La Fossa Moderna

TL;DR

La fossa aziendale definitoria del XXI secolo, il software puro, sta crollando rapidamente mentre l’IA generativa spinge il costo del codice verso zero, rispecchiando il modo in cui l’agglomerazione industriale cinese ha già distrutto la fossa dell’hardware puro. La pura difficoltà della produzione non protegge più un’azienda in nessuno dei due domini, quindi il profitto durevole si è spostato nelle giunture tra bit e atomi. Per costruire oggi un’azienda difendibile, i fondatori devono abbandonare il modello generico del fornitore di software e agire come un principale che possiede un vero flusso di lavoro fisico end-to-end. Integrando strettamente almeno tre di quattro fattori chiave (hardware personalizzato, software specializzato, relazioni conquistate e dati proprietari), un’azienda moderna può offrire un risultato garantito mentre raccoglie i dati del ciclo chiuso che diventano la vera fossa. Un concorrente che parte oggi non sta inseguendo un vantaggio fisso. Sta inseguendo uno che si estende ogni volta che un lavoro viene portato a termine.

Prefazione e Obiettivo

Questo rapporto amplia l’unica affermazione su cui si fonda tutto il resto della mia teoria delle fosse: il software puro non è più una fossa difendibile, e l’hardware puro ha smesso di esserlo una volta che la Cina ha scalato la sua egemonia manifatturiera. Entrambi vengono buttati in giro come slogan. Voglio togliere lo slogan e mettere il meccanismo al suo posto. Perché è avvenuto ciascun collasso, quali assunzioni si sono silenziosamente rotte, come i due si alimentano a vicenda, e dove il profitto durevole può ancora essere catturato. Ho scritto questo testo perché stesse in piedi da solo, così che un lettore futuro, o un futuro modello, possa ottenere l’intero argomento senza la conversazione che lo ha prodotto.

Per circa trent’anni, la strategia tecnologica ha dato per scontato che il mondo digitale producesse profitto durevole, ad alto margine e difendibile, mentre il mondo fisico producesse output di commodity sottile, indifferenziato e a basso margine. I due shock non sono arrivati insieme. L’agglomerazione manifatturiera cinese ha rotto per prima la difendibilità dell’hardware basata sulla produzione, soprattutto nel corso degli anni 2000 e 2010. L’IA generativa sta rompendo più tardi, negli anni 2020, la difendibilità del software basata sulla produzione. L’IA generativa ha spinto verso zero il costo marginale di produrre software, e questo ha dissolto le barriere che rendevano il software difendibile. L’agglomerazione industriale cinese ha spinto il costo e la latenza dell’iterazione fisica verso il costo e la latenza del software, e questo ha dissolto le barriere che rendevano l’hardware difendibile. Quindi né i soli bit né i soli atomi possono più proteggere un’azienda. Il vantaggio durevole si è spostato fuori da una singola dimensione e nella stretta accoppiata di entrambe, più relazioni e dati proprietari.

Il documento è diviso in due metà:

• L’analisi. Che cos’è davvero una fossa, perché ciascun dominio era un tempo difendibile, quali attriti ciascun shock ha dissolto, e che cosa resta in piedi. Questa metà è analisi economica e si ferma dove si ferma l’analisi.
• La fossa moderna. Di che cosa è realmente fatta oggi la difendibilità, ora che né i bit né gli atomi ti difendono da soli, e che aspetto ha in pratica un’azienda costruita su di essa.

L’Analisi: Come Sono Crollate Entrambe le Fosse

Parte Uno: Che Cos’è Davvero una Fossa

Prima di spiegare come sono crollate le fosse, devo essere preciso su che cosa sia una fossa, perché l’uso impreciso della parola è responsabile della maggior parte del cattivo pensiero strategico che ho visto. Una fossa non è un buon prodotto, non è un vantaggio temporaneo, e non è l’atto di essere i primi. Una fossa è una caratteristica strutturale di un mercato che consente a un’impresa di ottenere rendimenti sopra il suo costo del capitale per molto tempo senza che quei rendimenti vengano erosi dalla concorrenza. Nel linguaggio dell’economia industriale, una fossa è una fonte durevole di rendita economica.

La rendita economica è il surplus che un’impresa guadagna oltre il minimo che accetterebbe per restare aperta, e in un mercato veramente competitivo quel surplus va a zero. In concorrenza perfetta, il prezzo viene spinto verso il costo marginale, le imprese guadagnano solo il loro costo del capitale, e nessun profitto extra sopravvive. Ogni quadro sulla difendibilità è in realtà una teoria su come una specifica impresa sfugge a questa attrazione verso il prezzo al costo marginale e il profitto zero.

L’elenco classico viene da Michael Porter, il cui quadro delle cinque forze è stato lo strumento standard per questo dal 1979, poi affinato ulteriormente dal mondo del value investing. Esso individua un piccolo numero di vere fonti durevoli di rendita:

• Barriere all’ingresso che tengono fuori i nuovi concorrenti
• Alti costi di cambio che trattengono i clienti esistenti
• Effetti di rete, dove il prodotto diventa più utile man mano che più persone lo usano
• Economie di scala che consentono agli incumbent di sottocutare gli entrant
• IP proprietaria o protezione regolatoria che esclude legalmente gli imitatori
• Controllo di un input scarso o di un canale di distribuzione a cui i rivali non possono accedere

Ogni Fonte di Rendita È un Attrito

Ognuna di quelle fonti di rendita è un attrito. Una fossa, in realtà, è solo una forma di attrito che i concorrenti non possono superare a basso costo:

• Gli alti costi di cambio sono attrito nell’uscita del cliente.
• Le barriere all’ingresso sono attrito nell’arrivo del concorrente.
• Gli effetti di rete sono attrito nella coordinazione necessaria affinché gli utenti si spostino altrove insieme.
• La scala manifatturiera è attrito nel capitale e nel tempo che un entrante deve immobilizzare prima di raggiungere un costo unitario competitivo.

Questo ti dice esattamente che cosa fanno a un mercato cose come l’IA generativa, o cose come la densità industriale cinese. Queste forze non attaccano i prodotti. Attaccano gli attriti. Sono tecnologie che dissolvono l’attrito. E una tecnologia che dissolve l’attrito è, per definizione, una tecnologia che dissolve la fossa.

L’intero argomento si comprime in una sola frase: le fosse del software e dell’hardware sono crollate perché gli specifici attriti che generavano la loro rendita erano esattamente gli attriti che l’IA e l’agglomerazione cinese sono risultate insolitamente brave a rimuovere.

Parte Due: La Fossa Storica del Software e Perché i Bit Stampavano Denaro

Per capire il collasso, devi prima capire perché il software fosse storicamente la migliore struttura di business che il capitalismo abbia mai trovato, perché il collasso è solo il rovesciamento delle cose che lo rendevano grandioso.

Il software aveva una struttura dei costi quasi unica. Combinava un alto costo fisso per fare la prima copia con un costo marginale quasi zero per riprodurre e spedire ogni copia successiva. Scrivere la prima versione di un programma complesso richiedeva un bacino scarso, costoso e lento da formare di ingegneri che lavoravano per mesi o anni. Ma una volta scritto, la milionesima copia costava praticamente nulla da produrre e nulla da consegnare. Quella asimmetria produceva un’enorme leva operativa. Il software orizzontale maturo può registrare margini lordi nell’ordine dell’ottanta per cento, come Atlassian ha indicato per il Q2 FY2025, perché i ricavi scalano con gli utenti mentre il costo del venduto si muove poco. Ma questa affermazione è meno universale di quanto lo fosse un tempo, poiché software ad alta intensità di consumo come Snowflake si è attestata più vicino al 67 percento di margine lordo nel FY2025, in parte perché l’infrastruttura cloud di terze parti rientra nel costo dei ricavi. In termini economici, il software si comportava come un puro bene informativo, e i beni informativi rompono il normale rapporto tra produzione e costo che governa le commodity fisiche.

Ma il basso costo marginale da solo non crea una fossa. Se chiunque può produrre il bene a basso costo, il basso costo marginale produce concorrenza distruttiva, non rendita. Il software guadagnava rendita perché l’alto costo fisso della prima copia funzionava come barriera all’ingresso, e perché diversi altri attriti si sovrapponevano ad esso:

• Scarsità di talenti ingegneristici. Costruire software non banale richiedeva persone costose, difficili da assumere e difficili da coordinare, quindi la maggior parte dei potenziali concorrenti semplicemente non poteva mettere insieme la squadra per costruire un clone credibile.
• Tempo. Anche un concorrente ben finanziato aveva bisogno di molti mesi per reverse engineering, definire le specifiche, costruire, testare e distribuire un prodotto rivale, e durante quei mesi l’incumbent aveva un monopolio temporaneo per accumulare utenti, ricavi e maggiore profondità di prodotto.
• Costo di cambio. Una volta che un cliente aveva spostato i propri dati in un sistema, formato il proprio personale su quell’interfaccia e collegato il sistema a tutto il resto tramite integrazioni personalizzate, andarsene diventava proibitivamente costoso anche se qualcosa di migliore ed economico compariva.
• Il calcolo build versus buy. Poiché costruire software interno personalizzato era esso stesso costoso e rischioso, le aziende compravano razionalmente prodotti standard pronti all’uso invece di costruirseli, il che garantiva un grande mercato ai fornitori di software confezionato.
• Effetti di rete e dati proprietari accumulati, sovrapposti a tutto il resto nei casi migliori.

La Vulnerabilità Strutturale

Guarda di che cosa è fatto quell’elenco. Solo uno di quei cinque attriti, gli effetti di rete, è intrinseco al lato della domanda del prodotto. Gli altri quattro, scarsità di talento, tempo di costruzione, costo di cambio e penalità build versus buy, sono tutti attriti di produzione sul lato dell’offerta. Sono artefatti di quanto fosse difficile, lenta e costosa da realizzare e sostituire il software.

Questa è la vulnerabilità. Un’azienda la cui difendibilità si basa soprattutto su quanto sia difficile produrre la cosa è difendibile solo finché la produzione resta difficile. Nel momento in cui il costo di produrre e sostituire il software crolla, quattro dei cinque pilastri crollano con esso, e resta in piedi solo l’effetto di rete del lato della domanda.

È esattamente questo che ha consegnato l’IA generativa.

Parte Tre: Lo Shock dell’IA e la Dissoluzione della Fossa del Software

Il modo corretto di modellare ciò che l’IA generativa ha fatto all’economia del software è considerarlo uno shock alla funzione di produzione del software. Nell’economia di base, il costo di produrre qualsiasi cosa è una funzione del costo dei suoi input. Per il software, l’input dominante è sempre stato il lavoro cognitivo umano qualificato, in particolare il lavoro di trasformare un requisito di business in codice corretto, testato e distribuibile. Quel lavoro era l’input scarso e costoso che creava la barriera all’ingresso.

L’IA generativa e gli agenti di codifica autonomi attaccano direttamente quell’input. Generano, rifattorizzano, debuggano, documentano e distribuiscono codice a una frazione del costo storico in molte attività. Un esperimento controllato con GitHub Copilot ha rilevato che gli sviluppatori completavano un compito di codifica delimitato il 55,8 percento più velocemente, e uno studio sul campo su 4.867 sviluppatori ha riscontrato il 26,08 percento di attività completate in più. L’effetto è reale, ma disomogeneo, poiché un trial randomizzato del 2025 di METR ha rilevato che sviluppatori esperti open source che lavoravano su codebase mature e familiari erano il 19 percento più lenti con gli strumenti di IA dell’inizio del 2025, pur credendo di essere più veloci. La conclusione sicura non è che l’IA renda ogni ingegnere più veloce in ogni contesto. È che l’IA comprime il costo di produzione del codice, specialmente per il lavoro delimitato, greenfield e meno senior. L’input scarso viene reso più abbondante. Quando il prezzo dell’input scarso critico scende, la barriera all’ingresso costruita su quella scarsità crolla con esso. Quel singolo meccanismo si propaga attraverso tutti e quattro i pilastri dal lato dell’offerta.

Il cambiamento è visibile negli strumenti che gli sviluppatori usano realmente. Prima sono arrivati i copiloti nativi per IDE come Cursor. Poi sono arrivati gli agenti di codifica nativi da terminale come Claude Code, Codex CLI, Kiro CLI e OpenCode, in cui il modello legge il repository, modifica i file, esegue comandi e itera nello stesso ambiente dell’ingegnere. Ora sta emergendo un terzo livello attorno all’orchestrazione multi-agente, con strumenti come Conductor, Superset e Hermes Agent che coordinano più agenti tra progetti e ambienti. La progressione è chiara. Si è passati dal completamento automatico, agli agenti autonomi, fino all’orchestrazione di molti agenti in parallelo, e questo non potrà che accelerare. Il lavoro digitale diventerà ogni anno più facile da automatizzare, e gli strumenti che oggi richiedono un operatore esperto domani richiederanno sempre meno intervento umano.

1. Il Crollo della Barriera all’Ingresso

Lanciare un prodotto software credibile richiedeva un tempo un vero capitale iniziale, gran parte del quale andava ad assumere gli ingegneri necessari per costruire un MVP. Quel fabbisogno di capitale filtrava il mercato. Solo le iniziative che riuscivano a raccogliere denaro e ad attirare talenti arrivavano davvero al lancio, e la conseguente scarsità di concorrenti era essa stessa parte della protezione dell’incumbent.

Quando uno sviluppatore con buoni strumenti di IA può progettare, costruire e lanciare un’applicazione rifinita e funzionante in una piccola frazione del tempo e del costo di prima, quel filtro scompare. Il mercato si riempie di nuovi entranti. In termini competitivi, la curva di offerta delle funzionalità software si sposta enormemente verso l’esterno, e la teoria economica di base dice con chiarezza cosa accade dopo. Quando l’offerta di un bene sostituibile si espande fortemente contro una domanda sostanzialmente fissa, il prezzo scende verso il costo marginale, e poiché il costo marginale del software è vicino allo zero, anche il prezzo viene trascinato verso lo zero. L’iperabbondanza dell’offerta di software è, meccanicamente, la distruzione del potere di prezzo del software.

2. Il Crollo del Vantaggio Temporale

Questo era probabilmente il più importante fossato difensivo del software di tutti. L’intera logica del rilasciare in fretta e iterare dipendeva dal fatto che una funzionalità lanciata offrisse al suo creatore mesi di vantaggio esclusivo prima che qualcuno potesse copiarla. Quel tempo di vantaggio era la finestra in cui si consolidavano gli effetti di rete, il brand e i clienti.

L’IA comprime il ciclo di imitazione da mesi a ore. Un concorrente può guardare l’interfaccia di un prodotto, descriverne il comportamento a un agente di codifica e ottenere quasi immediatamente un clone funzionante, senza vedere mai il codice sorgente originale, perché il valore non era mai davvero nel codice specifico. Era nella specifica, e le specifiche oggi sono banalmente economiche da implementare.

Quando il ritardo dell’imitazione va a zero, il monopolio temporaneo che giustificava l’innovazione rapida evapora. L’innovazione continua a verificarsi, ma smette di guadagnare un premio durevole, perché la ricompensa per innovare viene consegnata istantaneamente agli imitatori. Questo è un caso da manuale di ciò che David Teece chiamò problema di appropriabilità nel suo articolo del 1986 sul trarre profitto dall’innovazione tecnologica. L’innovazione ripaga se stessa solo quando l’innovatore riesce a catturare abbastanza del valore che crea prima che l’imitazione lo eroda. L’IA spinge verso zero l’appropriabilità della pura innovazione software.

3. La Dissoluzione dei Costi di Switching

Questo era il fossato tradizionale più robusto del software, perché funzionava anche quando il prodotto rivale era chiaramente migliore. Ma i costi di switching erano essi stessi fatti di attriti: migrare i dati da uno schema a un altro, ricostruire integrazioni personalizzate e riaddestrare il personale su un’interfaccia sconosciuta. Ognuno di questi è esattamente il tipo di lavoro di traduzione tedioso e basato su schemi che l’IA sa fare bene.

La mappatura dei dati guidata dall’IA può assorbire, normalizzare e migrare rapidamente ed economicamente un database complesso dalla struttura di un sistema a quella di un altro. Le interfacce in linguaggio naturale riducono il costo del riaddestramento, perché gli utenti interagiscono sempre più tramite conversazione invece di memorizzare un albero di menu proprietario, il che significa che l’abilità accumulata bloccata nell’interfaccia di un singolo fornitore non funziona più come penalità di switching.

Quando il costo di andarsene scende, scende con esso il lifetime value di un cliente acquisito, il costo di acquisizione clienti aumenta rispetto a quel lifetime value in contrazione e l’economia unitaria dell’intero modello in abbonamento si deteriora. Un fossato costruito sull’impossibilità del cliente di andarsene si dissolve quando andarsene diventa economico.

4. L’Inversione tra Build e Buy

Questo distrugge silenziosamente il mercato indirizzabile stesso. Le aziende compravano software confezionato perché costruire strumenti interni su misura era troppo costoso, troppo lento e troppo rischioso per giustificarlo al di fuori delle esigenze più differenziate. Quella penalità sulla costruzione interna è esattamente ciò che garantiva ai fornitori un mercato ampio.

Quando gli agenti di IA permettono ai team interni, anche a quelli non tecnici, di generare applicazioni personalizzate adattate ai propri flussi di lavoro, la penalità della costruzione scompare, e la scelta razionale si sposta dall’acquistare un abbonamento generico al generare uno strumento privato che si adatta perfettamente e non comporta alcuna licenza ricorrente.

Questo non rende soltanto più intensa la concorrenza tra fornitori. Riduce il mercato totale indirizzabile su cui i fornitori stanno competendo, perché una quota crescente della domanda di software viene soddisfatta internamente e non arriva affatto al mercato esterno. Il valore migra dai fornitori esterni di software alla capacità operativa interna, il che significa che smette di essere un mercato e diventa un’efficienza dei costi in casa.

È la stessa cosa che ho chiamato Leva Interna del Software nei miei scritti, The Barbell of Software Value, vista dal lato del fornitore invece che da quello dell’acquirente.

Il Risultato e Ciò che Non Crolla

Mettendo insieme questi quattro meccanismi si ottiene la commoditizzazione del software puro. L’industria sta entrando nell’iperabbondanza del software, dove le applicazioni funzionali sono economiche da costruire, istantaneamente clonabili e sempre più generate internamente su richiesta. In tale condizione il codice stesso smette di essere una fonte di rendita, esattamente come qualsiasi bene smette di comandare una rendita una volta che diventa abbondante e sostituibile. Il valore si sgancia dal codice.

Essere onesti richiede dire chiaramente ciò che non crolla, perché esagerare renderebbe tutto sbagliato. L’IA generativa attacca gli attriti di produzione dal lato dell’offerta. Da sola, non attacca gli attriti di domanda e di livello di sistema.

• Gli effetti di rete sopravvivono, perché l’IA può clonare il software di un social network in un pomeriggio ma non può clonare gli utenti, e gli utenti sono l’asset.
• I fossati dati proprietari sopravvivono e anzi si rafforzano, perché l’IA rende il codice più economico da produrre mentre rende più preziosi i dati rari che la addestrano.
• Distribuzione e brand sopravvivono, perché attenzione e fiducia restano scarse anche quando le funzionalità sono gratuite.
• Le barriere regolatorie e di conformità sopravvivono, perché un agente di codifica non può generare una licenza bancaria, un’autorizzazione per dispositivo medico o una certificazione aeronautica.
• L’integrazione profonda nella realtà operativa fisica o regolata sopravvive, perché il codice è economico, ma installare sensori, guadagnare fiducia e operare sotto approvazione regolatoria non lo sono.

Quindi la tesi precisa non è che tutte le aziende software muoiano. È che il fossato specifico, un tempo dominante, del software puro, autonomo e confezionato, difeso dalla difficoltà di scrivere e sostituire codice, è stato distrutto. Ciò che sopravvive è il software ancorato a qualcosa che l’IA non può riprodurre a basso costo: una rete, un dataset, una posizione regolatoria, un canale di distribuzione o un’operazione fisica. Il software che fluttua libero da tutto ciò è ora una commodity.

Parte Quattro: Il Fossato Storico dell’Hardware e Perché gli Atomi Erano Difficili

L’argomento hardware segue la stessa disciplina. Bisogna prima stabilire perché l’hardware fosse un tempo difendibile, poi mostrare quali di quelle difese il sistema manifatturiero cinese ha dissolto.

L’hardware era difendibile per ragioni quasi opposte a quelle del software, e i mercati dei capitali trattavano le due cose come opposti. Dove il software aveva un costo marginale quasi zero, l’hardware aveva un costo marginale alto e ostinato, perché ogni unità fisica consumava materiali, energia, lavoro e tempo macchina. Dove il software si spediva istantaneamente e all’infinito, l’hardware era vincolato dalla fisica della produzione e della logistica. Queste proprietà rendevano l’hardware un business peggiore sui margini, ma lo rendevano anche, in modo strano, difendibile in un modo specifico, perché la difficoltà della produzione fisica agiva come una barriera che proteggeva un’azienda hardware ben gestita dall’imitazione occasionale.

Le frizioni specifiche che proteggevano l’hardware erano queste:

• Capitale per l’attrezzaggio. Produrre un prodotto fisico su scala richiedeva attrezzature specializzate, principalmente gli stampi a iniezione e le matrici di fusione usati per formare parti in plastica e metallo, e questi strumenti costavano decine o centinaia di migliaia di dollari e imponevano quantità minime d’ordine elevate. Era un muro di capitale duro da scalare per la maggior parte dei nuovi entranti, e proteggeva gli incumbent che avevano già ammortizzato il loro attrezzaggio.

• Latenza iterativa. Rifinire un design fisico significava tagliare nuovi utensili, regolare le tolleranze e eseguire lotti di prova fisici, un ciclo che richiedeva settimane o mesi per ogni giro e costava pesantemente ogni volta, quindi i prodotti fisici miglioravano lentamente e un concorrente aveva bisogno di una lunga e costosa campagna per raggiungerli.

• Assemblaggio della catena di fornitura. Un prodotto fisico è una distinta base proveniente da molti fornitori specializzati, e quei fornitori erano un tempo sparsi tra aziende, regioni e paesi, quindi mettere insieme una catena di fornitura funzionante significava negoziare con venditori isolati, sopportare lunghi tempi di consegna e gestire una logistica complicata.

• Precisione e conoscenza dei processi. Il know-how accumulato, spesso tacito, necessario per riuscire davvero a produrre un progetto con un rendimento accettabile. Non si trasferisce da un disegno. Bisogna impararlo facendo.

• Distribuzione. La necessità di portare il prodotto fisico davanti agli acquirenti attraverso rivenditori, distributori e spazi sugli scaffali che erano essi stessi scarsi e sottoposti a controllo.

Guarda di nuovo la composizione, proprio come con il software. Il fossato competitivo dell’hardware era in modo schiacciante un insieme di frizioni di produzione e logistica: capitale per l’attrezzaggio, latenza iterativa, assemblaggio della catena di fornitura, rendimento di processo e distribuzione fisica. Era difeso da quanto fosse difficile, lento e costoso trasformare un design in un oggetto fisico spedito. E proprio come nel software, una difesa costruita sulla difficoltà della produzione è durevole solo finché la produzione rimane difficile.

Ma il contributo della Cina alla storia economica è stato rendere la produzione fisica, in un’enorme gamma di beni, non più difficile.

Parte Cinque: Lo shock cinese, l’agglomerazione industriale e la fine del fossato competitivo dell’hardware

Il malinteso più comune sul dominio manifatturiero cinese è che sia una storia di manodopera a basso costo. Questo era in parte vero nella prima fase ed è in gran parte falso ora, e sbagliarlo porta dritto alla conclusione fallita che il reshoring, o lo spostamento della produzione nel prossimo paese a basso salario, ripristinerà il vecchio ordine.

La vera spiegazione è che la Cina ha costruito, con una densità e una scala che nessuno aveva mai visto prima, il fenomeno che Alfred Marshall descrisse oltre un secolo fa come agglomerazione industriale. È quell’agglomerazione, non l’arbitraggio salariale, che ha smantellato il fossato competitivo dell’hardware. Non sono il primo a sostenere questo argomento. Andrew “bunnie” Huang ha documentato per oltre un decennio la versione di Shenzhen in prima persona in The Hardware Hacker.

Esternalità marshalliane

L’agglomerazione industriale è il raggruppamento geografico auto-rinforzante di industrie collegate, fornitori di componenti, produttori di sottoassiemi, processori di materie prime, costruttori di utensili, produttori conto terzi, fornitori di logistica e manodopera specializzata, tutti concentrati nella stessa regione. Marshall individuò perché questi cluster generano vantaggi che nessuna impresa isolata può eguagliare:

• Creano un profondo bacino di lavoro condiviso di lavoratori specializzati.
• Sostengono fornitori locali specializzati che non potrebbero mai sopravvivere servendo un solo cliente lontano ma prosperano servendo un cluster denso di clienti.
• Generano spillover di conoscenza, in cui i miglioramenti di processo si diffondono rapidamente attraverso il cluster perché le persone rilevanti sono fisicamente vicine e si spostano.

Queste tre forze sono le esternalità marshalliane, e significano che un’azienda dentro il cluster ottiene costi più bassi, iterazione più rapida e informazioni migliori rispetto a un’azienda identica fuori dal cluster, a prescindere da quanto efficiente sia da sola quell’azienda esterna.

Crollo dei costi di transazione

Nel Delta del Fiume delle Perle, e in particolare a Shenzhen, l’agglomerazione ha raggiunto una densità senza precedenti storici. La conseguenza pratica è più facile da vedere attraverso l’economia dei costi di transazione di Ronald Coase. Coase spiegò che il confine e la velocità dell’attività economica sono governati dai costi di transazione, il costo di cercare fornitori, negoziare condizioni e coordinare la produzione tra imprese. In una catena di fornitura dispersa questi costi sono enormi, e sono il vero contenuto della terza frizione del fossato competitivo dell’hardware.

In un cluster iperdenso, i costi di transazione crollano quasi a zero. L’intera catena di fornitura per la maggior parte dei dispositivi elettronici e meccanici si trova in un raggio ristretto, quindi cercare, reperire, negoziare e coordinare, attività che un tempo richiedevano settimane attraverso i continenti, ora richiede ore attraverso un distretto. Un progettista può specificare un dispositivo, reperire tutti i componenti localmente nello stesso giorno, far fabbricare e assemblare una scheda circuitale personalizzata durante la notte e avere un prototipo funzionante la mattina seguente.

Non si tratta di manodopera più economica. È la quasi eliminazione del costo di transazione e della latenza iterativa, che è qualcosa di categoricamente diverso e molto più potente.

Da quella densità, quattro meccanismi hanno dissolto il fossato competitivo dell’hardware, rispecchiando i quattro dell’IA applicati al software.

1. Il crollo della latenza iterativa

Questa è la versione hardware del software che perde il suo vantaggio temporale. Nella catena di fornitura occidentale dispersa, un ciclo di progettazione fisica richiedeva settimane e costava molto, quindi l’hardware migliorava lentamente e il vantaggio di perfezionamento dell’incumbent si manteneva. All’interno del cluster, l’iterazione fisica si avvicina alla velocità dell’iterazione software. Gli stampi vengono modificati, i layout delle schede vengono regolati e i lotti di prova vengono eseguiti in giorni.

La conseguenza strategica è brutale. Qualsiasi design hardware concepito in Occidente può essere osservato, sottoposto a reverse engineering, ottimizzato per la producibilità e prodotto in massa all’interno del cluster più velocemente di quanto l’azienda occidentale di origine possa terminare il proprio secondo prototipo. Il lead time dell’originatore, che era la fonte della sua rendita, è negativo. L’imitatore spedisce per primo la versione migliorata ed economica.

2. Il crollo del capitale per l’attrezzaggio

Questa è la versione hardware della barriera all’ingresso del software che crolla. Le decine di migliaia di dollari e le elevate quantità minime d’ordine che un tempo muravano la produzione fisica sono state ottimizzate via all’interno del cluster grazie alla lavorazione rapida controllata da computer, alle basi modulari standardizzate degli stampi che vengono riconfigurate invece di essere tagliate da zero, e a officine di utensili ad alta produttività ferocemente competitive. L’hardware in piccoli lotti, altamente personalizzato, può ora essere prodotto con una struttura dei costi che un tempo era disponibile solo alle grandi multinazionali. Il muro di capitale che filtrava i nuovi entranti nell’hardware è in gran parte caduto, proprio come quello che filtrava i nuovi entranti nel software, e il mercato si inonda della stessa prevedibile pressione al ribasso sui prezzi.

3. La curva di esperienza, amplificata dall’automazione

Questo meccanismo è ciò che blocca permanentemente il vantaggio di costo, ed è il motivo per cui il vantaggio non può essere arbitrato semplicemente spostandosi altrove. La legge di Wright, descritta per la prima volta da Theodore Wright nel 1936 a partire dai dati sulla produzione aeronautica e successivamente generalizzata dal Boston Consulting Group come curva di esperienza, è una delle regolarità empiriche più affidabili nell’economia industriale. Essa afferma che, per molti prodotti, il costo unitario scende di una percentuale costante ogni volta che il volume cumulativo di produzione raddoppia, perché l’organizzazione impara, attraverso il fare accumulato, a produrre in modo più efficiente.

Poiché il cluster produce una quota travolgente del volume cumulativo globale in innumerevoli categorie di prodotto, si colloca molto in basso sulla curva di esperienza di cui un nuovo entrante, con un basso volume cumulativo, si trova in cima. La moderna manifattura cinese poi amplifica quel vantaggio di apprendimento con automazione ad alta intensità di capitale, robotica avanzata, ispezione ottica automatizzata ad alta velocità e integrazione verticale che risale fino alle materie prime.

Questo è il punto esatto in cui muore la spiegazione del costo del lavoro. Il vantaggio moderno non è rappresentato da bassi salari. È apprendimento accumulato più scala automatizzata più densità dei fornitori, e un nuovo arrivato non può replicare quella combinazione con alcuna azione di breve termine, salari alti o salari bassi, perché non puoi comprare istantaneamente decenni di esperienza produttiva cumulativa o l’ecosistema di fornitori che le ruota attorno.

4. Il Crollo dell’Attrito di Distribuzione

Questa è la versione hardware dell’IA che erode la necessità di passare attraverso i canali software degli operatori incumbenti. I marketplace digitali globali e una logistica dei pacchi iper efficiente permettono ai produttori all’interno del cluster di saltare del tutto distributori occidentali, grossisti e spazio sugli scaffali al dettaglio, inserendo i prodotti direttamente sulle piattaforme globali e spedendo a casa del consumatore in pochi giorni. L’ultimo attrito che proteggeva un marchio hardware incumbente, il suo controllo sugli scaffali e sui canali, viene aggirato. Un dispositivo funzionalmente equivalente raggiunge lo stesso cliente a una frazione del prezzo del marchio senza mai toccare il sistema di distribuzione dell’incumbent.

I Beni Comuni Industriali e Perché il Reshoring È Così Difficile

La conseguenza più importante di tutto questo, e quella più spesso ignorata, riguarda il reshoring, ed è qui che conta l’idea dei beni comuni industriali. Gary Pisano e Willy Shih lo hanno definito in Restoring American Competitiveness (PDF) nel 2009. La loro osservazione era che la capacità manifatturiera non è una proprietà delle singole aziende. È una proprietà di un ecosistema, una base locale condivisa di fornitori, costruttori di utensili, ingegneri di processo e know-how tacito.

Quando un paese delocalizza la produzione, non perde solo le fabbriche. Col tempo perde i beni comuni circostanti, perché i fornitori, i costruttori di utensili e i qualificati ingegneri di processo si atrofizzano o si trasferiscono una volta che non c’è più domanda locale a mantenerli in vita. Una volta che i beni comuni sono spariti, nessuna singola impresa o sussidio può ricostruirli rapidamente, perché una fabbrica singola riportata in patria non ha fornitori locali, non ha costruttori di utensili locali, non ha alcun bacino locale di ingegneri di processo esperti e quindi non ha nessuna delle economie esterne marshalliane che in primo luogo rendevano efficiente il cluster.

Ecco perché riportare in patria una categoria hardware commoditizzata è così difficile e così costoso. Il vantaggio che il soggetto che effettua il reshoring sta cercando di ricreare non era mai dentro la fabbrica. Era nell’ecosistema attorno alla fabbrica, e quell’ecosistema non è più a casa. Il fossato non si è spostato in Cina perché le aziende cinesi siano individualmente migliori. Si è spostato perché si sono spostati i beni comuni, e un bene comune è un asset collettivo che l’azione individuale non può ricostruire.

La conclusione macro per l’hardware corre esattamente in parallelo con quella per il software. Nel momento in cui le specifiche di un prodotto fisico sono note, l’ecosistema produttivo iper denso può replicarlo, ottimizzarlo per la produzione e distribuirlo direttamente con una struttura di costi che annienta il margine dell’ideatore originario. L’hardware autonomo, difeso solo dalla difficoltà della produzione fisica, è stato commoditizzato, perché quella difficoltà, per un vasto insieme di beni, non esiste più.

Parte Sei: Il Crollo Sequenziale e le Sue Conseguenze Strategiche

Di solito le persone analizzano i due crolli separatamente, e cronologicamente dovrebbero farlo. Il crollo dell’hardware è arrivato per primo. L’agglomerazione cinese ha reso debole la difendibilità dell’hardware basato sulla produzione in tutti l’elettronica di consumo e in molti beni di complessità intermedia anni prima che gli strumenti di codifica dell’IA generativa contassero davvero. Il crollo del software è arrivato dopo. L’evento reale per un fondatore oggi non è che siano iniziati insieme. È che entrambe le condizioni sono ormai presenti nel mercato.

Le epoche precedenti offrivano ancora una via di fuga. Quando il software diventava competitivo, il capitale poteva spostarsi verso hardware difendibile. Quando l’hardware diventava competitivo, il capitale poteva spostarsi verso software difendibile. I due domini erano rifugi alternati. Quella rotazione non funziona più. I puri atomi hanno già perso il loro fossato produttivo, e i puri bit stanno ora perdendo il loro. Non c’è più alcun rifugio nei puri bit e alcun rifugio nei puri atomi. Questo è il significato più profondo della teoria del barbell di cui ho scritto l’anno scorso. Il mezzo, dove un’impresa faceva affidamento sul fatto che una dimensione fosse difficile, è stato svuotato da entrambi i lati.

Conseguenza di Primo Ordine: Pressione Deflazionistica Generalizzata

Quando il costo marginale del software si avvicina allo zero e il costo effettivo della replica fisica si avvicina al pavimento iper efficiente del cluster, la competizione spinge i prezzi in entrambi i domini verso quei pavimenti. Questo è disinflazionistico per i consumatori e distruttivo per i produttori senza fossato, e spiega un enigma che molte persone notano: un enorme progresso tecnologico affiancato da margini in compressione per le imprese che effettivamente producono. Il progresso viene catturato dai consumatori e dagli imitatori invece che dagli innovatori, proprio perché l’appropriabilità è crollata in entrambi i domini.

Conseguenza di Secondo Ordine: La Rendita Migra Lungo la Curva del Sorriso

Stan Shih, il fondatore di Acer, propose la curva del sorriso intorno al 1992. Tracciare il valore aggiunto rispetto alle fasi di produzione in una catena del valore manifatturiera restituisce una forma simile a un sorriso. Ben Thompson l’ha adattata all’editoria, il che mostra che la curva non riguarda davvero la manifattura in sé. Ecco l’originale:

Le fasi di Shih sono queste:

• Valore elevato a monte, cioè progettazione, branding e proprietà intellettuale
• Una profonda conca al centro, cioè assemblaggio e manifattura fisica, la fase che si commoditizza più facilmente
• Valore elevato a valle, cioè distribuzione, servizio e relazione con il cliente

L’ascesa della Cina ha appiattito e commoditizzato il centro di quella curva per l’hardware. L’IA generativa sta ora commoditizzando il centro equivalente per il software, che è il semplice atto di scrivere codice. L’istruzione che ne consegue è identica in entrambi i casi: abbandonare il centro commoditizzato e spostarsi alle estremità del sorriso.

Ma le estremità sono esattamente il lato della domanda e gli asset a livello di sistema che né l’IA né la densità manifatturiera possono replicare a basso costo. A monte significa dati proprietari, ricerca e intuizione progettuale. A valle significa brand, fiducia, distribuzione, posizione regolatoria e proprietà della relazione con il cliente e dell’esito operativo.

Conseguenza di Terzo Ordine: La Rendita si Sposta nelle Fessure

Questa è la conseguenza che collega l’analisi alla strategia. La rendita durevole è migrata fuori da qualsiasi singola dimensione e dentro l’accoppiamento tra dimensioni, e dentro asset che stanno del tutto al di fuori della produzione. Se il codice puro è gratuito e gli atomi puri sono economici, allora gli attriti che continuano a generare rendita sono quelli che vivono nelle fessure:

• La stretta co-progettazione di hardware personalizzato con software personalizzato, così che nessuno dei due è utile a un imitatore senza l’altro.
• I dati proprietari generati dall’operare un flusso di lavoro fisico reale o regolamentato, che sono scarsi proprio perché sono un sottoprodotto del fare il lavoro e non qualcosa che può essere copiato.
• Le relazioni profonde, lente da costruire, e le accreditazioni regolatorie in settori conservatori, dove una copia più economica viene squalificata prima ancora che qualcuno la valuti.
• La posizione di principale, dove un’impresa non vende uno strumento commoditizzabile ma invece possiede l’operazione, assorbe la responsabilità, garantisce l’esito e cattura sia l’intero bacino di profitto sia l’esclusivo flusso di dati residui.

Questi sono gli attriti che l’IA e l’agglomerazione cinese sono strutturalmente incapaci di dissolvere, perché non sono affatto attriti di produzione. Sono attriti di fiducia, di accesso fisico, di regolamentazione, di osservazione accumulata del mondo reale e di proprietà operativa.

Parte Setta: Limiti, Controargomentazioni e Onestà su di Esse

Una tesi così ampia deve essere sottoposta a stress test contro le sue obiezioni più forti, perché una strategia costruita su una premessa esagerata fallisce esattamente dove la premessa era troppo forte.

Obiezione 1: Il Software Generato dall’IA Non È Ancora di Livello Frontier

La prima obiezione è che il software generato dall’IA non è ancora uguale al software progettato da esperti per i sistemi più complessi, ad alta affidabilità o nuovi, e che esiste ancora un vero confine di qualità tra generazione di commodity e ingegneria frontier.

Questo è vero e conta. L’argomento della commoditizzazione si applica soprattutto alla grande massa del software applicativo convenzionale la cui logica è ben battuta. Alla vera frontiera, in algoritmi nuovi, in sistemi che richiedono estrema affidabilità o sicurezza, e nei problemi senza precedenti nei dati di addestramento, il giudizio umano esperto continua a comandare rendita. Quindi l’affermazione precisa è che l’IA collassa il fossato per la maggioranza commoditizzabile del software, non che abolisca tutto il valore del software.

Ma la direzione di marcia conta strategicamente, perché la frontiera che rimane difendibile è stretta, si sposta continuamente, e costituisce una cattiva base per un business duraturo a meno che non sia ancorata a una delle trincee non produttive sopra.

Obiezione 2: Il Dominio Cinese è Disomogeneo e Politicamente Conteso

La seconda obiezione è che il dominio manifatturiero cinese è disomogeneo tra le categorie e ora affronta seri controfattori geopolitici, inclusi dazi, controlli sulle esportazioni, reshoring guidato dalla sicurezza nazionale e un deliberato friend shoring delle catene di approvvigionamento critiche.

Anche questo è vero. L’argomento della commoditizzazione è più forte per l’elettronica di consumo, i beni meccanici e gli assemblaggi a media complessità, e più debole al livello più alto dello stack tecnologico, più ovviamente nella fabbricazione avanzata di semiconduttori, dove l’estrema intensità di capitale e una manciata di fornitori insostituibili creano le proprie trincee. Anche la politica può reintrodurre artificialmente gli attriti che l’agglomerazione aveva rimosso, attraverso dazi che alzano il costo sbarcato dell’imitatore o controlli sulle esportazioni che gli negano gli input.

Ma quei controfattori in realtà rafforzano la conclusione centrale invece di indebolirla, perché sia la trincea dei semiconduttori sopravvissuta sia la trincea del reshoring guidato dalla politica non sono, ancora una volta, trincee di puro hardware. Sono trincee di estrema scala di capitale, di posizione di fornitore insostituibile, e di relazione regolatoria e geopolitica. Sono esattamente gli attriti non produttivi, di relazione e di posizione, verso cui questo rapporto dice che la rendita si è spostata.

Obiezione 3: Perché i Grandi Incumbent Sono Ancora Così Redditizi?

La terza obiezione è quella sottile. Se sia il software sia l’hardware sono commoditizzati, perché i maggiori incumbent tecnologici sono ancora straordinariamente redditizi?

La risposta è che quegli incumbent non sono mai stati davvero difesi dal puro software o dal puro hardware. Le loro vere trincee sono gli effetti di rete, il controllo della distribuzione e dell’attenzione, i dati proprietari su scala civilizzazionale, il lock in dell’ecosistema e, in alcuni casi, l’incrostazione regolatoria. Il crollo descritto qui non minaccia nulla di tutto ciò e, in diversi modi, lo rafforza, perché man mano che la produzione pura si commoditizza, aumenta il valore relativo degli asset non produttivi che gli incumbent già possiedono.

Questo è completamente coerente con la tesi. La commoditizzazione della produzione non appiattisce tutti i profitti. Sposta i profitti lontano dalle imprese il cui unico vantaggio era che produrre era difficile, e verso le imprese che possiedono gli attriti che la produzione non può toccare. Gli incumbent sopravvivono perché non sono mai stati aziende a una sola dimensione. Questa è la lezione, non l’eccezione.

Parte Otto: Sintesi e il Ponte verso la Trincea Moderna

I due crolli in questo rapporto sono, in fondo, lo stesso meccanismo che si ripete in due domini, non una cronologia condivisa. In entrambi i casi una classe di business ha guadagnato una rendita duratura perché produrre era difficile, lento e costoso. In entrambi i casi una forza dissolvente degli attriti, l’AI generativa nel dominio digitale e l’agglomerazione industriale iper densa in quello fisico, ha reso la produzione facile, rapida ed economica. In entrambi i casi la rendita difesa dalla difficoltà della produzione è evaporata nel momento in cui la produzione ha smesso di essere difficile.

La simmetria è esatta, e accorgersene vale più di entrambe le metà prese singolarmente, perché espone la legge generale sotto entrambe:

Qualsiasi trincea che consista solo nella difficoltà di fare una cosa è temporanea, e dura esattamente fino a quando qualcuno capisce come fare quella cosa facilmente.

Il corollario strategico segue direttamente. Poiché né i bit da soli né gli atomi da soli possono proteggere un business, la difendibilità deve essere assemblata dagli attriti che sono sopravvissuti a entrambi i crolli:

• L’integrazione stretta e a ciclo chiuso di hardware personalizzato e software personalizzato, così che il sistema non possa essere smontato e copiato pezzo per pezzo.
• I dati proprietari, continuamente aggiornati, prodotti come sottoprodotto dell’esecuzione di un flusso di lavoro reale, che non possono essere copiati perché devono essere guadagnati attraverso l’operatività.
• Le relazioni profonde, la fiducia e lo standing regolatorio delle industrie conservative, che nessun agente di coding e nessuna fabbrica a contratto possono generare.
• La decisione di operare come principal anziché come vendor, possedendo il flusso di lavoro e il suo risultato così che l’intero bacino di profitto e l’intero scarico di dati restino catturati invece di essere ceduti.

Una moderna azienda di scala venture è difendibile esattamente nella misura in cui assembla diversi di quegli attriti sopravvissuti in un unico sistema operativo accoppiato che migliora mentre gira. Tutto ciò che una volta era una trincea perché era difficile da costruire è ora una commodity perché è facile da costruire. Ciò che rimane difendibile è ciò a cui è difficile accedere, difficile conquistare in termini di fiducia, difficile entrare dal punto di vista regolatorio, e difficile osservare senza fare il lavoro reale.

La trincea del futuro non è fatta di bit, e non è fatta di atomi. È fatta delle giunture tra i due, e delle relazioni e dei dati guadagnati che nessuno può riprodurre senza stare dove stai tu.

Conclusione dell’Analisi

Il paradigma trentennale che trattava il software come il motore affidabile del profitto difendibile e l’hardware come la commodity a basso margine non si è semplicemente spostato. Le sue due assunzioni fondamentali sono state falsificate in sequenza. L’agglomerazione industriale cinese ha falsificato per prima l’assunzione che l’hardware sia difficile da iterare e da produrre. L’AI generativa sta falsificando ora l’assunzione che il software sia difficile da produrre e sostituire.

Poiché entrambe le trincee erano costruite soprattutto sulla difficoltà della produzione, e poiché quella difficoltà era il bersaglio specifico di entrambe le forze dissolventi degli attriti, entrambe le trincee sono crollate. La rendita che un tempo andava a chi poteva costruire i bit o forgiare gli atomi ora fluisce verso consumatori e imitatori, a meno che un’impresa non si sia ancorata a un attrito che il crollo della produzione non può raggiungere.

Quegli attriti sopravvissuti, integrazione, dati operativi proprietari, relazioni fidate, posizione regolatoria, e proprietà da principal di un flusso di lavoro reale, sono dove si è spostato il valore duraturo. Costruire un’azienda difendibile in questa era significa rifiutare di dipendere dal fatto che una singola dimensione sia difficile, perché nulla che sia semplicemente difficile da fare resta difendibile una volta che farlo diventa facile.

La Trincea Moderna

Tutto quanto sopra è diagnosi. Stabilisce dove è andata la rendita e perché, ma si ferma al livello del principio, e un principio non dice come appare realmente un’azienda costruita su di esso. Questa metà è la risposta. Copre di cosa è fatta oggi la difendibilità, e come appare quando è assemblata in un vero business.

Il Barbell

Prima delle regole di costruzione, conviene rendere esplicito il barbell, dato che l’analisi continuava a puntare lì senza elencarne le estremità. Ho delineato questo nel 2025 in The Barbell of Software Value, dove ho conciliato la mia Internal Software Leverage Theory con la tesi dell’abbondanza. In cui la conclusione era che il valore del software si sta polarizzando in due cluster con un centro che si sta svuotando.

A un’estremità ci sono i massicci primitivi fondamentali, foundation model, infrastrutture di calcolo, piattaforme cloud, chip e la core AI infrastructure. Questi sono difesi dall’intensità di capitale, dalle economie di scala e dalla concentrazione della ricerca a un livello che una nuova venture praticamente non può raggiungere. Non sono l’opportunità che sto descrivendo. Sono l’ambiente in cui essa opera.

Google è il caso limite superiore. Combina modelli LLM, TPU, infrastruttura cloud, Search, Android, YouTube, Maps, Chrome, distribuzione di default e dati proprietari su una scala che quasi nessuno può toccare. Questo non lo rende un pattern da startup. Lo rende il polo superiore del barbell pienamente realizzato. Non puoi partire da lì. Ciò che Google dimostra è il meccanismo: quando la produzione diventa economica, il valore duraturo migra verso calcolo, distribuzione, infrastruttura, dati e posizione nell’ecosistema in cui un nuovo entrante non può entrare casualmente in affitto. Nota anche il limite. Google gestisce l’asta. Di solito non possiede il risultato dell’inserzionista. Ecco perché Waymo, non Search, è l’esempio più pulito di posizione da principal più avanti.

All’altra estremità c’è la leva privata altamente specifica. Proprietà profonda del workflow, automazione del mondo fisico, processi regolatori, sostituzione del lavoro esperto, dati operativi proprietari e proprietà del risultato. Questa estremità è raggiungibile, ed è difesa esattamente dagli attriti non produttivi che l’analisi ha identificato come sopravvissuti.

Il centro pericoloso è il software generico. Questa è la web app, il dashboard, il tool CRUD, il workflow manager e il sottile wrapper sopra un’API di modello. Viene schiacciato dall’alto dai primitivi, che continuano ad assorbire al loro interno la capacità generale, e dal basso dal crollo del costo di costruire qualunque cosa generica. Un prodotto nel mezzo è facile da costruire, facile da clonare, facile da assorbire da un incumbent come funzionalità, e di solito possiede troppo poco della catena del valore del cliente per difendere un prezzo.

Le Quattro Componenti della Trincea

La difendibilità oggi non deriva da un solo alto muro. Deriva dall’intreccio di più vantaggi. Quattro pilastri distinti sopravvivono al doppio crollo della produzione hardware e software. Una moderna azienda durevole ha bisogno di un percorso credibile verso almeno tre di essi. Non uno. Tre. Le dimensioni singole non proteggono più nessuno, e non lo faranno mai andando avanti.

Ottimo Hardware

Ottimo hardware non significa inventare dispositivi esotici. Di certo non significa vendere un gadget ingegnoso con un margine. Un dispositivo visibile, copiabile e venduto separatamente è esattamente ciò che i cluster manifatturieri distruggono più rapidamente. L’hardware si guadagna il proprio posto quando non è il prodotto, ma lo strumento. Offre all’azienda un accesso fisico privilegiato a un processo che nessun concorrente può osservare dall’esterno. Rileva il mondo fisico, acquisisce dati proprietari, esegue azioni fisiche e standardizza il flusso di lavoro, rendendo il software soprastante molto più difficile da copiare. Il test è semplice. L’hardware potrebbe essere rimosso e venduto da solo? Se sì, è un gadget e verrà commoditizzato. Se non ha significato senza il software, i dati e l’operazione che gli stanno attorno, allora sta facendo lavoro di moat.

Ottimo software personalizzato

Un ottimo software personalizzato non è SaaS generico e non è un’interfaccia più gradevole. Funziona all’interno di un processo fisico o normativo specifico, automatizza decisioni che hanno un peso economico reale, coordina lavoro umano o macchine e cattura correzioni e casi limite man mano che si verificano. Nota ciò che lo rende difendibile. Non il codice, che l’analisi ha mostrato essere ormai economico, ma la sua dipendenza dall’accesso operativo, dai dati proprietari e dalla profonda conoscenza del flusso di lavoro che un concorrente non può ottenere clonando un’interfaccia. Il software è difficile da copiare perché le cose a cui è collegato sono difficili da raggiungere, non perché il software sia difficile da scrivere.

Ottime relazioni

Le ottime relazioni sono tra i moat più duraturi nelle industrie hard. Sono completamente immuni sia dalla commoditizzazione dell’hardware sia da quella del software. Includono accreditamento normativo, fiducia del cliente, accesso alla distribuzione presso acquirenti conservatori e partnership operative di lungo termine. Lo si vede in settori come difesa, sanità, costruzioni e infrastrutture. Gli acquirenti in quei mercati non scelgono mai un fornitore solo perché il software è leggermente migliore, e in molti casi nemmeno se è 10 volte migliore. Comprano in base a fiducia e storico, affidabilità, responsabilità, conformità e prove. Di solito un clone più economico viene squalificato prima che qualcuno lo valuti. Le relazioni richiedono tempo, reputazione e un record di esecuzione reale. Né agenti AI né una linea di assemblaggio di Shenzhen possono fabbricare fiducia dall’oggi al domani.

Dati unici

I dati unici sono i più importanti dei quattro e quelli che le persone sbagliano più spesso. Non tutti i dati hanno valore, e i dati generici raschiati dal web sono ormai quasi inutili come moat. I dati che contano sono privati, taciti e di livello esperto, specifici per il mondo fisico e per il flusso di lavoro, generati da operazioni reali e pieni di casi limite, correzioni e fallimenti che non compaiono in nessun corpus pubblico. Non puoi comprare questo tipo di dati, e non puoi raschiarli. Sono prodotti esclusivamente come sottoprodotto dell’esecuzione di un’operazione reale attraverso un ciclo chiuso di quattro fasi:

1. Osservazione
2. Decisione
3. Azione
4. Esito

Questo ciclo è anche il punto in cui i quattro fattori iniziano a rafforzarsi a vicenda. L’hardware osserva e agisce, il software decide e coordina, le relazioni danno accesso al flusso di lavoro e i dati unici si accumulano dagli esiti.

La maggior parte delle aziende cattura solo la prima fase di questo flusso di dati. Il moat ha bisogno di tutte e quattro, il che significa sapere non solo cosa è successo, ma quale decisione è stata presa in risposta, quale azione è stata effettivamente intrapresa e se il risultato ha funzionato. La quarta fase, l’esito verificato, è ciò che rende i dati addestrabili e ciò che rende il vantaggio composto. Ogni lavoro completato migliora il sistema che esegue il lavoro successivo, che è l’unica forma di vantaggio in tutto questo documento che cresce invece di erodersi.

Quando i cicli si compongono e quando si bloccano

Il ciclo chiuso sembra inevitabile in astratto. In pratica, la maggior parte dei tentativi di costruirne uno fallisce. Il ciclo è una tesi, non una legge, e ha specifiche modalità di fallimento che è più utile comprendere del caso di successo.

• I dati si saturano: Il valore dei dati accumulati segue una curva di rendimenti decrescenti. Nel deep learning, Sun et al. hanno riscontrato che le prestazioni nei task di visione aumentavano in modo logaritmico con il volume dei dati di addestramento, il che significa che ogni raddoppio del dataset compra un altro incremento, non un altro miracolo. I primi mille casi di esecuzione ti insegnano di più. I successivi diecimila insegnano meno. I successivi centomila insegnano quasi nulla di nuovo. Un concorrente che parte più tardi può spesso raggiungere il 90 percento delle tue prestazioni con una frazione dei dati storici, colmando il divario più velocemente di quanto suggeriscano i numeri grezzi.

• I dati potrebbero non essere tuoi da usare: Generi dati proprietari attraverso il flusso di lavoro, ma se il tuo contratto dice che il cliente ne è proprietario e non puoi aggregarli tra implementazioni, hai cinquanta silos di dati separati, non un volano unico. A livello di piattaforma, OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock e Google Vertex AI dicono tutti ai clienti business che i loro input e output non vengono usati per addestrare i foundation model per impostazione predefinita. È una buona cosa per i clienti e un avvertimento per i fornitori. L’apprendimento tra clienti si compone solo se il contratto lo consente. Anche la legge sulla privacy aggiunge un altro vincolo, perché la limitazione delle finalità del GDPR, i diritti di cancellazione, le regole HIPAA sulla de-identificazione e le regole CCPA/CPRA sulla condivisione per pubblicità comportamentale cross-context rendono più difficile l’uso secondario dei dati. Questo uccide più moat AI reali della concorrenza.

• Il flusso di lavoro muta più rapidamente di quanto il modello migliori: Nei domini operativi a rapido drift, i dati hanno una vita media misurabile. Come ha mostrato Valavi et al. in una ricerca della Harvard Business School, un grande stock storico di dati crea una debole barriera all’ingresso. Un nuovo entrante dotato di un flusso più piccolo di dati freschi e recenti può spesso costruire un modello più accurato di un incumbent seduto su anni di dati legacy, soprattutto quando i dati vecchi degradano attivamente l’accuratezza. Uno studio di informatica clinica lo ha trovato direttamente, dove la vita media dei dati di previsione degli ordini ospedalieri era di circa quattro mesi, e un mese di dati recenti superava dodici mesi di dati più vecchi. Nella manifattura, deriva dei sensori, usura degli utensili, riprogettazioni di processo e modifiche allo schema significano che i modelli addestrati sui dati storici dell’impianto stanno ragionando su un impianto che non esiste più. Questo non è universale. Processi governati dalla fisica, tavole attuariali, dati geologici e altri domini lenti possono mantenere i dati vecchi preziosi per molto tempo. Se il flusso di lavoro cambia più rapidamente di quanto il modello migliori, i tuoi dati storici diventano peso obsoleto piuttosto che un vantaggio.

• Il costo è la barriera, e la barriera è il costo: Possedere flussi di lavoro del mondo reale richiede molto capitale, molta manodopera e margini inferiori rispetto al software puro. Tesla ha riportato un margine lordo GAAP totale intorno al 18 percento nel 2025 nonostante l’integrazione verticale. Intuitive Surgical ha riportato una base installata di da Vinci di 11.106 sistemi e un margine lordo non-GAAP del 67,6 percento nel 2025, dopo decenni di capitale, formazione dei chirurghi e volume di procedure. La spesa che tiene fuori i concorrenti impedisce anche alla maggior parte dei nuovi entranti di costruire qualcosa che valga la pena difendere. Molti tentativi falliscono sull’economia unitaria ben prima che il ciclo si componga.

Ciò che separa i cicli che si compongono davvero da quelli che sono falsi moat:

• I dati sono collegati agli esiti, il che significa che sai se il risultato era giusto o sbagliato invece di raccogliere solo segnali.
• I dati sono contrattualmente tuoi da usare tra implementazioni.
• Il flusso di lavoro è abbastanza stabile da mantenere rilevanti i dati storici.
• Ogni esecuzione genera nuovi casi limite, non solo più dello stesso.
• La frequenza è abbastanza alta perché l’apprendimento si componga prima che il flusso di lavoro muti.

Questa tesi è sbagliata se una delle seguenti condizioni è vera:

• Un concorrente può acquisire dati equivalenti tramite scraping, generazione sintetica, transfer learning o un acquisto una tantum.
• Il cliente è proprietario dei dati contrattualmente e tu non puoi aggregarli tra implementazioni.
• Il flusso di lavoro muta più rapidamente di quanto il modello migliori, quindi i dati accumulati descrivono un sistema che non esiste più.
• Il valore dei dati si satura entro le prime N esecuzioni, il che significa che il vantaggio è fisso, non composto.
• Il costo di possedere il flusso di lavoro supera il valore dei dati che genera.

Se queste condizioni si verificano, il ciclo non è un moat. È un costoso progetto ingegneristico con un vantaggio temporaneo. Come ha sostenuto a16z nel 2019, la maggior parte dei vantaggi dati sono effetti di scala con rendimenti decrescenti, non effetti di rete magici. Era vero prima dell’attuale ondata AI. È ancora vero adesso.

Modelli di business costruiti sul moderno fossato

I quattro fattori descrivono di cosa è fatto il fossato. La domanda successiva è quale tipo di modello di business possa effettivamente catturarlo. In pratica, la risposta punta lontano dalla vendita di strumenti e verso il possesso del workflow stesso.

Principale, non fornitore

La singola decisione a più alta leva in tutto il framework è rifiutare la posizione di fornitore.

Un approccio da fornitore significa vendere uno strumento all’organizzazione che già possiede il workflow. Sembra attraente perché richiede poco capitale ed è scalabile in teoria, ma consegna ogni fonte di leva al cliente. L’operatore mantiene la relazione con il cliente, il processo fisico, i dati operativi, il budget, la responsabilità e il risultato finale. Il fornitore mantiene uno strato di software posato sopra tutto ciò. La startup cattura una piccola frazione del valore che crea, il cliente richiede integrazioni personalizzate finché il prodotto scivola verso i servizi, l’operatore può vedere lo strumento in azione e poi sostituirlo con una soluzione interna che ora costa drasticamente meno produrre, e poiché l’operatore possiede i dati migliori, il modello del fornitore non compone mai. I margini restano limitati. Questo è particolarmente pericoloso nelle industrie fisiche, dove i fornitori di software degenerano in modo affidabile in consulenti glorificati.

La posizione più forte è diventare il principale, possedere l’operazione, la responsabilità, l’accreditamento, il workflow o la responsabilità stessa. Invece di vendere software a chiunque svolga il lavoro, l’azienda svolge il lavoro o ne garantisce il risultato. Questo ribalta ogni svantaggio sopra. L’azienda cattura l’intero margine invece di una quota di licenza, possiede il risultato del cliente e quindi la relazione, e possiede i dati perché le sue stesse operazioni li generano. Non può essere disintermediata dall’operatore perché è l’operatore, e costruisce vera competenza operativa invece di una comprensione di seconda mano.

Il principio si condensa in una sola istruzione:

Non vendere lo strumento. Vendi il risultato completato.

In pratica, questo si manifesta come una riformulazione coerente di qualsiasi idea da fornitore nella sua versione da principale:

Questa decisione conta più di ogni altra nel framework, perché decide chi possiede i dati, e la proprietà dei dati decide se il vantaggio compone o decade.

Servizio come servizio

La posizione da principale implica un modello di erogazione che appare diverso dal software convenzionale, ed è utile nominarlo, perché all’inizio sembra un business peggiore a chiunque sia stato formato sui margini SaaS.

Questo modello ha alcuni nomi in circolazione. YC, a16z e altri lo hanno chiamato service-as-software, e la tesi del rollup abilitato dall’AI è un cugino stretto. Io preferisco service as a service perché mantiene l’attenzione su ciò che il cliente riceve davvero.

Il cliente non dovrebbe dover usare il software per portare a termine il lavoro. L’azienda dovrebbe usare insieme software, AI, lavoro umano, hardware e operazioni per consegnare il lavoro finito. Il software è leva interna, non il prodotto.

La sequenza è deliberata. Si comincia svolgendo il lavoro manualmente, o con esseri umani nel ciclo. Si usa il software per rendere quel lavoro umano più veloce, più coerente e più misurabile. Si cattura ogni input, decisione, correzione, caso limite e risultato. Poi si usano i dati accumulati per automatizzare sempre più del workflow, convergendo verso un fornitore di servizi automatizzato con margini e difendibilità che il software convenzionale non può eguagliare.

Questo differisce dalla consulenza in un modo decisivo. La consulenza vende lavoro personalizzato a ciascun cliente per sempre, e ogni incarico non lascia dietro di sé nulla di riutilizzabile. Service as a service usa deliberatamente il lavoro umano iniziale come strumento per costruire il sistema di automazione, e ogni incarico lascia dietro di sé dati che rendono il successivo più economico.

Ma bisogna fare attenzione e stare in guardia da una trappola in questo tipo di modello. Se ogni nuovo cliente richiede integrazioni personalizzate, pulizia dati personalizzata, mappatura personalizzata del workflow e tuning personalizzato del modello, l’azienda è una società di consulenza che non lo ha ancora ammesso. La fase con l’essere umano nel ciclo va bene, e spesso è necessaria, ma solo a condizione che produca dati proprietari e converga verso un’automazione scalabile. Se gli esseri umani stanno ancora svolgendo lo stesso lavoro allo stesso costo per unità dopo cinquanta incarichi, il modello ha fallito.

Lo Stargate per i dati

L’AI si sta spostando da un collo di bottiglia di calcolo a un collo di bottiglia di dati. Le aziende di AI più preziose del periodo a venire non saranno quelle con i dati più generici, che sono abbondanti e quindi non comandano rendita, per la logica esatta della prima metà. Saranno quelle che possiedono dati operativi rari, privati e di alta qualità, che non possono essere ottenuti in altro modo se non svolgendo il lavoro.

L’espressione Stargate for Data è presa in prestito dallo Stargate di OpenAI, il piano di espansione del calcolo annunciato da centinaia di miliardi di dollari, e il prestito è il punto. Se la risorsa scarsa del ciclo precedente giustificava un’infrastruttura pianificata di quella scala, il successivo merita lo stesso trattamento. L’obiettivo non è accumulare un dataset. È costruire una macchina che fabbrica dati proprietari continuamente come sottoprodotto dell’erogazione di un servizio.

La distinzione che conta in questo caso è che l’obiettivo non è raccogliere dati per il semplice gusto di farlo, cosa che produce laghi costosi di materiale inutilizzabile. L’obiettivo è possedere il ciclo operativo che produce esattamente i dati necessari per automatizzare quel ciclo.

Il computer degli atomi

I quattro fattori descrivono una struttura. Il computer degli atomi descrive a cosa serve quella struttura, ed è la visione di lungo termine che rende l’intero esercizio degno di essere fatto.

Non ho inventato io questa idea e voglio esserlo chiaro fin dall’inizio. La formulazione è di Travis Kalanick. Dopo essere stato estromesso da Uber nel 2017, ha trascorso otto anni a costruire City Storage Systems in stealth, e nel marzo 2026 l’ha rinominata Atoms e ha pubblicato una lettera di visione che spiega tutto. La sua formulazione è che si affrontano i problemi del mondo fisico come si affronterebbero i problemi software, e che le risorse computazionali di base hanno analoghi fisici dove la CPU è la manifattura, lo storage è il real estate e la rete è il trasporto. In un evento di lancio di a16z, Kalanick ha definito l’azienda attorno all’AI industriale, usando software, sensori, robotica e AI per automatizzare le operazioni in interi settori industriali, a partire da alimentare, mining e trasporti. Leggi la sua lettera. È migliore del mio riassunto, e alcune delle sue conclusioni arrivano allo stesso punto di questo documento da una direzione diversa.

Man mano che l’AI diventa più capace, il suo vincolo limitante si sta spostando. Il limite non è più solo la qualità del ragionamento. È l’interazione con la realtà fisica. Un modello può produrre testo, codice, immagini e piani di alta qualità e comunque non essere in grado di fare in modo affidabile qualcosa in un ambiente reale sporco, non strutturato e con conseguenze. I computer tradizionali hanno dato all’intelligenza un substrato per manipolare bit. L’opportunità ora è costruire l’equivalente substrato per gli atomi, creando sistemi che percepiscono il mondo fisico, interpretano condizioni reali disordinate, decidono, agiscono, verificano i risultati e imparano dal feedback, il tutto sotto vincoli fisici, normativi ed economici reali. Quest’ultima clausola è la parte difficile, ed è il motivo per cui questa è un’opportunità di business invece di un progetto di ricerca. Operare sotto vincoli normativi ed economici è esattamente ciò che non può essere clonato, ed è esattamente ciò che genera i dati a ciclo chiuso di cui il quarto fattore ha bisogno.

Su un punto Kalanick e io siamo completamente d’accordo, e lui lo dice meglio di quanto abbia fatto io. Il suo termine è robot con occupazione utile, cioè macchine specializzate con un lavoro produttivo specifico, in contrapposizione agli umanoidi costruiti per imitare noi. Il suo esempio è che, se devi fare mille pancake all’ora, un umanoide che li gira goffamente è il peggior design possibile e una macchina progettata apposta è quella ovvia. Quindi l’approccio giusto non è costruire un robot generico. È trovare un cuneo stretto in cui il ciclo di percepire, decidere, agire possa essere dispiegato dentro un singolo workflow reale con un chiaro valore economico immediato, e far funzionare quel ciclo dall’inizio alla fine prima di allargarlo.

L’azienda nel breve termine dovrebbe essere così stretta da sembrare priva di ambizione. Il tetto di lungo termine è il motivo per accettare quella ristrettezza.

Un esempio svolto

Il framework è astratto, quindi aiuta percorrere un’idea attraverso di esso. Questa è solo un’illustrazione dei criteri in uso, non l’unica conclusione che il framework impone.

Prendi le ispezioni specialistiche di costruzione e i collaudi dei materiali. La versione vendor vende software alle agenzie e ai laboratori che possiedono già il flusso di lavoro. La versione principal diventa l’agenzia e il laboratorio. Detiene l’accreditamento, conduce le ispezioni e si assume la responsabilità normativa. Internamente, utilizza software, hardware e IA per fornire risultati certificati più velocemente, a costi inferiori e in modo più affidabile rispetto agli incumbent.

Questa forma raggiunge tutti e quattro i fattori. È fisica, perché si occupa di siti, campioni, strumenti e misurazioni del mondo reale. Ha fossati relazionali e normativi, perché gli acquirenti hanno bisogno di risultati accettati dalle autorità competenti, non di una dashboard più bella. Possiede il risultato, perché vende risultati certificati invece di strumenti. E genera dati operativi proprietari come sottoprodotto del lavoro, inclusi risultati dei test, modalità di guasto, proprietà dei materiali, correzioni degli esperti e i legami tra condizioni fisiche ed esiti finali.

Inoltre parte in modo ristretto, seguendo la classica logica da startup che Paul Graham e YC sostengono da anni. Inizia con una wedge precisa, ma assicurati che la wedge appartenga a un problema grande e doloroso. Non c’è bisogno di automatizzare l’ispezione delle costruzioni come settore fin dal primo giorno. Il punto d’ingresso può essere un tipo di ispezione, un test su un materiale, una geografia o un flusso di lavoro di conformità. Da lì, il software standardizza il lavoro, gli esseri umani producono i primi dati e l’automazione si espande solo dove il ciclo effettivamente compone valore.

I rischi sono esattamente quelli che il framework prevede. Le tempistiche di accreditamento bloccano i ricavi, le operazioni sono pesanti prima che l’automazione maturi, e la trappola dei servizi è reale se ogni progetto finisce per essere su misura. Questo è il punto del framework. Non rende il business facile. Ti dice dove dovrebbero trovarsi le parti difficili.

Aziende che già Assomigliano a Questo

Il framework è più facile da fidarsi se descrive cose che già esistono, invece di descrivere solo cose che mi piacerebbe esistessero.

Anduril è quattro su quattro. Hardware personalizzato tra droni, torri di sensori, intercettori e veicoli subacquei. Software personalizzato in Lattice, su cui gira ogni singolo pezzo di quell’hardware. Relazioni e posizione normativa che nessun agente di coding può generare, poiché il cliente è il governo degli Stati Uniti e i suoi alleati. Dati operativi provenienti dai sistemi dispiegati che rientrano nel software. Due dettagli contano più dell’elenco prodotti. Finanzia la propria R&S e costruisce il prodotto prima di venderlo su una linea di budget esistente, invertendo il modello cost-plus su cui operano i prime tradizionali. Anduril è privata e non pubblica margini certificati, ma stime secondarie collocano il suo margine lordo intorno al 40-45 percento. È insolitamente alto per l’hardware della difesa, dove le aziende aerospaziali e della difesa registrano in media circa il 17,5 percento di margine lordo nei dati di settore della NYU Stern. Il numero preciso conta meno della struttura. Un modello verticalmente integrato, a prezzo fisso e definito dal software sembra ottenere un’economia migliore rispetto alla tradizionale integrazione di piattaforme cost-plus.

Intuitive Surgical è la versione più vecchia e più silenziosa della stessa struttura. Il sistema da Vinci combina hardware inutile senza il suo software, autorizzazioni FDA che nessun concorrente può aggirare, due decenni di relazioni ospedaliere e dati procedurali provenienti da milioni di operazioni. Raggiunge quattro su quattro, compone valore in modo continuo e porta avanti questo playbook sin dalla sua prima autorizzazione nel 2000, molto prima che qualcuno lo chiamasse IA fisica.

Kraken Robotics è quella che trovo più istruttiva, in parte perché pochi fuori dalla tecnologia marina la conoscono. Costruisce sonar a apertura sintetica, la piattaforma trainata KATFISH, batterie sottomarine e LiDAR subacqueo. Nessuno di quell’hardware è utile senza il software di imaging proprietario che lo avvolge. I suoi clienti includono marine allineate alla NATO. Questo è fiducia e regolamentazione al massimo livello, perché una marina non cambierà fornitore di sonar per una copia più economica. Fondamentalmente, Kraken non si limita a vendere attrezzature. Esegue rilevamenti come servizio, il che significa che ogni incarico produce intelligence dei fondali che nessun altro possiede. Quest’ultima decisione è l’intero framework in miniatura. Un’azienda hardware ha notato che i dati valevano più della scatola, ed è passata alla posizione principal per tenerli.

SpaceX e Waymo sono puri esempi di principal. SpaceX non vende razzi. Vende payload consegnati. Waymo non concede in licenza software di autonomia alle case automobilistiche. Vende corse completate. In entrambi i casi, l’azienda ha rifiutato la posizione vendor, ha assorbito la responsabilità operativa e ha tenuto i dati. Waymo porta anche un fossato normativo che arriva una giurisdizione alla volta. Quell’espansione è lenta, ed è proprio per questo che è difendibile.

Carbon Robotics è il caso parziale utile. Il suo LaserWeeder elimina le erbacce usando computer vision e laser ad alta potenza. Nel febbraio 2026, l’azienda ha dichiarato che il suo Large Plant Model era stato addestrato su oltre 150 milioni di piante etichettate, raccolte in circa un centinaio di aziende agricole in quindici paesi. Questo è il motore dati che funziona come descritto, generato come sottoprodotto operativo anziché come iniziativa separata. Ma noterei anche la vulnerabilità di questa configurazione. Carbon vende attrezzature agli agricoltori, rimanendo un vendor invece che un principal. Ha successo perché i dati continuano comunque a fluire nel suo modello centrale, rendendo sostenibile la posizione vendor. Se un giorno i coltivatori possedessero quei dati della flotta, il fossato sparirebbe.

Nokia è sia l’avvertimento storico sia un caso di prova emergente. Nel 2007 controllava quasi il 50 percento del mercato globale degli smartphone con il miglior hardware, la migliore scala produttiva e la migliore catena di fornitura nella telefonia mobile. Eseguiva su una singola dimensione meglio di chiunque altro fosse in vita, e crollò perché non aveva una piattaforma software. La Nokia di oggi sta tentando esattamente il playbook multi-fattore descritto qui. Come spiega Michael Sikand in questa analisi video, l’azienda ha trascorso oltre un decennio a pivotare dai gadget di consumo per aggregare silicio ottico verticalmente integrato, relazioni consolidate con operatori e difesa, e edge compute abilitato dall’IA. La vecchia Nokia ha dimostrato che l’hardware isolato è un vantaggio temporaneo. Ebbene, la nuova Nokia sta cercando di dimostrare che l’hardware unito alla fiducia istituzionale e all’infrastruttura software crea un fossato duraturo.

Nessuna di queste aziende assomiglia all’altra in superficie, ma tutte indicano la stessa lezione. Le imprese più durature hanno ottenuto qualcosa di lento, come un accreditamento, una flotta di sensori dispiegata, la fiducia dei chirurghi, la fiducia navale, un’approvazione normativa o un decennio di dati operativi. Nessuna di esse ci è arrivata solo scrivendo codice migliore, e nessuna può essere raggiunta da chi lo fa.

La Ristrettezza È il Requisito di Entrata

Sono anche tutte partite in piccolo. Le aziende che vincono non iniziano cercando di possedere l’intero ciclo, e provarci è l’errore più comune. Il ciclo compone valore solo se sei abbastanza profondo in un flusso di lavoro da generare dati collegati agli esiti che i concorrenti non possono acquisire in nessun altro modo. Una presenza superficiale in molti flussi di lavoro produce dati superficiali che si saturano rapidamente.

Il modello regge attraverso gli operatori sopra e oltre di essi. Anduril ha iniziato con la protezione delle forze e i sistemi anti-drone prima di aumentare la produzione e le capacità adiacenti. Intuitive Surgical ha iniziato con specifiche procedure laparoscopiche e ha costruito nel corso di decenni la formazione dei chirurghi e il volume delle procedure prima di espandersi tra le specialità. SpaceX ha iniziato con un unico veicolo di lancio riutilizzabile prima di espandersi in Starlink. Tesla ha iniziato con un cuneo ristretto di EV premium (la sports car Roadster) e ha usato la flotta per i dati e l’apprendimento manifatturiero prima di passare a modelli di volume, energia e autonomia. Palantir ha iniziato con flussi di lavoro di intelligence specifici per agenzie specifiche prima di espandersi nel commerciale. In ogni caso, l’ingresso ristretto non è stato un compromesso. È stato il meccanismo che ha reso composto il ciclo.

Il punto di ingresso è stretto di proposito. Un flusso di lavoro, un tipo di cliente, un flusso di dati difficile da replicare. Costruisci il ciclo attorno a quel flusso di lavoro finché i dati si compongono e la relazione si approfondisce, poi ti espandi in flussi di lavoro adiacenti in cui gli stessi dati, le stesse relazioni e la stessa disciplina operativa ti danno un vantaggio che un nuovo entrante non può eguagliare. Iniziare in modo ampio è il modo in cui finisci con una massa di dati che non si compone. Un concorrente che inizia oggi non sta inseguendo un vantaggio fisso. Sta inseguendo uno che si estende ogni volta che un lavoro viene svolto, ma solo se il lavoro è abbastanza ristretto, abbastanza profondo e abbastanza ripetuto da rendere i dati effettivamente importanti.

Conclusione

La prima metà di questo documento ha stabilito una legge generale. Qualsiasi fossato competitivo costituito solo dalla difficoltà di fabbricare una cosa è temporaneo e dura esattamente fino a quando qualcuno non rende quella cosa facile da fabbricare. L’agglomerazione industriale cinese ha fatto questo all’hardware comprimendo i costi di transazione e la latenza di iterazione dentro un cluster iperdenso. L’IA generativa sta facendo questo al software comprimendo il costo del suo input scarso. L’hardware è crollato per primo e il software ha seguito più tardi, ma per un fondatore che costruisce oggi, nessuno dei due rifugi è affidabile.

La seconda metà ha trasformato quella legge in una risposta. Se la difficoltà di produzione non difende più nulla, allora la difendibilità deve essere assemblata a partire dagli attriti che il collasso della produzione non può raggiungere. Questi includono accesso fisico, dati operativi in ciclo chiuso, posizione regolatoria, fiducia guadagnata e proprietà del risultato stesso. Ecco perché i quattro fattori richiedono tre su quattro invece di uno, perché la posizione di principal conta più di qualsiasi altra singola decisione e perché i dati devono essere un sottoprodotto operativo invece di un asset raccolto.

Si comprime in una sola frase chiave.

Nell’era dell’IA, le migliori aziende non saranno strumenti software generici o prodotti hardware copiabili. Saranno aziende principali ristrette, orientate al risultato che combinano software, flussi di lavoro fisici, relazioni di fiducia e dati operativi proprietari per automatizzare lavoro del mondo reale ad alto valore.

Per un fondatore, la domanda non è più “che software posso costruire?”, ma quale risultato prezioso del mondo reale posso possedere, eseguire, misurare e automatizzare?

Le opportunità più forti si trovano dove il software incontra gli atomi, la fiducia, la regolazione e i dati proprietari. Iniziano con un flusso di lavoro unico, ristretto e doloroso, usando esseri umani dove necessario. Catturano dati operativi come sottoprodotto del lavoro, automatizzano passo dopo passo e si compongono in sistemi difficili da sostituire. Il vantaggio è duraturo proprio perché è stato guadagnato attraverso l’operazione fisica invece che scritto nel codice.

L’obiettivo finale non è costruire un prodotto. È costruire un’azienda operativa con scalabilità da software, difendibilità nel mondo fisico e dati proprietari che migliorano a ogni lavoro completato.

Tutto ciò che prima era un fossato competitivo perché era difficile da costruire sta diventando una commodity. Costruire qualcosa è più facile che mai, e con l’avanzare dell’IA e delle catene di approvvigionamento globali lo diventerà ancora di più. Ciò che resta difendibile è ciò che è difficile da raggiungere, difficile da guadagnarsi la fiducia, difficile da entrare tramite la regolazione e difficile da osservare senza fare il vero lavoro.

Citazioni e fonti

Voglio essere esplicito su da dove provengono le parti prese in prestito, perché gran parte di questo documento consiste nel collegare il lavoro di altre persone invece che inventare qualcosa. Le cose che rivendicherei effettivamente come mie sono la regola dei quattro fattori, lo standard dei tre su quattro e l’argomento specifico secondo cui i due collassi condividono lo stesso meccanismo sottostante, anche se sono avvenuti in sequenza. Le cifre si spostano, quindi controllale prima di citarmi.

Mio, da scritti precedenti

• La sbarra di software value (2025), dove ho esposto per la prima volta il centro che si sta comprimendo e la Teoria della Leva del Software Interno. La seconda metà qui è la versione operativa di quel post.

Il computer degli atomi

• Travis Kalanick, Visione, Affari incompiuti e Come l’IA trasformerà il mondo fisico, Atoms e a16z, 2026. La cornice del computer basato sugli atomi, la mappatura di CPU/archiviazione/rete su manifattura/immobiliare/trasporti, il ciclo comprendere-predire-controllare, l’IA industriale e i robot occupati profittevolmente sono tutti suoi. Quella sezione è il mio riassunto della sua idea, non una mia idea.
• Ben Horowitz e Alex Danco, Travis è tornato, a16z, 2026.

L’economia

• Atlassian, risultati del Q2 FY2025, per i margini lordi maturi del SaaS orizzontale nella fascia bassa dell’ottanta per cento.
• Snowflake, risultati FY2025, per il controesempio secondo cui il software fortemente basato sul consumo può operare sensibilmente al di sotto dei classici margini lordi del SaaS.
• Michael Porter, le cinque forze, 1979, per la tassonomia delle fonti di rendita nella Parte Uno.
• David Teece, Profiting from Technological Innovation, 1986, per il problema di appropriabilità nella Parte Tre.
• Alfred Marshall, Principles of Economics, 1890, per economie esterne e agglomerazione nella Parte Cinque.
• Ronald Coase, The Nature of the Firm, 1937, per i costi di transazione nella Parte Cinque.
• Theodore Wright, 1936, e il Boston Consulting Group, per la curva di esperienza nella Parte Cinque.
• Stan Shih, la curva sorridente, intorno al 1992. Il suo diagramma originale è su Wikimedia Commons, e Publishers and the Smiling Curve di Ben Thompson è la migliore estensione che io abbia letto.
• Gary Pisano e Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, per i commons industriali e per capire perché il reshoring è difficile.
• Andrew “bunnie” Huang, The Hardware Hacker, per il resoconto in prima persona di come si prova realmente a lavorare all’interno della densità di Shenzhen.
• WTO, Adesioni: Cina, per il contesto sull’integrazione della Cina nel sistema commerciale globale.
• World Bank, valore aggiunto manifatturiero, per il contesto sulla scala manifatturiera cinese rispetto agli Stati Uniti.

La meccanica delle startup

• Paul Graham, Fai cose che non si scalano e Come trovare idee per startup, per il cuneo ristretto.
• Tesla, Il segreto del piano generale di Tesla Motors, 2006, per la logica del cuneo dalla Roadster all’auto accessibile.
• Palantir, dichiarazione di registrazione S-1, 2020, per il modello di espansione dal governo al commerciale.
• Storia aziendale di SpaceX e divulgazioni di Starlink, tramite SpaceX e Starlink, per il lancio come cuneo iniziale prima di un’infrastruttura spaziale più ampia.

Programmazione AI e produzione software

• GitHub, Introduzione a GitHub Copilot, 2021, e disponibilità generale di GitHub Copilot, 2022, per l’inizio pratico dell’assistenza commerciale alla codifica con IA.
• OpenAI, Rapporto tecnico di GPT-4, 2023, e Anthropic, Claude 3.5 Sonnet, 2024, per il contesto sull’accelerazione delle capacità dei modelli.
• Peng et al., L’impatto dell’IA sulla produttività degli sviluppatori, 2023, per il risultato controllato su GitHub Copilot in cui gli sviluppatori hanno completato un’attività di codifica delimitata il 55,8 percento più velocemente.
• Cui et al., Gli effetti dell’IA generativa sul lavoro altamente qualificato, 2025, per il risultato dello studio sul campo su 4.867 sviluppatori che mostra il 26,08 percento di attività completate in più.
• METR, Misurare l’impatto dell’IA di inizio 2025 sulla produttività di sviluppatori open-source esperti, 2025, per il controesempio in cui gli sviluppatori esperti erano più lenti del 19 percento con strumenti di IA in repository maturi.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, e OpenCode, per il passaggio dall’autocompletamento all’accesso agentico ai repository e al terminale.
• Conductor, Superset, e Hermes Agent, per il livello di orchestrazione sopra gli strumenti di codifica a singolo agente.

Le modalità di fallimento della trincea dei dati

• Sun et al., Riconsiderare l’efficacia irragionevole dei dati nell’era del deep learning, ICCV 2017, per il risultato empirico secondo cui le prestazioni nelle attività visive migliorano in modo logaritmico con il volume dei dati di addestramento.
• Martin Casado e Peter Lauten, La promessa vuota delle trincee dei dati, a16z, 2019, per l’argomento secondo cui gli effetti della scala dei dati di solito si erodono invece di comporsi.
• Valavi et al., Tempo e valore dei dati, Harvard Business School Working Paper 21-016, 2021, per la distinzione tra stock di dati e flusso di dati, e il risultato che dati obsoleti possono danneggiare l’accuratezza del modello.
• Chen et al., Diminuzione della rilevanza dei dati clinici verso decisioni future nei set di ordini clinici ospedalieri basati sui dati, International Journal of Medical Informatics, 2017, per l’emivita di circa quattro mesi dei dati di previsione clinica.
• OpenAI Privacy aziendale, Anthropic Termini commerciali, Microsoft Azure OpenAI privacy dei dati, AWS Bedrock FAQ, e Google Vertex AI governance dei dati, per gli impegni predefiniti di non addestramento sugli input e output dei clienti aziendali.
• European Data Protection Board, Parere 28/2024 sui modelli di IA, Articolo 5 del GDPR e Articolo 17, regole di de-identificazione HIPAA, e regole CCPA/CPRA, per i vincoli del diritto della privacy sull’uso secondario dei dati, la cancellazione, la de-identificazione e la condivisione.
• Lathrop GPM, Orientarsi nella proprietà dell’IA negli accordi commerciali e di licenza IP, 2026, per la tensione contrattuale tra gli impegni di non addestramento e i diritti d’uso aggregati o de-identificati mantenuti.

Immagini

• La curva sorridente di Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei all’incrocio di Shennan, foto di Charlie fong, Wikimedia Commons, CC BY-SA.
• Stampo per stampaggio a iniezione, foto di Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Prezzi dei moduli FV solari rispetto alla capacità installata cumulativa, Our World in Data, CC BY 4.0. Grafico ricreato localmente dal dataset pubblicato.

Gli esempi aziendali

• Stima del margine lordo di Anduril tramite Sacra. Anduril è privata e non pubblica margini verificati, quindi questo è trattato come una stima piuttosto che come una cifra riportata. Benchmark di settore per i margini lordi del settore aerospaziale e della difesa (circa 17,5 percento) tratto dal dataset sui margini di Aswath Damodaran della NYU Stern.
• Contesto su Alphabet e Google tramite il Modulo 10-K FY2025 di Alphabet, abbinato a United States v. Google LLC per gli accordi di distribuzione predefiniti della ricerca, i vantaggi di scala della ricerca e il contesto antitrust.
• Large Plant Model di Carbon Robotics e 150 milioni di piante etichettate tramite l’annuncio Business Wire di febbraio 2026, con TechCrunch come conferma.
• Storia di Intuitive Surgical e autorizzazione FDA del 2000 tramite Intuitive Company History. Volume delle procedure tramite Intuitive’s 2025 Corporate Impact Report, e base installata / dati sui margini tramite il suo comunicato sugli utili del Q4 2025.
• Dati sui margini di Tesla tramite il suo aggiornamento Q4 e FY2025.
• Modello di espansione normativa di Waymo tramite la Mappa normativa dei robotaxi 2026 di Tesorb e la copertura di Electrek sull’approvazione dell’espansione da parte della CPUC.
• Picco del 2007 e cronologia del declino di Nokia tramite BBC News e Wikipedia, con lo studio di Vuori e Huy su Administrative Science Quarterly / INSEAD per le dinamiche organizzative dietro il crollo, e la scomposizione video di Michael Sikand (video) per il suo moderno pivot infrastrutturale.
• Dettagli su OpenAI Stargate tramite l’annuncio originale di OpenAI e l’annuncio dell’espansione del sito. Si tratta di impegni e piani annunciati, non di capacità completamente dispiegata.
• Kraken Robotics tratto dalle proprie divulgazioni di prodotto e di contratto.