Nowoczesna fosa

TL;DR

Definiującą fosą biznesową XXI wieku, czyste oprogramowanie, gwałtownie się załamuje, gdy Generatywna AI sprowadza koszt kodu do zera, odwzorowując to, jak chińska aglomeracja przemysłowa już zniszczyła czystą fosę sprzętową. Sama trudność produkcji nie chroni już biznesu w żadnej z tych domen, więc trwały zysk przeniósł się w szczeliny między bitami a atomami. Aby zbudować dziś firmę odporną na atak, założyciele muszą porzucić model generycznego dostawcy oprogramowania i działać jak główny podmiot, który posiada rzeczywisty fizyczny przepływ pracy od początku do końca. Dzięki ścisłej integracji co najmniej trzech z czterech kluczowych czynników (niestandardowego sprzętu, specjalistycznego oprogramowania, wypracowanych relacji i zastrzeżonych danych), nowoczesny biznes może dostarczać gwarantowany rezultat, jednocześnie pozyskując dane z zamkniętej pętli, które stają się prawdziwą fosą. Konkurent, który startuje dziś, nie goni za ustaloną przewagą. Goni za taką, która wydłuża się za każdym razem, gdy praca zostaje wykonana.

Przedmowa i cel

Niniejszy raport rozwija jedno twierdzenie, na którym opiera się wszystko inne w mojej teorii fosy: czyste oprogramowanie nie jest już fosą, której da się bronić, a czysty sprzęt przestał nią być, gdy Chiny zeskalowały swoją hegemonię produkcyjną. Oba pojęcia są rzucane wokół jak slogany. Chcę ten slogan wyjąć, a mechanizm włożyć na jego miejsce. Dlaczego nastąpił każdy z tych upadków, które założenia po cichu pękły, jak te dwa procesy napędzają się nawzajem oraz gdzie wciąż można przechwycić trwały zysk. Napisałem to tak, aby mogło istnieć samodzielnie, tak by przyszły czytelnik albo przyszły model mógł zrozumieć cały argument bez rozmowy, która go wyprodukowała.

Przez około trzydzieści lat strategia technologiczna zakładała, że świat cyfrowy generuje trwały, wysokomarżowy, dający się obronić zysk, podczas gdy świat fizyczny generuje cienką, niezróżnicowaną, niskomarżową produkcję towarową. Te dwa wstrząsy nie nadeszły jednocześnie. Chińska aglomeracja produkcyjna najpierw złamała obronność sprzętu opartą na produkcji, głównie w latach 2000. i 2010. Generatywna AI później, w latach 2020., łamie obronność oprogramowania opartą na produkcji. Generatywna AI doprowadziła krańcowy koszt wytwarzania oprogramowania do zera, co rozpuściło bariery, które czyniły oprogramowanie odpornym na atak. Chińska aglomeracja przemysłowa sprowadziła koszt i opóźnienie fizycznej iteracji do kosztu i opóźnienia oprogramowania, co rozpuściło bariery, które czyniły sprzęt odpornym na atak. Tak więc ani same bity, ani same atomy nie mogą już osłonić biznesu. Trwała przewaga przesunęła się z którejkolwiek pojedynczej domeny do ścisłego sprzężenia obu, plus relacji i zastrzeżonych danych.

Dokument składa się z dwóch części:

• Analiza. Czym naprawdę jest fosa, dlaczego każda z domen kiedyś była możliwa do obrony, jakie tarcia każdy z tych wstrząsów rozpuścił i co pozostało. Ta część jest analizą ekonomiczną i kończy się tam, gdzie kończy się analiza.
• Nowoczesna fosa. Z czego naprawdę składa się dziś obronność, skoro ani bity, ani atomy nie bronią cię same z siebie, i jak wygląda w praktyce firma zbudowana na tej podstawie.

Analiza: Jak obie fosy upadły

Część pierwsza: Czym właściwie jest fosa

Zanim wyjaśnię, jak fosy się załamały, muszę precyzyjnie określić, czym jest fosa, ponieważ luźne używanie tego słowa odpowiada za większość złego myślenia strategicznego, jakie widziałem. Fosa nie jest dobrym produktem, nie jest tymczasową przewagą ani aktem bycia pierwszym. Fosa to strukturalna cecha rynku, która pozwala firmie przez długi czas osiągać zwroty powyżej kosztu kapitału, bez tego, by te zwroty zostały wylicytowane przez konkurencję. W języku ekonomii przemysłowej fosa jest trwałym źródłem renty ekonomicznej.

Renta ekonomiczna to nadwyżka, jaką firma zarabia powyżej minimum, które zaakceptowałaby, aby pozostać otwarta, a na naprawdę konkurencyjnym rynku ta nadwyżka spada do zera. W warunkach doskonałej konkurencji cena jest spychania do kosztu krańcowego, firmy zarabiają jedynie koszt kapitału, a żaden nadzwyczajny zysk nie przetrwa. Każde ramy dotyczące obronności są w istocie teorią o tym, jak jedna konkretna firma wymyka się temu przyciąganiu ku cenie kosztu krańcowego i zerowemu zyskowi.

Klasyczna lista pochodzi od Michaela Portera, którego rama pięciu sił jest od 1979 roku standardowym narzędziem w tym zakresie, później dopracowanym przez środowisko value investing. Wskazuje ona kilka rzeczywistych, trwałych źródeł renty:

• Bariery wejścia powstrzymujące nowych konkurentów przed wejściem
• Wysokie koszty zmiany dostawcy, które zatrzymują obecnych klientów
• Efekty sieciowe, w których produkt staje się cenniejszy, gdy korzysta z niego więcej osób
• Korzyści skali, które pozwalają zasiedziałym graczom oferować niższe ceny niż nowi wchodzący
• Zastrzeżona własność intelektualna lub ochrona regulacyjna, która prawnie wyklucza imitatorów
• Kontrola nad rzadkim zasobem wejściowym lub kanałem dystrybucji, do którego rywale nie mają dostępu

Każde źródło renty jest tarciem

Każde z tych źródeł renty jest tarciem. Fosa to tak naprawdę po prostu forma tarcia, przez które konkurenci nie mogą tanio przejść:

• Wysokie koszty zmiany dostawcy to tarcie przy wyjściu klienta.
• Bariery wejścia to tarcie przy pojawieniu się konkurenta.
• Efekty sieciowe to tarcie w koordynacji potrzebnej użytkownikom, by razem przenieśli się gdzie indziej.
• Skala produkcji to tarcie w kapitale i czasie, które nowy gracz musi zatopić, zanim osiągnie konkurencyjny koszt jednostkowy.

To mówi ci dokładnie, co robi z rynkiem coś takiego jak generatywna AI albo coś takiego jak chińska gęstość przemysłowa. Te siły nie atakują produktów. Atakują tarcia. Są technologiami rozpuszczającymi tarcia. A technologia rozpuszczająca tarcia jest z definicji technologią rozpuszczającą fosy.

Cały argument da się skondensować do jednego zdania: fosy oparte na oprogramowaniu i sprzęcie upadły, ponieważ konkretne tarcia, które generowały ich rentę, były dokładnie tymi tarciami, które AI i chińska aglomeracja wyjątkowo dobrze usuwały.

Część druga: Historyczna fosa oprogramowania i dlaczego bity drukowały pieniądze

Aby zrozumieć upadek, najpierw trzeba zrozumieć, dlaczego oprogramowanie historycznie było najlepszą strukturą biznesową, jaką kiedykolwiek znalazł kapitalizm, bo upadek jest po prostu odwróceniem rzeczy, które czyniły je tak dobrym.

Oprogramowanie miało niemal unikalną strukturę kosztową. Łączyło wysoki koszt stały stworzenia pierwszej kopii z niemal zerowym kosztem krańcowym odtworzenia i dostarczenia każdej kolejnej kopii. Napisanie pierwszej wersji złożonego programu wymagało rzadkiej, drogiej i wolno szkolonej puli inżynierów pracujących przez miesiące albo lata. Ale gdy już zostało napisane, milionowa kopia kosztowała w praktyce nic, jeśli chodzi o wytworzenie, i nic, jeśli chodzi o dostarczenie. Ta asymetria wytwarzała ogromną dźwignię operacyjną. Dojrzałe poziome oprogramowanie może osiągać marże brutto w okolicach osiemdziesięciu procent, jak Atlassian sygnalizował na Q2 FY2025, ponieważ przychody rosną wraz z liczbą użytkowników, podczas gdy koszt sprzedanych towarów prawie się nie porusza. Ale to stwierdzenie jest mniej uniwersalne niż kiedyś, odkąd oprogramowanie o dużym zużyciu zasobów, takie jak Snowflake, zanotowało marżę brutto bliższą 67 procentom w FY2025, częściowo dlatego, że zewnętrzna infrastruktura chmurowa jest wliczana w koszt przychodów. W sensie ekonomicznym oprogramowanie zachowywało się jak czyste dobro informacyjne, a dobra informacyjne zrywają normalną relację między produkcją a kosztem, która rządzi fizycznymi towarami.

Ale sam niski koszt krańcowy nie tworzy fosy. Jeśli każdy może tanio wytworzyć dobro, niski koszt krańcowy daje niszczącą konkurencję, a nie rentę. Oprogramowanie zarabiało rentę, ponieważ wysoki koszt stały pierwszej kopii działał jak bariera wejścia, a do tego nakładało się na niego kilka innych tarć:

• Niedobór talentu inżynierskiego. Budowanie niebanalnego oprogramowania wymagało ludzi drogich, trudnych do zatrudnienia i trudnych do skoordynowania, więc większość potencjalnych konkurentów po prostu nie była w stanie zebrać zespołu, aby stworzyć wiarygodny klon.
• Czas. Nawet dobrze finansowany konkurent potrzebował wielu miesięcy, aby odtworzyć, opisać, zbudować, przetestować i wypuścić rywalizujący produkt, a przez te miesiące zasiedziały gracz miał tymczasowy monopol, by gromadzić użytkowników, przychody i większą głębię produktu.
• Koszt zmiany dostawcy. Gdy klient przeniósł swoje dane do systemu, przeszkolił pracowników z jego interfejsu i wpiął system we wszystko inne za pomocą niestandardowych integracji, odejście stawało się prohibitwnie drogie, nawet jeśli pojawiało się coś lepszego i tańszego.
• Kalkulacja budować czy kupować. Ponieważ budowa własnego, niestandardowego oprogramowania wewnętrznego była sama w sobie kosztowna i ryzykowna, firmy racjonalnie kupowały standardowe produkty z półki zamiast budować własne, co gwarantowało duży rynek dla dostawców oprogramowania pakietowego.
• Efekty sieciowe i gromadzące się zastrzeżone dane, nakładające się na to wszystko w najlepszych przypadkach.

Strukturalna podatność

Spójrz na to, z czego zrobiona jest ta lista. Tylko jedno z tych pięciu tarć, efekty sieciowe, jest właściwe dla strony popytowej produktu. Pozostałe cztery, niedobór talentu, czas budowy, koszt zmiany dostawcy oraz kara za budowę zamiast zakupu, to wszystko tarcia po stronie podaży, związane z produkcją. Są one artefaktami tego, jak trudne, powolne i drogie było wytwarzanie i zastępowanie oprogramowania.

To jest podatność. Biznes, którego obronność opiera się głównie na tym, jak trudno jest coś wyprodukować, jest odporny tylko tak długo, jak długo produkcja pozostaje trudna. W momencie, gdy koszt produkcji i zastępowania oprogramowania się załamuje, cztery z pięciu filarów upadają razem z nim, a na placu boju zostaje już tylko efekt sieciowy po stronie popytu.

Dokładnie to dostarczyła generatywna AI.

Część trzecia: Wstrząs AI i rozpuszczenie fosy oprogramowania

Prawidłowym sposobem modelowania tego, co generatywna AI zrobiła z ekonomią oprogramowania, jest potraktowanie tego jako szoku dla funkcji produkcji oprogramowania. W podstawowej ekonomii koszt wytworzenia czegokolwiek jest funkcją kosztu jego nakładów. W przypadku oprogramowania dominującym nakładem zawsze była wykwalifikowana ludzka praca poznawcza, a konkretnie praca polegająca na przekształceniu wymagań biznesowych w poprawny, przetestowany, gotowy do wdrożenia kod. Ta praca była rzadkim, drogim nakładem, który tworzył barierę wejścia.

Generatywna AI i autonomiczne agenty kodujące atakują ten nakład bezpośrednio. Generują, refaktoryzują, debuggują, dokumentują i wdrażają kod za ułamek historycznego kosztu w wielu zadaniach. Kontrolowany eksperyment GitHub Copilot wykazał, że deweloperzy ukończyli ograniczone zadanie programistyczne o 55,8 procent szybciej, a badanie terenowe obejmujące 4 867 deweloperów wykazało o 26,08 procent więcej ukończonych zadań. Efekt jest realny, ale nierówny, ponieważ randomizowane badanie METR z 2025 roku wykazało, że doświadczeni deweloperzy open source pracujący na znanych, dojrzałych bazach kodu byli o 19 procent wolniejsi przy użyciu wczesnych narzędzi AI z 2025 roku, choć sądzili, że są szybsi. Bezpieczny wniosek nie brzmi, że AI sprawia, iż każdy inżynier jest szybszy w każdym środowisku. Brzmi on tak, że AI kompresuje koszt wytwarzania kodu, szczególnie w przypadku pracy ograniczonej zakresem, greenfieldowej i mniej senioralnej. Rzadki nakład staje się bardziej obfity. Gdy cena krytycznego rzadkiego nakładu spada, bariera wejścia zbudowana na tej rzadkości razem z nią się załamuje. Ten jeden mechanizm rozlewa się przez wszystkie cztery filary po stronie podaży.

Zmiana jest widoczna w narzędziach, z których naprawdę korzystają deweloperzy. Najpierw pojawiły się kopiloty natywne dla IDE, takie jak Cursor. Potem przyszły natywne dla terminala agenty kodujące, takie jak Claude Code, Codex CLI, Kiro CLI i OpenCode, gdzie model czyta repozytorium, edytuje pliki, uruchamia polecenia i iteruje w tym samym środowisku co inżynier. Teraz wyłania się trzecia warstwa wokół orkiestracji wielu agentów, z narzędziami takimi jak Conductor, Superset i Hermes Agent, koordynującymi kilku agentów w różnych projektach i środowiskach. Postęp jest jasny. Przeszło to od autouzupełniania, do autonomicznych agentów, do orkiestracji wielu agentów równolegle, a to będzie tylko przyspieszać. Praca cyfrowa będzie z każdym rokiem łatwiejsza do automatyzacji, a narzędzia, które dziś wymagają wykwalifikowanego operatora, jutro będą wymagały coraz mniej ludzkiej interwencji.

1. Załamanie bariery wejścia

Uruchomienie wiarygodnego produktu programistycznego kiedyś wymagało realnego kapitału zalążkowego, z którego większość szła na zatrudnienie inżynierów potrzebnych do zbudowania MVP. Ten wymóg kapitałowy filtrował rynek. Tylko przedsięwzięcia, które potrafiły pozyskać pieniądze i zrekrutować talenty, w ogóle coś wypuszczały, a wynikający z tego niedobór konkurentów sam w sobie stanowił część ochrony zasiedziałego gracza.

Gdy jeden deweloper z dobrym zestawem narzędzi AI może zaprojektować, zbudować i uruchomić dopracowaną, działającą aplikację w niewielkim ułamku dawnego czasu i kosztu, ten filtr znika. Rynek zalewają nowi uczestnicy. W kategoriach konkurencji krzywa podaży funkcji oprogramowania przesuwa się znacząco w prawo, a podstawowa teoria cen mówi bez żadnych niejasności, co dzieje się dalej. Gdy podaż dobra substytucyjnego gwałtownie rośnie przy w przybliżeniu stałym popycie, cena spada w kierunku kosztu krańcowego, a ponieważ koszt krańcowy oprogramowania jest bliski zeru, cena również zostaje pociągnięta w dół ku zeru. Hiperdostatek podaży oprogramowania jest mechanicznie zniszczeniem siły cenowej oprogramowania.

2. Załamanie przewagi czasowej

To prawdopodobnie była najważniejsza z tradycyjnych fos oprogramowania. Cała logika szybkiego wdrażania i iteracji opierała się na tym, że wypuszczona funkcja dawała jej twórcy miesiące wyłącznej przewagi, zanim ktokolwiek mógł ją skopiować. Ten czas przewagi był oknem, w którym ustanawiały się efekty sieciowe, marka i klienci.

AI kompresuje cykl imitacji z miesięcy do godzin. Konkurent może obserwować interfejs produktu, opisać jego zachowanie agentowi kodującemu i niemal natychmiast otrzymać działający klon, nigdy nie widząc oryginalnego kodu źródłowego, ponieważ wartość nigdy tak naprawdę nie tkwiła w konkretnym kodzie. Tkwiła w specyfikacji, a specyfikacje są teraz trywialnie tanie do zaimplementowania.

Gdy opóźnienie imitacji spada do zera, tymczasowy monopol, który uzasadniał szybką innowację, znika. Innowacja nadal się pojawia, ale przestaje zarabiać trwałą premię, ponieważ nagroda za innowację jest natychmiast przekazywana naśladowcom. To klasyczny przykład tego, co David Teece nazwał problemem przywłaszczalności w swoim artykule z 1986 roku o czerpaniu zysków z innowacji technologicznych. Innowacja opłaca się tylko wtedy, gdy innowator może przechwycić wystarczająco dużą część wartości, którą tworzy, zanim imitacja wyprze ją z rynku. AI sprowadza przywłaszczalność czystej innowacji programistycznej do zera.

3. Rozpad kosztów zmiany dostawcy

To była najbardziej odporna z tradycyjnych fos oprogramowania, ponieważ działała nawet wtedy, gdy produkt konkurenta był wyraźnie lepszy. Ale koszty zmiany dostawcy same składały się z tarć: migracji danych z jednego schematu do innego, przebudowy niestandardowych integracji i ponownego szkolenia personelu z nieznanego interfejsu. Każda z tych rzeczy jest dokładnie takim żmudnym, opartym na wzorcach zadaniem tłumaczeniowym, w którym AI jest dobra.

Oparte na AI mapowanie danych może szybko i tanio pobrać, znormalizować i przenieść złożoną bazę danych ze struktury jednego systemu do innego. Interfejsy w języku naturalnym obniżają koszt ponownego szkolenia, ponieważ użytkownicy coraz częściej wchodzą w interakcję poprzez rozmowę zamiast zapamiętywania zastrzeżonego drzewa menu, co oznacza, że skumulowana umiejętność zablokowana w interfejsie jednego dostawcy nie działa już jako kara za zmianę.

Gdy koszt odejścia spada, wraz z nim spada życiowa wartość pozyskanego klienta, koszt pozyskania klienta rośnie względem tej kurczącej się życiowej wartości, a ekonomika jednostkowa całego modelu subskrypcyjnego się pogarsza. Fosa zbudowana na niezdolności klienta do odejścia rozpada się, gdy odejście staje się tanie.

4. Odwrócenie relacji budować kontra kupować

To po cichu niszczy sam rynek adresowalny. Firmy kupowały oprogramowanie pakietowe, ponieważ budowanie wewnętrznych, szytych na miarę narzędzi było zbyt drogie, zbyt powolne i zbyt ryzykowne, by uzasadnić je poza najbardziej wyróżniającymi potrzebami. Ta kara za budowanie wewnętrzne jest dokładnie tym, co gwarantowało dostawcom duży rynek.

Gdy agenci AI pozwalają zespołom wewnętrznym, nawet nietechnicznym, generować niestandardowe aplikacje dopasowane do ich własnych przepływów pracy, kara za budowanie znika, a racjonalny wybór przesuwa się z kupowania ogólnej subskrypcji na generowanie prywatnego narzędzia, które pasuje idealnie i nie wiąże się z żadną cykliczną opłatą licencyjną.

To nie tylko sprawia, że konkurencja między dostawcami staje się ostrzejsza. Kurczy się całkowity rynek adresowalny, o który konkurują dostawcy, ponieważ rosnąca część popytu na oprogramowanie jest zaspokajana wewnętrznie i w ogóle nie trafia na rynek zewnętrzny. Wartość migruje od zewnętrznych dostawców oprogramowania do wewnętrznych zdolności operacyjnych, co oznacza, że przestaje to być rynek, a staje się wewnętrzną efektywnością kosztową.

To jest to samo, co nazwałem wewnętrzną dźwignią oprogramowania w moim tekście The Barbell of Software Value, widziane z perspektywy dostawcy zamiast kupującego.

Wynik i to, co nie upada

Po zsumowaniu tych czterech mechanizmów otrzymujemy komodytyzację czystego oprogramowania. Branża wchodzi w hiperdostatek oprogramowania, w którym aplikacje funkcjonalne są tanie do zbudowania, natychmiast dają się sklonować i coraz częściej są generowane wewnętrznie na żądanie. W takich warunkach sam kod przestaje być źródłem renty, dokładnie tak jak każde dobro przestaje przynosić rentę, gdy staje się obfite i substytucyjne. Wartość odrywa się od kodu.

Uczciwość wymaga jasnego powiedzenia, co nie upada, ponieważ przecenianie tego uczyniłoby to błędnym. Generatywna AI atakuje tarcia po stronie produkcji podaży. Sama z siebie nie atakuje tarć po stronie popytu ani tarć na poziomie systemowym.

• Efekty sieciowe przetrwają, ponieważ AI może skopiować oprogramowanie sieci społecznościowej w jedno popołudnie, ale nie może skopiować użytkowników, a użytkownicy są aktywem.
• Fosy oparte na danych zastrzeżonych przetrwają i faktycznie staną się silniejsze, ponieważ AI sprawia, że kod jest tańszy w produkcji, jednocześnie czyniąc rzadkie dane, które je trenują, bardziej wartościowymi.
• Dystrybucja i marka przetrwają, ponieważ uwaga i zaufanie pozostają rzadkie nawet wtedy, gdy funkcje są darmowe.
• Bariery regulacyjne i zgodności przetrwają, ponieważ agent kodujący nie może wygenerować licencji bankowej, dopuszczenia wyrobu medycznego ani certyfikacji lotniczej.
• Głęboka integracja z fizyczną lub regulowaną rzeczywistością operacyjną przetrwa, ponieważ kod jest tani, ale instalacja czujników, zdobywanie zaufania i działanie pod nadzorem regulacyjnym już nie.

Zatem precyzyjne twierdzenie nie brzmi, że wszystkie firmy software’owe umrą. Brzmi ono tak, że specyficzna, niegdyś dominująca fosa czystego, samodzielnego, pakietowego oprogramowania, broniona przez trudność w pisaniu i zastępowaniu kodu, została zniszczona. To, co przetrwa, to oprogramowanie zakotwiczone w czymś, czego AI nie potrafi tanio odtworzyć: w sieci, w zbiorze danych, w pozycji regulacyjnej, w kanale dystrybucji albo w fizycznej operacji. Oprogramowanie, które unosi się swobodnie poza wszystkimi tymi rzeczami, jest teraz dobrem zwykłym.

Część czwarta: Historyczna fosa sprzętowa i dlaczego atomy były trudne

Argument dotyczący sprzętu stosuje tę samą dyscyplinę. Najpierw ustal, dlaczego sprzęt był kiedyś odporny na ataki, a potem pokaż, które z tych zabezpieczeń chiński system produkcyjny rozpuścił.

Sprzęt był defensywny z niemal przeciwnych powodów niż oprogramowanie, a rynki kapitałowe traktowały te dwa obszary jako przeciwieństwa. Tam, gdzie oprogramowanie miało niemal zerowy koszt krańcowy, sprzęt miał wysoki i uporczywy koszt krańcowy, ponieważ każda fizyczna jednostka zużywała materiały, energię, pracę i czas maszyn. Tam, gdzie oprogramowanie dostarczano natychmiast i w nieskończoności, sprzęt był ograniczony przez fizykę produkcji i logistyki. Te właściwości czyniły sprzęt gorszym biznesem pod względem marży, ale też, co dziwne, czyniły go defensywnym w specyficzny sposób, ponieważ trudność produkcji fizycznej działała jak bariera, która chroniła dobrze zarządzaną firmę sprzętową przed przypadkowym naśladownictwem.

Konkretnymi tarciami, które chroniły sprzęt, były:

• Kapitał na oprzyrządowanie. Wytwarzanie produktu fizycznego na dużą skalę wymagało specjalistycznego oprzyrządowania, głównie form wtryskowych i matryc odlewniczych używanych do kształtowania części z tworzyw sztucznych i metalu, a te narzędzia kosztowały dziesiątki albo setki tysięcy dolarów i wymuszały wysokie minimalne ilości zamówienia. To była twarda bariera kapitałowa, na którą większość nowych graczy nie mogła się wspiąć, i chroniła ona zasiedziałych producentów, którzy już zamortyzowali swoje oprzyrządowanie.

• Opóźnienie iteracji. Doskonalenie projektu fizycznego oznaczało wycinanie nowego oprzyrządowania, dostosowywanie tolerancji i uruchamianie fizycznych partii testowych — pętla ta trwała po tygodnie albo miesiące na każdy obrót i za każdym razem kosztowała dużo, więc produkty fizyczne ulepszały się powoli, a konkurent potrzebował długiej, kosztownej kampanii, by nadrobić zaległości.

• Montaż łańcucha dostaw. Produkt fizyczny to zestaw materiałowy pozyskiwany od wielu wyspecjalizowanych dostawców, a dostawcy ci byli dawniej rozproszeni między firmami, regionami i krajami, więc złożenie działającego łańcucha dostaw oznaczało negocjowanie z odizolowanymi dostawcami, godzenie się z długimi terminami realizacji i zarządzanie skomplikowaną logistyką.

• Precyzja i wiedza procesowa. Skumulowane, często ukryte know-how potrzebne do faktycznego wytwarzania projektu z akceptowalną wydajnością. Nie przenosi się ono z rysunku. Trzeba się go nauczyć przez działanie.

• Dystrybucja. Konieczność dostarczenia produktu fizycznego przed oczy kupujących za pośrednictwem detalistów, dystrybutorów i miejsca na półce, które same były rzadkie i kontrolowane przez strażników.

Spójrz ponownie na skład, tak samo jak w przypadku oprogramowania. Rów ochronny sprzętu był w przeważającej mierze zbiorem tarć produkcyjnych i logistycznych: kapitał na oprzyrządowanie, opóźnienie iteracji, montaż łańcucha dostaw, wydajność procesu i fizyczna dystrybucja. Był broniony przez to, jak trudne, powolne i kosztowne było przekształcenie projektu w wysłany fizyczny obiekt. I dokładnie tak jak w oprogramowaniu, obrona oparta na trudności produkcji jest trwała tylko tak długo, jak produkcja pozostaje trudna.

Ale wkład Chin do historii gospodarczej polegał na tym, że uczyniły one produkcję fizyczną, w ogromnym zakresie dóbr, już nie trudną.

Część piąta: Szok chiński, aglomeracja przemysłowa i koniec rowu obronnego sprzętu

Najczęstszym nieporozumieniem dotyczącym dominacji chińskiej produkcji jest to, że to opowieść o taniej pracy. To częściowo było prawdą w pierwszej fazie i dziś jest głównie fałszem, a błędne rozumienie tego prowadzi prosto do nieudanego wniosku, że przeniesienie produkcji z powrotem do kraju, albo przesunięcie jej do następnego niskopłacowego państwa, przywróci dawny porządek.

Prawdziwe wyjaśnienie jest takie, że Chiny zbudowały, przy gęstości i skali, jakiej nikt wcześniej nie widział, zjawisko, które Alfred Marshall ponad wiek temu opisał jako aglomerację przemysłową. To właśnie ta aglomeracja, a nie arbitraż płacowy, rozmontowała rów obronny sprzętu. Nie jestem pierwszą osobą, która wysuwa ten argument. Andrew “bunnie” Huang dokumentuje od ponad dekady z pierwszej ręki wersję z Shenzhen w The Hardware Hacker.

Marshallowe korzyści zewnętrzne

Aglomeracja przemysłowa to samonapędzające się geograficzne skupianie powiązanych branż, dostawców komponentów, producentów podzespołów, przetwórców surowców, wytwórców narzędzi, producentów kontraktowych, dostawców logistyki oraz wyspecjalizowanej wykwalifikowanej siły roboczej, wszystko stłoczone w tym samym regionie. Marshall wskazał, dlaczego takie klastry generują przewagi, z którymi żadna odizolowana firma nie może się równać:

• Tworzą głęboki wspólny zasób pracy wyspecjalizowanych pracowników.
• Wspierają wyspecjalizowanych lokalnych dostawców, którzy nigdy nie przetrwaliby, obsługując jednego odległego klienta, ale kwitną, obsługując gęsty klaster takich klientów.
• Generują rozlewanie się wiedzy, gdzie usprawnienia procesu rozchodzą się szybko przez klaster, ponieważ odpowiedni ludzie są fizycznie blisko i przemieszczają się między firmami.

Te trzy siły to marshallowe korzyści zewnętrzne, a oznaczają one, że firma wewnątrz klastra ma niższe koszty, szybszą iterację i lepsze informacje niż identyczna firma poza nim, bez względu na to, jak wydajna jest sama w sobie ta zewnętrzna firma.

Koszty transakcyjne spadają do zera

W Delcie Rzeki Perłowej, a szczególnie w Shenzhen, aglomeracja osiągnęła gęstość bez precedensu historycznego. Praktyczny skutek najłatwiej zobaczyć przez ekonomię kosztów transakcyjnych Ronalda Coase’a. Coase wyjaśnił, że granica i tempo aktywności gospodarczej są rządzone przez koszty transakcyjne — koszty poszukiwania dostawców, negocjowania warunków i koordynowania produkcji między firmami. W rozproszonym łańcuchu dostaw koszty te są ogromne, i to one są prawdziwą treścią trzeciego tarcia rowu obronnego sprzętu.

W hiper gęstym klastrze koszty transakcyjne spadają niemal do zera. Cały łańcuch dostaw dla większości urządzeń elektronicznych i mechanicznych mieści się w niewielkim promieniu, więc szukanie, pozyskiwanie, negocjowanie i koordynowanie, które dawniej trwały tygodnie przez całe kontynenty, teraz zajmują godziny w obrębie jednej dzielnicy. Projektant może określić specyfikację urządzenia, lokalnie pozyskać każdy komponent tego samego dnia, zlecić wyprodukowanie i obsadzenie niestandardowej płytki drukowanej przez noc, a działający prototyp mieć następnego ranka.

To nie jest tańsza praca. To niemal całkowite wyeliminowanie kosztu transakcyjnego i opóźnienia iteracji, co jest czymś jakościowo innym i znacznie potężniejszym.

Z tej gęstości wyłoniły się cztery mechanizmy, które rozpuściły rów obronny sprzętu, odzwierciedlając cztery AI zastosowane do oprogramowania.

1. Załamanie opóźnienia iteracji

To jest sprzętowy odpowiednik utraty czasowej przewagi przez oprogramowanie. W rozproszonym zachodnim łańcuchu dostaw jeden cykl projektu fizycznego trwał tygodnie i dużo kosztował, więc sprzęt ulepszał się powoli, a przewaga udoskonaleń zasiedziałego gracza się utrzymywała. We wnętrzu klastra fizyczna iteracja zbliża się do szybkości iteracji oprogramowania. Formy są modyfikowane, układy płytek dostosowywane, a partie testowe uruchamiane w ciągu dni.

Strategiczna konsekwencja jest brutalna. Każdy projekt sprzętowy wymyślony na Zachodzie może zostać zaobserwowany, odtworzony metodą inżynierii wstecznej, zoptymalizowany pod kątem wytwarzalności i masowo wyprodukowany wewnątrz klastra szybciej, niż oryginalna zachodnia firma zdąży ukończyć swój drugi prototyp. Czas realizacji pierwotnego twórcy, który był źródłem jego renty, jest ujemny. Naśladowca wysyła pierwszą ulepszoną, tańszą wersję.

2. Załamanie kapitału na oprzyrządowanie

To jest sprzętowy odpowiednik spadku bariery wejścia w oprogramowaniu. Dziesiątki tysięcy dolarów i wysokie minimalne wielkości zamówień, które dawniej odgradzały produkcję fizyczną, zostały wewnątrz klastra zoptymalizowane przez szybkie komputerowo sterowane obróbki, standardowe modułowe bazy form, które rekonfiguruje się zamiast wycinać od zera, oraz bezlitośnie konkurencyjne, wysokonakładowe warsztaty narzędziowe. Sprzęt w małych seriach, mocno dostosowany, może dziś być produkowany przy strukturze kosztów, która dawniej była dostępna tylko dla dużych międzynarodowych korporacji. Bariera kapitałowa, która filtrowała nowych graczy w sprzęcie, w dużej mierze upadła, tak samo jak ta, która filtrowała nowych graczy w oprogramowaniu, a rynek zalewa ta sama przewidywalna presja spadkowa na ceny.

3. Krzywa doświadczenia, spotęgowana przez automatyzację

Ten mechanizm utrwala przewagę kosztową na stałe i jest powodem, dla którego korzyści nie da się zneutralizować przez przeniesienie się gdzie indziej. Prawo Wrighta, po raz pierwszy opisane przez Theodore’a Wrighta w 1936 roku na podstawie danych o produkcji samolotów, a później uogólnione przez Boston Consulting Group jako krzywa doświadczenia, jest jedną z najbardziej niezawodnych empirycznych regularności w ekonomii przemysłowej. Głosi ono, że dla wielu produktów koszt jednostkowy spada o stały procent za każdym razem, gdy skumulowana wielkość produkcji się podwaja, ponieważ organizacja uczy się poprzez nagromadzone działanie, jak wytwarzać wydajniej.

Ponieważ klaster wytwarza przytłaczający udział globalnego skumulowanego wolumenu w niezliczonych kategoriach produktów, znajduje się bardzo nisko na krzywej doświadczenia, na szczycie której siedzi każdy nowy uczestnik, mający niski skumulowany wolumen. Współczesna chińska produkcja wzmacnia następnie tę przewagę uczenia się kapitałochłonną automatyzacją, zaawansowaną robotyką, szybką zautomatyzowaną kontrolą optyczną oraz pionową integracją sięgającą aż do surowców.

To jest dokładnie ten moment, w którym wyjaśnienie kosztów pracy umiera. Współczesna przewaga nie polega na niskich płacach. Polega na nagromadzonym uczeniu się plus zautomatyzowanej skali plus gęstości dostawców, a nowy uczestnik nie może odtworzyć tego połączenia żadnym działaniem krótkoterminowym, przy wysokich płacach ani przy niskich płacach, ponieważ nie da się natychmiast kupić dziesięcioleci skumulowanego doświadczenia produkcyjnego ani ekosystemu dostawców wokół niego.

4. Załamanie tarcia dystrybucyjnego

To jest sprzętowy odpowiednik AI, które eroduje potrzebę przechodzenia przez kanały oprogramowania zasiedziałych graczy. Globalne cyfrowe marketplace’y i skrajnie wydajna logistyka paczkowa pozwalają producentom wewnątrz klastra całkowicie ominąć zachodnich dystrybutorów, hurtowników i przestrzeń na półkach detalicznych, wystawiając towary bezpośrednio na globalnych platformach i wysyłając je do drzwi konsumenta w ciągu kilku dni. Ostatnie tarcie chroniące zasiedziałą markę sprzętową, jej kontrola nad półkami i kanałami, zostaje obejścia. Funkcjonalnie równoważne urządzenie trafia do tego samego klienta za ułamek ceny markowej, nigdy nie dotykając systemu dystrybucji zasiedziałego gracza.

Dobro wspólne przemysłu i dlaczego reshoring jest tak trudny

Najważniejszą konsekwencją tego wszystkiego, i tą najczęściej ignorowaną, jest reshoring, a tutaj znaczenie ma idea industrial commons. Gary Pisano i Willy Shih nazwali to w Restoring American Competitiveness (PDF) w 2009 roku. Ich obserwacja brzmiała, że zdolność produkcyjna nie jest własnością pojedynczych firm. Jest własnością ekosystemu, wspólnej lokalnej bazy dostawców, twórców narzędzi, inżynierów procesowych i wiedzy ukrytej.

Gdy kraj przenosi produkcję za granicę, nie traci tylko fabryk. Z czasem traci otaczające dobro wspólne, ponieważ dostawcy, twórcy narzędzi i wykwalifikowani inżynierowie procesowi słabną albo się relokują, gdy nie ma lokalnego popytu podtrzymującego ich przy życiu. Gdy to dobro wspólne znika, żadna pojedyncza firma ani żadna dotacja nie potrafi szybko go odbudować, ponieważ pojedyncza fabryka po reshoringu nie ma lokalnych dostawców, nie ma lokalnych twórców narzędzi, nie ma lokalnej puli doświadczonych inżynierów procesowych, a więc nie ma też żadnych marshallowych korzyści zewnętrznych, które uczyniły klaster efektywnym od samego początku.

Dlatego reshoring skomodytyzowanej kategorii sprzętu jest tak trudny i tak kosztowny. Przewaga, którą reshoring ma odtworzyć, nigdy nie znajdowała się wewnątrz fabryki. Była w ekosystemie wokół fabryki, a ten ekosystem nie jest już w domu. Rów ochronny nie przeniósł się do Chin dlatego, że chińskie firmy są indywidualnie lepsze. Przeniósł się dlatego, że przeniosło się dobro wspólne, a dobro wspólne jest aktywem zbiorowym, którego indywidualne działanie nie potrafi odbudować.

Makroekonomiczny wniosek dla sprzętu dokładnie równoległy jest do wniosku dla oprogramowania. W chwili, gdy specyfikacja produktu fizycznego jest znana, skrajnie gęsty ekosystem produkcyjny może go skopiować, zoptymalizować pod kątem wytwarzania i dystrybuować bezpośrednio po strukturze kosztów, która unicestwia marżę twórcy. Samodzielny sprzęt, broniony wyłącznie trudnością produkcji fizycznej, został skomodytyzowany, ponieważ ta trudność, dla ogromnej gamy towarów, już nie istnieje.

Część szósta: Sekwencyjny krach i jego konsekwencje strategiczne

Ludzie zwykle analizują te dwa krachy osobno, i chronologicznie powinni. Krach sprzętu nastąpił pierwszy. Chińska aglomeracja sprawiła, że obrona sprzętu oparta na produkcji była słaba w elektronice użytkowej i wielu towarach o średniej złożoności na lata przed tym, zanim generatywne narzędzia kodujące AI stały się istotne. Krach oprogramowania nastąpił później. Rzeczywisty stan dla założyciela dziś nie polega na tym, że oba zaczęły się jednocześnie. Polega na tym, że oba warunki są teraz obecne na rynku.

Wcześniejsze epoki nadal oferowały drogę ucieczki. Gdy oprogramowanie stawało się konkurencyjne, kapitał mógł płynąć w stronę sprzętu bronionego przez trudność. Gdy sprzęt stawał się konkurencyjny, kapitał mógł płynąć w stronę oprogramowania bronionego przez trudność. Te dwie domeny były naprzemiennymi schronieniami. Ta rotacja już nie działa. Czyste atomy już straciły swoją produkcyjną fosę, a czyste bity teraz tracą swoją. Nie ma już schronienia w czystych bitach i nie ma już schronienia w czystych atomach. To jest głębsze znaczenie barbell theory, o której pisałem w zeszłym roku. Środek, gdzie firma polegała na tym, że jeden wymiar jest trudny, został wydrążony z obu stron.

Konsekwencja pierwszego rzędu: Uogólniona presja deflacyjna

Gdy krańcowy koszt oprogramowania zbliża się do zera, a efektywny koszt reprodukcji fizycznej zbliża się do skrajnie wydajnego dna klastra, konkurencja spycha ceny w obu domenach w dół w kierunku tych dnach. To jest dezinflacyjne dla konsumentów i destrukcyjne dla producentów bez fosy, i wyjaśnia zagadkę, którą zauważa wielu ludzi: ogromny postęp technologiczny siedzi tuż obok kurczących się marż firm faktycznie produkujących. Korzyści z postępu są przechwytywane przez konsumentów i naśladowców zamiast przez innowatorów, właśnie dlatego, że możliwość apropriacji załamała się w obu domenach.

Konsekwencja drugiego rzędu: Renta migruje wzdłuż uśmiechniętej krzywej

Stan Shih, założyciel Acera, zaproponował uśmiechniętą krzywą około 1992 roku. Nanieś wartość dodaną na etapy produkcji w łańcuchu wartości wytwórczej, a otrzymasz kształt podobny do uśmiechu. Ben Thompson zaadaptował to do wydawnictw, co pokazuje, że krzywa tak naprawdę wcale nie dotyczy tylko produkcji. Oto oryginał:

Etapy Shih są następujące:

• Wysoka wartość upstream, czyli projektowanie, marka i własność intelektualna
• Głęboki dołek pośrodku, czyli fizyczny montaż i produkcja, etap, który najłatwiej ulega skomodytyzowaniu
• Wysoka wartość downstream, czyli dystrybucja, serwis i relacja z klientem

Wzrost Chin spłaszczył i skomodytyzował środek tej krzywej dla sprzętu. Generatywna AI właśnie teraz komodytyzuje odpowiednik tego środka dla oprogramowania, którym jest sam akt pisania kodu. Instrukcja, która z tego wynika, jest identyczna w obu przypadkach: porzuć skomodytyzowany środek i przesuń się na końce uśmiechu.

Ale końce są dokładnie tymi aktywami po stronie popytu i poziomu systemowego, których ani AI, ani gęstość produkcyjna nie potrafią tanio odtworzyć. Upstream oznacza wtedy zastrzeżone dane, badania i wgląd projektowy. Downstream oznacza markę, zaufanie, dystrybucję, pozycję regulacyjną oraz własność relacji z klientem i wyniku operacyjnego.

Konsekwencja trzeciego rzędu: Renta przenosi się w szwy

To jest konsekwencja, która łączy analizę ze strategią. Trwała renta przeniosła się z dowolnego pojedynczego wymiaru do sprzężenia między wymiarami oraz do aktywów, które leżą całkowicie poza produkcją. Jeśli czysty kod jest darmowy, a czyste atomy są tanie, to tarcia, które wciąż generują rentę, są tymi żyjącymi w szwach:

• Ścisłe współprojektowanie niestandardowego sprzętu z niestandardowym oprogramowaniem, tak że żadne z nich nie jest użyteczne dla imitatora bez drugiego.
• Zastrzeżone dane generowane przez prowadzenie rzeczywistego fizycznego lub regulowanego przepływu pracy, które są rzadkie właśnie dlatego, że są produktem ubocznym wykonywania pracy, a nie czymś, co można skopiować.
• Głębokie, trudne do zbudowania relacje i akredytacje regulacyjne w konserwatywnych branżach, gdzie tańszy klon zostaje zdyskwalifikowany, zanim ktokolwiek go w ogóle oceni.
• Pozycja principal, gdzie firma nie sprzedaje skomodytyzowanego narzędzia, lecz posiada operację, przejmuje odpowiedzialność, gwarantuje wynik i przechwytuje zarówno pełną pulę zysków, jak i wyłączne dane odpadowe.

Są to tarcia, których AI i chińska aglomeracja strukturalnie nie są w stanie rozpuścić, ponieważ w ogóle nie są tarciami produkcyjnymi. Są tarciami zaufania, fizycznego dostępu, regulacji, nagromadzonej obserwacji świata rzeczywistego i własności operacyjnej.

Część siódma: Ograniczenia, kontrargumenty i uczciwość wobec nich

Tak szeroka teza musi zostać sprawdzona pod presją jej najsilniejszych zastrzeżeń, ponieważ strategia zbudowana na przesadzonej przesłance zawodzi dokładnie tam, gdzie przesłanka była zbyt mocna.

Zastrzeżenie 1: Oprogramowanie generowane przez AI nie jest jeszcze klasy frontier

Pierwsze zastrzeżenie brzmi, że oprogramowanie generowane przez AI nie dorównuje jeszcze ekspertowo zaprojektowanemu oprogramowaniu w najbardziej złożonych, najwyższej niezawodności lub nowatorskich systemach, i że wciąż istnieje rzeczywista granica jakości oddzielająca komodytyzowaną generację od inżynierii frontier.

To prawda i ma znaczenie. Argument o komodytyzacji najmocniej dotyczy szerokiej masy konwencjonalnego oprogramowania aplikacyjnego, którego logika jest dobrze wydeptana. Na prawdziwym froncie, w nowych algorytmach, w systemach wymagających ekstremalnej niezawodności lub bezpieczeństwa oraz w problemach bez precedensu w danych treningowych, ekspercka ludzka ocena nadal pobiera rentę. Zatem precyzyjne twierdzenie brzmi, że AI załamuje fosę dla komodytyzowalnej większości oprogramowania, a nie że znosi całą wartość oprogramowania.

Ale kierunek ruchu ma strategiczne znaczenie, ponieważ granica, która pozostaje możliwa do obrony, jest wąska, nieustannie się przesuwa i stanowi złą podstawę dla trwałego biznesu, chyba że jest zakotwiczona w jednej z nieprodukcyjnych fos powyżej.

Zastrzeżenie 2: Chińska dominacja jest nierówna i politycznie sporna

Drugie zastrzeżenie brzmi, że chińska dominacja wytwórcza jest nierówna między kategoriami i teraz mierzy się z poważnymi geopolitycznymi siłami przeciwdziałającymi, w tym cłami, kontrolami eksportu, reshoringiem napędzanym bezpieczeństwem narodowym oraz celowym friend shoringiem krytycznych łańcuchów dostaw.

To też jest prawdą. Argument o komodytyzacji jest najsilniejszy w przypadku elektroniki użytkowej, dóbr mechanicznych i złożeń o średniej złożoności, a najsłabszy na samym szczycie stosu technologicznego, najbardziej oczywiście w zaawansowanej produkcji półprzewodników, gdzie skrajna kapitałochłonność i garstka niezastępowalnych dostawców tworzą własne fosy. Polityka może też sztucznie przywracać tarcia, które aglomeracja usunęła, poprzez cła podnoszące koszt dostarczenia imitatora albo kontrole eksportu, które odcinają go od wejściowych komponentów.

Ale te przeciwstawne siły w rzeczywistości wzmacniają centralny wniosek, zamiast go podważać, ponieważ zarówno przetrwała fosa półprzewodnikowa, jak i fosa reshoringu napędzanego polityką, znowu, nie są fosami czystego sprzętu. Są fosami skrajnej skali kapitałowej, niezastępowalnej pozycji dostawcy oraz relacji regulacyjnych i geopolitycznych. To dokładnie nieprodukcyjne, relacyjne i pozycyjne tarcia, ku którym — jak mówi ten raport — przesunęła się renta.

Zastrzeżenie 3: Dlaczego wielcy inkumbenci nadal są tak rentowni?

Trzecie zastrzeżenie jest tym subtelnym. Jeśli zarówno oprogramowanie, jak i sprzęt zostały skomodytyzowane, dlaczego najwięksi inkumbenci technologiczni wciąż są tak niezwykle rentowni?

Odpowiedź brzmi, że ci inkumbenci nigdy tak naprawdę nie byli bronieni przez czyste oprogramowanie ani czysty sprzęt. Ich prawdziwe fosy to efekty sieciowe, kontrola nad dystrybucją i uwagą, zastrzeżone dane na cywilizacyjną skalę, zamknięcie w ekosystemie oraz w niektórych przypadkach ugruntowanie regulacyjne. Opisany tutaj upadek niczego z tego nie zagraża, a pod pewnymi względami nawet to wzmacnia, ponieważ gdy czysta produkcja staje się skomodytyzowana, względna wartość nieprodukcyjnych aktywów, które inkumbenci już posiadają, rośnie.

To jest w pełni zgodne z tezą. Komodytyzacja produkcji nie spłaszcza całego zysku. Przesuwa zysk z firm, których jedyną przewagą było to, że produkcja była trudna, ku firmom, które posiadają tarcia, których produkcja nie może dotknąć. Inkumbenci przetrwają, ponieważ nigdy nie byli przedsiębiorstwami jednowymiarowymi. To jest lekcja, a nie wyjątek.

Część ósma: Synteza i pomost do nowoczesnej fosy

Dwa upadki opisane w tym raporcie są, w głębi, tym samym mechanizmem powtarzającym się w dwóch domenach, a nie jedną wspólną linią czasu. W obu przypadkach klasa biznesu czerpała trwałą rentę, ponieważ produkcja była trudna, powolna i kosztowna. W obu przypadkach siła rozpuszczająca tarcia — generatywna AI w domenie cyfrowej i bardzo gęsta aglomeracja przemysłowa w fizycznej — uczyniła produkcję łatwą, szybką i tanią. W obu przypadkach renta broniona przez trudność produkcji wyparowała w chwili, gdy produkcja przestała być trudna.

Symetria jest dokładna, a zauważenie tego jest warte więcej niż każda połowa osobno, ponieważ ujawnia ogólne prawo pod obiema:

Każda fosa, która składa się wyłącznie z trudności w wytworzeniu rzeczy, jest tymczasowa i trwa dokładnie do momentu, w którym ktoś odkryje, jak tę rzecz wytwarzać łatwo.

Strategiczny wniosek wynika z tego bezpośrednio. Skoro ani same bity, ani same atomy nie mogą osłonić biznesu, obronność musi być zbudowana z tarć, które przetrwały oba upadki:

• Ścisła, zamknięta integracja niestandardowego sprzętu i niestandardowego oprogramowania, tak aby systemu nie dało się rozebrać i sklonować kawałek po kawałku.
• Zastrzeżone, stale odświeżane dane produkowane jako produkt uboczny obsługi rzeczywistego procesu pracy, których nie można skopiować, ponieważ trzeba je zdobyć poprzez działanie.
• Głębokie relacje, zaufanie i pozycja regulacyjna konserwatywnych branż, których nie wygeneruje ani agent kodujący, ani fabryka kontraktowa.
• Decyzja o działaniu jako principal, a nie vendor, przejęcie własności procesu pracy i jego wyniku, tak aby pełna pula zysków i cały ślad danych pozostały zatrzymane, zamiast zostać odsprzedane.

Nowoczesna spółka na skalę venture jest możliwa do obrony dokładnie w takim stopniu, w jakim łączy kilka z tych przetrwałych tarć w jeden sprzężony system operacyjny, który poprawia się w miarę działania. Wszystko, co kiedyś było fosą tylko dlatego, że trudno to było zbudować, jest dziś towarem, ponieważ łatwo to zbudować. To, co pozostaje możliwe do obrony, to to, do czego trudno uzyskać dostęp, trudno zdobyć zaufanie, trudno wejść przez regulacje i trudno zaobserwować bez wykonywania prawdziwej pracy.

Przyszła fosa nie jest zbudowana z bitów i nie jest zbudowana z atomów. Jest zbudowana ze szwów między nimi oraz z relacji i zdobytych danych, których nikt nie może odtworzyć, nie stojąc tam, gdzie stoisz ty.

Wnioski z analizy

Trzydziestoletni paradygmat, który traktował oprogramowanie jako niezawodny silnik obronnego zysku, a sprzęt jako niskomarżowy towar, nie tylko się przesunął. Jego dwa fundamenty zostały obalone po kolei. Chińska aglomeracja przemysłowa obaliła najpierw założenie, że sprzęt jest trudny do iterowania i wytwarzania. Generatywna AI obala teraz założenie, że oprogramowanie jest trudne do tworzenia i zastępowania.

Ponieważ obie fosy były zbudowane głównie na trudności produkcji, a ponieważ ta trudność była dokładnym celem obu sił rozpuszczających tarcia, obie fosy upadły. Renta, która kiedyś trafiała do tego, kto potrafił zbudować bity albo wykłuć atomy, teraz płynie do konsumentów i imitatorów, chyba że firma zakotwiczyła się w tarciu, którego załamanie produkcji nie może dosięgnąć.

Te przetrwałe tarcia — integracja, zastrzeżone dane operacyjne, zaufane relacje, pozycja regulacyjna i własność jako principal rzeczywistego przepływu pracy — to miejsce, do którego trafiła trwała wartość. Budowanie obronnej firmy w tej epoce oznacza odmowę polegania na tym, że jakikolwiek pojedynczy wymiar pozostanie trudny, ponieważ nic, co jest jedynie trudne do wytworzenia, nie pozostaje możliwe do obrony, gdy jego wytwarzanie staje się łatwe.

Nowoczesna fosa

Wszystko powyżej jest diagnozą. Ustala, dokąd i dlaczego poszła renta, ale zatrzymuje się na poziomie zasady, a zasada nie mówi jeszcze, jak naprawdę wygląda firma zbudowana na jej podstawie. Ta część to odpowiedź. Obejmuje to, z czego dziś składa się obronność i jak wygląda, gdy zostaje złożona w prawdziwy biznes.

Barbell

Zanim przejdziemy do reguł konstrukcji, warto wyraźnie nazwać barbell, skoro analiza stale na niego wskazywała, nie wymieniając jego końców. Rozwinąłem to w 2025 roku w The Barbell of Software Value, gdzie pogodziłem moją Internal Software Leverage Theory z tezą obfitości. Wnioskiem było to, że wartość oprogramowania polaryzuje się w dwa klastry ze znikającym środkiem.

Na jednym końcu stoją ogromne fundamentalne prymitywy, modele bazowe, infrastruktura obliczeniowa, platformy chmurowe, chipy i podstawowa infrastruktura AI. Są one bronione przez kapitałochłonność, ekonomię skali i koncentrację badań na poziomie, do którego nowy venture zasadniczo nie może dotrzeć. To nie jest okazja, którą opisuję. To środowisko, w którym ona działa.

Google jest przypadkiem sufitowym. Łączy modele LLM, TPU, infrastrukturę chmurową, Search, Androida, YouTube, Maps, Chrome, domyślną dystrybucję oraz zastrzeżone dane na skali, której prawie nikt nie może dotknąć. To nie czyni z niego wzorca startupowego. To czyni z niego w pełni zrealizowany górny biegun barbell. Nie możesz zacząć stamtąd. To, co Google udowadnia, to mechanizm: gdy produkcja staje się tania, trwała wartość migruje do obliczeń, dystrybucji, infrastruktury, danych i pozycji ekosystemowej, do których nowy uczestnik nie może sobie po prostu wynająć drogi wejścia. Zauważ też ograniczenie. Google prowadzi aukcję. Zazwyczaj nie posiada wyniku reklamodawcy. Dlatego Waymo, a nie Search, jest później czystszym przykładem pozycji principal.

Na drugim końcu stoi bardzo specyficzna prywatna dźwignia. Głębokie posiadanie procesu pracy, automatyzacja świata fizycznego, procesy regulacyjne, zastępowanie pracy eksperckiej, zastrzeżone dane operacyjne oraz własność wyniku. Ten koniec jest osiągalny i broniony dokładnie przez te nieprodukcyjne tarcia, które analiza wskazała jako przetrwałe.

Niebezpieczny środek to ogólne oprogramowanie. To aplikacja webowa, dashboard, narzędzie CRUD, menedżer procesów pracy i cienka otoczka nad API modelu. Jest ściskany z góry przez prymitywy, które nadal wchłaniają do siebie ogólną zdolność, i z dołu przez spadek kosztu budowania czegokolwiek ogólnego. Produkt pośrodku jest łatwy do zbudowania, łatwy do sklonowania, łatwy dla inkumbenta do wchłonięcia jako funkcji i zwykle posiada zbyt mało łańcucha wartości klienta, by obronić cenę.

Fosa czterech czynników

Dzisiejsza obronność nie bierze się z jednego wysokiego muru. Bierze się ze splecenia wielu przewag. Cztery odrębne filary przetrwały podwójny upadek produkcji sprzętu i oprogramowania. Trwała nowoczesna firma potrzebuje wiarygodnej ścieżki do co najmniej trzech z nich. Nie jednego. Trzech. Pojedyncze wymiary nie osłaniają już nikogo i nigdy nie będą tego robić w przyszłości.

Świetny sprzęt

Doskonały sprzęt nie oznacza wymyślania egzotycznych urządzeń. Zdecydowanie nie oznacza też sprzedawania sprytnego gadżetu z marżą. Widoczne, możliwe do skopiowania, sprzedawane oddzielnie urządzenie to dokładnie to, co klastry produkcyjne niszczą najszybciej. Sprzęt zasługuje na swoje miejsce wtedy, gdy nie jest produktem, lecz narzędziem. Daje firmie uprzywilejowany fizyczny dostęp do procesu, którego żaden konkurent nie może obserwować z zewnątrz. Wykrywa świat fizyczny, gromadzi zastrzeżone dane, wykonuje fizyczne działania i standaryzuje przepływ pracy, przez co oprogramowanie nad nim staje się znacznie trudniejsze do skopiowania. Test jest prosty. Czy sprzęt można wyjąć i sprzedać samodzielnie? Jeśli tak, jest gadżetem i zostanie skomodytyzowany. Jeśli bez oprogramowania, danych i otaczającej go operacji nie ma żadnego sensu, to buduje fosę.

Doskonałe Oprogramowanie Szyte na Miarę

Doskonałe oprogramowanie szyte na miarę nie jest ogólnym SaaS-em ani ładniejszym interfejsem. Działa w konkretnym fizycznym lub regulacyjnym procesie, automatyzuje decyzje niosące realny ciężar ekonomiczny, koordynuje pracę ludzi lub maszyn i przechwytuje korekty oraz przypadki brzegowe w momencie ich wystąpienia. Zwróć uwagę, co czyni je odpornym na kopiowanie. Nie kod, który — jak pokazała analiza — jest dziś tani, lecz zależność od dostępu operacyjnego, zastrzeżonych danych i głębokiej wiedzy o przepływie pracy, której konkurent nie uzyska, klonując interfejs. Oprogramowanie jest trudne do skopiowania nie dlatego, że trudno je napisać, lecz dlatego, że to, z czym jest połączone, jest trudne do osiągnięcia.

Doskonałe Relacje

Doskonałe relacje należą do najbardziej trwałych fos w trudnych branżach. Są całkowicie odporne zarówno na komodytyzację sprzętu, jak i oprogramowania. Obejmują akredytację regulacyjną, zaufanie klientów, dostęp dystrybucyjny do konserwatywnych nabywców oraz długoterminowe partnerstwa operacyjne. Widać to w takich sektorach jak obronność, ochrona zdrowia, budownictwo i infrastruktura. Nabywcy na tych rynkach nigdy nie wybierają dostawcy tylko dlatego, że oprogramowanie jest odrobinę lepsze, a w wielu przypadkach nie robią tego nawet wtedy, gdy jest 10x lepsze. Kupują na podstawie zaufania i dorobku, niezawodności, odpowiedzialności, zgodności i dowodów. Tańszy klon zwykle zostaje zdyskwalifikowany, zanim ktokolwiek go oceni. Relacje wymagają czasu, reputacji i historii rzeczywistego wykonania. Ani agenci AI, ani montażownia w Shenzhen nie są w stanie wytworzyć zaufania z dnia na dzień.

Unikalne Dane

Unikalne dane są najważniejsze z tych czterech i zarazem tym elementem, który ludzie najczęściej rozumieją źle. Nie wszystkie dane są wartościowe, a ogólne, zeskrobane dane są dziś jako fosa niemal bezwartościowe. Dane, które mają znaczenie, są prywatne, implicytne i eksperckie, specyficzne dla fizycznego procesu i przepływu pracy, generowane z realnych operacji oraz pełne przypadków brzegowych, korekt i awarii, które nigdy nie pojawiają się w żadnym publicznym korpusie. Tego rodzaju danych nie da się kupić ani zeskrobać. Powstają wyłącznie jako produkt uboczny prowadzenia aktywnej operacji przez zamkniętą pętlę czterech etapów:

1. Obserwacja
2. Decyzja
3. Działanie
4. Wynik

Ta pętla jest także miejscem, w którym cztery czynniki zaczynają się wzajemnie wzmacniać. Sprzęt obserwuje i działa, oprogramowanie decyduje i koordynuje, relacje dają dostęp do przepływu pracy, a unikalne dane kumulują się z wyników.

Większość firm przechwytuje tylko pierwszy etap tego przepływu danych. Fosa wymaga wszystkich czterech, co oznacza, że wiesz nie tylko, co się wydarzyło, ale też jaka decyzja została podjęta w odpowiedzi, jakie działanie faktycznie wykonano i czy rezultat zadziałał. Ten czwarty etap, zweryfikowany wynik, jest tym, co sprawia, że dane nadają się do trenowania i co powoduje, że przewaga się kumuluje. Każde zakończone zleceniе ulepsza system, który wykonuje następne zlecenie, a to jedyna forma przewagi w całym tym dokumencie, która rośnie, zamiast się erodować.

Kiedy Pętle się Kumulują i Kiedy Zatrzymują

Zamknięta pętla w abstrakcji brzmi nieuchronnie. W praktyce większość prób jej zbudowania kończy się niepowodzeniem. Pętla jest twierdzeniem, a nie prawem, i ma konkretne tryby awarii, które warto rozumieć lepiej niż przypadek sukcesu.

• Dane się nasycają: Wartość zgromadzonych danych podąża krzywą malejących przychodów. W głębokim uczeniu Sun i in. stwierdzili, że wydajność w zadaniach wizyjnych rosła logarytmicznie wraz z objętością danych treningowych, co oznacza, że każde podwojenie zbioru danych daje kolejny przyrost, a nie kolejny cud. Pierwszy tysiąc wykonań uczy najwięcej. Następne dziesięć tysięcy uczy mniej. Kolejne sto tysięcy nie wnosi prawie nic nowego. Konkurent, który zacznie później, często może osiągnąć 90 procent twojej wydajności z ułamkiem danych historycznych, domykając lukę szybciej, niż sugerują surowe liczby.

• Dane mogą nie należeć do ciebie w sensie użycia: Generujesz zastrzeżone dane przez przepływ pracy, ale jeśli umowa mówi, że klient jest ich właścicielem i nie możesz ich łączyć między wdrożeniami, masz pięćdziesiąt osobnych silosów danych, a nie jedno koło zamachowe. Na poziomie platform OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock i Google Vertex AI mówią klientom biznesowym, że ich dane wejściowe i wyjściowe nie są domyślnie używane do trenowania modeli bazowych. To dobrze dla klientów i stanowi ostrzeżenie dla dostawców. Uczenie między klientami kumuluje się tylko wtedy, gdy umowa to dopuszcza. Prawo prywatności dodaje kolejne ograniczenie, ponieważ zasada ograniczenia celu w RODO, prawo do usunięcia, zasady deidentyfikacji HIPAA oraz przepisy CCPA/CPRA dotyczące udostępniania danych na potrzeby reklamy behawioralnej w różnych kontekstach 모두 utrudniają wtórne wykorzystanie danych. Zabija to więcej rzeczywistych fos AI niż konkurencja.

• Przepływ pracy zmienia się szybciej, niż model się poprawia: W szybko dryfujących domenach operacyjnych dane mają mierzalny okres półtrwania. Jak pokazali Valavi i in. w badaniach Harvard Business School, duży historyczny zasób danych tworzy słabą barierę wejścia. Nowy gracz wyposażony w mniejszy strumień świeżych, aktualnych danych często może zbudować dokładniejszy model niż zasiedziała firma siedząca na latach danych historycznych, zwłaszcza gdy przestarzałe dane aktywnie obniżają dokładność. Jedno badanie z informatyki klinicznej pokazało to wprost: okres półtrwania danych służących do przewidywania zleceń szpitalnych wynosił około czterech miesięcy, a jeden miesiąc świeżych danych przewyższał dwanaście miesięcy starszych danych. W produkcji dryft czujników, zużycie narzędzi, przeprojektowanie procesu i zmiany schematu oznaczają, że modele trenowane na historycznych danych zakładu rozumują o zakładzie, który już nie istnieje. To nie jest uniwersalne. Procesy rządzone fizyką, tablice aktuarialne, dane geologiczne i inne wolno zmieniające się domeny mogą długo zachowywać wartość starych danych. Jeśli przepływ pracy zmienia się szybciej niż model się poprawia, twoje dane historyczne stają się przestarzałym balastem, a nie przewagą.

• Koszt jest barierą, a bariera jest kosztem: Posiadanie rzeczywistych przepływów pracy jest kapitałochłonne, pracochłonne i mniej marżowe niż czyste oprogramowanie. Tesla raportowała całkowitą marżę brutto GAAP około 18 procent w 2025 roku, mimo integracji wertykalnej. Intuitive Surgical podało zainstalowaną bazę da Vinci wynoszącą 11 106 systemów oraz marżę brutto non-GAAP na poziomie 67,6 procent w 2025 roku, po dekadach nakładów kapitałowych, szkolenia chirurgów i wolumenu procedur. Wydatek, który trzyma konkurentów z dala, jednocześnie sprawia, że większość nowych graczy nie buduje czegoś, co warto bronić. Wiele prób upada na ekonomice jednostkowej na długo zanim pętla zacznie się kumulować.

To, co odróżnia pętle, które naprawdę się kumulują, od tych, które są fałszywymi fosami:

• Dane są powiązane z wynikiem, co oznacza, że wiesz, czy rezultat był poprawny, czy nie, zamiast po prostu zbierać sygnały.
• Zgodnie z umową dane należą do ciebie i możesz ich używać między wdrożeniami.
• Przepływ pracy jest na tyle stabilny, że dane historyczne pozostają istotne.
• Każde wykonanie generuje nowe przypadki brzegowe, a nie więcej tego samego.
• Częstotliwość jest na tyle wysoka, że uczenie może się kumulować, zanim przepływ pracy się zmieni.

Ta teza jest błędna, jeśli którakolwiek z poniższych rzeczy jest prawdziwa:

• Konkurent może uzyskać równoważne dane przez scrapowanie, generację syntetyczną, uczenie transferowe lub jednorazowy zakup.
• Klient jest właścicielem danych na mocy umowy i nie możesz ich łączyć między wdrożeniami.
• Przepływ pracy zmienia się szybciej, niż model się poprawia, więc zgromadzone dane opisują system, który już nie istnieje.
• Wartość danych nasyca się w ciągu pierwszych N wykonań, co oznacza, że przewaga jest stała, a nie kumulująca się.
• Koszt posiadania przepływu pracy przewyższa wartość danych, które on generuje.

Jeśli te warunki zachodzą, pętla nie jest fosą. Jest kosztownym projektem inżynieryjnym z tymczasową przewagą. Jak a16z argumentowało w 2019 roku, większość przewag danych to efekty skali z malejącymi przychodami, a nie magiczne efekty sieciowe. To było prawdą przed obecną falą AI. Nadal jest prawdą teraz.

Modele biznesowe zbudowane na nowoczesnej fosie

Cztery czynniki opisują, z czego zbudowana jest fosa. Następne pytanie brzmi: jaki rodzaj modelu biznesowego może ją faktycznie uchwycić. W praktyce odpowiedź odsuwa od sprzedaży narzędzi i kieruje ku przejęciu samego workflow.

Główny podmiot, nie dostawca

Pojedynczą decyzją o najwyższej dźwigni w całych ramach jest odmowa zajęcia pozycji dostawcy.

Zagranie dostawcy oznacza sprzedaż narzędzia organizacji, która już posiada workflow. Wygląda atrakcyjnie, bo w teorii wymaga niewielkiego kapitału i łatwo się skaluje, ale oddaje każdą formę dźwigni klientowi. Operator zatrzymuje relację z klientem, proces fizyczny, dane operacyjne, budżet, odpowiedzialność prawną i końcowy rezultat. Dostawca zatrzymuje warstwę oprogramowania leżącą na tym wszystkim. Startup przechwytuje tylko niewielką część wartości, którą tworzy, klient żąda niestandardowych integracji, aż produkt dryfuje w stronę usług, operator może obserwować działanie narzędzia, a następnie zastąpić je wewnętrznym rozwiązaniem, które jest teraz dramatycznie tańsze w wytworzeniu, a ponieważ operator posiada najlepsze dane, model dostawcy nigdy się nie kumuluje. Marże pozostają ograniczone. Jest to szczególnie niebezpieczne w branżach fizycznych, gdzie dostawcy oprogramowania niezawodnie degenerują się w glorifikowanych konsultantów.

Silniejszą pozycją jest stanie się głównym podmiotem, czyli przejęcie samej operacji, odpowiedzialności, akredytacji, workflow lub odpowiedzialności prawnej. Zamiast sprzedawać oprogramowanie temu, kto wykonuje pracę, firma wykonuje pracę albo gwarantuje jej rezultat. To odwraca każdą z powyższych wad. Firma przechwytuje pełną marżę zamiast niewielkiej części z licencji, posiada rezultat klienta, a więc i relację, oraz posiada dane, ponieważ generują je jej własne operacje. Nie może zostać odcięta przez operatora, ponieważ sama jest operatorem, i buduje prawdziwą wiedzę operacyjną zamiast wiedzy z drugiej ręki.

Zasada zawiera się w jednej instrukcji:

Nie sprzedawaj narzędzia. Sprzedawaj ukończony rezultat.

W praktyce przejawia się to jako konsekwentne przeformułowanie każdej idei dostawcy do jej wersji głównej:

Ta decyzja ma większe znaczenie niż jakakolwiek inna w ramach, ponieważ decyduje o tym, kto posiada dane, a własność danych decyduje o tym, czy przewaga się kumuluje, czy zanika.

Usługa jako usługa

Pozycja głównego podmiotu implikuje model dostarczania, który wygląda inaczej niż konwencjonalne oprogramowanie, i warto go nazwać, ponieważ na pierwszy rzut oka wygląda on dla każdego przyzwyczajonego do marż SaaS jak gorszy biznes.

Model ten funkcjonuje pod kilkoma nazwami. YC, a16z i inni nazywali go service-as-software, a teza o rollupie wspieranym przez AI jest bliskim kuzynem. Ja wolę service as a service, ponieważ lepiej podkreśla to, co klient faktycznie otrzymuje.

Klient nie powinien musieć używać oprogramowania, żeby sprawa została załatwiona. Firma powinna używać oprogramowania, AI, pracy ludzkiej, sprzętu i operacji razem, aby dostarczyć gotową usługę. Oprogramowanie jest wewnętrzną dźwignią, a nie produktem.

Sekwencja jest zamierzona. Zacznij od wykonywania pracy ręcznie albo z ludźmi w pętli. Użyj oprogramowania, aby tę ludzką pracę uczynić szybszą, bardziej spójną i bardziej mierzalną. Zbieraj każdy wkład, decyzję, korektę, przypadek brzegowy i wynik. Następnie użyj zgromadzonych danych, aby automatyzować coraz większą część workflow, dążąc do zautomatyzowanego dostawcy usług z marżami i obronnością, których konwencjonalne oprogramowanie nie może dorównać.

Różni się to od konsultingu jedną decydującą cechą. Konsulting sprzedaje każdemu klientowi niestandardową pracę na zawsze, a każde zlecenie nie pozostawia po sobie nic, co dałoby się ponownie wykorzystać. Usługa jako usługa wykorzystuje wczesną pracę ludzką celowo jako instrument budowy systemu automatyzacji, a każde zlecenie pozostawia po sobie dane, które sprawiają, że następne jest tańsze.

Trzeba jednak uważać i wypatrywać pułapki w tego rodzaju modelu. Jeśli każdy nowy klient wymaga niestandardowych integracji, niestandardowego czyszczenia danych, niestandardowego mapowania workflow i niestandardowego dostrajania modelu, firma jest konsultingiem, który jeszcze się do tego nie przyznał. Faza z człowiekiem w pętli jest w porządku i często konieczna, ale tylko pod warunkiem, że wytwarza dane zastrzeżone i prowadzi do skalowalnej automatyzacji. Jeśli po pięćdziesięciu zleceniach ludzie nadal wykonują tę samą pracę przy takim samym koszcie jednostkowym, model się nie powiódł.

Stargate dla danych

AI przechodzi z wąskiego gardła obliczeniowego do wąskiego gardła danych. Najcenniejsze firmy AI nadchodzącego okresu nie będą tymi z najbardziej generycznymi danymi, których jest pod dostatkiem, a więc nie generują renty, dokładnie zgodnie z logiką pierwszej połowy. Będą to firmy, które posiadają rzadkie, prywatne, wysokiej jakości dane operacyjne, których nie da się zdobyć w żaden inny sposób niż wykonując pracę.

Fraza Stargate dla danych została zapożyczona od Stargate OpenAI, ogłoszonej budowy infrastruktury obliczeniowej za kilkaset miliardów dolarów, a samo zapożyczenie jest tu sednem. Jeśli rzadki zasób poprzedniego cyklu uzasadniał planowaną infrastrukturę na taką skalę, następny zasługuje na takie samo potraktowanie. Celem nie jest zgromadzenie zbioru danych. Celem jest zbudowanie maszyny, która nieprzerwanie produkuje dane zastrzeżone jako produkt uboczny dostarczania usługi.

Różnica, która ma tu znaczenie polega na tym, że celem nie jest zbieranie danych dla samych danych, co tworzy kosztowne jeziora bezużytecznego materiału. Celem jest posiadanie pętli operacyjnej, która wytwarza dokładnie te dane, których potrzeba do zautomatyzowania tej pętli.

Komputer atomów

Cztery czynniki opisują strukturę. Komputer atomów opisuje, do czego ta struktura służy, i jest długoterminową wizją, która sprawia, że całe to przedsięwzięcie jest warte zachodu.

Nie wpadłem na ten pomysł i chcę to od razu jasno powiedzieć. To sformułowanie pochodzi od Travisa Kalanicka. Po tym, jak został usunięty z Ubera w 2017 roku, spędził osiem lat budując City Storage Systems w trybie stealth, a w marcu 2026 zmienił jego nazwę na Atoms i opublikował list wizji, w którym rozkłada całą koncepcję na czynniki pierwsze. Jego ujęcie brzmi: podchodzisz do problemów świata fizycznego tak, jak podchodziłbyś do problemów oprogramowania, a podstawowe zasoby obliczeniowe mają fizyczne odpowiedniki, gdzie CPU to produkcja, storage to nieruchomości, a sieć to transport. Podczas wydarzenia inaugurującego a16z Kalanick zdefiniował firmę wokół przemysłowej AI, używając oprogramowania, czujników, robotyki i AI do automatyzacji operacji w całych sektorach przemysłowych, zaczynając od żywności, wydobycia i transportu. Przeczytaj jego list. Jest lepszy niż moje podsumowanie, a kilka jego wniosków dochodzi do tego samego miejsca co ten dokument, tylko z innego kierunku.

W miarę jak AI staje się bardziej zdolna, jej czynnik ograniczający się przesuwa. Ograniczeniem nie jest już tylko jakość rozumowania. Jest nim interakcja z rzeczywistością fizyczną. Model może generować wysokiej jakości tekst, kod, obrazy i plany, a mimo to nadal nie być w stanie niezawodnie zrobić czegokolwiek w chaotycznym, nieustrukturyzowanym, mającym konsekwencje środowisku rzeczywistym. Tradycyjne komputery dały inteligencji podłoże do manipulowania bitami. Szansa polega teraz na zbudowaniu odpowiednika takiego podłoża dla atomów, tworząc systemy, które wykrywają świat fizyczny, interpretują chaotyczne warunki świata rzeczywistego, podejmują decyzje, działają, weryfikują wyniki i uczą się z informacji zwrotnej, wszystko to pod rzeczywistymi fizycznymi, regulacyjnymi i ekonomicznymi ograniczeniami. Ten ostatni człon jest najtrudniejszy i właśnie dlatego jest to szansa biznesowa, a nie projekt badawczy. Działanie w warunkach ograniczeń regulacyjnych i ekonomicznych jest dokładnie tym, czego nie da się sklonować, i dokładnie tym, co generuje zamkniętą pętlę danych, której potrzebuje czwarty czynnik.

W jednej kwestii Kalanick i ja zgadzamy się całkowicie, i on ujmuje to lepiej niż ja. Jego termin to robots gainfully employed, czyli wyspecjalizowane maszyny z konkretną produktywną pracą, w przeciwieństwie do humanoidów zbudowanych po to, by nas naśladować. Jego przykład brzmi: jeśli trzeba zrobić tysiąc naleśników na godzinę, humanoid niezgrabnie je przewracający jest najgorszym możliwym projektem, a oczywistym jest maszyna zaprojektowana do tego celu. Więc właściwe podejście to nie budowanie robota ogólnego przeznaczenia. Chodzi o znalezienie wąskiego klina, w którym pętla sense, decide, act może zostać wdrożona w jednym rzeczywistym workflow z jasną, natychmiastową wartością ekonomiczną, i o doprowadzenie tej pętli do działania od początku do końca, zanim się ją rozszerzy.

Firma na bliską przyszłość powinna być wąska do tego stopnia, że wygląda na mało ambitną. Długoterminowy sufit jest powodem, by tę wąskość zaakceptować.

Przykład przepracowany

Ramy są abstrakcyjne, więc pomaga przeprowadzić jedną ideę przez cały proces. To tylko ilustracja użycia kryteriów, a nie jedyny wniosek, do którego prowadzą ramy.

Podejmij się specjalistycznej inspekcji budowlanej i badań materiałowych. Wersja dostawcy sprzedaje oprogramowanie agencjom i laboratoriom, które już posiadają ten przepływ pracy. Wersja główna staje się agencją i laboratorium. To ona posiada akredytację, przeprowadza inspekcje i ponosi odpowiedzialność regulacyjną. Wewnątrz wykorzystuje oprogramowanie, sprzęt i AI, aby dostarczać certyfikowane wyniki szybciej, taniej i bardziej niezawodnie niż obecni gracze.

Taka forma spełnia wszystkie cztery czynniki. Jest fizyczna, ponieważ dotyczy miejsc, próbek, instrumentów i rzeczywistych pomiarów. Ma relacyjne i regulacyjne fosy obronne, ponieważ nabywcy potrzebują wyników akceptowanych przez organy właściwe miejscowo, a nie ładniejszego pulpitu nawigacyjnego. Posiada wynik, ponieważ sprzedaje certyfikowane rezultaty zamiast narzędzi. I generuje zastrzeżone dane operacyjne jako produkt uboczny pracy, w tym wyniki testów, tryby awarii, właściwości materiałowe, korekty ekspertów oraz powiązania między warunkami fizycznymi a końcowymi wynikami.

Zaczyna się też wąsko, co odpowiada klasycznej logice startupowej, o której Paul Graham i YC mówią od lat. Zacznij od ostrego klina, ale upewnij się, że ten klin dotyczy dużego i bolesnego problemu. Nie ma potrzeby automatyzowania inspekcji budowlanej jako całej branży pierwszego dnia. Punktem wejścia może być jeden typ inspekcji, jeden test materiałowy, jedna geografia albo jeden proces zgodności. Stamtąd oprogramowanie standaryzuje pracę, ludzie wytwarzają pierwsze dane, a automatyzacja rozszerza się tylko tam, gdzie pętla rzeczywiście się kumuluje.

Ryzyka są dokładnie tymi, które przewiduje ramy. Terminy akredytacji blokują przychody, operacje są ciężkie, zanim automatyzacja dojrzeje, a pułapka usług jest realna, jeśli każdy projekt okazuje się szyty na miarę. I właśnie na tym polega wartość tych ram. Nie sprawiają, że biznes staje się łatwy. Mówią ci, gdzie powinny znajdować się trudne części.

Firmy, Które Już Tak Wyglądają

Łatwiej zaufać tym ramom, jeśli opisują rzeczy, które już istnieją, a nie tylko rzeczy, które chciałbym, aby istniały.

Anduril to cztery z czterech. Niestandardowy sprzęt w dronach, wieżach sensorowych, przechwytujących systemach i pojazdach podwodnych. Niestandardowe oprogramowanie w Lattice, na którym działa każdy element tego sprzętu. Relacje i pozycja regulacyjna, których żaden agent kodujący nie może wygenerować, ponieważ klientem jest rząd USA i jego sojusznicy. Dane operacyjne z wdrożonych systemów, które wracają do oprogramowania. Dwie kwestie mają większe znaczenie niż lista produktów. Firma finansuje własne prace badawczo-rozwojowe i buduje produkt, zanim sprzeda go do istniejącej linii budżetowej, odwracając model koszt-plus, na którym działają tradycyjni główni wykonawcy. Anduril jest prywatna i nie publikuje audytowanych marż, ale szacunki wtórne wskazują na marżę brutto około 40 do 45 procent. To niezwykle wysoki wynik jak na sprzęt obronny, gdzie firmy z sektora lotniczego i obronnego osiągają średnio około 17,5 procent marży brutto w danych sektorowych NYU Stern. Dokładna liczba ma mniejsze znaczenie niż struktura. Zintegrowany pionowo, oparty na stałej cenie, definiowany przez oprogramowanie model wydaje się osiągać lepszą ekonomię niż tradycyjna integracja platform oparta na koszt-plus.

Intuitive Surgical to starsza, cichsza wersja tej samej struktury. System da Vinci łączy sprzęt, który bez swojego oprogramowania jest bezwartościowy, ze zgodami FDA, których żaden konkurent nie może ominąć, dwoma dekadami relacji ze szpitalami oraz danymi o procedurach z milionów operacji. Spełnia cztery z czterech, nieustannie się kumuluje i realizuje ten plan od czasu swojej pierwszej zgody w 2000 roku, na długo zanim ktokolwiek nazwał to fizycznym AI.

Kraken Robotics jest tym, który uważam za najbardziej pouczający, częściowo dlatego, że niewielu poza technologią morską go zna. Buduje sonar z syntetyczną aperturą, holowaną platformę KATFISH, baterie podwodne i podwodne LiDAR. Żaden z tego sprzętu nie jest użyteczny bez zastrzeżonego oprogramowania obrazowania, które go otacza. Wśród jego klientów są floty z NATO. To zaufanie i regulacje na najwyższym poziomie, ponieważ marynarka wojenna nie zmieni dostawcy sonaru na tańszy klon. Co kluczowe, Kraken nie tylko sprzedaje sprzęt. Prowadzi badania jako usługę, co oznacza, że każde zlecenie wytwarza wiedzę o dnie morskim, której nikt inny nie posiada. Ta ostatnia decyzja to cała ta rama w miniaturze. Firma sprzętowa zauważyła, że dane są warte więcej niż pudełko, i przeszła do pozycji głównej, aby je zatrzymać.

SpaceX i Waymo to czyste zagrania po stronie głównej. SpaceX nie sprzedaje rakiet. Sprzedaje dostarczone ładunki. Waymo nie licencjonuje oprogramowania autonomii producentom samochodów. Sprzedaje ukończone przejazdy. W obu przypadkach firma odrzuciła pozycję dostawcy, przyjęła odpowiedzialność operacyjną i zatrzymała dane. Waymo posiada też fosę regulacyjną, która pojawia się jedna jurysdykcja naraz. Ta ekspansja jest powolna, co właśnie dlatego czyni ją odporną na atak.

Carbon Robotics to użyteczny przypadek częściowy. Jej LaserWeeder niszczy chwasty za pomocą widzenia komputerowego i laserów dużej mocy. W lutym 2026 roku firma poinformowała, że jej Large Plant Model został wytrenowany na ponad 150 milionach oznaczonych roślin, zebranych na około stu farmach w piętnastu krajach. To właśnie działa silnik danych, generowany jako operacyjny produkt uboczny, a nie osobna inicjatywa. Ale chciałbym też zauważyć podatność tego rozwiązania. Carbon sprzedaje sprzęt rolnikom, pozostając dostawcą, a nie podmiotem głównym. Odnosi sukces, ponieważ dane nadal wracają do jego centralnego modelu, dzięki czemu pozycja dostawcy jest do utrzymania. Gdyby rolnicy kiedykolwiek posiadali te dane z floty, fosa obronna zniknęłaby.

Nokia jest zarówno historycznym ostrzeżeniem, jak i rozwijającym się przypadkiem testowym. W 2007 roku kontrolowała prawie 50 procent globalnego rynku smartfonów, mając najlepszy sprzęt, skalę produkcji i łańcuch dostaw w telefonii komórkowej. Realizowała jednowymiarowy plan lepiej niż ktokolwiek żyjący, a mimo to upadła, ponieważ nie miała platformy programowej. Dzisiejsza Nokia próbuje dokładnie tego wieloczynnikowego planu opisanego tutaj. Jak przedstawia to Michael Sikand w tym omówieniu wideo, firma spędziła ponad dekadę, odchodząc od gadżetów konsumenckich, aby łączyć pionowo zintegrowany krzem optyczny, zakorzenione relacje z operatorami i obronnością oraz edge compute wspierane przez AI. Stara Nokia udowodniła, że odizolowany sprzęt daje tylko tymczasową przewagę. Cóż, nowa Nokia próbuje udowodnić, że sprzęt połączony z zaufaniem instytucjonalnym i infrastrukturą programową tworzy trwałą fosę obronną.

Żadna z tych firm nie wygląda podobnie na pierwszy rzut oka, ale wszystkie wskazują na tę samą lekcję. Najtrwalsze biznesy zdobyły coś wolnego, jak akredytacja, wdrożona flota czujników, zaufanie chirurgów, pewność marynarki wojennej, zatwierdzenie regulacyjne albo dekadę danych operacyjnych. Żadna z nich nie osiągnęła tego wyłącznie poprzez pisanie lepszego kodu i żadnej z nich nie dogoni ktoś, kto to robi.

Wąskość Jest Wymogiem Wejścia

Wszystkie zaczynały też małe. Firmy, które wygrywają, nie zaczynają od próby przejęcia całej pętli, a próba zrobienia tego jest najczęstszym błędem. Pętla kumuluje się tylko wtedy, gdy jesteś wystarczająco głęboko w jednym przepływie pracy, aby generować dane powiązane z wynikiem, których konkurenci nie mogą zdobyć w żaden inny sposób. Płytka ekspozycja na wiele przepływów pracy wytwarza płytkie dane, które szybko się nasycają.

Wzorzec utrzymuje się wśród operatorów powyżej i poza nimi. Anduril zaczęło od ochrony sił i systemów przeciwdronowych, zanim zwiększyło skalę produkcji i sąsiednich zdolności. Intuitive Surgical zaczęło od konkretnych procedur laparoskopowych i przez dziesięciolecia budowało szkolenie chirurgów oraz wolumen procedur, zanim rozszerzyło działalność na kolejne specjalizacje. SpaceX zaczęło od jednego wielokrotnego użytku pojazdu nośnego, zanim rozszerzyło się na Starlink. Tesla zaczęła od wąskiego, premiumowego klina EV (sportowego samochodu Roadster) i wykorzystywała flotę do zbierania danych oraz uczenia się produkcji, zanim przeszła do modeli masowych, energii i autonomii. Palantir zaczęło od konkretnych przepływów pracy wywiadowczej dla konkretnych agencji, zanim rozszerzyło się na obszar komercyjny. W każdym przypadku wąskie wejście nie było kompromisem. To był mechanizm, który sprawiał, że pętla się kumulowała.

Punkt wejścia jest wąski celowo. Jeden przepływ pracy, jeden typ klienta, jeden strumień danych, który trudno odtworzyć. Budujesz pętlę wokół tego przepływu, aż dane zaczynają się kumulować, a relacja się pogłębia, a następnie rozszerzasz się na sąsiednie przepływy pracy, gdzie te same dane, te same relacje i ta sama dyscyplina operacyjna dają ci przewagę, której nowy uczestnik nie może dorównać. Zaczynanie szeroko to sposób, by skończyć ze stertą danych, które się nie kumulują. Konkurent rozpoczynający dziś nie goni za stałą przewagą. Goni za taką, która wydłuża się za każdym razem, gdy praca zostaje wykonana, ale tylko wtedy, gdy praca jest na tyle wąska, na tyle głęboka i powtarzana na tyle często, że dane faktycznie mają znaczenie.

Wnioski

Pierwsza połowa tego dokumentu ustanowiła ogólne prawo. Każza fosa obronna składająca się wyłącznie z trudności wytworzenia czegoś jest tymczasowa i trwa dokładnie do momentu, gdy ktoś sprawi, że to coś stanie się łatwe do wytworzenia. Chińska aglomeracja przemysłowa zrobiła to sprzętowi, obniżając koszty transakcyjne i opóźnienie iteracji wewnątrz skrajnie gęstego klastra. Generatywna AI robi to oprogramowaniu, obniżając koszt jego rzadkiego wejścia. Najpierw zniknął problem sprzętu, a później podążyło za nim oprogramowanie, ale dla założyciela budującego dziś żadne z tych schronień nie jest wiarygodne.

Druga połowa zamieniła to prawo w odpowiedź. Jeśli trudność produkcji niczego już nie chroni, to obronność musi zostać zbudowana z tarć, do których nie sięga zapaść produkcyjna. Obejmują one fizyczny dostęp, zamknięte pętle danych operacyjnych, pozycję regulacyjną, zdobyte zaufanie i własność samego wyniku. Dlatego cztery czynniki wymagają trzech z czterech zamiast jednego, dlatego pozycja główna ma większe znaczenie niż jakakolwiek inna pojedyncza decyzja i dlatego dane muszą być operacyjnym produktem ubocznym, a nie zebranym aktywem.

Da się to skompresować do jednego zdania kluczowego.

W erze AI najlepsze firmy nie będą generycznymi narzędziami programowymi ani kopiowalnymi produktami sprzętowymi. Będą to wąskie, zorientowane na wynik, główne przedsiębiorstwa, które łączą oprogramowanie, fizyczne przepływy pracy, zaufane relacje oraz własnościowe dane operacyjne, aby automatyzować wysoko wartościową, rzeczywistą pracę.

Dla założyciela pytanie nie brzmi już „jakie oprogramowanie mogę zbudować?”, lecz jaki wartościowy, rzeczywisty wynik mogę posiadać, wykonywać, mierzyć i automatyzować?

Najsilniejsze możliwości znajdują się tam, gdzie oprogramowanie styka się z atomami, zaufaniem, regulacjami i własnościowymi danymi. Zaczynają od jednego wąskiego, bolesnego przepływu pracy, korzystając z ludzi tam, gdzie to konieczne. Zbierają dane operacyjne jako produkt uboczny pracy, automatyzują krok po kroku i kumulują się w systemy, które trudno wyprzeć. Przewaga jest trwała właśnie dlatego, że została zdobyta poprzez fizyczną operację, a nie zapisana w kodzie.

Ostatecznym celem nie jest zbudowanie produktu. Jest nim zbudowanie firmy operacyjnej z oprogramowaniem przypominającym skalowalność, obronnością świata fizycznego i własnościowymi danymi, które stają się lepsze z każdą ukończoną pracą.

Wszystko, co dawniej było fosą obronną, ponieważ było trudne do zbudowania, staje się towarem. Budowanie czegokolwiek jest łatwiejsze niż kiedykolwiek i wraz z postępem AI oraz globalnych łańcuchów dostaw będzie tylko łatwiejsze. To, co pozostaje obronne, to to, do czego trudno uzyskać dostęp, trudno zdobyć zaufanie, trudno wejść poprzez regulacje i trudno zaobserwować bez wykonania prawdziwej pracy.

Cytaty i źródła

Chcę jasno powiedzieć, skąd pochodzą zapożyczone fragmenty, ponieważ duża część tego dokumentu polega na łączeniu cudzych prac, a nie na wymyślaniu czegokolwiek od zera. Jedynymi rzeczami, które rzeczywiście przypisałbym sobie, są reguła czterech czynników, standard trzech z czterech oraz konkretny argument, że oba załamania mają ten sam podstawowy mechanizm, mimo że wydarzyły się po sobie. Liczby się zmieniają, więc sprawdź je, zanim mnie zacytujesz.

Moje, z wcześniejszego pisania

• Barbell wartości oprogramowania (2025), gdzie po raz pierwszy przedstawiłem zanikający środek i Teorię Leverage wewnętrznego oprogramowania. Druga połowa tutaj jest operacyjną wersją tamtego wpisu.

Komputer z atomów

• Travis Kalanick, Wizja, Niedokończony biznes oraz Jak AI zmieni świat fizyczny, Atoms i a16z, 2026. Ramy komputera opartego na atomach, mapowanie CPU/pamięć/sieć na produkcję/nieruchomości/transport, pętla rozumiej-przewiduj-kontroluj, AI przemysłowa i roboty zatrudnione z zyskiem — wszystko to jest jego autorstwa. Ten fragment jest moim podsumowaniem jego idei, nie moją ideą.
• Ben Horowitz i Alex Danco, Travis wrócił, a16z, 2026.

Ekonomia

• Atlassian, wyniki Q2 FY2025, dla dojrzałych poziomych marż brutto SaaS w dolnym zakresie osiemdziesięciu procent.
• Snowflake, wyniki FY2025, jako kontrprzykład pokazujący, że oprogramowanie o dużym udziale konsumpcji może działać znacząco poniżej klasycznych marż brutto SaaS.
• Michael Porter, pięć sił, 1979, dla taksonomii źródeł renty w Części Pierwszej.
• David Teece, Profiting from Technological Innovation, 1986, dla problemu zawłaszczalności w Części Trzeciej.
• Alfred Marshall, Zasady ekonomii, 1890, dla korzyści zewnętrznych i aglomeracji w Części Piątej.
• Ronald Coase, Natura firmy, 1937, dla kosztów transakcyjnych w Części Piątej.
• Theodore Wright, 1936, oraz Boston Consulting Group, dla krzywej doświadczenia w Części Piątej.
• Stan Shih, uśmiechnięta krzywa, około 1992. Jego oryginalny diagram znajduje się w Wikimedia Commons, a Publishers and the Smiling Curve Bena Thompsona to najlepsze rozwinięcie tego, jakie czytałem.
• Gary Pisano i Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, dla commons przemysłowego i wyjaśnienia, dlaczego reshoring jest trudny.
• Andrew „bunnie” Huang, The Hardware Hacker, za relację z pierwszej ręki o tym, jak naprawdę czuje się praca wewnątrz gęstości Shenzhen.
• WTO, Przystąpienia: Chiny, dla tła dotyczącego integracji Chin z globalnym systemem handlowym.
• Bank Światowy, wartość dodana w przemyśle wytwórczym, dla tła dotyczącego skali chińskiej produkcji względem Stanów Zjednoczonych.

Mechanika startupów

• Paul Graham, Rób rzeczy, które nie skalują się oraz Jak znaleźć pomysły na startup, dla wąskiego klina.
• Tesla, Tajny plan mistrzowski Tesla Motors, 2006, dla logiki klina od Roadstera do przystępnego cenowo samochodu.
• Palantir, oświadczenie rejestracyjne S-1, 2020, dla wzorca przejścia od sektora rządowego do komercyjnego.
• Historia firmy SpaceX i ujawnienia Starlink, poprzez SpaceX i Starlink, dla startu jako początkowego klina przed szerszą infrastrukturą kosmiczną.

Kodowanie AI i produkcja oprogramowania

• GitHub, Wprowadzenie do GitHub Copilot, 2021, oraz ogólna dostępność GitHub Copilot, 2022, jako praktyczny początek komercyjnej asysty AI w kodowaniu.
• OpenAI, Raport techniczny GPT-4, 2023, oraz Anthropic, Claude 3.5 Sonnet, 2024, jako tło dla przyspieszenia możliwości modeli.
• Peng et al., Wpływ AI na produktywność deweloperów, 2023, za kontrolowany wynik dotyczący GitHub Copilot, w którym deweloperzy ukończyli ograniczone zadanie programistyczne o 55,8 procent szybciej.
• Cui et al., Skutki generatywnej AI dla pracy wysoko wykwalifikowanej, 2025, za wynik badania terenowego obejmującego 4 867 deweloperów, pokazujący o 26,08 procent więcej ukończonych zadań.
• METR, Pomiar wpływu AI z początku 2025 roku na produktywność doświadczonych deweloperów open source, 2025, za kontrprzykład, w którym doświadczeni deweloperzy byli o 19 procent wolniejsi przy użyciu narzędzi AI w dojrzałych repozytoriach.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, oraz OpenCode, za przesunięcie od autouzupełniania do agentowego dostępu do repozytorium i terminala.
• Conductor, Superset, oraz Hermes Agent, za warstwę orkiestracji ponad pojedynczymi narzędziami do kodowania z agentem.

Tryby awarii fosy danych

• Sun et al., Ponowne rozpatrzenie nierozsądnej skuteczności danych w epoce głębokiego uczenia, ICCV 2017, za empiryczne ustalenie, że wydajność w zadaniach wizji poprawia się logarytmicznie wraz z objętością danych treningowych.
• Martin Casado i Peter Lauten, Pusta obietnica fos danych, a16z, 2019, za argument, że efekty skali danych zwykle się zacierają, a nie kumulują.
• Valavi et al., Czas i wartość danych, Harvard Business School Working Paper 21-016, 2021, za rozróżnienie między zasobem danych a przepływem danych oraz ustalenie, że nieaktualne dane mogą szkodzić dokładności modelu.
• Chen et al., Malejąca istotność danych klinicznych dla przyszłych decyzji w opartych na danych szpitalnych zestawach zleceń klinicznych, International Journal of Medical Informatics, 2017, za około czteromiesięczny okres półtrwania danych do predykcji klinicznej.
• OpenAI Prywatność w przedsiębiorstwach, Anthropic Warunki handlowe, Microsoft Azure OpenAI ochrona danych, AWS Bedrock FAQ, oraz Google Vertex AI zarządzanie danymi, za domyślne zobowiązania do braku trenowania na wejściach i wyjściach klientów biznesowych.
• Europejska Rada Ochrony Danych, Opinia 28/2024 na temat modeli AI, RODO artykuł 5 i artykuł 17, zasady deidentyfikacji HIPAA, oraz zasady CCPA/CPRA, za ograniczenia wynikające z prawa prywatności dotyczące wtórnego wykorzystania danych, usuwania, deidentyfikacji i udostępniania.
• Lathrop GPM, Nawigowanie własnością AI w komercyjnych umowach oraz umowach licencyjnych dotyczących własności intelektualnej, 2026, za napięcie umowne między zobowiązaniami do braku trenowania a zachowanymi zbiorczymi lub zdeidentyfikowanymi prawami do użycia.

Obrazy

• Uśmiechnięta krzywa Stana Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei przy skrzyżowaniu Shennan, zdjęcie autorstwa Charlie fong, Wikimedia Commons, CC BY-SA.
• Matryca do formowania wtryskowego, zdjęcie autorstwa Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Ceny modułów PV słonecznych względem skumulowanej zainstalowanej mocy, Our World in Data, CC BY 4.0. Wykres odtworzony lokalnie na podstawie opublikowanego zbioru danych.

Przykłady firm

• Szacunkowa marża brutto Anduril za pośrednictwem Sacra. Anduril jest spółką prywatną i nie publikuje audytowanych marż, więc traktuje się to jako szacunek, a nie podaną wartość. Benchmark sektorowy dla marż brutto w lotnictwie i obronności (około 17,5 procent) zaczerpnięty z zbioru danych o marżach Aswath Damodaran z NYU Stern.
• Tło dla Alphabet i Google za pośrednictwem formularza 10-K Alphabet za rok fiskalny 2025, w połączeniu z United States v. Google LLC dla umów dystrybucyjnych domyślnego wyboru wyszukiwarki, przewag skali wyszukiwania i kontekstu antymonopolowego.
• Large Plant Model firmy Carbon Robotics oraz 150 milionów oznaczonych roślin za pośrednictwem ogłoszenia Business Wire z lutego 2026, z TechCrunch jako potwierdzeniem.
• Historia Intuitive Surgical i zgoda FDA z 2000 roku za pośrednictwem Historii firmy Intuitive. Wolumen procedur za pośrednictwem Raportu wpływu korporacyjnego Intuitive za 2025 rok, a baza zainstalowana / dane o marży za pośrednictwem jej komunikatu o wynikach za IV kwartał 2025.
• Dane o marży Tesli za pośrednictwem jej aktualizacji za IV kwartał i cały rok 2025.
• Wzorzec ekspansji regulacyjnej Waymo za pośrednictwem mapy regulacyjnej robotaxi Tesorb z 2026 roku oraz relacji Electrek o zatwierdzeniu ekspansji przez CPUC.
• Szczyt Nokii w 2007 roku i oś czasu upadku za pośrednictwem BBC News oraz Wikipedii, z badaniem Vuoriego i Huya w Administrative Science Quarterly / INSEAD dotyczącym dynamiki organizacyjnej stojącej za upadkiem oraz filmowym omówieniem Michaela Sikanda (wideo) dotyczącym jego nowoczesnego zwrotu ku infrastrukturze.
• Szczegóły OpenAI Stargate za pośrednictwem pierwotnego ogłoszenia OpenAI oraz ogłoszenia o rozszerzeniu lokalizacji. Są to ogłoszone zobowiązania i plany, a nie w pełni wdrożona przepustowość.
• Kraken Robotics oparty na własnych ujawnieniach produktowych i kontraktowych.