De Moderne Slotgracht

TL;DR

De bepalende zakelijke slotgracht van de 21e eeuw, pure software, stort snel in doordat Generatieve AI de kosten van code naar nul drijft, als spiegelbeeld van hoe Chinese industriële agglomeratie de pure hardware-slotgracht al heeft vernietigd. De loutere moeilijkheid van productie beschermt een bedrijf in geen van beide domeinen meer, dus is duurzame winst naar de naden tussen bits en atomen gemigreerd. Om vandaag een verdedigbaar bedrijf op te bouwen, moeten oprichters het generieke softwareleveranciersmodel verlaten en optreden als een principaal die een echte fysieke workflow end-to-end bezit. Door ten minste drie van vier sleutelfactoren strak te integreren (maatwerkhardware, gespecialiseerde software, opgebouwde relaties en eigen data), kan een modern bedrijf een gegarandeerd resultaat leveren terwijl het de gesloten-lusdata oogst die de echte slotgracht wordt. Een concurrent die vandaag begint, jaagt niet op een vaste voorsprong. Die jaagt op een voorsprong die elke keer dat een taak wordt voltooid verder uitrekt.

Voorwoord & Doel

Dit rapport werkt de ene claim uit waarop alles in mijn slotgrachtentheorie rust: pure software is geen verdedigbare slotgracht meer, en pure hardware hield op dat te zijn toen China zijn productiehegemonie opschaalde. Beide worden rondgestrooid als slogans. Ik wil de slogan weghalen en het mechanisme terugzetten. Waarom elke ineenstorting gebeurde, welke aannames stilletjes braken, hoe de twee elkaar voeden, en waar duurzame winst nog steeds kan worden gevangen. Ik schreef dit zodat het op zichzelf kan staan, zodat een toekomstige lezer, of een toekomstig model, het hele argument kan begrijpen zonder het gesprek dat het heeft voortgebracht.

Ongeveer dertig jaar lang ging de technologiestrategie ervan uit dat de digitale wereld duurzame, hoogmarginale, verdedigbare winst opleverde, terwijl de fysieke wereld dunne, niet-gedifferentieerde, laagmarginale commodity-output produceerde. De twee schokken kwamen niet tegelijk. China’s productie-agglomeratie brak eerst de hardware-verdedigbaarheid op basis van productie, vooral in de jaren 2000 en 2010. Generatieve AI breekt later de software-verdedigbaarheid op basis van productie, in de jaren 2020. Generatieve AI dreef de marginale kosten van het produceren van software richting nul, waardoor de barrières verdwenen die software verdedigbaar maakten. Chinese industriële agglomeratie dreef de kosten en latentie van fysieke iteratie omlaag tot de kosten en latentie van software, waardoor de barrières verdwenen die hardware verdedigbaar maakten. Dus noch bits alleen, noch atomen alleen kunnen een bedrijf nog beschermen. Duurzaam voordeel verschoof uit beide afzonderlijke dimensies en in de nauwe koppeling van beide, plus relaties en eigen data.

Het document heeft twee helften:

• De analyse. Wat een slotgracht eigenlijk is, waarom elk domein ooit verdedigbaar was, welke wrijvingen elke schok heeft opgelost, en wat er nog overeind staat. Deze helft is economische analyse en stopt waar analyse stopt.
• De moderne slotgracht. Waar verdedigbaarheid nu eigenlijk uit bestaat, nu noch bits noch atomen je op zichzelf beschermen, en hoe een bedrijf dat daarop is gebouwd er in de praktijk uitziet.

De Analyse: Hoe Beide Slotgrachten Instortten

Deel Een: Wat een Slotgracht Eigenlijk Is

Voordat ik uitleg hoe de slotgrachten instortten, moet ik exact zijn over wat een slotgracht is, omdat slordig gebruik van het woord verantwoordelijk is voor de meeste slechte strategiedenken die ik heb gezien. Een slotgracht is geen goed product, geen tijdelijke voorsprong, en niet het feit dat je de eerste bent. Een slotgracht is een structureel kenmerk van een markt dat een onderneming in staat stelt gedurende lange tijd rendement boven haar kapitaalkosten te behalen zonder dat die rendementen door concurrentie worden weggevaagd. In de taal van de industriële economie is een slotgracht een duurzame bron van economische rente.

Economische rente is het overschot dat een onderneming verdient boven het minimum dat zij zou accepteren om open te blijven, en in een echt competitieve markt gaat dat overschot naar nul. Onder volmaakte concurrentie wordt de prijs omlaag gedrukt tot de marginale kosten, verdienen bedrijven alleen hun kapitaalkosten, en blijft er geen overwinst bestaan. Elk raamwerk over verdedigbaarheid is eigenlijk een theorie over hoe één specifiek bedrijf die trek richting marginale-kostenprijsstelling en nulwinst ontloopt.

De klassieke lijst komt van Michael Porter, wiens vijfkrachtenraamwerk sinds 1979 de standaardtool hiervoor is geweest, later aangescherpt door de value-investinggroep. Het levert een klein aantal echte, duurzame bronnen van rente op:

• Toetredingsdrempels die nieuwe concurrenten buiten houden
• Hoge overstapkosten die bestaande klanten vasthouden
• Netwerkeffecten, waarbij het product waardevoller wordt naarmate meer mensen het gebruiken
• Schaalvoordelen die incumbents in staat stellen nieuwkomers te onderbieden
• Eigendomsmatige IP of regelgevende bescherming die navolgers juridisch uitsluit
• Beheersing van een schaars input of distributiekanaal waar rivalen niet bij kunnen

Elke RenteBron Is een Wrijving

Elk van die rentebronnen is een wrijving. Een slotgracht is eigenlijk gewoon een vorm van wrijving waar concurrenten niet goedkoop overheen kunnen:

• Hoge overstapkosten zijn wrijving in het vertrek van de klant.
• Toetredingsdrempels zijn wrijving in de aankomst van de concurrent.
• Netwerkeffecten zijn wrijving in de coördinatie die nodig is om gebruikers samen ergens anders heen te laten bewegen.
• Productieschaal is wrijving in het kapitaal en de tijd die een nieuwkomer moet vastleggen voordat die competitieve stukskosten bereikt.

Dat vertelt je precies wat iets als generatieve AI, of iets als Chinese industriële dichtheid, eigenlijk met een markt doet. Deze krachten vallen producten niet aan. Ze vallen wrijvingen aan. Het zijn wrijvingsoplossende technologieën. En een wrijvingsoplossende technologie is per definitie een slotgracht-oplossende technologie.

Het hele argument condenseert tot één zin: software- en hardware-slotgrachten stortten in omdat de specifieke wrijvingen die hun rente genereerden precies de wrijvingen waren die AI en Chinese agglomeratie uitzonderlijk goed konden verwijderen.

Deel Twee: De Historische Software-Slotgracht & Waarom Bits Geld Drukten

Om de ineenstorting te begrijpen, moet je eerst begrijpen waarom software historisch de beste bedrijfsstructuur was die het kapitalisme ooit heeft gevonden, omdat de ineenstorting gewoon de omkering is van de dingen die haar geweldig maakten.

Software had een bijna unieke kostenstructuur. Het combineerde een hoge vaste kost om de eerste kopie te maken met een bijna nul marginale kost om elke kopie daarna te reproduceren en te verzenden. Het schrijven van de eerste versie van een complex programma vereiste een schaars, duur, traag op te leiden bestand van ingenieurs die maanden of jaren werkten. Maar zodra het geschreven was, kostte de miljoenste kopie vrijwel niets om te maken en niets om te leveren. Die asymmetrie produceerde enorme operationele hefboomwerking. Volwassen horizontale software kan brutomarges in de tachtig procent halen, zoals Atlassian voor Q2 FY2025 voorspelde, omdat de omzet schaalt met gebruikers terwijl de kostprijs van verkochte goederen nauwelijks beweegt. Maar die uitspraak is minder universeel dan vroeger nu consumptie-intensieve software zoals Snowflake in FY2025 dichter bij 67 procent brutomarge uitkwam, deels omdat infrastructuur van derden in de kosten van omzet zit. In economische termen gedroeg software zich als een zuiver informatieproduct, en informatieproducten breken de normale relatie tussen productie en kosten die de fysieke grondstoffen beheerst.

Maar lage marginale kosten op zichzelf creëren geen slotgracht. Als iedereen het goed goedkoop kan maken, leveren lage marginale kosten verwoestende concurrentie op, geen rente. Software verdiende rente omdat de hoge vaste kost van de eerste kopie als toetredingsdrempel werkte, en omdat verschillende andere wrijvingen daarbovenop stapelden:

• Schaarste aan technisch talent. Het bouwen van niet-triviale software vereiste mensen die duur, moeilijk aan te nemen en moeilijk te coördineren waren, zodat de meeste mogelijke concurrenten simpelweg het team niet bijeen konden brengen om een geloofwaardige kopie te bouwen.
• Tijd. Zelfs een goed gefinancierde concurrent had vele maanden nodig om te reverse-engineeren, te specificeren, te bouwen, te testen en een concurrerend product te lanceren, en tijdens die maanden had de incumbent een tijdelijk monopolie om gebruikers, omzet en meer productdiepte op te stapelen.
• Overstapkosten. Zodra een klant zijn data in een systeem had geplaatst, zijn personeel op die interface had getraind, en het systeem via maatwerkintegraties aan alles had gekoppeld, werd vertrekken prohibitief duur, zelfs als er iets beters en goedkopers opdook.
• De build-versus-buy-afweging. Omdat het bouwen van maatwerksoftware voor intern gebruik zelf duur en riskant was, kochten bedrijven rationeel standaard kant-en-klare producten in plaats van zelf iets te bouwen, wat een grote markt voor softwarepakkettenleveranciers garandeerde.
• Netwerkeffecten en accumulerende eigen data, in de beste gevallen daar bovenop gestapeld.

De Structurele Kwetsbaarheid

Kijk waar die lijst uit bestaat. Slechts één van die vijf wrijvingen, netwerkeffecten, is intrinsiek aan de vraagzijde van het product. De andere vier, schaarste aan talent, bouwtijd, overstapkosten, en de build-versus-buy-boete, zijn allemaal wrijvingen aan de aanbodzijde van de productie. Het zijn artefacten van hoe moeilijk, traag en duur software was om te maken en te vervangen.

Dat is de kwetsbaarheid. Een bedrijf waarvan de verdedigbaarheid vooral rust op hoe moeilijk het ding is om te produceren, is slechts verdedigbaar zolang productie moeilijk blijft. Op het moment dat de kost van het produceren en vervangen van software instort, storten vier van de vijf pijlers mee in, en blijft alleen het netwerkeffect aan de vraagzijde overeind.

Die ineenstorting is precies wat generatieve AI heeft geleverd.

Deel Drie: De AI-Schok & het Oplossen van de Software-Slotgracht

De juiste manier om te modelleren wat generatieve AI met de software-economie heeft gedaan, is om het te behandelen als een schok op de productiefunctie van software. In de basiseconomie is de kostprijs van het produceren van iets een functie van de kosten van de inputs. Voor software is de dominante input altijd geschoolde menselijke cognitieve arbeid geweest, specifiek de arbeid om een bedrijfsvereiste om te zetten in correcte, geteste, uitrolbare code. Die arbeid was de schaarse, dure input die de toetredingsdrempel vormde.

Generatieve AI en autonome coderingsagenten vallen die input rechtstreeks aan. Ze genereren, refactoren, debuggen, documenteren en implementeren code tegen een fractie van de historische kosten bij veel taken. Een gecontroleerd GitHub Copilot-experiment vond dat ontwikkelaars een afgebakende coderingstaak 55,8 procent sneller voltooiden, en een veldonderzoek onder 4.867 ontwikkelaars vond 26,08 procent meer voltooide taken. Het effect is reëel, maar ongelijk, zoals een gerandomiseerde proef uit 2025 door METR vond: ervaren open-sourceontwikkelaars die werkten in vertrouwde, volwassen codebases waren 19 procent trager met AI-tools van begin 2025, terwijl ze dachten dat ze sneller waren. De veilige conclusie is niet dat AI elke ingenieur in elke situatie sneller maakt. Het is dat AI de kosten van het produceren van code comprimeert, vooral voor afgebakend, greenfield- en minder senior werk. De schaarse input wordt overvloediger gemaakt. Wanneer de prijs van de kritieke schaarse input daalt, stort de toetredingsdrempel die op die schaarste was gebouwd met haar in. Dat ene mechanisme werkt door in alle vier de aanbodzijde-pijlers.

De verandering is zichtbaar in de tools die ontwikkelaars daadwerkelijk gebruiken. Eerst kwamen IDE-native copilots zoals Cursor. Daarna kwamen terminal-native coderingsagenten zoals Claude Code, Codex CLI, Kiro CLI, en OpenCode, waarbij het model de repository leest, bestanden bewerkt, opdrachten uitvoert en iterates binnen dezelfde omgeving als de ingenieur. Nu ontstaat er een derde laag rond multi-agent orkestratie, met tools zoals Conductor, Superset, en Hermes Agent die meerdere agenten coördineren over projecten en omgevingen heen. De ontwikkeling is duidelijk. Het is gegaan van autocomplete, naar autonome agenten, naar het orkestreren van vele agenten parallel, en dit zal alleen maar versnellen. Digitaal werk zal elk jaar gemakkelijker te automatiseren worden, en de tools die vandaag een bekwame operator vereisen, zullen morgen steeds minder menselijke tussenkomst vereisen.

1. Het Instorten van de Toetredingsdrempel

Een geloofwaardig softwareproduct lanceren vereiste vroeger echt startkapitaal, waarvan het grootste deel naar het aannemen van de ingenieurs ging die nodig waren om een MVP te bouwen. Die kapitaalvereiste filterde de markt. Alleen ondernemingen die geld konden ophalen en talent konden werven, brachten ooit iets uit, en het daaruit voortvloeiende tekort aan concurrenten was zelf al deel van de bescherming van de gevestigde speler.

Wanneer één ontwikkelaar met goede AI-tools een gepolijste, werkende applicatie kan ontwerpen, bouwen en lanceren in een klein deel van de vroegere tijd en tegen de vroegere kosten, verdwijnt die filter. De markt stroomt vol met toetreders. In competitieve termen verschuift de aanbodcurve van softwarefuncties massaal naar buiten, en de basis prijstheorie vertelt je zonder enige ambiguïteit wat er daarna gebeurt. Wanneer het aanbod van een vervangbaar goed hard uitbreidt tegen ongeveer vaste vraag, daalt de prijs naar de marginale kost, en omdat de marginale kost van software dicht bij nul ligt, wordt de prijs daar ook naartoe getrokken. Hyperovervloed aan softwareaanbod is, mechanisch gezien, de vernietiging van de prijszettingsmacht van software.

2. Het Instorten van Tijdelijk Voordeel

Dit was waarschijnlijk de belangrijkste software-moat van allemaal. De hele logica van snel uitrollen en itereren was afhankelijk van het feit dat een gelanceerde functie de maker maanden aan exclusieve voorsprong verschafte voordat iemand anders het kon kopiëren. Die doorlooptijd was het venster waarin netwerkeffecten, merk en klanten werden gevestigd.

AI comprimeert de imitatiecyclus van maanden naar uren. Een concurrent kan naar de interface van een product kijken, het gedrag ervan beschrijven aan een coderingsagent, en bijna onmiddellijk een werkende kloon krijgen, zonder ooit de oorspronkelijke broncode te zien, omdat de waarde nooit echt in de specifieke code zat. Ze zat in de specificatie, en specificaties zijn nu triviaal goedkoop om te implementeren.

Wanneer de imitatievertraging naar nul gaat, verdampt het tijdelijke monopolie dat snelle innovatie rechtvaardigde. Innovatie blijft bestaan, maar begint geen duurzame premie meer op te leveren, omdat de beloning voor innovatie onmiddellijk aan imitaties wordt gegeven. Dit is een schoolvoorbeeld van wat David Teece het appropriatieprobleem noemde in zijn paper uit 1986 over winst maken uit technologische innovatie. Innovatie betaalt zichzelf alleen terug wanneer de innoveerder genoeg van de waarde die zij creëert kan vastleggen voordat imitatie die wegconcurreert. AI duwt de approprieerbaarheid van pure software-innovatie naar nul.

3. Het Oplossen van Omschakelkosten

Dit was de meest robuuste van de traditionele software-moats, omdat het werkte zelfs wanneer een concurrerend product duidelijk beter was. Maar omschakelkosten bestonden zelf uit fricties: data migreren van het ene schema naar het andere, aangepaste integraties herbouwen, en personeel opnieuw trainen op een onbekende interface. Elk van die dingen is precies het soort vermoeiende, patroon gebaseerde vertaalarbeid waar AI goed in is.

AI-gedreven datamapping kan snel en goedkoop een complexe database uit de structuur van het ene systeem ingesten, normaliseren en migreren naar een ander. Interfaces in natuurlijke taal verlagen de hertrainingskosten, omdat gebruikers steeds vaker via conversatie interacteren in plaats van een gepatenteerde menustructuur uit het hoofd te leren, wat betekent dat de opgebouwde vaardigheid die vastzit in de interface van één leverancier niet langer als omschakelingsstraf functioneert.

Wanneer de kosten van weggaan dalen, daalt de levenslange waarde van een vastgehouden klant mee, stijgt de klantacquisitiekost ten opzichte van die krimpende levenslange waarde, en verslechteren de unit economics van het hele abonnementsmodel. Een moat die rust op het onvermogen van de klant om weg te gaan, lost op wanneer weggaan goedkoop wordt.

4. De Omkering van Build Versus Buy

Dit vernietigt stilletjes de adresseerbare markt zelf. Bedrijven kochten verpakte software omdat het bouwen van maatwerk interne tools te duur, te traag en te riskant was om te rechtvaardigen voor iets anders dan hun meest onderscheidende behoeften. Die straf op intern bouwen is precies wat leveranciers een grote markt garandeerde.

Wanneer AI-agenten interne teams, zelfs niet-technische, in staat stellen om op hun eigen workflows afgestemde maatwerkapplicaties te genereren, verdwijnt de straf op bouwen, en verschuift de rationele keuze van het kopen van een generiek abonnement naar het genereren van een privaat hulpmiddel dat perfect past en geen terugkerende licentie heeft.

Dit maakt niet alleen de concurrentie tussen leveranciers heviger. Het verkleint de totale adresseerbare markt waar leveranciers om strijden, omdat een groeiend deel van de vraag naar software intern wordt vervuld en de externe markt helemaal nooit bereikt. Waarde verschuift van externe softwareleveranciers naar interne operationele capaciteit, wat wil zeggen dat het ophoudt een markt te zijn en een interne kostenefficiëntie wordt.

Dit is hetzelfde wat ik Internal Software Leverage noemde in mijn schrijfwerk, The Barbell of Software Value, maar dan gezien vanuit het perspectief van de leverancier in plaats van de koper.

Het Resultaat & Wat Niet Instort

Zet die vier mechanismen samen en je krijgt de commoditisering van pure software. De industrie gaat software-hyperovervloed binnen, waar functionele applicaties goedkoop te bouwen zijn, onmiddellijk te klonen en steeds vaker intern op aanvraag worden gegenereerd. In die toestand houdt de code zelf op een bron van rente te zijn, precies zoals elk goed geen rente meer oplevert zodra het overvloedig en vervangbaar wordt. Waarde ontkoppelt van de code.

Eerlijk zijn vereist dat je duidelijk zegt wat niet instort, want dit te sterk aanzetten zou het fout maken. Generatieve AI valt productiefricties aan de aanbodzijde aan. Op zichzelf valt het niet fricties aan de vraagzijde en op systeemniveau aan.

• Netwerkeffecten blijven bestaan, omdat AI de software van een sociaal netwerk in een middag kan klonen, maar niet de gebruikers kan klonen, en de gebruikers zijn het bezit.
• Proprietary datamoats blijven bestaan en worden zelfs sterker, omdat AI code goedkoper maakt om te produceren terwijl de zeldzame data die het traint waardevoller wordt.
• Distributie en merk blijven bestaan, omdat aandacht en vertrouwen schaars blijven, zelfs wanneer functies gratis zijn.
• Regelgevings- en nalevingsbarrières blijven bestaan, omdat een coderingsagent geen bankvergunning, medische hulpmiddelgoedkeuring of luchtvaartcertificering kan genereren.
• Diepe integratie in fysieke of gereguleerde operationele realiteit blijft bestaan, omdat code goedkoop is, maar sensoren installeren, vertrouwen verdienen en onder wettelijke goedkeuring opereren dat niet zijn.

Dus de precieze claim is niet dat alle softwarebedrijven sterven. Het is dat de specifieke, ooit dominante moat van pure, zelfstandige, verpakte software, verdedigd door de moeilijkheid om code te schrijven en te vervangen, is vernietigd. Wat overblijft is software die verankerd is in iets wat AI niet goedkoop kan reproduceren: een netwerk, een dataset, een gereguleerde positie, een distributiekanaal of een fysieke operatie. Software die vrij zweeft van al die dingen is nu een grondstof.

Deel Vier: De Historische Hardware-Moat & Waarom Atomen Moeilijk Waren

Het hardware-argument hanteert dezelfde discipline. Stel eerst vast waarom hardware vroeger verdedigbaar was, en laat dan zien welke van die verdedigingslinies China’s productiesysteem heeft opgelost.

Hardware was verdedigbaar om bijna de tegenovergestelde redenen als software, en de kapitaalmarkten behandelden de twee als tegenpolen. Waar software bijna nul marginale kosten had, had hardware hoge en hardnekkige marginale kosten, omdat elke fysieke eenheid materialen, energie, arbeid en machine-uren verbruikte. Waar software onmiddellijk en oneindig werd geleverd, was hardware gebonden aan de natuurkunde van productie en logistiek. Die eigenschappen maakten hardware een slechtere business qua marge, maar ze maakten het ook, vreemd genoeg, op een specifieke manier verdedigbaar, omdat de moeilijkheid van fysieke productie fungeerde als een barrière die een goed gerund hardwarebedrijf beschermde tegen gemakzuchtige imitatie.

De specifieke fricties die hardware beschermden waren deze:

• Kapitaal voor gereedschappen. Het op schaal maken van een fysiek product vereiste gespecialiseerd gereedschap, vooral de spuitgietmatrijzen en gietvormen die werden gebruikt om kunststof- en metaalonderdelen te vormen, en die gereedschappen kostten tienduizenden of honderdduizenden dollars en dwongen hoge minimale bestelhoeveelheden af. Dat was een harde kapitaalmuur waar de meeste nieuwkomers niet overheen konden klimmen, en het beschermde gevestigde partijen die hun gereedschappen al hadden afgeschreven.

• Iteratielatentie. Het verfijnen van een fysiek ontwerp betekende nieuwe gereedschappen snijden, toleranties aanpassen en fysieke testseries draaien, een lus die per ronde weken of maanden kostte en elke keer veel geld vergde, zodat fysieke producten langzaam verbeterden en een concurrent een lange, dure campagne nodig had om bij te benen.

• Assemblage van de toeleveringsketen. Een fysiek product is een stuklijst van materialen afkomstig van vele gespecialiseerde leveranciers, en die leveranciers waren vroeger verspreid over bedrijven, regio’s en landen, dus een werkende toeleveringsketen samenstellen betekende onderhandelen met geïsoleerde leveranciers, lange levertijden accepteren en ingewikkelde logistiek beheren.

• Precisie- en proceskennis. De verzamelde, vaak impliciete knowhow die nodig is om een ontwerp daadwerkelijk met acceptabel rendement te produceren. Die wordt niet overgedragen vanuit een tekening. Je moet die al doende leren.

• Distributie. De noodzaak om fysiek product onder de aandacht van kopers te krijgen via detailhandelaren, distributeurs en schapruimte, die zelf schaars waren en werden bewaakt.

Kijk opnieuw naar de samenstelling, net als bij software. De hardwaremoat was overweldigend een set productie- en logistieke fricties: kapitaal voor gereedschappen, iteratielatentie, assemblage van de toeleveringsketen, procesopbrengst en fysieke distributie. Die werd verdedigd door hoe moeilijk, traag en duur het was om een ontwerp om te zetten in een verzonden fysiek object. En precies zoals bij software geldt: een verdediging die is gebouwd op de moeilijkheid van productie is alleen duurzaam zolang productie moeilijk blijft.

Maar China’s bijdrage aan de economische geschiedenis was dat het fysieke productie, over een enorm scala aan goederen, niet langer moeilijk maakte.

Deel Vijf: De China-Schok, Industriële Agglomeratie, & het Einde van de Hardwaremoat

De meest voorkomende misvatting over de Chinese dominantie in de maakindustrie is dat het een verhaal is over goedkope arbeid. Dat was in de eerste fase deels waar en is nu grotendeels onwaar, en dat verkeerd begrijpen leidt rechtstreeks tot de mislukte conclusie dat reshoring, of productie verplaatsen naar het volgende land met lage lonen, de oude orde zal herstellen.

De werkelijke verklaring is dat China, in dichtheid en op schaal die niemand eerder had gezien, het fenomeen bouwde dat Alfred Marshall meer dan een eeuw geleden beschreef als industriële agglomeratie. Die agglomeratie, niet loonarbitrage, is wat de hardwaremoat uit elkaar haalde. Ik ben niet de eerste die dit argument naar voren brengt. Andrew “bunnie” Huang heeft de Shenzhen-versie ervan al meer dan tien jaar uit de eerste hand gedocumenteerd in The Hardware Hacker.

Marshalliaanse externe economieën

Industriële agglomeratie is de zichzelf versterkende geografische clustering van verbonden industrieën, componentleveranciers, makers van subassemblages, grondstofverwerkers, gereedschapsmakers, contractfabrikanten, logistieke dienstverleners en gespecialiseerd vakbekwaam personeel, allemaal samengepakt in dezelfde regio. Marshall identificeerde waarom die clusters voordelen genereren die geen enkel geïsoleerd bedrijf kan evenaren:

• Ze creëren een diepe gedeelde arbeidsmarkt van gespecialiseerde werknemers.
• Ze ondersteunen gespecialiseerde lokale leveranciers die nooit zouden kunnen overleven door één verre klant te bedienen, maar floreren door een dichte cluster van klanten te bedienen.
• Ze genereren kennisoverdracht, waarbij procesverbeteringen zich snel door de cluster verspreiden omdat de relevante mensen fysiek dichtbij zijn en rondbewegen.

Die drie krachten zijn de Marshalliaanse externe economieën, en ze betekenen dat een bedrijf binnen de cluster lagere kosten, snellere iteratie en betere informatie krijgt dan een identiek bedrijf buiten de cluster, hoe efficiënt dat buitenbedrijf op zichzelf ook is.

Transactiekosten storten in

In de Parelrivierdelta, en met name Shenzhen, bereikte agglomeratie een dichtheid zonder historisch precedent. Het praktische gevolg is het gemakkelijkst te zien via de transactiekosteneconomie van Ronald Coase. Coase legde uit dat de grens en snelheid van economische activiteit worden bepaald door transactiekosten, de kosten van het zoeken naar leveranciers, het onderhandelen over voorwaarden en het coördineren van productie tussen bedrijven. In een verspreide toeleveringsketen zijn die kosten enorm, en ze vormen de werkelijke inhoud van de derde frictie van de hardwaremoat.

In een hyperdichte cluster storten transactiekosten vrijwel volledig in. De hele toeleveringsketen voor de meeste elektronische en mechanische apparaten bevindt zich binnen een kleine straal, dus zoeken, inkopen, onderhandelen en coördineren die vroeger weken over continenten kostten, kost nu uren binnen één district. Een ontwerper kan een apparaat specificeren, alle componenten dezelfde dag lokaal inkopen, een printplaat ’s nachts laten fabriceren en assembleren, en de volgende ochtend een werkend prototype vasthouden.

Dit is niet goedkopere arbeid. Het is het vrijwel verdwijnen van transactiekosten en iteratielatentie, wat een categorisch ander en veel krachtiger iets is.

Uit die dichtheid kwamen vier mechanismen voort die de hardwaremoat oplosten, als tegenhanger van de vier toepassingen van AI op software.

1. De instorting van iteratielatentie

Dit is de hardwareversie van software die zijn temporele voordeel verliest. In de verspreide westerse toeleveringsketen kostte een fysieke ontwerpcyclus weken en was die duur, dus hardware verbeterde langzaam en het verfijningsvoordeel van de gevestigde partij hield stand. Binnen de cluster nadert fysieke iteratie de snelheid van software-iteratie. Matrijzen worden aangepast, printplaatontwerpen worden bijgesteld en testseries worden in dagen uitgevoerd.

Het strategische gevolg is meedogenloos. Elk hardwareontwerp dat in het Westen wordt bedacht, kan binnen de cluster sneller worden geobserveerd, terugge-engineerd, geoptimaliseerd voor maakbaarheid en op grote schaal geproduceerd dan het oorspronkelijke westerse bedrijf zijn eigen tweede prototype kan afronden. De doorlooptijd van de bedenker, die de bron van zijn rente was, is negatief. De imiterende partij levert het verbeterde, goedkopere model als eerste.

2. De instorting van kapitaal voor gereedschappen

Dit is de hardwareversie van de toetredingsbarrière van software die wegvalt. De tienduizenden dollars en hoge minimale bestelhoeveelheden die vroeger fysieke productie afsloten, zijn binnen de cluster geoptimaliseerd door snelle computergestuurde bewerking, gestandaardiseerde modulaire matrijsbases die opnieuw worden geconfigureerd in plaats van vanaf nul te worden gesneden, en extreem competitieve gereedschapswerkplaatsen met hoge doorvoer. Kleinschalige, sterk aangepaste hardware kan nu worden geproduceerd met een kostenstructuur die vroeger alleen beschikbaar was voor grote multinationals. De kapitaalmuur die hardware-entrepreneurs filterde, is grotendeels gevallen, net als die welke software-entrepreneurs filterde, en de markt overstroomt met dezelfde voorspelbare neerwaartse druk op de prijs.

3. De leercurve, versterkt door automatisering

Dit mechanisme is wat de kostenvoorsprong permanent vastzet, en het is de reden dat het voordeel niet kan worden weggearbitreerd door ergens anders heen te verplaatsen. Wrights wet, voor het eerst beschreven door Theodore Wright in 1936 op basis van vliegtuigproductiegegevens en later veralgemeniseerd door de Boston Consulting Group als de leercurve, is een van de meest betrouwbare empirische regelmatigheden in de industriële economie. Zij stelt dat voor veel producten de eenheidskosten met een consistent percentage dalen telkens wanneer het cumulatieve productievolume verdubbelt, omdat de organisatie door opgeteld doen leert hoe zij efficiënter kan produceren.

Omdat de cluster een overweldigend aandeel van het wereldwijde cumulatieve volume produceert over talloze productcategorieën, bevindt hij zich ver beneden de ervaringscurve, waarvan elke nieuwe toetredende partij met een laag cumulatief volume helemaal bovenaan staat. De moderne Chinese productie versterkt dat leereffect vervolgens met kapitaalintensieve automatisering, geavanceerde robotica, high-speed geautomatiseerde optische inspectie, en verticale integratie die helemaal terugreikt tot in de grondstoffen.

Dit is precies het punt waar de uitleg over arbeidskosten sterft. Het moderne voordeel is niet lage lonen. Het is opgebouwde kennis plus geautomatiseerde schaal plus leveranciersdichtheid, en een nieuwkomer kan die combinatie met geen enkele kortetermijnactie reproduceren, ongeacht hoge of lage lonen, omdat je decennia aan cumulatieve productie-ervaring of het leveranciers-ecosysteem eromheen niet onmiddellijk kunt kopen.

4. De Instorting van Wrijvingen in Distributie

Dit is de hardwareversie van AI die de noodzaak wegneemt om via bestaande softwarekanalen te gaan. Wereldwijde digitale marktplaatsen en hyper-efficiënte pakketlogistiek laten fabrikanten binnen de cluster Westelijke distributeurs, groothandels en schapruimte in de winkel volledig overslaan, door direct op mondiale platforms te vermelden en binnen dagen naar de deur van een consument te verzenden. De laatste wrijving die een gevestigd hardwaremerk beschermde, zijn controle over schappen en kanalen, wordt omzeild. Een functioneel gelijkwaardig apparaat bereikt dezelfde klant tegen een fractie van de merkprijs zonder ooit het distributiesysteem van de gevestigde partij aan te raken.

De Industriële Commons & Waarom Reshoring Zo Moeilijk Is

Het belangrijkste gevolg van dit alles, en het vaakst over het hoofd geziene, gaat over reshoring, en hier is het idee van de industriële commons van belang. Gary Pisano en Willy Shih noemden dit in Restoring American Competitiveness (PDF) in 2009. Hun observatie was dat productiecapaciteit geen eigenschap is van individuele bedrijven. Het is een eigenschap van een ecosysteem, een gedeelde lokale basis van leveranciers, gereedschapsmakers, procesingenieurs en stilzwijgende knowhow.

Wanneer een land productie offshoret, verliest het niet alleen fabrieken. Na verloop van tijd verliest het de omliggende commons, omdat de leveranciers, gereedschapsmakers en vakbekwame procesingenieurs achteruitgaan of verhuizen zodra er geen lokale vraag meer is die hen in leven houdt. Zodra de commons verdwenen is, kan geen enkel afzonderlijk bedrijf of geen enkele subsidie haar snel opnieuw opbouwen, omdat een enkele teruggeplaatste fabriek geen lokale leveranciers, geen lokale gereedschapsmakers, geen lokale pool van ervaren procesingenieurs heeft, en dus geen van de Marshalliaanse externe economieën die de cluster in eerste instantie efficiënt maakten.

Daarom is het zo moeilijk en zo duur om een gecommodificeerde hardwarecategorie terug te halen. Het voordeel dat de terughaler probeert te herscheppen zat nooit binnen in de fabriek. Het zat in het ecosysteem rond de fabriek, en dat ecosysteem is niet meer thuis. De gracht verplaatste zich niet naar China omdat Chinese bedrijven individueel beter zijn. Hij verplaatste zich omdat de commons verplaatste, en een commons is een collectief bezit dat individuele actie niet kan herbouwen.

De macroconclusie voor hardware loopt exact parallel aan die voor software. Op het moment dat de specificaties van een fysiek product bekend zijn, kan het hyperdichte productie-ecosysteem het repliceren, optimaliseren voor productie en direct distribueren tegen een kostenstructuur die de marge van de oorspronkelijke maker vernietigt. Losstaande hardware, verdedigd alleen door de moeilijkheid van fysieke productie, is gecommodificeerd, omdat die moeilijkheid, voor een enorm scala aan goederen, niet langer bestaat.

Deel Zes: De Sequentiële Instorting & De Strategische Gevolgen

Mensen analyseren de twee instortingen meestal apart, en chronologisch zouden ze dat ook moeten doen. De hardware-instorting kwam eerst. Chinese agglomeratie maakte productie-gebaseerde hardwareverdedigbaarheid jarenlang zwak in consumentenelektronica en veel goederen met een middelmatige complexiteit, nog voordat generatieve AI-codingtools ertoe deden. De software-instorting kwam later. De feitelijke gebeurtenis voor een oprichter vandaag is niet dat ze tegelijk begonnen. Het is dat beide voorwaarden nu in de markt aanwezig zijn.

Eerdere tijdperken boden nog een ontsnappingsroute. Wanneer software competitief werd, kon kapitaal uitwijken naar verdedigbare hardware. Wanneer hardware competitief werd, kon kapitaal uitwijken naar verdedigbare software. De twee domeinen waren afwisselende schuilplaatsen. Die rotatie werkt niet meer. Pure atomen hebben hun productiegracht al verloren, en pure bits verliezen die van hen nu. Er is geen toevluchtsoord meer voor pure bits en geen toevluchtsoord meer voor pure atomen. Dit is de diepere betekenis van de barbell waarover ik vorig jaar schreef. Het midden, waar een bedrijf erop vertrouwde dat één dimensie moeilijk was, is van beide kanten uitgehold.

Eersteordegevolg: Algemene Deflatoire Druk

Wanneer de marginale kosten van software nul naderen en de effectieve kosten van fysieke replicatie de hyper-efficiënte bodem van de cluster naderen, duwt concurrentie de prijzen in beide domeinen naar die bodems toe. Dat is desinflatoir voor consumenten en destructief voor producenten zonder gracht, en het verklaart een puzzel die veel mensen opvalt: enorme technologische vooruitgang ligt recht naast samengedrukte marges voor de bedrijven die daadwerkelijk produceren. Vooruitgang wordt vastgepakt door consumenten en door navolgers in plaats van door vernieuwers, precies omdat toe-eigenbaarheid in beide domeinen instortte.

Tweedordegevolg: Huur verschuift langs de Lachende Curve

Stan Shih, de oprichter van Acer, stelde rond 1992 de lachende curve voor. Zet toegevoegde waarde uit tegen de fasen van productie in een productieketen en je krijgt een vorm als een glimlach. Ben Thompson heeft die aangepast aan publicatie, wat laat zien dat de curve eigenlijk helemaal niet over productie gaat. Hier is het origineel:

Shih’s fasen zijn deze:

• Hoge waarde stroomopwaarts, wat ontwerp, branding en intellectueel eigendom betekent
• Een diepe kuil in het midden, wat fysieke assemblage en productie betekent, de fase die het gemakkelijkst gecommodificeerd raakt
• Hoge waarde stroomafwaarts, wat distributie, service en de klantrelatie betekent

De opkomst van China maakte het midden van die curve voor hardware vlakker en gecommodificeerd. Generatieve AI gecommodificeert nu het equivalente midden voor software, namelijk de simpele handeling van code schrijven. De instructie die volgt is in beide gevallen identiek: verlaat het gecommodificeerde midden en verplaats je naar de uiteinden van de glimlach.

Maar de uiteinden zijn precies de vraagzijde en systeemniveau-activa die noch AI noch productiedichtheid goedkoop kan repliceren. Stroomopwaarts betekent dat eigen data, onderzoek en ontwerpinzicht. Stroomafwaarts betekent dat merk, vertrouwen, distributie, regulatoire positie, en eigendom van de klantrelatie en de operationele uitkomst.

Derdeordegevolg: Huur Verplaatst Zich in de Naden

Dit is het gevolg dat de analyse met de strategie verbindt. Duurzame huur is uit elke afzonderlijke dimensie gemigreerd en in de koppeling tussen dimensies terechtgekomen, en in activa die volledig buiten de productie zelf liggen. Als pure code gratis is en pure atomen goedkoop zijn, dan zijn de wrijvingen die nog steeds huur genereren juist de wrijvingen die in de naden leven:

• Het strakke co-ontwerp van aangepaste hardware met aangepaste software, zodat geen van beide nuttig is voor een imitator zonder de andere.
• De eigen data die wordt gegenereerd door het draaien van een echte fysieke of gereguleerde workflow, die schaars is precies omdat ze een bijproduct is van het werk doen in plaats van iets dat gekopieerd kan worden.
• De diepe, langzaam op te bouwen relaties en regulatoire accreditaties in conservatieve sectoren, waar een goedkopere kloon al wordt uitgesloten voordat iemand hem überhaupt evalueert.
• De positie van principal, waar een bedrijf niet een commoditiseerbaar hulpmiddel verkoopt maar in plaats daarvan de operatie bezit, de aansprakelijkheid absorbeert, de uitkomst garandeert en zowel de volledige winstpool als de exclusieve data-uitstoot vastlegt.

Dit zijn de wrijvingen die AI en Chinese agglomeratie structureel niet kunnen oplossen, omdat het helemaal geen productiewrijvingen zijn. Het zijn wrijvingen van vertrouwen, van fysieke toegang, van regelgeving, van opgebouwde observatie in de echte wereld, en van operationeel eigenaarschap.

Deel Zeven: Beperkingen, Tegenargumenten, & Eerlijk Zijn Over Hen

Een these die zo ver reikend is, moet onder druk getest worden tegen de sterkste bezwaren, omdat een strategie die op een overdreven premisse gebouwd is precies faalt waar de premisse te sterk was.

Bezwaar 1: Door AI gegenereerde software is nog niet van frontierkwaliteit

Het eerste bezwaar is dat door AI gegenereerde software nog niet gelijk is aan door experts ontworpen software voor de meest complexe, meest betrouwbare of meest nieuwe systemen, en dat er nog steeds een echte kwaliteitsgrens bestaat tussen commoditiseerbare generatie en frontier-engineering.

Dit is waar en het doet ertoe. De commoditisatie-argumentatie geldt het hardst voor de grote hoeveelheid conventionele applicatiesoftware waarvan de logica al lang bekend is. Aan de echte frontier, in nieuwe algoritmen, in systemen die extreme betrouwbaarheid of veiligheid vereisen, en in problemen zonder precedent in de trainingsdata, blijft deskundig menselijk oordeel huur opleveren. De precieze claim is dus dat AI de gracht doet instorten voor de commoditiseerbare meerderheid van software, niet dat het alle softwarewaarde opheft.

Maar de richting van de reis is strategisch wel van belang, omdat de grens die verdedigbaar blijft smal is, voortdurend verschuift, en een slechte basis is voor een duurzaam bedrijf, tenzij ze verankerd is aan een van de hierboven genoemde niet-productiebolwerken.

Bezwaar 2: Chinese Dominantie is Onevenwichtig en Politiek Omstreden

Het tweede bezwaar is dat Chinese productie-dominantie per categorie onevenwichtig is en nu te maken heeft met ernstige geopolitieke tegenkrachten, waaronder tarieven, exportcontroles, door nationale veiligheid gedreven reshoring, en bewuste friend shoring van kritieke toeleveringsketens.

Ook dit is waar. Het commoditisatie-argument is het sterkst voor consumentenelektronica, mechanische goederen en assemblages met middelmatige complexiteit, en het zwakst aan de absolute top van de technologiestapel, het meest duidelijk bij geavanceerde halfgeleiderfabricage, waar extreme kapitaalintensiteit en een handvol onvervangbare leveranciers hun eigen bolwerken creëren. Beleid kan ook kunstmatig de wrijving terugbrengen die agglomeratie heeft weggenomen, via tarieven die de geland kostprijs van de navolger verhogen of exportcontroles die hem inputs ontzeggen.

Maar die tegenkrachten versterken in feite de centrale conclusie in plaats van die te ondermijnen, omdat zowel het overgebleven halfgeleiderbolwerk als het door beleid gedreven reshoring-bolwerk opnieuw geen bolwerken van pure hardware zijn. Het zijn bolwerken van extreme kapitaalschaal, van onvervangbare leverancierspositie, en van regulatoire en geopolitieke relatie. Het zijn precies de niet-productie-, relatie- en positiefricties waar deze rapportage zegt dat de rente naartoe is gemigreerd.

Bezwaar 3: Waarom Zijn de Grote Zittende Spelers Nog Steeds Zo Winstgevend?

Het derde bezwaar is het subtiele. Als zowel software als hardware gecommoditiseerd zijn, waarom zijn de grootste technologiezittende spelers dan nog steeds buitengewoon winstgevend?

Het antwoord is dat die zittende spelers nooit werkelijk werden verdedigd door pure software of pure hardware. Hun echte bolwerken zijn netwerkeffecten, controle over distributie en aandacht, propriëtaire data op beschavingsschaal, ecosysteemverankering, en in sommige gevallen regulatoire verankering. De hier beschreven ineenstorting bedreigt niets van dat alles, en versterkt het op meerdere manieren, omdat naarmate pure productie gecommoditiseerd raakt, de relatieve waarde van de niet-productie-activa die de zittende spelers al bezitten toeneemt.

Dit is volledig in overeenstemming met de these. De commoditisatie van productie maakt niet alle winst vlak. Zij herverdeelt winst weg van bedrijven waarvan het enige voordeel was dat productie moeilijk was, en naar bedrijven die de fricties bezitten die productie niet kan raken. De zittende spelers overleven omdat zij nooit ondernemingen met één dimensie waren. Dat is de les, niet de uitzondering.

Deel Acht: Synthese & de Brug naar het Moderne Bolwerk

De twee instortingen in dit rapport zijn, in de kern, hetzelfde mechanisme dat zich in twee domeinen herhaalt, niet één gedeelde tijdlijn. In beide gevallen verdiende een bedrijfsklasse duurzame rente omdat productie moeilijk, traag en duur was. In beide gevallen maakte een wrijving-oplossende kracht, generatieve AI in het digitale domein en hyperdichte industriële agglomeratie in het fysieke, productie makkelijk, snel en goedkoop. In beide gevallen verdampte de rente die door de moeilijkheid van productie werd verdedigd op het moment dat productie ophield moeilijk te zijn.

De symmetrie is exact, en die opmerken is meer waard dan beide helften afzonderlijk, omdat het de algemene wet onder beide onthult:

Elk bolwerk dat alleen bestaat uit de moeilijkheid om iets te maken, is tijdelijk, en het duurt precies tot iemand uitzoekt hoe dat ding gemakkelijk gemaakt kan worden.

De strategische gevolgtrekking volgt rechtstreeks. Aangezien noch bits alleen noch atomen alleen een bedrijf kunnen beschermen, moet verdedigbaarheid worden samengesteld uit de fricties die beide ineenstortingen hebben overleefd:

• De strakke, gesloten lus-integratie van op maat gemaakte hardware en op maat gemaakte software, zodat het systeem niet uit elkaar gehaald en onderdeel voor onderdeel gekloond kan worden.
• De propriëtaire, voortdurend vernieuwde data die als bijproduct van het draaien van een echte workflow wordt geproduceerd, die niet gekopieerd kan worden omdat ze verdiend moet worden door operatie.
• De diepe relaties, het vertrouwen en de regulatoire positie van conservatieve industrieën, die geen code-agent en geen contractfabriek kunnen genereren.
• De keuze om als principal in plaats van als vendor te opereren, waarbij de workflow en de uitkomst ervan worden bezeten zodat de volledige winstpool en de hele data-uitstroom vastgehouden blijven in plaats van verkocht te worden.

Een modern bedrijf op venture-schaal is in precies die mate verdedigbaar dat het verschillende van die overlevende fricties samenvoegt tot één gekoppeld besturingssysteem dat beter wordt naarmate het draait. Alles wat vroeger een bolwerk was omdat het moeilijk te bouwen was, is nu een commodity omdat het gemakkelijk te bouwen is. Wat verdedigbaar blijft, is wat moeilijk toegankelijk is, moeilijk is om vertrouwen in te winnen, moeilijk is om via regulering binnen te komen, en moeilijk is om te observeren zonder het echte werk te doen.

Het toekomstige bolwerk bestaat niet uit bits, en het bestaat niet uit atomen. Het bestaat uit de naden tussen beide, en uit de relaties en verdiende data die niemand kan reproduceren zonder te staan waar jij staat.

Conclusie van de Analyse

Het dertigjarige paradigma dat software beschouwde als de betrouwbare motor van verdedigbare winst en hardware als de laagmarginale commodity is niet zomaar verschoven. De twee fundamentele aannames ervan zijn opeenvolgend weerlegd. Chinese industriële agglomeratie heeft de aanname weerlegd dat hardware moeilijk te itereren en te produceren is, eerst. Generatieve AI weerlegt nu de aanname dat software moeilijk te produceren en te vervangen is.

Omdat beide bolwerken grotendeels waren gebouwd op de moeilijkheid van productie, en omdat die moeilijkheid het specifieke doelwit was van beide frictie-oplossende krachten, zijn beide bolwerken ingestort. De rente die vroeger ging naar wie de bits kon bouwen of de atomen kon smeden, stroomt nu naar consumenten en navolgers, tenzij een bedrijf zich heeft verankerd aan een frictie die de instorting van productie niet kan bereiken.

Die overlevende fricties, integratie, propriëtaire operationele data, vertrouwde relaties, regulatoire positie, en principal-eigendom van een echte workflow, zijn waar duurzame waarde naartoe is gegaan. Een verdedigbaar bedrijf bouwen in dit tijdperk betekent weigeren te vertrouwen op één enkele dimensie die moeilijk is, omdat niets dat slechts moeilijk te maken is verdedigbaar blijft zodra het maken ervan gemakkelijk wordt.

Het Moderne Bolwerk

Alles hierboven is diagnose. Het stelt vast waar de rente naartoe ging en waarom, maar het stopt op het niveau van het principe, en een principe vertelt je niet hoe een bedrijf dat erop gebouwd is er in de praktijk uitziet. Deze helft is het antwoord. Het behandelt waar verdedigbaarheid nu uit bestaat, en hoe die eruitziet wanneer ze is samengesteld tot een echt bedrijf.

De Barbell

Voordat de constructieregels volgen, helpt het om de barbell expliciet te maken, omdat de analyse er steeds naar verwees zonder de uiteinden te noemen. Ik heb dit in 2025 uiteengezet in The Barbell of Software Value, waar ik mijn Internal Software Leverage Theory verzoende met de abundance-these. Daarin was de conclusie dat softwarewaarde polariseert in twee clusters met een instortend midden.

Aan het ene uiteinde zitten de massieve fundamentele bouwstenen, foundation models, compute-infrastructuur, cloudplatformen, chips, en de kern-AI-infrastructuur. Deze worden verdedigd door kapitaalintensiteit, schaalvoordelen en onderzoeksconcentratie op een niveau dat een nieuwe venture praktisch niet kan bereiken. Zij zijn niet de kans die ik beschrijf. Zij zijn de omgeving waarin het opereert.

Google is het plafondgeval. Het combineert LLM-modellen, TPU’s, cloudinfrastructuur, Search, Android, YouTube, Maps, Chrome, standaarddistributie, en propriëtaire data op een schaal die bijna niemand kan aanraken. Dat maakt het nog geen startup-patroon. Het maakt het het volledig gerealiseerde bovenste pool van de barbell. Daar kun je niet beginnen. Wat Google bewijst, is het mechanisme: wanneer productie goedkoop wordt, migreert duurzame waarde naar compute, distributie, infrastructuur, data, en ecosysteempositie die een nieuwe toetredende partij niet zomaar kan huren. Let ook op de grens. Google draait de veiling. Het bezit meestal niet de uitkomst van de adverteerder. Daarom is Waymo, en niet Search, later het zuiverdere principal-positievoorbeeld.

Aan het andere uiteinde zit zeer specifieke private leverage. Diepe workflow-eigendom, automatisering van de fysieke wereld, regulatoire processen, vervanging van deskundige arbeid, propriëtaire operationele data, en eigendom van de uitkomst. Dit uiteinde is bereikbaar, en het wordt verdedigd door precies de niet-productiefricties die de analyse identificeerde als overlevenden.

Het gevaarlijke midden is generieke software. Dit is de webapp, het dashboard, de CRUD-tool, de workflowmanager, en de dunne wrapper over een model-API. Het wordt van bovenaf samengedrukt door de bouwstenen, die algemene capaciteit steeds verder in zichzelf absorberen, en van onderaf door de instorting van de kosten om überhaupt iets generieks te bouwen. Een product in het midden is makkelijk te bouwen, makkelijk te klonen, makkelijk voor een zittende speler om als functie in te lijven, en het bezit meestal te weinig van de waardeketen van de klant om een prijs te verdedigen.

De Vierfactor-bolwerk

Verdedigbaarheid komt vandaag niet uit één hoge muur. Ze komt uit het in elkaar grijpen van meerdere voordelen. Vier afzonderlijke pijlers overleven de dubbele ineenstorting van hardware- en softwareproductie. Een duurzaam modern bedrijf heeft een geloofwaardig pad nodig naar minstens drie daarvan. Niet één. Drie. Enkelvoudige dimensies beschermen niemand meer, en dat zal in de toekomst ook niet meer gebeuren.

Geweldige Hardware

Geweldige hardware betekent niet het uitvinden van exotische apparaten. Het betekent zeker niet het verkopen van een slim apparaat met marge. Een zichtbaar, kopieerbaar, afzonderlijk verkocht apparaat is precies wat productieketens het snelst vernietigen. Hardware verdient zijn plaats wanneer het niet het product is, maar het instrument. Het geeft het bedrijf bevoorrechte fysieke toegang tot een proces dat geen enkele concurrent van buitenaf kan waarnemen. Het voelt de fysieke wereld aan, legt propriëtaire data vast, voert fysieke handelingen uit en standaardiseert de workflow, waardoor de software erboven veel moeilijker te kopiëren is. De test is eenvoudig. Zou de hardware eruit kunnen worden gehaald en op zichzelf verkocht? Als dat kan, is het een gadget en zal het gecommoditiseerd worden. Als het zonder de software, de data en de operatie eromheen zinloos is, dan vervult het een slotgrachtfunctie.

Geweldige maatwerksoftware

Geweldige maatwerksoftware is geen generieke SaaS en is geen mooiere interface. Het werkt binnen een specifiek fysiek of regelgevend proces, automatiseert beslissingen met echte economische betekenis, coördineert arbeid of machines, en legt correcties en randgevallen vast terwijl ze zich voordoen. Let op wat het verdedigbaar maakt. Niet de code, die volgens de analyse nu goedkoop is, maar de afhankelijkheid van operationele toegang, propriëtaire data en diepgaande workflowkennis die een concurrent niet kan krijgen door alleen een interface te kopiëren. De software is moeilijk te kopiëren omdat de dingen waarop ze is aangesloten moeilijk te bereiken zijn, niet omdat de software moeilijk te schrijven is.

Geweldige relaties

Geweldige relaties behoren tot de meest duurzame slotgrachten in zware industrieën. Ze zijn volledig immuun voor zowel hardware- als softwarecommoditisering. Ze omvatten regelgevende accreditatie, vertrouwen van klanten, distributietoegang tot conservatieve kopers en langdurige operationele partnerschappen. Je ziet dit in sectoren als defensie, gezondheidszorg, bouw en infrastructuur. Kopers in die markten kiezen nooit een leverancier alleen omdat de software iets beter is, en in veel gevallen zelfs niet als die 10x beter is. Ze kopen op basis van vertrouwen en staat van dienst, betrouwbaarheid, aansprakelijkheid, naleving en bewijs. Een goedkopere kopie wordt meestal al uitgesloten voordat iemand ernaar kijkt. Relaties kosten tijd, reputatie en een staat van echte uitvoering. Noch AI-agenten noch een assemblagelijn in Shenzhen kunnen van de ene op de andere dag vertrouwen maken.

Unieke data

Unieke data is de belangrijkste van de vier en de factor die mensen het vaakst verkeerd begrijpen. Niet alle data is waardevol, en generieke, gescrapete data is tegenwoordig bijna waardeloos als slotgracht. De data die ertoe doet is privé, impliciet en op expert-niveau, fysiek en workflowspecifiek, gegenereerd uit echte operaties, en vol randgevallen, correcties en mislukkingen die nooit in een publieke corpus verschijnen. Je kunt dit soort data niet kopen, en je kunt het niet scrapen. Het wordt uitsluitend geproduceerd als bijproduct van het draaien van een live operatie door een gesloten lus van vier fasen:

1. Observatie
2. Beslissing
3. Actie
4. Uitkomst

Deze lus is ook waar de vier factoren elkaar beginnen te versterken. Hardware observeert en handelt, software beslist en coördineert, relaties geven toegang tot de workflow, en unieke data stapelt zich op uit de uitkomsten.

De meeste bedrijven leggen alleen de eerste fase van deze datastroom vast. De slotgracht heeft alle vier nodig, wat betekent dat je niet alleen weet wat er is gebeurd, maar ook welke beslissing daarop is genomen, welke actie daadwerkelijk is uitgevoerd en of het resultaat werkte. Die vierde fase, de geverifieerde uitkomst, is wat de data trainbaar maakt en wat het voordeel laat samengroeien. Elke voltooide klus verbetert het systeem dat de volgende klus uitvoert, wat de enige vorm van voordeel is in dit hele document die groeit in plaats van erodeert.

Wanneer lussen samengroeien en wanneer ze vastlopen

De gesloten lus klinkt in abstracto onvermijdelijk. In de praktijk mislukken de meeste pogingen om er een te bouwen. De lus is een stelling, geen wet, en heeft specifieke faalwijzen die nuttiger zijn om te begrijpen dan het succesgeval.

• Data verzadigt: De waarde van geaccumuleerde data volgt een afnemende-rendementscurve. In deep learning vonden Sun et al. dat de prestatie op vision-taken logaritmisch toenam met het volume trainingsdata, wat betekent dat elke verdubbeling van de dataset nog een extra stap oplevert, niet nog een wonder. De eerste duizend uitvoeringen leren je het meest. De volgende tienduizend leren minder. De volgende honderdduizend leren bijna niets nieuws. Een concurrent die later begint kan vaak 90 procent van jouw prestatie bereiken met een fractie van de historische data, en de kloof sneller dichten dan de ruwe cijfers suggereren.

• De data is misschien niet van jou om te gebruiken: Je genereert propriëtaire data via de workflow, maar als je contract zegt dat de klant die bezit en je die niet over implementaties heen kunt bundelen, heb je vijftig afzonderlijke datasilo’s, geen vliegwiel. Op platformniveau vertellen OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock en Google Vertex AI zakelijke klanten allemaal dat hun invoer en uitvoer standaard niet worden gebruikt om foundation models te trainen. Dat is goed voor klanten en een waarschuwing voor leveranciers. Leren over klanten heen componeert alleen als het contract dat toestaat. Privacywetgeving voegt nog een beperking toe, omdat GDPR-doelbindingslimitaties, verwijderingsrechten, HIPAA-de-identificatieregels en CCPA/CPRA-regels rond delen voor cross-context gedragsreclame secundair datagebruik allemaal moeilijker maken. Dit vernietigt meer echte AI-slotgrachten dan concurrentie dat doet.

• De workflow muteert sneller dan het model verbetert: In operationele domeinen die snel verschuiven, heeft data een meetbare halfwaardetijd. Zoals Valavi et al. in onderzoek van Harvard Business School aantoonden, vormt een grote historische voorraad data een zwakke toetredingsbarrière. Een nieuwkomer met een kleinere stroom verse, recente data kan vaak een accurater model bouwen dan een gevestigde speler die op jaren aan legacydata zit, vooral wanneer verouderde data de nauwkeurigheid actief verslechtert. Een studie over klinische informatica vond dit rechtstreeks, waarbij de halfwaardetijd van data voor voorspelling van ziekenhuisopdrachten ongeveer vier maanden was, en één maand recente data beter presteerde dan twaalf maanden oudere data. In productie betekenen sensorsdrift, gereedschapsslijtage, procesherontwerp en schemawijzigingen dat modellen die op historische fabriekdata zijn getraind redeneren over een fabriek die niet meer bestaat. Dit is niet universeel. Door fysica bepaalde processen, actuariële tabellen, geologische data en andere langzaam veranderende domeinen kunnen oude data lange tijd waardevol houden. Als de workflow sneller verandert dan het model verbetert, wordt je historische data verouderde ballast in plaats van een voordeel.

• De kosten zijn de barrière, en de barrière is de kostenpost: Het bezitten van echte workflows is kapitaalintensief, arbeidsintensief en heeft lagere marges dan pure software. Tesla rapporteerde in 2025 een totale GAAP-brutomarge van ongeveer 18 procent ondanks verticale integratie. Intuitive Surgical rapporteerde in 2025 een geïnstalleerde da Vinci-basis van 11.106 systemen en een non-GAAP-brutomarge van 67,6 procent, na decennia van kapitaal, training van chirurgen en procedurevolume. De uitgave die concurrenten buiten houdt, weerhoudt ook de meeste nieuwkomers ervan iets op te bouwen dat de moeite waard is om te verdedigen. Veel pogingen mislukken al op unit economics lang voordat de lus samengroeit.

Wat de lussen die daadwerkelijk samengroeien onderscheidt van de lussen die nep-slotgrachten zijn:

• De data is gekoppeld aan uitkomsten, wat betekent dat je weet of het resultaat goed of fout was in plaats van alleen signalen te verzamelen.
• De data is contractueel van jou om over implementaties heen te gebruiken.
• De workflow is stabiel genoeg dat historische data relevant blijft.
• Elke uitvoering genereert nieuwe randgevallen, niet alleen meer van hetzelfde.
• De frequentie is hoog genoeg om leren te laten samengroeien voordat de workflow muteert.

Deze stelling is onjuist als een van de volgende waar is:

• Een concurrent kan equivalente data verkrijgen via scrapen, synthetische generatie, transfer learning of een eenmalige aankoop.
• De klant bezit de data contractueel en je kunt die niet over implementaties heen bundelen.
• De workflow muteert sneller dan het model verbetert, zodat geaccumuleerde data een systeem beschrijft dat niet meer bestaat.
• De waarde van data verzadigt binnen de eerste N uitvoeringen, wat betekent dat het voordeel vaststaat en niet samengroeit.
• De kosten van het bezitten van de workflow groter zijn dan de waarde van de data die deze genereert.

Als die voorwaarden gelden, is de lus geen slotgracht. Het is een duur ingenieursproject met een tijdelijk voorsprong. Zoals a16z in 2019 betoogde, zijn de meeste datavoordelen schaal-effecten met afnemende opbrengsten, niet magische netwerkeffecten. Dat was vóór de huidige AI-golf waar. Dat is nu nog steeds waar.

Bedrijfsmodellen Gebouwd op de Moderne Gracht

De vier factoren beschrijven waaruit de gracht is opgebouwd. De volgende vraag is welk soort bedrijfsmodel die daadwerkelijk kan vastleggen. In de praktijk wijst het antwoord weg van het verkopen van tools en richting het bezitten van de workflow zelf.

Principaal, Niet Leverancier

De enkele beslissing met de hoogste hefboom in het hele raamwerk is het weigeren van de leverancierspositie.

Een leverancierszet betekent het verkopen van een tool aan de organisatie die de workflow al bezit. Het ziet er aantrekkelijk uit omdat het in theorie kapitaalarm en schaalbaar is, maar het geeft elke bron van hefboomwerking aan de klant. De operator behoudt de klantrelatie, het fysieke proces, de operationele data, het budget, de aansprakelijkheid en het eindresultaat. De leverancier houdt een laag software bovenop dat alles. De startup vangt een klein deel van de waarde die ze creëert, de klant eist maatwerkintegraties totdat het product richting diensten verschuift, de operator kan zien hoe de tool werkt en hem vervolgens vervangen door een interne oplossing die nu dramatisch goedkoper is om te bouwen, en omdat de operator de beste data bezit, componeert het model van de leverancier nooit. Marges blijven begrensd. Dit is vooral gevaarlijk in fysieke industrieën, waar softwareleveranciers betrouwbaar degraderen tot veredelde consultants.

De sterkere positie is om de principaal te worden, om de operatie, de verantwoordelijkheid, de accreditatie, de workflow of de aansprakelijkheid zelf te bezitten. In plaats van software te verkopen aan degene die het werk uitvoert, voert het bedrijf het werk uit of garandeert het de uitkomst ervan. Dat keert elk van de bovenstaande nadelen om. Het bedrijf vangt de volledige marge in plaats van een licentie-aandeel, bezit de klantuitkomst en daarmee de relatie, en bezit de data omdat zijn eigen operaties die genereren. Het kan niet worden uitgespeeld door de operator, omdat het de operator is, en het bouwt echte operationele expertise op in plaats van kennis uit tweede hand.

Het principe condenseert tot één instructie:

Verkoop de tool niet. Verkoop het voltooide resultaat.

In de praktijk uit dit zich in een consistente herformulering van elk leveranciersidee naar de principaal-versie ervan:

Deze beslissing is belangrijker dan welke andere ook in het raamwerk, omdat zij beslist wie de data bezit, en data-eigendom beslist of het voordeel componeert of afneemt.

Dienst als een Dienst

De principaalpositie impliceert een leveringsmodel dat er anders uitziet dan conventionele software, en het is de moeite waard om het een naam te geven, omdat het in eerste instantie voor iedereen die is getraind op SaaS-marges op een slechter bedrijf lijkt.

Dit model heeft een paar namen in omloop. YC, a16z en anderen hebben het service-as-software genoemd, en de AI-gedreven roll-up-these is een naaste verwant. Ik geef de voorkeur aan dienst als een dienst omdat het de nadruk legt op wat de klant daadwerkelijk ontvangt.

De klant zou de software niet hoeven te gebruiken om de klus geklaard te krijgen. Het bedrijf moet software, AI, menselijke arbeid, hardware en operaties samen gebruiken om de voltooide klus te leveren. De software is interne hefboomwerking, niet het product.

De volgorde is doelbewust. Begin met het werk handmatig te doen, of met mensen in de lus. Gebruik software om dat menselijke werk sneller, consistenter en beter meetbaar te maken. Leg elke input, beslissing, correctie, uitzondering en uitkomst vast. Gebruik vervolgens de verzamelde data om steeds meer van de workflow te automatiseren, en convergeer naar een geautomatiseerde dienstverlener met marges en verdedigbaarheid die conventionele software niet kan evenaren.

Dit verschilt op één beslissende manier van consultancy. Consultancy verkoopt voor altijd maatwerkarbeid aan elke klant, en elke opdracht laat niets herbruikbaars achter. Dienst als een dienst gebruikt vroege menselijke arbeid bewust als het instrument om het automatiseringssysteem te bouwen, en elke opdracht laat data achter die de volgende goedkoper maakt.

Maar je moet voorzichtig zijn en oppassen voor een valkuil in dit soort model. Als elke nieuwe klant maatwerkintegraties, maatwerk-datacleaning, maatwerk-workflowmapping en maatwerk-modelafstemming vereist, dan is het bedrijf een consultancy die dat nog niet heeft toegegeven. De fase met de mens in de lus is prima, en vaak noodzakelijk, maar alleen op voorwaarde dat die eigen data oplevert en convergeert naar schaalbare automatisering. Als de mensen na vijftig klussen nog steeds hetzelfde werk doen tegen dezelfde kosten per eenheid, is het model mislukt.

De Stargate voor Data

AI verschuift van een compute-knelpunt naar een data-knelpunt. De meest waardevolle AI-bedrijven van de komende periode zullen niet degene zijn met de meest generieke data, die overvloedig is en daarom geen rente oplevert, precies volgens de logica van de eerste helft. Het zullen degene zijn die zeldzame, private, hoogwaardige operationele data bezitten die op geen enkele andere manier verkregen kan worden dan door het werk te doen.

De uitdrukking Stargate voor Data is ontleend aan OpenAI’s Stargate, de aangekondigde compute-uitbouw van vele honderden miljarden dollars, en juist die ontlening is het punt. Als de schaarse hulpbron van de vorige cyclus geplande infrastructuur op die schaal rechtvaardigde, dan verdient de volgende hetzelfde behandelplan. Het doel is niet om een dataset te verzamelen. Het is om een machine te bouwen die voortdurend eigen data produceert als bijproduct van het leveren van een dienst.

Het onderscheid dat in dit geval van belang is is dat het doel niet is om data te verzamelen om het verzamelen zelf, wat dure meren van onbruikbaar materiaal oplevert. Het doel is om de operationele lus te bezitten die precies de data produceert die nodig is om die lus te automatiseren.

De Atomencomputer

De vier factoren beschrijven een structuur. De atomencomputer beschrijft waarvoor die structuur is, en het is de langetermijnvisie die de hele oefening de moeite waard maakt.

Ik heb dit idee niet bedacht en ik wil daar vooraf duidelijk over zijn. De invalshoek is van Travis Kalanick. Nadat hij in 2017 uit Uber was gezet, bracht hij acht jaar in stealth door met het bouwen van City Storage Systems, en in maart 2026 hernoemde hij het tot Atoms en publiceerde hij een visieb brief waarin hij het hele concept uiteenzette. Zijn formulering is dat je problemen uit de fysieke wereld benadert zoals je softwareproblemen zou benaderen, en dat de kerncomputingbronnen fysieke tegenhangers hebben waarbij CPU productie is, opslag onroerend goed is en netwerk transport is. Op een a16z-lanceerevenement definieerde Kalanick het bedrijf rond industriële AI, waarbij software, sensoren, robotica en AI worden gebruikt om operaties over hele industriële sectoren te automatiseren, te beginnen met voeding, mijnbouw en transport. Lees zijn brief. Die is beter dan mijn samenvatting ervan, en een paar van zijn conclusies komen op dezelfde plaats uit als dit document, maar dan vanuit een andere richting.

Naarmate AI capabeler wordt, verschuift zijn begrenzende constraint. De limiet is niet langer alleen de kwaliteit van redeneren. Het is interactie met de fysieke werkelijkheid. Een model kan tekst, code, beelden en plannen van hoge kwaliteit produceren en toch niet in staat zijn om betrouwbaar iets te doen in een rommelige, ongestructureerde, consequentialistische echte omgeving. Traditionele computers gaven intelligentie een substraat om bits mee te manipuleren. De kans ligt nu in het bouwen van het equivalente substraat voor atomen, waarbij systemen worden gecreëerd die de fysieke wereld waarnemen, rommelige omstandigheden in de echte wereld interpreteren, beslissen, handelen, uitkomsten verifiëren en leren van feedback, allemaal onder echte fysieke, regelgevende en economische beperkingen. Die laatste clausule is de moeilijke, en daarom is dit een zakelijke kans in plaats van een onderzoeksproject. Werken onder regelgevende en economische beperking is precies wat niet gekloond kan worden, en het is precies wat de gesloten-lus-data genereert die de vierde factor nodig heeft.

Op één punt zijn Kalanick en ik het volledig eens, en hij zegt het beter dan ik deed. Zijn term is productief tewerkgestelde robots, wat gespecialiseerde machines betekent met een specifieke productieve taak, in tegenstelling tot humanoïden die zijn gebouwd om ons na te bootsen. Zijn voorbeeld is dat als je duizend pannenkoeken per uur moet maken, een humanoïde die ze onhandig omdraait het slechtst mogelijke ontwerp is en een speciaal gebouwde machine de voor de hand liggende keuze is. Dus de juiste aanpak is niet om een robot voor algemeen gebruik te bouwen. Het is om een smalle wig te vinden waar de lus waarnemen, beslissen, handelen kan worden ingezet binnen één echte workflow met duidelijke onmiddellijke economische waarde, en om die lus end-to-end te laten werken voordat je hem verbreedt.

Het bedrijf op de korte termijn moet smal zijn tot het punt waarop het onambitieus lijkt. Het plafond op de lange termijn is de reden om die smalheid te accepteren.

Een Uitgewerkt Voorbeeld

Het raamwerk is abstract, dus het helpt om één idee erdoorheen te lopen. Dit is slechts een illustratie van de criteria in gebruik, niet de ene conclusie die het raamwerk afdwingt.

Neem speciale inspectie en materiaaltesten voor de bouw. De leveranciersversie verkoopt software aan de instanties en laboratoria die de workflow al bezitten. De principaalversie wordt de instantie en het laboratorium. Zij bezit de accreditatie, voert de inspecties uit en draagt de reglementaire verantwoordelijkheid. Intern gebruikt zij software, hardware en AI om gecertificeerde resultaten sneller, goedkoper en betrouwbaarder te leveren dan gevestigde spelers.

Die vorm raakt alle vier de factoren. Ze is fysiek, omdat ze te maken heeft met locaties, monsters, instrumenten en metingen uit de echte wereld. Ze heeft relationele en reglementaire slotgrachten, omdat kopers resultaten nodig hebben die worden geaccepteerd door de autoriteiten met jurisdictie, niet een mooiere dashboard. Zij bezit het resultaat, omdat ze gecertificeerde resultaten verkoopt in plaats van hulpmiddelen. En ze genereert als bijproduct van het werk propriëtaire operationele data, waaronder testresultaten, faalwijzen, materiaaleigenschappen, deskundige correcties en de verbanden tussen fysieke omstandigheden en uiteindelijke uitkomsten.

Ze begint ook smal, wat aansluit bij de klassieke startup-logica die Paul Graham en YC al jaren verkondigen. Begin met een scherpe wig, maar zorg ervoor dat die wig hoort bij een groot en pijnlijk probleem. Er is op dag één geen behoefte om bouwinspectie als sector te automatiseren. Het instappunt kan één inspectietype zijn, één materiaaltest, één geografisch gebied of één compliance-workflow. Van daaruit standaardiseert software het werk, leveren mensen de eerste data, en breidt automatisering zich alleen uit waar de lus daadwerkelijk sterker wordt.

De risico’s zijn precies de risico’s die het raamwerk voorspelt. Accreditatie-tijdlijnen blokkeren omzet, de operatie is zwaar voordat automatisering volwassen wordt, en de services-val is reëel als elk project uiteindelijk maatwerk blijkt te zijn. Dat is precies het punt van het raamwerk. Het maakt het bedrijf niet gemakkelijk. Het vertelt je waar de moeilijke onderdelen zouden moeten zitten.

Bedrijven Die Hier Al Op Lijken

Het raamwerk is makkelijker te vertrouwen als het dingen beschrijft die al bestaan in plaats van alleen dingen die ik zou willen dat ze bestonden.

Anduril is vier van de vier. Maatwerkhardware over drones, sensortorens, interceptoren en onderzeese voertuigen. Maatwerksoftware in Lattice, waarop elk stuk van die hardware draait. Relaties en reglementaire status die geen coderingsagent kan genereren, aangezien de klant de Amerikaanse overheid en haar bondgenoten is. Operationele data van ingezette systemen die terugstroomt naar de software. Twee details zijn belangrijker dan de productlijst. Het financiert zijn eigen R&D en bouwt het product voordat het verkoopt binnen een bestaande begrotingspost, waarmee het het cost-plus-model omkeert waarop traditionele primes draaien. Anduril is privaat en publiceert geen gecontroleerde marges, maar secundaire schattingen zetten de brutomarge rond 40 tot 45 procent. Dat is ongewoon hoog voor defensiehardware, waar lucht- en ruimtevaart- en defensiebedrijven gemiddeld ongeveer 17,5 procent brutomarge hebben in de sectorgegevens van NYU Stern. Het precieze getal is minder belangrijk dan de structuur. Een verticaal geïntegreerd, vaste-prijs, softwaregedreven model lijkt betere economische resultaten op te leveren dan traditionele cost-plus platformintegratie.

Intuitive Surgical is de oudere, stillere versie van dezelfde structuur. Het da Vinci-systeem combineert hardware die waardeloos is zonder zijn software, FDA goedkeuringen waar geen concurrent omheen kan, twee decennia aan ziekenhuisrelaties en proceduredata van miljoenen operaties. Het raakt vier van de vier, componeert voortdurend en voert dit spelplan al uit sinds zijn eerste goedkeuring in 2000, lang voordat iemand het fysieke AI noemde.

Kraken Robotics is degene die ik het meest leerzaam vind, deels omdat weinigen buiten de marinetechnologie het bedrijf kennen. Het bouwt synthetic aperture sonar, het KATFISH-getrokken platform, onderzeese batterijen en onderwater-LiDAR. Geen van die hardware is nuttig zonder de propriëtaire beeldverwerkingssoftware eromheen. Tot zijn klanten behoren NAVO-geallieerde marines. Dat is vertrouwen en regelgeving op het hoogste niveau, omdat een marine niet overstapt op een sonarleverancier voor een goedkopere kopie. Cruciaal is dat Kraken niet alleen apparatuur verkoopt. Het voert ook onderzoeken uit als dienst, wat betekent dat elke klus zeebodemintelligentie oplevert die niemand anders bezit. Die laatste beslissing is het hele raamwerk in miniatuur. Een hardwarebedrijf merkte dat de data meer waard was dan de behuizing en ging naar de principaalpositie om die te behouden.

SpaceX & Waymo zijn pure principal-spelen. SpaceX verkoopt geen raketten. Het verkoopt afgeleverde ladingen. Waymo licentieert geen autonomie-software aan autofabrikanten. Het verkoopt voltooide ritten. In beide gevallen weigerde het bedrijf de leverancierspositie, nam het operationele aansprakelijkheid op zich en hield het de data. Waymo draagt ook een reglementaire slotgracht die per jurisdictie arriveert. Die expansie is traag, en juist daarom is zij verdedigbaar.

Carbon Robotics is het nuttige gedeeltelijke geval. Zijn LaserWeeder doodt onkruid met computervisie en krachtige lasers. In februari 2026 verklaarde het bedrijf dat zijn Large Plant Model was getraind op meer dan 150 miljoen gelabelde planten, verzameld op ongeveer honderd boerderijen in vijftien landen. Dat is de data-engine die werkt zoals beschreven, gegenereerd als operationeel bijproduct in plaats van als een apart initiatief. Maar ik zou ook de kwetsbaarheid van deze opzet willen noemen. Carbon verkoopt apparatuur aan boeren en blijft daarmee een leverancier in plaats van een principaal. Het slaagt omdat de data nog steeds terugstroomt naar zijn centrale model, waardoor de leverancierspositie levensvatbaar blijft. Als telers ooit die vlootdata zouden bezitten, zou de slotgracht verdwijnen.

Nokia is zowel de historische waarschuwing als een opkomende testcase. In 2007 had het bijna 50 procent van de wereldwijde smartphonemarkt in handen met de beste hardware, productie op schaal en toeleveringsketen in mobiele telefoons. Het presteerde op één dimensie beter dan wie dan ook levend, en stortte in omdat het een softwareplatform miste. De Nokia van vandaag probeert precies het multi-factor-spelplan uit te voeren dat hier wordt beschreven. Zoals Michael Sikand uitlegt in deze video-uitleg, heeft het bedrijf meer dan een decennium besteed aan een pivot weg van consumentengadgets om verticaal geïntegreerde optische silicium, diep verankerde carrier- en defensierelaties en AI-ondersteunde edge compute te bundelen. De oude Nokia bewees dat geïsoleerde hardware een tijdelijk voordeel is. Nou, de nieuwe Nokia probeert te bewijzen dat hardware gekoppeld aan institutioneel vertrouwen en software-infrastructuur een blijvende slotgracht creëert.

Geen van deze bedrijven lijkt oppervlakkig op elkaar, maar ze wijzen allemaal op dezelfde les. De meest duurzame bedrijven verwierven iets langzaam, zoals een accreditatie, een uitgezette sensorenvloot, vertrouwen van chirurgen, vertrouwen van de marine, reglementaire goedkeuring of een decennium aan operationele data. Geen van hen kwam daar alleen door betere code te schrijven, en geen van hen kan worden ingehaald door iemand die dat wel doet.

Smalheid Is De Toelatingseis

Ook begonnen ze allemaal klein. De bedrijven die winnen beginnen niet door te proberen de hele lus te bezitten, en dat proberen is de meest voorkomende fout. De lus componeert alleen als je diep genoeg in één workflow zit om resultaatgekoppelde data te genereren die concurrenten op geen enkele andere manier kunnen verkrijgen. Ondiepe blootstelling aan veel workflows produceert ondiepe data die snel verzadigt.

Het patroon houdt stand bij en voorbij de operators hierboven. Anduril begon met force protection en counter-drone-systemen voordat het de productie en aangrenzende mogelijkheden schaalde. Intuitive Surgical begon met specifieke laparoscopische procedures en bouwde gedurende decennia aan chirurgentraining en procedurevolume voordat het uitbreidde naar meerdere specialismen. SpaceX begon met één herbruikbaar lanceervoertuig voordat het uitbreidde naar Starlink. Tesla begon met een smalle premium EV-insteek (de sportauto Roadster) en gebruikte de vloot voor data en productie-leren voordat het zich bewoog naar volumemodellen, energie en autonomie. Palantir begon met specifieke inlichtingenwerkstromen voor specifieke agentschappen voordat het uitbreidde naar commercieel. In elk geval was de smalle entree geen compromis. Het was het mechanisme dat de lus liet samenstellen.

Het instappunt is bewust smal. Eén werkstroom, één klanttype, één datastroom die moeilijk te repliceren is. Je bouwt de lus rond die werkstroom totdat de data zich opstapelt en de relatie verdiept, en breidt dan uit naar aangrenzende werkstromen waar dezelfde data, dezelfde relaties en dezelfde operationele discipline je een voordeel geven dat een nieuwe toetreder niet kan evenaren. Breed beginnen is hoe je eindigt met een stapel data die niet samenstelt. Een concurrent die vandaag begint, jaagt niet op een vaste voorsprong. Ze jagen op een voorsprong die elke keer wordt verlengd wanneer een taak wordt volbracht, maar alleen als de taak smal genoeg, diep genoeg en vaak genoeg herhaald wordt zodat de data werkelijk ertoe doet.

Conclusie

De eerste helft van dit document stelde een algemene wet vast. Elke moat die alleen bestaat uit de moeilijkheid om iets te maken, is tijdelijk, en duurt precies totdat iemand dat ding gemakkelijk kan maken. De Chinese industriële agglomeratie deed dit met hardware door transactie kosten en iteratielatentie samen te drukken binnen een hyperdichte cluster. Generatieve AI doet dit met software door de kosten van zijn schaarse input samen te drukken. Hardware stortte eerst in en software volgde later, maar voor een oprichter die vandaag bouwt, is geen van beide schuilplaatsen betrouwbaar.

De tweede helft vertaalde die wet naar een antwoord. Als productiemoeilijkheid niets meer verdedigt, dan moet verdedigbaarheid worden samengesteld uit de wrijvingen die de productiestorting niet kan bereiken. Daaronder vallen fysieke toegang, gesloten-lus operationele data, regelgevende status, verdiend vertrouwen en eigendom van het resultaat zelf. Daarom vragen de vier factoren om drie van de vier in plaats van om één, waarom de principal-positie belangrijker is dan elke andere afzonderlijke beslissing, en waarom de data een operationeel bijproduct moet zijn in plaats van een verzameld bezit.

Het condenseert tot één kernzin.

In het AI-tijdperk zullen de beste bedrijven geen generieke softwaretools of kopieerbare hardwareproducten zijn. Ze zullen smalle, resultaatgedreven principal businesses zijn die software, fysieke werkstromen, vertrouwde relaties en propriëtaire operationele data combineren om hoogwaardige werkzaamheden in de echte wereld te automatiseren.

Voor een oprichter is de vraag niet langer “welke software kan ik bouwen?”, maar welk waardevol resultaat in de echte wereld kan ik bezitten, uitvoeren, meten en automatiseren?

De sterkste kansen zitten waar software de atomen, vertrouwen, regulering en propriëtaire data ontmoet. Ze beginnen met één smalle, pijnlijke werkstroom, waarbij mensen worden ingezet waar nodig. Ze leggen operationele data vast als bijproduct van het werk, automatiseren stap voor stap en stapelen zich op tot systemen die moeilijk te verdringen zijn. Het voordeel is duurzaam juist omdat het is verdiend via fysieke operatie in plaats van in code is geschreven.

Het einddoel is niet om een product te bouwen. Het is om een operationeel bedrijf te bouwen met software-achtige schaalbaarheid, verdedigbaarheid in de fysieke wereld en propriëtaire data die beter wordt met elke afgeronde taak.

Alles wat vroeger een moat was omdat het moeilijk te bouwen was, wordt een commodity. Iets bouwen is gemakkelijker dan ooit, en naarmate AI en wereldwijde toeleveringsketens vooruitgaan, zal het alleen maar gemakkelijker worden. Wat verdedigbaar blijft, is wat moeilijk toegankelijk is, moeilijk vertrouwen in te verdienen is, moeilijk via regelgeving binnen te komen is, en moeilijk te observeren is zonder het echte werk te doen.

Citaten & Bronnen

Ik wil expliciet zijn over waar de geleende delen vandaan komen, omdat veel van dit document bestaat uit het verbinden van andermans werk in plaats van zelf iets te verzinnen. De dingen die ik daadwerkelijk als van mezelf zou claimen zijn de vier-factorenregel, de drie-uit-vier-standaard en het specifieke argument dat de twee instortingen hetzelfde onderliggende mechanisme delen, ook al gebeurden ze opeenvolgend. Figuren verschuiven, dus controleer ze voordat je me citeert.

Van mij, uit eerder schrijven

• De Barbell van Softwarewaarde (2025), waar ik voor het eerst het instortende midden en de Internal Software Leverage Theory uiteenzette. De tweede helft hier is de operationele versie van die post.

De atomencomputer

• Travis Kalanick, Visie, Onvoltooid Zakelijk en Hoe AI de Fysieke Wereld Zal Transformeren, Atoms en a16z, 2026. De framing van de op atomen gebaseerde computer, de CPU/opslag/netwerk-mapping op productie/vastgoed/transport, de begrijpen-voorspellen-beheersen-lus, industriële AI en winstgevend werkende robots zijn allemaal van hem. Dat gedeelte is mijn samenvatting van zijn idee, niet mijn idee.
• Ben Horowitz en Alex Danco, Travis is Terug, a16z, 2026.

De economie

• Atlassian, Q2 FY2025-resultaten, voor volwassen horizontale SaaS-brutomarges in de lage tachtig procent.
• Snowflake, FY2025-resultaten, voor het tegenvoorbeeld dat consumptie-zware software aanzienlijk onder klassieke SaaS-brutomarges kan draaien.
• Michael Porter, vijf krachten, 1979, voor de taxonomie van huurbronnen in Deel Eén.
• David Teece, Profiting from Technological Innovation, 1986, voor het toe-eigeningsprobleem in Deel Drie.
• Alfred Marshall, Principles of Economics, 1890, voor externe economieën en agglomeratie in Deel Vijf.
• Ronald Coase, The Nature of the Firm, 1937, voor transactiekosten in Deel Vijf.
• Theodore Wright, 1936, en de Boston Consulting Group, voor het ervaringscurve-effect in Deel Vijf.
• Stan Shih, de glimlachcurve, rond 1992. Zijn oorspronkelijke diagram staat op Wikimedia Commons, en Ben Thompson’s Uitgevers en de Glimlachcurve is de beste uitbreiding ervan die ik heb gelezen.
• Gary Pisano en Willy Shih, Het Herstellen van Amerikaanse Concurrentiekracht, Harvard Business Review, 2009, voor de industriële commons en waarom reshoring moeilijk is.
• Andrew “bunnie” Huang, De Hardware Hacker, voor het eerstehands verslag van hoe Shenzhen-dichtheid werkelijk aanvoelt om binnen te werken.
• WTO, Toetredingen: China, voor achtergrond over China’s integratie in het wereldwijde handelssysteem.
• Wereldbank, toegevoegde waarde in de maakindustrie, voor achtergrond over de schaal van de Chinese maakindustrie ten opzichte van de Verenigde Staten.

De startupmechanica

• Paul Graham, Doe Dingen Die Niet Schalen en Hoe Je Startup-ideeën Krijgt, voor de smalle wig.
• Tesla, Het Geheime Tesla Motors Master Plan, 2006, voor de logica van de wig van Roadster naar betaalbare auto.
• Palantir, S-1-registratieverklaring, 2020, voor het patroon van overheid naar commerciële uitbreiding.
• Bedrijfsgeschiedenis van SpaceX en Starlink-openbaarmakingen, via SpaceX en Starlink, voor lancering als de initiële wig vóór bredere ruimte-infrastructuur.

AI-codering en softwareproductie

• GitHub, GitHub Copilot introduceren, 2021, en GitHub Copilot algemeen beschikbaar, 2022, voor het praktische begin van commerciële AI-coderingsondersteuning.
• OpenAI, GPT-4 technisch rapport, 2023, en Anthropic, Claude 3.5 Sonnet, 2024, voor achtergrond over de versnelling van modelcapaciteiten.
• Peng et al., De impact van AI op ontwikkelaarsproductiviteit, 2023, voor het gecontroleerde GitHub Copilot-resultaat waarbij ontwikkelaars een afgebakende coderingsopgave 55,8 procent sneller voltooiden.
• Cui et al., De effecten van generatieve AI op hooggeschoold werk, 2025, voor het veldonderzoek onder 4.867 ontwikkelaars dat 26,08 procent meer voltooide taken liet zien.
• METR, Het meten van de impact van AI begin 2025 op de productiviteit van ervaren open-sourceontwikkelaars, 2025, voor het tegenvoorbeeld waarbij ervaren ontwikkelaars 19 procent langzamer waren met AI-tools in volwassen repos.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, en OpenCode, voor de verschuiving van autocomplete naar agentische repo- en terminaltoegang.
• Conductor, Superset, en Hermes Agent, voor de orkestratielaag boven single-agent-codingtools.

De faalmodi van de data-moat

• Sun et al., Opnieuw bekijken van de onredelijke effectiviteit van data in het deep learning-tijdperk, ICCV 2017, voor de empirische bevinding dat prestaties op visietaken logarithmisch verbeteren met het volume aan trainingsdata.
• Martin Casado en Peter Lauten, De lege belofte van data-moats, a16z, 2019, voor het argument dat effecten van dataschaal meestal afnemen in plaats van zich op te stapelen.
• Valavi et al., Tijd en de waarde van data, Harvard Business School Working Paper 21-016, 2021, voor het onderscheid tussen datavoorraad en datastroom, en de bevinding dat verouderde data de modelnauwkeurigheid kan schaden.
• Chen et al., Afnemende relevantie van klinische data voor toekomstige beslissingen in datagedreven klinische ordersets voor intramurale zorg, International Journal of Medical Informatics, 2017, voor de ongeveer vier maanden durende halfwaardetijd van data voor klinische voorspellingen.
• OpenAI Enterprise Privacy, Anthropic Commercial Terms, Microsoft Azure OpenAI gegevensprivacy, AWS Bedrock FAQ, en Google Vertex AI gegevensbeheer, voor standaard geen-trainingsverplichtingen op in- en uitvoer van zakelijke klanten.
• European Data Protection Board, Opinie 28/2024 over AI-modellen, AVG artikel 5 en artikel 17, HIPAA-regels voor de-identificatie, en CCPA/CPRA-regels, voor privacyrechtelijke beperkingen op secundair datagebruik, verwijdering, de-identificatie en delen.
• Lathrop GPM, Navigeren door AI-eigendom in commerciële en IP-licentieovereenkomsten, 2026, voor de contractuele spanning tussen geen-trainingsverplichtingen en behouden rechten op geaggregeerd of gedeïdentificeerd gebruik.

Afbeeldingen

• Stan Shihs glimlachende kromme, Wikimedia Commons, CC BY-SA.
• Huaqiangbei bij de kruising van Shennan, foto door Charlie fong, Wikimedia Commons, CC BY-SA.
• Spuitgietmatrijs, foto door Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Prijzen van zonne-PV-modules versus cumulatieve geïnstalleerde capaciteit, Our World in Data, CC BY 4.0. Grafiek lokaal opnieuw gemaakt op basis van de gepubliceerde dataset.

De bedrijfsvoorbeelden

• Schatting van de brutomarge van Anduril via Sacra. Anduril is privé en publiceert geen gecontroleerde marges, dus dit wordt behandeld als een schatting en niet als een gerapporteerd cijfer. Sectorbenchmark voor brutomarges in lucht- en ruimtevaart en defensie (ongeveer 17,5 procent) ontleend aan Aswath Damodarans NYU Stern-margedataset.
• Achtergrond over Alphabet en Google via Alphabet’s FY2025 Form 10-K, gekoppeld aan United States v. Google LLC voor distributieovereenkomsten voor standaardzoekopdrachten, schaalvoordelen bij zoeken en antitrustcontext.
• Carbon Robotics Large Plant Model en 150 miljoen gelabelde planten via de eigen Business Wire-aankondiging van februari 2026, met TechCrunch als bevestiging.
• Geschiedenis van Intuitive Surgical en FDA-goedkeuring in 2000 via Intuitive Company History. Procedurevolume via Intuitive’s 2025 Corporate Impact Report, en geïnstalleerde basis / marges via de Q4 2025-earningsrelease.
• Tesla-margecijfers via de Q4- en FY2025-update.
• Patroon van regelgevingsuitbreiding van Waymo via Tesorb’s 2026 Robotaxi Regulatory Map en Electrek’s verslag van de goedkeuring van CPUC-uitbreiding.
• Nokia-piek in 2007 en tijdlijn van de neergang via BBC News en Wikipedia, met Vuori en Huy’s Administrative Science Quarterly / INSEAD-studie voor de organisatorische dynamiek achter de instorting, en Michael Sikand’s videouitleg voor de moderne infrastructuurpivot.
• Details over OpenAI Stargate via OpenAI’s oorspronkelijke aankondiging en aankondiging van site-uitbreiding. Dit zijn aangekondigde toezeggingen en plannen, geen volledig uitgerolde capaciteit.
• Kraken Robotics ontleend aan de eigen product- en contractverklaringen.