهیتِ بنگاه، ۱۹۳۷، برای هزینه‌های تراکنش در بخش پنجم.
• تئودور رایت، ۱۹۳۶، و گروه مشاوره بوستون، برای منحنیِ تجربه در بخش پنجم.
• استن شی، منحنیِ لبخند، حدود ۱۹۹۲. نمودارِ اصلیِ او در ویکی‌مدیا کامنز است، و نوشتهٔ بن تامپسون با عنوان ناشران و منحنیِ لبخند بهترین بسطی است که من از آن خوانده‌ام.
• گری پیسانو و ویلی شی، بازگرداندنِ رقابت‌پذیریِ آمریکا، هاروارد بیزنس ریویو، ۲۰۰۹، برای commons صنعتی و این‌که چرا بازگشتِ تولید به داخل دشوار است.
• اندرو «بانی» هوانگ، هکرِ سخت‌افزار، برای روایتِ دستِ اول از این‌که کارکردن درونِ تراکمِ شنژن واقعاً چه حسی دارد.
• WTO، پیوستن‌ها: چین، برای زمینهٔ ادغام چین در نظام تجارت جهانی.
• بانک جهانی، ارزش افزودهٔ تولید، برای زمینهٔ مقیاسِ تولیدِ چین نسبت به ایالات متحده.

مکانیک‌های استارتاپ

• پل گراهام، کارهایی انجام بده که مقیاس‌پذیر نیستند و چگونه ایده‌های استارتاپ پیدا کنیم، برای گُوِهٔ باریک.
• تسلا، طرحِ رازِ اصلیِ تسلا موتورز، ۲۰۰۶، برای منطقِ گُوِهٔ رودستر به سمت خودروی مقرون‌به‌صرفه.
• پالانتیر، بیانیهٔ ثبتِ S-1، ۲۰۲۰، برای الگوی گسترش از دولت به تجاری.
• تاریخچهٔ شرکتِ اسپیس‌اکس و افشای استارلینک، از طریق اسپیس‌اکس و استارلینک، برای پرتاب به‌عنوان گُوِهٔ اولیه پیش از زیرساختِ فضاییِ گسترده‌تر.

کدنویسیِ هوش مصنوعی و تولید نرم‌افزار

• GitHub، معرفی GitHub Copilot، 2021، و دسترس‌پذیری عمومی GitHub Copilot، 2022، برای آغاز عملی کمک‌برنامه‌نویسی تجاریِ هوش مصنوعی.
• OpenAI، گزارش فنی GPT-4، 2023، و Anthropic، Claude 3.5 Sonnet، 2024، برای زمینه‌ای درباره شتاب‌گرفتن توانمندی مدل‌ها.
• Peng و همکاران، تأثیر هوش مصنوعی بر بهره‌وری توسعه‌دهندگان، 2023، برای نتیجه کنترل‌شدهٔ GitHub Copilot که در آن توسعه‌دهندگان یک وظیفهٔ کدنویسیِ محدود را 55.8 درصد سریع‌تر به پایان رساندند.
• Cui و همکاران، تأثیرات هوش مصنوعی مولد بر کارِ دارای مهارت بالا، 2025، برای نتیجهٔ مطالعهٔ میدانی در میان 4,867 توسعه‌دهنده که 26.08 درصد وظایفِ تکمیل‌شدهٔ بیشتری را نشان داد.
• METR، سنجش تأثیر هوش مصنوعی اوایل 2025 بر بهره‌وری توسعه‌دهندگان باتجربهٔ متن‌باز، 2025، برای مثالِ نقضی که در آن توسعه‌دهندگان باتجربه با ابزارهای هوش مصنوعی در مخازن بالغ 19 درصد کندتر بودند.
• Cursor، Claude Code، OpenAI Codex CLI، Kiro CLI، و OpenCode، برای تغییر از تکمیل خودکار به دسترسی عامل‌محور به مخزن و ترمینال.
• Conductor، Superset، و Hermes Agent، برای لایهٔ ارکستراسیونِ بالاتر از ابزارهای کدنویسیِ تک‌عامل.

نقاط شکستِ خندق داده

• Sun و همکاران، بازنگری در کارآمدی نامعقول داده در عصر یادگیری عمیق، ICCV 2017، برای یافتهٔ تجربی که عملکردِ وظایفِ بینایی به‌صورت لگاریتمی با حجم دادهٔ آموزشی بهبود می‌یابد.
• Martin Casado و Peter Lauten، وعدهٔ پوچِ خندق‌های داده، a16z، 2019، برای این استدلال که اثرات مقیاس داده معمولاً فرسوده می‌شوند نه اینکه انباشته شوند.
• Valavi و همکاران، زمان و ارزش داده، مقالهٔ کاری دانشکدهٔ کسب‌وکار هاروارد 21-016، 2021، برای تمایز میان موجودی داده و جریان داده، و یافته‌ای که دادهٔ کهنه می‌تواند به دقت مدل آسیب بزند.
• Chen و همکاران، کاهش تدریجی ارتباط داده‌های بالینی با تصمیم‌های آینده در مجموعه‌دستورهای بالینیِ درون‌بیمارستانیِ داده‌محور، International Journal of Medical Informatics، 2017، برای نیمه‌عمر تقریباً چهارماههٔ داده‌های پیش‌بینی بالینی.
• OpenAI حریم خصوصی سازمانی، Anthropic شرایط تجاری، Microsoft Azure OpenAI حریم خصوصی داده، AWS Bedrock پرسش‌های متداول، و Google Vertex AI حکمرانی داده، برای تعهدات پیش‌فرضِ عدم‌آموزش بر روی ورودی‌ها و خروجی‌های مشتریان تجاری.
• European Data Protection Board، نظر 28/2024 درباره مدل‌های هوش مصنوعی، مادهٔ 5 و مادهٔ 17 GDPR، قواعد ناشناس‌سازی HIPAA، و قواعد CCPA/CPRA، برای محدودیت‌های حقوق حریم خصوصی بر استفادهٔ ثانویه از داده، حذف، ناشناس‌سازی، و اشتراک‌گذاری.
• Lathrop GPM، پیمایش مالکیت هوش مصنوعی در توافق‌نامه‌های تجاری و مجوزهای IP، 2026، برای تنش قراردادی میان تعهدات عدم‌آموزش و حقوقِ حفظ‌شدهٔ استفادهٔ تجمیعی یا ناشناس‌سازی‌شده.

تصاویر

• منحنی لبخندِ Stan Shih، Wikimedia Commons، CC BY-SA.
• Huaqiangbei در گذرگاه Shennan، عکس از Charlie fong، Wikimedia Commons، CC BY-SA.
• قالبِ تزریقِ تزریقی، عکس از Wizard191، Wikimedia Commons، CC BY-SA 3.0.
• قیمت‌های ماژول PV خورشیدی در برابر ظرفیت نصب‌شدهٔ تجمعی، Our World in Data، CC BY 4.0. نمودار به‌صورت محلی از مجموعه‌دادهٔ منتشرشده بازسازی شد.

نمونه‌های شرکت‌ها

• برآورد حاشیهٔ ناخالص Anduril از طریق Sacra. Anduril خصوصی است و حاشیه‌های حسابرسی‌شده منتشر نمی‌کند، بنابراین این مورد به‌عنوان یک برآورد در نظر گرفته می‌شود نه یک رقم گزارش‌شده. معیارِ بخشی برای حاشیه‌های ناخالصِ هوافضا و دفاع (حدود 17.5 درصد) از مجموعه‌دادهٔ حاشیهٔ NYU Stern اثر Aswath Damodaran گرفته شده است.
• پس‌زمینهٔ Alphabet و Google از طریق فرم 10-K سال مالی 2025 آلفابت، همراه با United States v. Google LLC برای توافق‌نامه‌های توزیعِ پیش‌فرضِ جست‌وجو، مزیت‌های مقیاس جست‌وجو، و زمینهٔ ضدانحصار.
• Large Plant Model شرکت Carbon Robotics و 150 میلیون گیاه برچسب‌خورده از طریق اعلامیهٔ Business Wire در فوریهٔ 2026، با TechCrunch به‌عنوان تأیید.
• تاریخچهٔ Intuitive Surgical و مجوز FDA در سال 2000 از طریق تاریخچهٔ شرکت Intuitive. حجم فرایندها از طریق گزارش اثرگذاری شرکتی 2025 اینتویتیو، و ارقامِ پایگاه نصب‌شده / حاشیه از طریق اعلام نتایج مالی سه‌ماههٔ چهارم 2025.
• ارقام حاشیهٔ Tesla از طریق به‌روزرسانی سه‌ماههٔ چهارم و سال مالی 2025.
• الگوی گسترش مقرراتی Waymo از طریق نقشهٔ مقرراتی Robotaxi 2026 تِسورب و پوشش Electrek از تأیید گسترش CPUC.
• اوج و خط زمانی افول Nokia در 2007 از طریق BBC News و Wikipedia، با مطالعهٔ Administrative Science Quarterly / INSEAD از Vuori و Huy برای پویایی‌های سازمانیِ پشتِ فروپاشی، و تجزیه‌وتحلیل ویدیویی Michael Sikand ویدئو برای چرخشِ زیرساختیِ مدرن آن.
• جزئیات OpenAI Stargate از طریق اعلامیهٔ اصلی OpenAI و اعلامیهٔ گسترش سایت. این‌ها تعهدات و برنامه‌های اعلام‌شده‌اند، نه ظرفیتِ کاملاً مستقرشده.
• Kraken Robotics بر پایهٔ افشاگری‌های محصول و قراردادهای خودِ شرکت.