O Fosso Moderno

Resumo Executivo

O fosso comercial definidor do século 21, o software puro, está colapsando rapidamente à medida que a IA Generativa empurra o custo do código para zero, espelhando como a aglomeração industrial chinesa já destruiu o fosso do hardware puro. A mera dificuldade de produção já não protege uma empresa em nenhum dos dois domínios, então o lucro durável migrou para as emendas entre bits e átomos. Para construir hoje uma empresa defensável, os fundadores precisam abandonar o modelo genérico de fornecedor de software e agir como um principal que possui um fluxo de trabalho físico real de ponta a ponta. Ao integrar de forma estreita pelo menos três de quatro fatores-chave (hardware personalizado, software especializado, relacionamentos conquistados e dados proprietários), um negócio moderno pode entregar um resultado garantido enquanto colhe os dados de circuito fechado que se tornam o verdadeiro fosso. Um concorrente que começa hoje não está perseguindo uma vantagem fixa. Está perseguindo uma que se estende toda vez que um trabalho é concluído.

Prefácio e Propósito

Este relatório amplia a única afirmação na qual todo o resto da minha teoria dos fossos se apoia: o software puro já não é um fosso defensável, e o hardware puro deixou de ser um quando a China escalou sua hegemonia manufatureira. Ambos são jogados por aí como slogans. Quero tirar o slogan e colocar o mecanismo. Por que cada colapso aconteceu, quais pressupostos quebraram silenciosamente, como os dois se alimentam mutuamente, e onde o lucro durável ainda pode ser capturado. Escrevi isto para se sustentar por conta própria, de modo que um leitor futuro, ou um modelo futuro, possa obter o argumento completo sem a conversa que o produziu.

Por cerca de trinta anos, a estratégia tecnológica assumiu que o mundo digital produzia lucro durável, de alta margem e defensável, enquanto o mundo físico produzia output de commodity fino, indiferenciado e de baixa margem. Os dois choques não chegaram juntos. A aglomeração manufatureira da China quebrou primeiro a defensabilidade do hardware baseada na produção, principalmente ao longo dos anos 2000 e 2010. A IA Generativa está quebrando depois, nos anos 2020, a defensabilidade do software baseada na produção. A IA Generativa empurrou o custo marginal de produzir software em direção a zero, o que dissolveu as barreiras que tornavam o software defensável. A aglomeração industrial chinesa empurrou o custo e a latência da iteração física para baixo até o custo e a latência do software, o que dissolveu as barreiras que tornavam o hardware defensável. Assim, nem bits sozinhos nem átomos sozinhos podem mais abrigar um negócio. A vantagem durável saiu de qualquer uma das duas dimensões isoladas e entrou no acoplamento estreito de ambas, além de relacionamentos e dados proprietários.

O documento está em duas metades:

• A análise. O que realmente é um fosso, por que cada domínio costumava ser defensável, quais atritos cada choque dissolveu e o que resta de pé. Esta metade é análise econômica e para onde a análise termina.
• O fosso moderno. Do que a defensabilidade é realmente feita agora que nem bits nem átomos o defendem sozinhos, e como se parece na prática uma empresa construída sobre isso.

A Análise: Como Ambos os Fossos Colapsaram

Parte Um: O Que um Fosso Realmente É

Antes de explicar como os fossos colapsaram, preciso ser exato sobre o que é um fosso, porque o uso frouxo da palavra é responsável pela maior parte do pensamento ruim de estratégia que eu já vi. Um fosso não é um bom produto, nem uma vantagem temporária, nem o ato de ser o primeiro. Um fosso é uma característica estrutural de um mercado que permite a uma empresa obter retornos acima de seu custo de capital por muito tempo sem que esses retornos sejam eliminados pela concorrência. Na linguagem da economia industrial, um fosso é uma fonte durável de renda econômica.

Renda econômica é o excedente que uma empresa ganha acima do mínimo que aceitaria para permanecer aberta, e em um mercado verdadeiramente competitivo esse excedente vai a zero. Sob concorrência perfeita, o preço é empurrado para baixo até o custo marginal, as empresas ganham apenas seu custo de capital e nenhum lucro excessivo sobrevive. Toda estrutura sobre defensabilidade é, na verdade, uma teoria sobre como uma firma específica escapa desse puxão em direção à precificação ao custo marginal e ao lucro zero.

A lista clássica vem de Michael Porter, cujo arcabouço das cinco forças tem sido a ferramenta padrão para isso desde 1979, depois refinada pelo pessoal do value investing. Ela oferece um pequeno número de fontes reais e duráveis de renda:

• Barreiras de entrada que mantêm novos concorrentes do lado de fora
• Altos custos de troca que mantêm os clientes existentes presos
• Efeitos de rede, em que o produto fica mais valioso à medida que mais pessoas o usam
• Economias de escala que permitem aos incumbentes subcotar os entrantes
• Propriedade intelectual proprietária ou proteção regulatória que exclui legalmente os imitadores
• Controle de um insumo escasso ou canal de distribuição ao qual os rivais não conseguem acessar

Toda Fonte de Renda É um Atrito

Cada uma dessas fontes de renda é um atrito. Um fosso é, na verdade, apenas uma forma de atrito que os concorrentes não conseguem superar de maneira barata:

• Altos custos de troca são atrito na saída do cliente.
• Barreiras de entrada são atrito na chegada do concorrente.
• Efeitos de rede são atrito na coordenação necessária para que os usuários se movam para outro lugar juntos.
• Escala de manufatura é atrito no capital e no tempo que um entrante precisa afundar antes de alcançar custo unitário competitivo.

Isso lhe diz exatamente o que algo como a IA generativa, ou algo como a densidade industrial chinesa, realmente faz a um mercado. Essas forças não atacam produtos. Elas atacam atritos. Elas são tecnologias dissolventes de atrito. E uma tecnologia dissolvente de atrito é, por definição, uma tecnologia dissolvente de fosso.

Todo o argumento se comprime em uma frase: os fossos de software e hardware colapsaram porque os atritos específicos que geravam sua renda eram exatamente os atritos que a IA e a aglomeração chinesa por acaso eram extraordinariamente boas em remover.

Parte Dois: O Fosso Histórico do Software e Por Que Bits Imprimiam Dinheiro

Para entender o colapso, primeiro é preciso entender por que o software foi historicamente a melhor estrutura de negócio que o capitalismo já encontrou, porque o colapso é apenas a reversão das coisas que o tornaram ótimo.

O software tinha uma estrutura de custo quase única. Ele combinava um alto custo fixo para fazer a primeira cópia com um custo marginal quase zero para reproduzir e enviar cada cópia depois disso. Escrever a primeira versão de um programa complexo exigia um conjunto escasso, caro e lento de engenheiros trabalhando por meses ou anos. Mas, uma vez escrito, a milionésima cópia custava praticamente nada para ser feita e nada para ser entregue. Essa assimetria produzia uma alavancagem operacional enorme. O software horizontal maduro pode apresentar margens brutas na faixa de oitenta por cento, como a Atlassian projetou para o 2º trimestre do AF2025, porque a receita escala com os usuários enquanto o custo dos produtos vendidos mal se move. Mas essa afirmação é menos universal do que costumava ser à medida que softwares com forte uso de consumo, como a Snowflake, operaram mais perto de 67 por cento de margem bruta no AF2025, em parte porque a infraestrutura de nuvem de terceiros fica dentro do custo da receita. Em termos econômicos, o software se comportava como um bem de informação puro, e bens de informação quebram a relação normal entre produção e custo que governa as commodities físicas.

Mas baixo custo marginal por si só não cria um fosso. Se qualquer um pode produzir o bem barato, baixo custo marginal lhe dá concorrência destrutiva, não renda. O software conquistou renda porque o alto custo fixo da primeira cópia funcionava como barreira de entrada, e porque vários outros atritos se empilhavam sobre ele:

• Escassez de talento em engenharia. Construir software não trivial exigia pessoas caras, difíceis de contratar e difíceis de coordenar, então a maioria dos supostos concorrentes simplesmente não conseguia montar a equipe para construir um clone crível.
• Tempo. Mesmo um concorrente bem financiado precisava de muitos meses para reverter engenharia, especificar, construir, testar e lançar um produto rival, e durante esses meses o incumbente tinha um monopólio temporário para acumular usuários, receita e mais profundidade de produto.
• Custo de troca. Uma vez que um cliente movia seus dados para um sistema, treinava sua equipe naquela interface e conectava o sistema a tudo o mais por meio de integrações personalizadas, sair tornava-se proibitivamente caro mesmo que algo melhor e mais barato aparecesse.
• O cálculo entre construir e comprar. Como construir software interno sob medida também era caro e arriscado, as empresas racionalmente compravam produtos padrão de prateleira em vez de construir os próprios, o que garantia um grande mercado para fornecedores de software empacotado.
• Efeitos de rede e acúmulo de dados proprietários, sobrepostos a tudo isso nos melhores casos.

A Vulnerabilidade Estrutural

Veja do que essa lista é feita. Apenas um daqueles cinco atritos, os efeitos de rede, é intrínseco ao lado da demanda do produto. Os outros quatro, escassez de talento, tempo de construção, custo de troca e a penalidade de construir versus comprar, são todos fricções de produção do lado da oferta. São artefatos de quão difícil, lento e caro o software era para fazer e substituir.

Essa é a vulnerabilidade. Um negócio cuja defensabilidade repousa principalmente em quão difícil é produzir a coisa só é defensável enquanto a produção permanecer difícil. No momento em que o custo de produzir e substituir software despenca, quatro dos cinco pilares colapsam com ele, e apenas o efeito de rede do lado da demanda permanece de pé.

Esse colapso é exatamente o que a IA generativa entregou.

Parte Três: O Choque da IA e a Dissolução do Fosso de Software

A maneira correta de modelar o que a IA generativa fez à economia do software é tratá-la como um choque na função de produção do software. Na economia básica, o custo de produzir qualquer coisa é uma função do custo de seus insumos. Para software, o insumo dominante sempre foi o trabalho cognitivo humano qualificado, especificamente o trabalho de transformar um requisito de negócio em código correto, testado e implantável. Esse trabalho era o insumo escasso e caro que criava a barreira de entrada.

A IA generativa e os agentes autônomos de codificação atacam esse insumo diretamente. Eles geram, refatoram, depuram, documentam e implantam código a uma fração do custo histórico em muitas tarefas. Um experimento controlado com o GitHub Copilot constatou que desenvolvedores concluíram uma tarefa de codificação delimitada 55,8 por cento mais rápido, e um estudo de campo com 4.867 desenvolvedores constatou 26,08 por cento mais tarefas concluídas. O efeito é real, mas desigual, como um ensaio randomizado de 2025 da METR constatou que desenvolvedores experientes de código aberto trabalhando em bases de código maduras e familiares ficaram 19 por cento mais lentos com as ferramentas de IA do início de 2025, embora acreditassem estar mais rápidos. A conclusão segura não é que a IA torna todo engenheiro mais rápido em todos os contextos. É que a IA comprime o custo de produzir código, especialmente para trabalho delimitado, de greenfield e de nível mais júnior. O insumo escasso está se tornando mais abundante. Quando o preço do insumo crítico escasso cai, a barreira de entrada construída sobre essa escassez colapsa junto com ela. Esse único mecanismo se propaga pelos quatro pilares do lado da oferta.

A mudança é visível nas ferramentas que os desenvolvedores realmente usam. Primeiro vieram os copilotos nativos de IDE, como Cursor. Depois vieram os agentes de codificação nativos de terminal, como Claude Code, Codex CLI, Kiro CLI e OpenCode, em que o modelo lê o repositório, edita arquivos, executa comandos e itera no mesmo ambiente que o engenheiro. Agora uma terceira camada está surgindo em torno da orquestração multiagente, com ferramentas como Conductor, Superset e Hermes Agent coordenando vários agentes entre projetos e ambientes. A progressão é clara. Ela passou de autocompletar, para agentes autônomos, para orquestrar muitos agentes em paralelo, e isso só vai se acelerar. O trabalho digital ficará mais fácil de automatizar a cada ano, e as ferramentas que hoje exigem um operador qualificado amanhã exigirão cada vez menos intervenção humana.

1. O Colapso da Barreira de Entrada

Lançar um produto de software crível costumava exigir capital inicial real, grande parte do qual ia para contratar os engenheiros necessários para construir um MVP. Essa exigência de capital filtrava o mercado. Só as iniciativas que conseguiam levantar dinheiro e recrutar talento chegavam a lançar algo, e a consequente escassez de concorrentes era, por si só, parte da proteção do incumbente.

Quando um desenvolvedor com boa ferramenta de IA consegue projetar, construir e lançar um aplicativo polido e funcional em uma fração pequena do tempo e do custo antigos, esse filtro desaparece. O mercado é inundado por entrantes. Em termos competitivos, a curva de oferta de recursos de software se desloca massivamente para fora, e a teoria básica de preços diz o que acontece em seguida sem qualquer ambiguidade. Quando a oferta de um bem substituível se expande fortemente contra uma demanda aproximadamente fixa, o preço cai em direção ao custo marginal, e como o custo marginal do software é próximo de zero, o preço também é puxado para perto de zero. A hiperabundância da oferta de software é, mecanicamente, a destruição do poder de precificação do software.

2. O Colapso da Vantagem Temporal

Essa provavelmente foi a mais importante vantagem defensiva de todas no software. Toda a lógica de lançar rápido e iterar dependia de uma funcionalidade lançada dar ao seu criador meses de liderança exclusiva antes que alguém pudesse copiá-la. Esse intervalo era a janela em que efeitos de rede, marca e clientes eram estabelecidos.

A IA comprime o ciclo de imitação de meses para horas. Um concorrente pode observar a interface de um produto, descrever seu comportamento a um agente de codificação e obter quase imediatamente um clone funcional, sem jamais ver o código-fonte original, porque o valor nunca esteve realmente no código específico. Estava na especificação, e especificações agora são trivialmente baratas de implementar.

Quando a defasagem de imitação vai a zero, o monopólio temporário que justificava a inovação rápida evapora. A inovação ainda acontece, mas deixa de render um prêmio durável, porque a recompensa por inovar é instantaneamente entregue aos imitadores. Este é um caso clássico do que David Teece chamou de problema de apropriabilidade em seu artigo de 1986 sobre lucrar com a inovação tecnológica. A inovação só se paga quando o inovador consegue capturar valor suficiente do que cria antes que a imitação o dissolva. A IA empurra a apropriabilidade da inovação puramente de software para perto de zero.

3. A Dissolução dos Custos de Troca

Essa era a mais robusta das defesas tradicionais do software, porque funcionava mesmo quando um produto rival era claramente melhor. Mas os custos de troca eram, por si só, feitos de fricções: migrar dados de um esquema para outro, reconstruir integrações personalizadas e treinar novamente a equipe em uma interface desconhecida. Cada uma dessas tarefas é exatamente o tipo de trabalho tedioso, baseado em padrões, que a IA faz bem.

O mapeamento de dados conduzido por IA pode ingerir, normalizar e migrar rapidamente e com baixo custo um banco de dados complexo da estrutura de um sistema para a de outro. Interfaces em linguagem natural reduzem o custo de treinamento, porque os usuários cada vez mais interagem por conversa em vez de memorizar uma árvore de menus proprietária, o que significa que a habilidade acumulada presa à interface de um fornecedor deixa de funcionar como penalidade de troca.

À medida que o custo de sair cai, o valor de vida útil de um cliente capturado cai junto, o custo de aquisição de clientes aumenta em relação a esse valor de vida útil encolhido, e a economia unitária de todo o modelo de assinatura se deteriora. Uma fortaleza defensiva construída sobre a incapacidade do cliente de sair se dissolve quando sair fica barato.

4. A Inversão de Construir Versus Comprar

Esta silenciosamente destrói o próprio mercado endereçável. As empresas compravam software empacotado porque construir ferramentas internas sob medida era caro demais, lento demais e arriscado demais para justificar algo além das necessidades mais diferenciadas. Essa penalidade sobre construir internamente é exatamente o que garantia aos fornecedores um mercado grande.

Quando agentes de IA permitem que equipes internas, mesmo as não técnicas, gerem aplicações personalizadas adaptadas aos seus próprios fluxos de trabalho, a penalidade de construir desaparece, e a escolha racional muda de comprar uma assinatura genérica para gerar uma ferramenta privada que se encaixa perfeitamente e não tem licença recorrente.

Isso não apenas torna a concorrência entre fornecedores mais intensa. Reduz o mercado endereçável total pelo qual os fornecedores estão competindo, porque uma parcela crescente da demanda por software é satisfeita internamente e nunca chega ao mercado externo. O valor migra de fornecedores externos de software para a capacidade operacional interna, isto é, deixa de ser um mercado e se torna eficiência de custos dentro da empresa.

Isso é a mesma coisa que chamei de Alavancagem Interna de Software em meu texto, A Barra de Halteres do Valor do Software, vista do lado do fornecedor em vez do comprador.

O Resultado & O Que Não Colapsa

Junte esses quatro mecanismos e você obtém a comoditização do software puro. A indústria está entrando em hiperabundância de software, em que aplicações funcionais são baratas de construir, instantaneamente clonáveis e cada vez mais geradas internamente sob demanda. Nessa condição, o código em si deixa de ser uma fonte de renda, exatamente como qualquer bem deixa de comandar renda quando se torna abundante e substituível. O valor se desacopla do código.

Ser honesto exige dizer claramente o que não colapsa, porque exagerar isso o tornaria errado. A IA generativa ataca fricções de produção do lado da oferta. Por si só, ela não ataca fricções do lado da demanda e fricções no nível do sistema.

• Os efeitos de rede sobrevivem, porque a IA pode clonar o software de uma rede social em uma tarde, mas não pode clonar os usuários, e os usuários são o ativo.
• As fortalezas de dados proprietários sobrevivem e na verdade ficam mais fortes, porque a IA torna o código mais barato de produzir ao mesmo tempo que torna mais valiosos os dados raros que a treinam.
• Distribuição e marca sobrevivem, porque atenção e confiança continuam escassas mesmo quando os recursos são gratuitos.
• Barreiras regulatórias e de conformidade sobrevivem, porque um agente de codificação não pode gerar uma licença bancária, uma autorização de dispositivo médico ou uma certificação aeronáutica.
• Integração profunda com a realidade operacional física ou regulada sobrevive, porque código é barato, mas instalar sensores, conquistar confiança e operar sob aprovação regulatória não é.

Portanto, a afirmação precisa não é que todos os negócios de software morrem. É que a fortaleza defensiva específica, antes dominante, do software puro, autônomo e empacotado, protegida pela dificuldade de escrever e substituir código, foi destruída. O que sobrevive é o software ancorado em algo que a IA não pode reproduzir barato: uma rede, um conjunto de dados, uma posição regulatória, um canal de distribuição ou uma operação física. Software que flutua livre de tudo isso agora é uma commodity.

Parte Quatro: A Fortaleza Histórica do Hardware & Por Que os Átomos Eram Difíceis

O argumento do hardware aplica a mesma disciplina. Primeiro estabeleça por que o hardware costumava ser defensável, depois mostre quais dessas defesas o sistema de manufatura da China dissolveu.

O hardware era defensável por razões quase opostas às do software, e os mercados de capitais tratavam os dois como opostos. Onde o software tinha custo marginal quase zero, o hardware tinha custo marginal alto e teimoso, porque cada unidade física consumia materiais, energia, trabalho e tempo de máquina. Onde o software era enviado instantaneamente e infinitamente, o hardware era limitado pela física da manufatura e da logística. Essas propriedades tornavam o hardware um negócio pior em margem, mas também, de forma estranha, o tornavam defensável de um jeito específico, porque a dificuldade da produção física atuava como uma barreira que protegia uma empresa de hardware bem administrada da imitação casual.

As fricções específicas que protegiam o hardware eram estas:

• Capital de ferramental. Fazer um produto físico em escala exigia ferramental especializado, principalmente os moldes de injeção e matrizes de fundição usados para moldar peças de plástico e metal, e essas ferramentas custavam dezenas ou centenas de milhares de dólares e forçavam quantidades mínimas de pedido altas. Isso era uma parede de capital difícil de escalar que a maioria dos entrantes não conseguia transpor, e protegia incumbentes que já haviam amortizado seu ferramental.

• Latência de iteração. Refinar um design físico significava cortar novo ferramental, ajustar tolerâncias e executar lotes físicos de teste, um ciclo que levava semanas ou meses por rodada e custava caro toda vez, de modo que os produtos físicos melhoravam lentamente e um concorrente precisava de uma campanha longa e cara para alcançar.

• Montagem da cadeia de suprimentos. Um produto físico é uma lista de materiais obtidos de muitos fornecedores especializados, e esses fornecedores costumavam estar espalhados entre empresas, regiões e países, então montar uma cadeia de suprimentos funcional significava negociar com vendedores isolados, absorver prazos longos e gerenciar uma logística complicada.

• Precisão e conhecimento de processo. O conhecimento acumulado, muitas vezes tácito, que é necessário para realmente fabricar um projeto com rendimento aceitável. Isso não se transfere de um desenho. Você precisa aprendê-lo fazendo.

• Distribuição. A necessidade de colocar o produto físico diante dos compradores por meio de varejistas, distribuidores e espaço nas prateleiras, que por sua vez eram escassos e controlados por guardiões.

Observe a composição novamente, igual ao software. A fortaleza do hardware era esmagadoramente um conjunto de fricções de produção e logística: capital de ferramental, latência de iteração, montagem da cadeia de suprimentos, rendimento do processo e distribuição física. Ela era defendida por quão difícil, lento e caro era transformar um projeto em um objeto físico enviado. E, exatamente como no software, uma defesa construída sobre a dificuldade da produção só é durável enquanto a produção continuar difícil.

Mas a contribuição da China para a história econômica foi tornar a produção física, em uma faixa enorme de bens, não mais difícil.

Parte Cinco: O Choque Chinês, a Aglomeração Industrial e o Fim da Fortaleza do Hardware

O equívoco mais comum sobre a dominância da manufatura chinesa é que se trata de uma história sobre mão de obra barata. Isso era parcialmente verdadeiro na primeira fase e é majoritariamente falso agora, e errar nisso leva diretamente à conclusão fracassada de que repatriar a produção, ou transferi-la para o próximo país de baixos salários, restaurará a velha ordem.

A explicação real é que a China construiu, com densidade e escala nunca vistas, o fenômeno que Alfred Marshall descreveu há mais de um século como aglomeração industrial. Essa aglomeração, e não a arbitragem salarial, é o que desmontou a fortaleza do hardware. Não fui o primeiro a fazer esse argumento. Andrew “bunnie” Huang documentou a versão de Shenzhen disso em primeira mão por mais de uma década em The Hardware Hacker.

Economias Externas Marshallianas

A aglomeração industrial é a concentração geográfica autorreforçada de indústrias conectadas, fornecedores de componentes, fabricantes de subconjuntos, processadores de matérias-primas, fabricantes de ferramentas, fabricantes contratados, provedores de logística e mão de obra especializada, tudo reunido na mesma região. Marshall identificou por que esses clusters geram vantagens que nenhuma empresa isolada consegue igualar:

• Eles criam um pool de trabalho compartilhado profundo de trabalhadores especializados.
• Eles dão suporte a fornecedores locais especializados que nunca sobreviveriam servindo um único cliente distante, mas prosperam servindo um cluster denso deles.
• Eles geram transbordamentos de conhecimento, nos quais melhorias de processo se espalham rapidamente pelo cluster porque as pessoas relevantes estão fisicamente próximas e circulam entre empresas.

Essas três forças são as economias externas marshallianas, e significam que uma empresa dentro do cluster obtém custos menores, iteração mais rápida e melhor informação do que uma empresa idêntica fora dele, não importa quão eficiente essa empresa externa seja por conta própria.

Colapso dos Custos de Transação

No delta do rio das Pérolas, e em Shenzhen em particular, a aglomeração atingiu uma densidade sem precedente histórico. A consequência prática é mais fácil de ver pela economia dos custos de transação de Ronald Coase. Coase explicou que a fronteira e a velocidade da atividade econômica são governadas por custos de transação, o custo de procurar fornecedores, negociar termos e coordenar a produção entre empresas. Em uma cadeia de suprimentos dispersa esses custos são enormes, e eles são o verdadeiro conteúdo da terceira fricção da fortaleza do hardware.

Em um cluster hiperdenso, os custos de transação caem para quase nada. Toda a cadeia de suprimentos para a maioria dos dispositivos eletrônicos e mecânicos fica dentro de um pequeno raio, então procurar, obter, negociar e coordenar, o que antes levava semanas atravessando continentes, agora leva horas atravessando um distrito. Um projetista pode especificar um dispositivo, obter todos os componentes localmente no mesmo dia, mandar fabricar e montar uma placa de circuito customizada da noite para o dia e ter um protótipo funcional na manhã seguinte.

Isso não é mão de obra mais barata. É a eliminação quase total do custo de transação e da latência de iteração, o que é algo categoricamente diferente e muito mais poderoso.

A partir dessa densidade, quatro mecanismos dissolveram a fortaleza do hardware, espelhando os quatro da IA aplicada ao software.

1. O Colapso da Latência de Iteração

Esta é a versão do hardware da perda da vantagem temporal do software. Na cadeia de suprimentos ocidental dispersa, uma rodada de design físico levava semanas e custava muito, então o hardware melhorava lentamente e a vantagem de refinamento do incumbente se mantinha. Dentro do cluster, a iteração física se aproxima da velocidade da iteração de software. Moldes são modificados, layouts de placas são ajustados e lotes de teste são executados em dias.

A consequência estratégica é brutal. Qualquer design de hardware concebido no Ocidente pode ser observado, desmontado, otimizado para manufaturabilidade e produzido em massa dentro do cluster mais rápido do que a empresa ocidental de origem consegue concluir seu próprio segundo protótipo. O prazo de saída do originador, que era a fonte de sua renda, é negativo. O imitador envia primeiro a versão melhorada e mais barata.

2. O Colapso do Capital de Ferramental

Esta é a versão do hardware da barreira de entrada do software caindo. Os dezenas de milhares de dólares e as altas quantidades mínimas de pedido que antes isolavam a produção física foram otimizados para fora dentro do cluster por meio de usinagem rápida controlada por computador, bases modulares padronizadas de moldes que são reconfiguradas em vez de cortadas do zero e oficinas de ferramental de alto rendimento brutalmente competitivas. Hardware de pequeno lote e altamente customizado agora pode ser produzido com uma estrutura de custos que antes só estava disponível para grandes multinacionais. A parede de capital que filtrava os entrantes do hardware caiu em grande parte, assim como a que filtrava os entrantes do software, e o mercado se inunda com a mesma pressão previsível de queda de preços.

3. A Curva de Experiência, Combinada com a Automação

Este mecanismo é o que fixa permanentemente a liderança de custos, e é a razão pela qual a vantagem não pode ser arbitrada para longe simplesmente mudando de lugar. A Lei de Wright, descrita pela primeira vez por Theodore Wright em 1936 a partir de dados de produção aeronáutica e posteriormente generalizada pelo Boston Consulting Group como curva de experiência, é uma das regularidades empíricas mais confiáveis da economia industrial. Ela afirma que, para muitos produtos, o custo unitário cai em uma porcentagem consistente toda vez que o volume acumulado de produção dobra, porque a organização aprende, pelo fazer acumulado, a fabricar com mais eficiência.

Porque o cluster produz uma participação avassaladora do volume cumulativo global através de incontáveis categorias de produtos, ele está muito abaixo na curva de experiência, onde qualquer novo entrante, com baixo volume cumulativo, está no topo. A manufatura chinesa moderna então amplia essa vantagem de aprendizado com automação intensiva em capital, robótica avançada, inspeção óptica automatizada de alta velocidade e integração vertical que se estende até as matérias-primas.

Este é o ponto exato em que a explicação do custo de mão de obra morre. A vantagem moderna não é salários baixos. É aprendizado acumulado mais escala automatizada mais densidade de fornecedores, e um recém-chegado não pode replicar essa combinação com nenhuma ação de curto prazo, salário alto ou salário baixo, porque você não pode comprar instantaneamente décadas de experiência produtiva cumulativa ou o ecossistema de fornecedores ao redor dela.

4. O Colapso do Atrito de Distribuição

Esta é a versão de hardware da IA corroendo a necessidade de passar pelos canais de software incumbentes. Mercados digitais globais e logística de encomendas hiper eficiente permitem que fabricantes dentro do cluster pulem completamente distribuidores ocidentais, atacadistas e espaço em prateleiras do varejo, listando diretamente em plataformas globais e enviando para a porta do consumidor em dias. O último atrito que protegia uma marca incumbente de hardware, seu controle sobre prateleiras e canais, é contornado. Um dispositivo funcionalmente equivalente alcança o mesmo cliente por uma fração do preço da marca sem nunca tocar o sistema de distribuição do incumbente.

O Commons Industrial e Por Que a Repatriação da Produção É Tão Difícil

A consequência mais importante de tudo isso, e a mais frequentemente ignorada, diz respeito à repatriação da produção, e é aqui que a ideia do commons industrial importa. Gary Pisano e Willy Shih nomearam isso em Restoring American Competitiveness (PDF) em 2009. A observação deles foi que a capacidade de manufatura não é uma propriedade de empresas individuais. É uma propriedade de um ecossistema, uma base local compartilhada de fornecedores, fabricantes de ferramentas, engenheiros de processo e know-how tácito.

Quando um país deslocaliza a produção, ele não perde apenas fábricas. Com o tempo, perde o commons ao redor, porque os fornecedores, fabricantes de ferramentas e engenheiros de processo qualificados murcham ou se relocam uma vez que não há demanda local os mantendo vivos. Uma vez que o commons desaparece, nenhuma empresa isolada ou subsídio pode reconstruí-lo rapidamente, porque uma única fábrica repatriada não tem fornecedores locais, nem fabricantes de ferramentas locais, nem um reservatório local de engenheiros de processo experientes e, portanto, nenhuma daquelas economias externas marshallianas que tornaram o cluster eficiente em primeiro lugar.

É por isso que repatriar uma categoria de hardware comoditizada é tão difícil e tão caro. A vantagem que o repatriador está tentando recriar nunca esteve dentro da fábrica. Estava no ecossistema ao redor da fábrica, e esse ecossistema não está mais em casa. A fortaleza não se mudou para a China porque as empresas chinesas são individualmente melhores. Ela se mudou porque o commons se moveu, e um commons é um ativo coletivo que a ação individual não consegue reconstruir.

A conclusão macro para hardware paraleliza exatamente a de software. No momento em que as especificações de um produto físico são conhecidas, o ecossistema de manufatura hiper denso pode replicá-lo, otimizá-lo para fabricação e distribuí-lo diretamente a uma estrutura de custos que aniquila a margem do originador. Hardware autônomo, defendido apenas pela dificuldade da produção física, foi comoditizado, porque essa dificuldade, para uma vasta gama de bens, já não existe.

Parte Seis: O Colapso Sequencial e Suas Consequências Estratégicas

As pessoas geralmente analisam os dois colapsos separadamente, e cronologicamente deveriam. O colapso do hardware veio primeiro. A aglomeração chinesa tornou a defensabilidade do hardware baseada na produção fraca em toda a eletrônica de consumo e em muitos bens de complexidade média anos antes de ferramentas de codificação de IA generativa importarem. O colapso do software veio depois. O evento real para um fundador hoje não é que eles começaram juntos. É que ambas as condições agora estão presentes no mercado.

Épocas anteriores ainda ofereciam uma rota de escape. Quando o software ficava competitivo, o capital podia correr para o hardware defensável. Quando o hardware ficava competitivo, o capital podia correr para o software defensável. Os dois domínios eram abrigos alternados. Essa rotação não funciona mais. Os átomos puros já perderam sua fortaleza de produção, e os bits puros agora estão perdendo a deles. Não existe mais refúgio de bits puros nem refúgio de átomos puros. Este é o significado mais profundo da teoria do barbell sobre a qual escrevi no ano passado. O meio, onde uma empresa dependia de uma dimensão ser difícil, foi esvaziado pelos dois lados.

Consequência de Primeira Ordem: Pressão Deflacionária Generalizada

Quando o custo marginal do software se aproxima de zero e o custo efetivo da replicação física se aproxima do piso hiper eficiente do cluster, a competição empurra os preços em ambos os domínios para baixo em direção a esses pisos. Isso é desinflacionário para os consumidores e destrutivo para os produtores sem fortaleza, e explica um quebra-cabeça que muita gente percebe: um enorme progresso tecnológico está bem ao lado de margens comprimidas para as empresas que de fato estão produzindo. O progresso está sendo capturado por consumidores e por imitadores em vez de por inovadores, precisamente porque a apropriabilidade entrou em colapso em ambos os domínios.

Consequência de Segunda Ordem: A Renda Migra ao Longo da Curva do Sorriso

Stan Shih, o fundador da Acer, propôs a curva do sorriso por volta de 1992. Plote o valor agregado contra as etapas da produção em uma cadeia de valor de manufatura e você obtém uma forma como um sorriso. Ben Thompson a adaptou para publicação, o que mostra que a curva não é realmente sobre manufatura de forma alguma. Aqui está a original:

As etapas de Shih são estas:

• Valor alto a montante, significando design, marca e propriedade intelectual
• Um vale profundo no meio, significando montagem física e manufatura, a etapa que se comoditiza mais facilmente
• Valor alto a jusante, significando distribuição, serviço e o relacionamento com o cliente

A ascensão da China achatou e comoditizou o meio dessa curva para hardware. A IA generativa agora está comoditizando o meio equivalente para software, que é o simples ato de escrever código. A instrução que se segue é idêntica nos dois casos: abandone o meio comoditizado e vá para as extremidades do sorriso.

Mas as extremidades são exatamente os ativos do lado da demanda e do nível do sistema que nem a IA nem a densidade de manufatura podem replicar barato. A montante, isso significa dados proprietários, pesquisa e insight de design. A jusante, isso significa marca, confiança, distribuição, posição regulatória e propriedade do relacionamento com o cliente e do resultado operacional.

Consequência de Terceira Ordem: A Renda Vai Para as Costuras

Esta é a consequência que conecta a análise à estratégia. A renda durável migrou para fora de qualquer dimensão única e foi para o acoplamento entre dimensões, e para ativos que ficam fora da produção por completo. Se o código puro é gratuito e os átomos puros são baratos, então os atritos que ainda geram renda são aqueles que vivem nas costuras:

• O co-design apertado de hardware personalizado com software personalizado, de modo que nenhum deles seja útil para um imitador sem o outro.
• Os dados proprietários gerados pela operação de um fluxo de trabalho físico real ou regulado, que são escassos precisamente porque são um subproduto de fazer o trabalho, e não algo que possa ser copiado.
• As relações profundas, lentas de construir, e as acreditações regulatórias em indústrias conservadoras, onde uma cópia mais barata é desqualificada antes mesmo de alguém avaliá-la.
• A posição de principal, em que uma empresa não vende uma ferramenta comoditizável, mas sim possui a operação, absorve a responsabilidade, garante o resultado e captura tanto o conjunto total de lucros quanto o exaustor exclusivo de dados.

Esses são os atritos que a IA e a aglomeração chinesa são estruturalmente incapazes de dissolver, porque eles não são atritos de produção de forma alguma. Eles são atritos de confiança, de acesso físico, de regulação, de observação acumulada do mundo real e de propriedade operacional.

Parte Sete: Limites, Contra-argumentos e Ser Honesto Sobre Eles

Uma tese tão abrangente precisa ser testada contra suas objeções mais fortes, porque uma estratégia construída sobre uma premissa exagerada falha exatamente onde a premissa foi forte demais.

Objeção 1: Software Gerado por IA Ainda Não É de Ponta

A primeira objeção é que software gerado por IA ainda não é igual ao software projetado por especialistas para os sistemas mais complexos, de maior confiabilidade ou mais novos, e que ainda existe uma fronteira de qualidade real separando a geração comoditizada da engenharia de ponta.

Isso é verdade e importa. O argumento de comoditização se aplica com mais força ao grande corpo de software de aplicação convencional cuja lógica já é bem trilhada. Na verdadeira fronteira, em algoritmos novos, em sistemas que exigem extrema confiabilidade ou segurança, e em problemas sem precedente nos dados de treinamento, o julgamento humano especializado ainda comanda renda. Portanto, a alegação precisa é que a IA derruba a fortaleza da maioria comoditizável do software, não que ela abole todo o valor do software.

Mas a direção do movimento importa estrategicamente, porque a fronteira que permanece defensável é estreita, ela se move constantemente, e é uma base ruim para um negócio durável, a menos que esteja ancorada em um dos fossos não produtivos acima.

Objeção 2: A Dominação Chinesa é Desigual e Politicamente Contestada

A segunda objeção é que a dominação manufatureira chinesa é desigual entre categorias e agora enfrenta sérias forças geopolíticas contrabalançadoras, incluindo tarifas, controles de exportação, reshoring impulsionado por segurança nacional e friend shoring deliberado de cadeias de suprimento críticas.

Isso também é verdade. O argumento da comoditização é mais forte para eletrônicos de consumo, bens mecânicos e montagens de média complexidade, e mais fraco no topo da pilha tecnológica, mais obviamente a fabricação avançada de semicondutores, onde a intensidade extrema de capital e um punhado de fornecedores insubstituíveis criam seus próprios fossos. A política também pode artificialmente recolocar de volta os atritos que a aglomeração removeu, por meio de tarifas que aumentam o custo desembarcado do imitador ou de controles de exportação que lhe negam insumos.

Mas essas forças contrabalançadoras na verdade reforçam a conclusão central em vez de miná-la, porque tanto o fosso de semicondutores que sobreviveu quanto o fosso de reshoring impulsionado por políticas são, novamente, fossos de puro hardware. Eles são fossos de escala extrema de capital, de posição insubstituível de fornecedor, e de relacionamento regulatório e geopolítico. Eles são exatamente os atritos não produtivos, de relacionamento e de posição, para os quais este relatório diz que a renda se deslocou.

Objeção 3: Por Que os Grandes Incumbentes Ainda São Tão Lucrativos?

A terceira objeção é a sutil. Se tanto software quanto hardware são comoditizados, por que os maiores incumbentes de tecnologia ainda são extraordinariamente lucrativos?

A resposta é que esses incumbentes nunca foram realmente defendidos por software puro ou hardware puro. Seus verdadeiros fossos são efeitos de rede, controle de distribuição e atenção, dados proprietários em escala civilizacional, aprisionamento em ecossistema e, em alguns casos, enraizamento regulatório. O colapso descrito aqui não ameaça nada disso e, em vários aspectos, o fortalece, porque à medida que a produção pura se comoditiza, o valor relativo dos ativos não produtivos que os incumbentes já possuem aumenta.

Isso é completamente consistente com a tese. A comoditização da produção não achata todo o lucro. Ela redistribui o lucro para longe de empresas cuja única vantagem era que a produção era difícil, e em direção a empresas que possuem os atritos que a produção não consegue tocar. Os incumbentes sobrevivem porque nunca foram negócios de uma única dimensão. Essa é a lição, não a exceção.

Parte Oito: Síntese e a Ponte para o Fosso Moderno

Os dois colapsos neste relatório são, no fundo, o mesmo mecanismo se repetindo em dois domínios, não uma linha do tempo compartilhada. Em ambos os casos, uma classe de negócio obteve renda durável porque a produção era difícil, lenta e cara. Em ambos os casos, uma força que dissolve atritos, a IA generativa no domínio digital e a aglomeração industrial hiper densa no físico, tornou a produção fácil, rápida e barata. Em ambos os casos, a renda que era defendida pela dificuldade da produção evaporou no momento em que a produção deixou de ser difícil.

A simetria é exata, e percebê-la vale mais do que qualquer metade sozinha, porque ela expõe a lei geral por trás das duas:

Qualquer fosso que consista apenas na dificuldade de fazer algo é temporário, e dura exatamente até que alguém descubra como fazer isso facilmente.

O corolário estratégico segue diretamente. Como nem bits sozinhos nem átomos sozinhos podem abrigar um negócio, a defensabilidade precisa ser montada a partir dos atritos que sobreviveram aos dois colapsos:

• A integração em circuito fechado e apertado de hardware customizado e software customizado, para que o sistema não possa ser desmontado e clonado peça por peça.
• Os dados proprietários, continuamente renovados, produzidos como subproduto da operação de um fluxo de trabalho real, que não podem ser copiados porque precisam ser conquistados por meio da operação.
• Os relacionamentos profundos, a confiança e a posição regulatória de indústrias conservadoras, que nenhum agente de codificação e nenhuma fábrica por contrato conseguem gerar.
• A decisão de operar como principal em vez de fornecedor, possuindo o fluxo de trabalho e seu resultado para que o conjunto completo de lucros e todo o exaustor de dados permaneçam capturados em vez de serem vendidos.

Uma empresa moderna em escala de venture é defensável exatamente na medida em que reúne vários desses atritos sobreviventes em um único sistema operacional acoplado que melhora à medida que opera. Tudo o que antes era um fosso porque era difícil de construir agora é uma commodity porque é fácil de construir. O que permanece defensável é o que é difícil de acessar, difícil de conquistar confiança para entrar, difícil de entrar por via regulatória, e difícil de observar sem fazer o trabalho real.

O fosso do futuro não é feito de bits, e não é feito de átomos. É feito das costuras entre eles, e dos relacionamentos e dados conquistados que ninguém pode reproduzir sem estar onde você está.

Conclusão da Análise

O paradigma de trinta anos que tratava o software como o motor confiável do lucro defensável e o hardware como a commodity de baixa margem não apenas mudou. Suas duas premissas fundamentais foram falsificadas em sequência. A aglomeração industrial chinesa falsificou a suposição de que hardware é difícil de iterar e fabricar primeiro. A IA generativa está falsificando a suposição de que software é difícil de produzir e substituir agora.

Como ambos os fossos eram construídos principalmente sobre a dificuldade de produção, e como essa dificuldade era o alvo específico de ambas as forças que dissolvem atritos, ambos os fossos colapsaram. A renda que antes ia para quem pudesse construir os bits ou forjar os átomos agora flui para consumidores e imitadores, a menos que uma empresa tenha se ancorado em um atrito que o colapso da produção não consegue alcançar.

Esses atritos sobreviventes, integração, dados operacionais proprietários, relacionamentos de confiança, posição regulatória e propriedade principal de um fluxo de trabalho real, são para onde o valor durável foi. Construir uma empresa defensável nesta era significa recusar depender de qualquer única dimensão para ser difícil, porque nada que seja meramente difícil de fazer permanece defensável quando fazê-lo se torna fácil.

O Fosso Moderno

Tudo acima é diagnóstico. Ele estabelece para onde a renda foi e por quê, mas para no nível do princípio, e um princípio não diz como uma empresa construída sobre ele realmente se parece. Esta metade é a resposta. Ela cobre do que a defensabilidade é feita agora, e como ela se parece quando reunida em um negócio real.

O Barbell

Antes das regras de construção, ajuda tornar o barbell explícito, já que a análise continuou apontando para ele sem listar suas extremidades. Eu apresentei isso em 2025 em A Teoria Barbell do Valor de Software, onde reconciliei minha Teoria Interna de Alavancagem de Software com a tese da abundância. Na qual a conclusão foi que o valor de software está se polarizando em dois agrupamentos com um meio em colapso.

Em uma extremidade estão os primitivos fundamentais massivos, modelos fundacionais, infraestrutura de computação, plataformas em nuvem, chips e infraestrutura central de IA. Estes são defendidos por intensidade de capital, economias de escala e concentração de pesquisa em um nível que uma nova venture basicamente não consegue alcançar. Eles não são a oportunidade que estou descrevendo. Eles são o ambiente dentro do qual ela opera.

Google é o caso de teto. Ele combina modelos LLM, TPUs, infraestrutura em nuvem, Search, Android, YouTube, Maps, Chrome, distribuição padrão e dados proprietários em uma escala que quase ninguém pode alcançar. Isso não o torna um padrão de startup. Isso o torna o polo superior do barbell totalmente realizado. Você não pode começar daí. O que o Google prova é o mecanismo, que quando a produção fica barata, o valor durável migra para computação, distribuição, infraestrutura, dados e posição de ecossistema que um novo entrante não pode simplesmente alugar para entrar. Observe também o limite. O Google executa o leilão. Ele normalmente não possui o resultado do anunciante. É por isso que Waymo, e não Search, é o exemplo mais limpo de posição principal mais adiante.

Na outra extremidade está a alavancagem privada altamente específica. Propriedade profunda de fluxo de trabalho, automação do mundo físico, processos regulatórios, substituição de mão de obra especializada, dados operacionais proprietários e propriedade do resultado. Essa extremidade é alcançável, e ela é defendida exatamente pelos atritos não produtivos que a análise identificou como sobreviventes.

O meio perigoso é o software genérico. Este é o app web, o painel, a ferramenta CRUD, o gerenciador de fluxo de trabalho e a camada fina sobre uma API de modelo. Ele é comprimido por cima pelos primitivos, que continuam absorvendo a capacidade geral para dentro de si, e por baixo pelo colapso no custo de construir qualquer coisa genérica. Um produto no meio é fácil de construir, fácil de clonar, fácil para um incumbente absorver como recurso, e geralmente possui muito pouco da cadeia de valor do cliente para defender um preço.

O Fosso de Quatro Fatores

A defensabilidade hoje não vem de um muro alto só. Ela vem da interligação de múltiplas vantagens. Quatro pilares distintos sobrevivem ao duplo colapso da produção de hardware e software. Uma empresa moderna durável precisa de um caminho crível para pelo menos três deles. Não um. Três. Dimensões únicas não protegem mais ninguém, e nunca o farão daqui para frente.

Grande Hardware

Ótimo hardware não significa inventar dispositivos exóticos. Definitivamente, não significa vender um gadget inteligente com margem. Um dispositivo visível, copiável e vendido separadamente é exatamente o que os clusters de manufatura destroem mais rápido. O hardware conquista seu lugar quando não é o produto, mas o instrumento. Ele dá à empresa acesso físico privilegiado a um processo que nenhum concorrente pode observar de fora. Ele sente o mundo físico, captura dados proprietários, executa ações físicas e padroniza o fluxo de trabalho, tornando o software acima dele muito mais difícil de copiar. O teste é simples. O hardware poderia ser retirado e vendido por conta própria? Se pudesse, é um gadget e será comoditizado. Se não fizer sentido sem o software, os dados e a operação ao redor dele, então ele está fazendo trabalho de fosso.

Ótimo Software Personalizado

Ótimo software personalizado não é SaaS genérico e não é uma interface mais bonita. Ele funciona dentro de um processo físico ou regulatório específico, automatiza decisões que têm peso econômico real, coordena trabalho ou máquinas e captura correções e casos extremos à medida que acontecem. Observe o que o torna defensável. Não o código, que a análise mostrou que agora é barato, mas sua dependência de acesso operacional, dados proprietários e profundo conhecimento do fluxo de trabalho que um concorrente não consegue obter clonando uma interface. O software é difícil de copiar porque as coisas às quais ele está conectado são difíceis de alcançar, e não porque o software é difícil de escrever.

Ótimos Relacionamentos

Ótimos relacionamentos estão entre os fossos mais duráveis em indústrias pesadas. Eles são completamente imunes tanto à comoditização do hardware quanto à do software. Incluem acreditação regulatória, confiança do cliente, acesso de distribuição a compradores conservadores e parcerias operacionais de longo prazo. Você vê isso em setores como defesa, saúde, construção e infraestrutura. Compradores nesses mercados nunca escolhem um fornecedor só porque o software é um pouco melhor e, em muitos casos, nem mesmo se for 10x melhor. Eles compram com base em confiança e histórico, confiabilidade, responsabilidade, conformidade e comprovação. Uma cópia mais barata geralmente é desqualificada antes de alguém avaliá-la. Relacionamentos levam tempo, reputação e um histórico de execução real. Nem agentes de IA nem uma linha de montagem em Shenzhen conseguem fabricar confiança da noite para o dia.

Dados Únicos

Dados únicos são o mais importante dos quatro e o que as pessoas erram com mais frequência. Nem todos os dados são valiosos, e dados genéricos raspados estão perto de não valer nada como fosso agora. Os dados que importam são privados, tácitos e de nível especializado, específicos do físico e do fluxo de trabalho, gerados a partir de operações reais e cheios dos casos extremos, correções e falhas que nunca aparecem em qualquer corpus público. Você não pode comprar esse tipo de dado, e não pode raspá-lo. Ele é produzido exclusivamente como subproduto da execução de uma operação viva por meio de um ciclo fechado de quatro etapas:

1. Observação
2. Decisão
3. Ação
4. Resultado

Esse ciclo também é onde os quatro fatores começam a se reforçar mutuamente. O hardware observa e age, o software decide e coordena, os relacionamentos dão acesso ao fluxo de trabalho, e os dados únicos se acumulam a partir dos resultados.

A maioria das empresas captura apenas a primeira etapa desse fluxo de dados. O fosso precisa das quatro, o que significa que você sabe não apenas o que aconteceu, mas qual decisão foi tomada em resposta, qual ação foi realmente executada e se o resultado funcionou. Essa quarta etapa, o resultado verificado, é o que torna os dados treináveis e o que faz a vantagem se acumular. Cada trabalho concluído melhora o sistema que executa o próximo trabalho, que é a única forma de vantagem em todo este documento que cresce em vez de se erodir.

Quando os Ciclos Se Acumulam e Quando Param

O ciclo fechado parece inevitável em abstrato. Na prática, a maioria das tentativas de construir um fracassa. O ciclo é uma afirmação, não uma lei, e tem modos de falha específicos que são mais úteis de entender do que o caso de sucesso.

• Os dados saturam: O valor dos dados acumulados segue uma curva de retornos decrescentes. Em deep learning, Sun et al. descobriram que o desempenho em tarefas de visão aumentava logaritmicamente com o volume de dados de treinamento, o que significa que cada dobra do conjunto de dados compra outro incremento, não outro milagre. As primeiras mil execuções ensinam mais. As próximas dez mil ensinam menos. As próximas cem mil não ensinam quase nada novo. Um concorrente que comece depois muitas vezes pode alcançar 90 por cento do seu desempenho com uma fração dos dados históricos, fechando a lacuna mais rápido do que os números brutos sugerem.

• Os dados podem não ser seus para usar: Você gera dados proprietários por meio do fluxo de trabalho, mas se seu contrato disser que o cliente os possui e você não puder agrupá-los entre implantações, você tem cinquenta silos de dados separados, não um flywheel. Na camada de plataforma, OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock e Google Vertex AI dizem a todos os clientes empresariais que suas entradas e saídas não são usadas para treinar modelos de fundação por padrão. Isso é bom para os clientes e um aviso para os fornecedores. O aprendizado entre clientes só se acumula se o contrato permitir. A lei de privacidade acrescenta outra restrição, porque a limitação de finalidade do GDPR, os direitos de eliminação, as regras de desidentificação da HIPAA e as regras da CCPA/CPRA sobre compartilhamento para publicidade comportamental entre contextos tornam o uso secundário de dados mais difícil. Isso mata mais fossos reais de IA do que a concorrência.

• O fluxo de trabalho se transforma mais rápido do que o modelo melhora: Em domínios operacionais com deriva rápida, os dados têm uma meia-vida mensurável. Como Valavi et al. mostraram em pesquisa da Harvard Business School, um grande estoque histórico de dados cria uma barreira fraca à entrada. Um entrante equipado com um fluxo menor de dados novos e recentes muitas vezes pode construir um modelo mais preciso do que um incumbente sentado sobre anos de dados legados, especialmente quando dados obsoletos degradam ativamente a precisão. Um estudo de informática clínica constatou isso diretamente, em que a meia-vida dos dados de previsão de pedidos de internação era de cerca de quatro meses, e um mês de dados recentes superou doze meses de dados mais antigos. Na manufatura, deriva de sensores, desgaste de ferramentas, redesenhos de processo e mudanças de esquema significam que modelos treinados com dados históricos da planta estão raciocinando sobre uma planta que não existe mais. Isso não é universal. Processos governados pela física, tabelas atuariais, dados geológicos e outros domínios de movimento lento podem manter dados antigos valiosos por muito tempo. Se o fluxo de trabalho muda mais rápido do que o modelo melhora, seus dados históricos se tornam peso obsoleto em vez de vantagem.

• O custo é a barreira, e a barreira é o custo: Possuir fluxos de trabalho do mundo real exige muito capital, muito trabalho e margens menores do que as de software puro. A Tesla reportou margem bruta GAAP total em torno de 18 por cento em 2025 apesar da integração vertical. A Intuitive Surgical reportou uma base instalada do da Vinci de 11.106 sistemas e margem bruta não-GAAP de 67,6 por cento em 2025, após décadas de capital, treinamento de cirurgiões e volume de procedimentos. A despesa que mantém os concorrentes afastados também impede a maioria dos entrantes de construir algo que valha a pena defender. Muitas tentativas fracassam na economia unitária muito antes de o ciclo se acumular.

O que separa os ciclos que realmente se acumulam daqueles que são fossos falsos:

• Os dados estão vinculados ao resultado, o que significa que você sabe se o resultado estava certo ou errado em vez de apenas coletar sinais.
• Os dados são contratualmente seus para usar entre implantações.
• O fluxo de trabalho é estável o suficiente para que os dados históricos permaneçam relevantes.
• Cada execução gera novos casos extremos, e não mais do mesmo.
• A frequência é alta o suficiente para que o aprendizado se acumule antes que o fluxo de trabalho se transforme.

Esta tese está errada se qualquer uma das seguintes afirmações for verdadeira:

• Um concorrente pode adquirir dados equivalentes por meio de raspagem, geração sintética, aprendizado por transferência ou uma compra única.
• O cliente possui os dados contratualmente e você não pode agrupá-los entre implantações.
• O fluxo de trabalho se transforma mais rápido do que o modelo melhora, de modo que os dados acumulados descrevem um sistema que não existe mais.
• O valor dos dados satura dentro das primeiras N execuções, o que significa que a vantagem é fixa, não cumulativa.
• O custo de operar o fluxo de trabalho excede o valor dos dados que ele gera.

Se essas condições se mantiverem, o ciclo não é um fosso. É um projeto de engenharia caro com uma vantagem temporária. Como a16z argumentou em 2019, a maioria das vantagens de dados são efeitos de escala com retornos decrescentes, não efeitos mágicos de rede. Isso era verdade antes da onda atual de IA. Continua verdade agora.

Modelos de Negócio Construídos sobre a Valeta Moderna

Os quatro fatores descrevem do que a valeta é feita. A próxima questão é que tipo de modelo de negócio pode realmente capturá-la. Na prática, a resposta aponta para longe da venda de ferramentas e em direção à posse do próprio fluxo de trabalho.

Principal, Não Fornecedor

A única decisão de maior alavancagem em todo o arcabouço é recusar a posição de fornecedor.

Uma jogada de fornecedor significa vender uma ferramenta para a organização que já possui o fluxo de trabalho. Parece atraente porque exige pouco capital e é escalável em teoria, mas entrega toda fonte de alavancagem ao cliente. O operador mantém o relacionamento com o cliente, o processo físico, os dados operacionais, o orçamento, a responsabilidade legal e o resultado final. O fornecedor mantém uma camada de software assentada sobre tudo isso. A startup captura uma pequena fração do valor que cria, o cliente exige integrações personalizadas até que o produto derive para serviços, o operador pode observar a ferramenta funcionando e então substituí-la por uma solução interna que agora é dramaticamente mais barata de produzir, e, como o operador possui os melhores dados, o modelo do fornecedor nunca se compõe. As margens permanecem limitadas. Isso é especialmente perigoso em setores físicos, onde fornecedores de software de forma confiável se degradam em consultores enfeitados.

A posição mais forte é tornar-se o principal, possuir a operação, a responsabilidade, a acreditação, o fluxo de trabalho ou a própria responsabilidade legal. Em vez de vender software para quem quer que execute o trabalho, a empresa executa o trabalho ou garante seu resultado. Isso inverte todas as desvantagens acima. A empresa captura a margem integral em vez de uma fatia de licenciamento, possui o resultado do cliente e, portanto, o relacionamento, e possui os dados porque suas próprias operações os geram. Ela não pode ser desintermediada pelo operador porque ela é o operador, e constrói verdadeira expertise operacional em vez de entendimento de segunda mão.

O princípio se comprime em uma instrução:

Não venda a ferramenta. Venda o resultado concluído.

Na prática, isso aparece como uma reformulação consistente de qualquer ideia de fornecedor em sua versão principal:

Essa decisão importa mais do que qualquer outra no arcabouço, porque ela decide quem possui os dados, e a posse dos dados decide se a vantagem se compõe ou se deprecia.

Serviço como Serviço

A posição principal implica um modelo de entrega que parece diferente do software convencional, e vale a pena nomeá-lo, porque, à primeira vista, ele parece um negócio pior para qualquer pessoa treinada nas margens de SaaS.

Esse modelo tem alguns nomes em circulação. YC, a16z e outros o chamaram de service-as-software, e a tese de rollup habilitado por IA é um parente próximo. Eu prefiro service as a service porque isso mantém a ênfase no que o cliente realmente recebe.

O cliente não deveria precisar usar o software para fazer o trabalho. A empresa deve usar software, IA, trabalho humano, hardware e operações em conjunto para entregar o trabalho finalizado. O software é alavancagem interna, não o produto.

A sequência é deliberada. Comece fazendo o trabalho manualmente, ou com humanos no loop. Use software para tornar esse trabalho humano mais rápido, mais consistente e mais mensurável. Capture cada entrada, decisão, correção, caso extremo e resultado. Depois use os dados acumulados para automatizar cada vez mais do fluxo de trabalho, convergindo para um provedor de serviços automatizado com margens e defensibilidade que o software convencional não pode igualar.

Isso difere da consultoria em um aspecto decisivo. A consultoria vende trabalho personalizado para cada cliente para sempre, e cada engajamento não deixa nada reutilizável para trás. Service as a service usa deliberadamente o trabalho humano inicial como o instrumento para construir o sistema de automação, e cada engajamento deixa para trás dados que tornam o próximo mais barato.

Mas você precisa ter cuidado e ficar atento a uma armadilha nesse tipo de modelo. Se cada novo cliente exige integrações personalizadas, limpeza de dados personalizada, mapeamento de fluxo de trabalho personalizado e ajuste de modelo personalizado, a empresa é uma consultoria que ainda não admitiu isso. A fase com humanos no loop é boa, e muitas vezes necessária, mas somente sob a condição de que produza dados proprietários e convirja para automação escalável. Se os humanos ainda estiverem fazendo o mesmo trabalho com o mesmo custo por unidade após cinquenta trabalhos, o modelo falhou.

O Stargate para Dados

A IA está passando de um gargalo de computação para um gargalo de dados. As empresas de IA mais valiosas do próximo período não serão aquelas com os dados mais genéricos, que são abundantes e, portanto, não comandam renda, exatamente pela lógica da primeira metade. Elas serão aquelas que possuem dados operacionais raros, privados e de alta qualidade que não podem ser obtidos de nenhuma forma além de fazer o trabalho.

A expressão Stargate para Dados é emprestada do Stargate da OpenAI, a anunciada expansão de computação de vários centenas de bilhões de dólares, e o empréstimo é o ponto. Se o recurso escasso do último ciclo justificou infraestrutura planejada nessa escala, o próximo merece o mesmo tratamento. O objetivo não é acumular um conjunto de dados. É construir uma máquina que fabrica dados proprietários continuamente como subproduto da entrega de um serviço.

A distinção que importa neste caso é que o objetivo não é coletar dados por si só, o que produz lagos caros de material inutilizável. O objetivo é possuir o loop operacional que produz exatamente os dados necessários para automatizar esse loop.

O Computador de Átomos

Os quatro fatores descrevem uma estrutura. O computador de átomos descreve para que essa estrutura serve, e é a visão de longo prazo que faz todo o exercício valer a pena.

Eu não tive essa ideia e quero deixar isso claro desde o início. O enquadramento é de Travis Kalanick. Depois de ser afastado da Uber em 2017, ele passou oito anos construindo a City Storage Systems em segredo, e em março de 2026 ele a renomeou Atoms e publicou uma carta de visão expondo tudo. A formulação dele é que você aborda problemas do mundo físico da mesma forma que abordaria problemas de software, e que os recursos centrais de computação têm análogos físicos em que CPU é manufatura, armazenamento é imóveis e rede é transporte. Em um evento de lançamento da a16z, Kalanick definiu a empresa em torno de IA industrial, usando software, sensores, robótica e IA para automatizar operações em setores industriais inteiros, começando com alimentação, mineração e transporte. Leia a carta dele. Ela é melhor do que meu resumo, e algumas de suas conclusões chegam ao mesmo lugar que este documento por uma direção diferente.

À medida que a IA se torna mais capaz, sua restrição limitante está mudando. O limite já não é apenas a qualidade do raciocínio. É a interação com a realidade física. Um modelo pode produzir texto, código, imagens e planos de alta qualidade e ainda assim ser incapaz de fazer qualquer coisa de forma confiável em um ambiente real confuso, desestruturado e consequente. Os computadores tradicionais deram à inteligência um substrato para manipular bits. A oportunidade agora é construir o substrato equivalente para átomos, criando sistemas que sentem o mundo físico, interpretam condições reais confusas, decidem, agem, verificam resultados e aprendem com o feedback, tudo sob restrições físicas, regulatórias e econômicas reais. Essa última cláusula é a parte difícil, e é por isso que isso é uma oportunidade de negócio em vez de um projeto de pesquisa. Operar sob restrição regulatória e econômica é exatamente o que não pode ser clonado, e é exatamente o que gera os dados de loop fechado de que o quarto fator precisa.

Em um ponto Kalanick e eu concordamos completamente, e ele o diz melhor do que eu disse. O termo dele é robôs empregados de forma produtiva, significando máquinas especializadas com um trabalho produtivo específico, em oposição a humanoides construídos para nos imitar. O exemplo dele é que, se você precisa fazer mil panquecas por hora, um humanoide virando-as desajeitadamente é o pior design possível e uma máquina projetada para esse fim é a óbvia. Portanto, a abordagem correta não é construir um robô de uso geral. É encontrar uma cunha estreita onde o loop sentir, decidir, agir possa ser implantado dentro de um único fluxo de trabalho real com valor econômico imediato claro, e fazer esse loop funcionar de ponta a ponta antes de ampliá-lo.

A empresa de curto prazo deve ser estreita a ponto de parecer pouco ambiciosa. O teto de longo prazo é a razão para aceitar essa estreiteza.

Um Exemplo Trabalhado

O arcabouço é abstrato, então ajuda percorrer uma ideia por ele. Isto é apenas uma ilustração dos critérios em uso, não a única conclusão que o arcabouço força.

Tomar inspeção especial de construção e ensaios de materiais. A versão de fornecedor vende software para as agências e laboratórios que já possuem o fluxo de trabalho. A versão principal se torna a agência e o laboratório. Ela detém a acreditação, conduz as inspeções e assume a responsabilidade regulatória. Internamente, usa software, hardware e IA para entregar resultados certificados de forma mais rápida, mais barata e mais confiável do que os incumbentes.

Essa configuração atinge todos os quatro fatores. Ela é física, porque lida com locais, amostras, instrumentos e medições do mundo real. Tem fossos de relacionamento e regulatórios, porque os compradores precisam de resultados aceitos pelas autoridades com jurisdição, não de um painel mais bonito. Ela possui o resultado, porque vende resultados certificados em vez de ferramentas. E gera dados operacionais proprietários como subproduto do trabalho, incluindo resultados de testes, modos de falha, propriedades dos materiais, correções de especialistas e as ligações entre condições físicas e desfechos finais.

Também começa estreita, o que segue a lógica clássica de startup que Paul Graham e YC vêm defendendo há anos. Comece com uma cunha afiada, mas certifique-se de que a cunha pertença a um problema grande e doloroso. Não há necessidade de automatizar a inspeção de construção como um setor no primeiro dia. O ponto de entrada pode ser um tipo de inspeção, um teste de material, uma geografia ou um fluxo de trabalho de conformidade. A partir daí, o software padroniza o trabalho, os humanos produzem os primeiros dados e a automação se expande apenas onde o ciclo realmente se compõe.

Os riscos são exatamente aqueles que a estrutura prevê. Os prazos de acreditação bloqueiam a receita, as operações são pesadas antes de a automação amadurecer, e a armadilha de serviços é real se cada projeto acabar sendo sob medida. Esse é o ponto da estrutura. Ela não torna o negócio fácil. Ela diz onde as partes difíceis devem estar.

Empresas Que Já Se Parecem Com Isso

É mais fácil confiar na estrutura se ela descreve coisas que já existem, em vez de apenas coisas que eu gostaria que existissem.

Anduril é quatro de quatro. Hardware personalizado em drones, torres de sensores, interceptadores e veículos subaquáticos. Software personalizado em Lattice, no qual cada peça desse hardware funciona. Relacionamentos e posição regulatória que nenhum agente de codificação consegue gerar, já que o cliente é o governo dos EUA e seus aliados. Dados operacionais de sistemas implantados retornando ao software. Dois detalhes importam mais do que a lista de produtos. Ela financia sua própria P&D e constrói o produto antes de vender para uma linha orçamentária existente, invertendo o modelo de custo mais margem sobre o qual operam os primes tradicionais. A Anduril é privada e não publica margens auditadas, mas estimativas secundárias colocam sua margem bruta em cerca de 40 a 45 por cento. Isso é excepcionalmente alto para hardware de defesa, onde as empresas aeroespaciais e de defesa têm margem bruta média de cerca de 17,5 por cento nos dados setoriais da NYU Stern. O número exato importa menos do que a estrutura. Um modelo verticalmente integrado, de preço fixo e definido por software parece obter uma economia melhor do que a integração tradicional de plataforma baseada em custo mais margem.

Intuitive Surgical é a versão mais antiga e silenciosa da mesma estrutura. O sistema da Vinci combina hardware que não vale nada sem seu software, aprovações da FDA que nenhum concorrente consegue contornar, duas décadas de relacionamentos hospitalares e dados de procedimentos de milhões de operações. Ela atinge quatro de quatro, compõe-se continuamente e vem executando esse manual desde sua aprovação inicial em 2000, muito antes de alguém chamá-lo de IA física.

Kraken Robotics é a que considero mais instrutiva, em parte porque poucos fora da tecnologia marítima a conhecem. Ela constrói sonar de abertura sintética, a plataforma rebocada KATFISH, baterias submarinas e LiDAR subaquático. Nenhum desse hardware é útil sem o software proprietário de imagem envolvido ao redor dele. Seus clientes incluem marinhas alinhadas à OTAN. Isso é confiança e regulação no mais alto nível, porque uma marinha não trocará fornecedores de sonar por um clone mais barato. Crucialmente, a Kraken não vende apenas equipamentos. Ela realiza levantamentos como serviço, o que significa que cada trabalho produz inteligência do leito marinho que ninguém mais possui. Essa última decisão é toda a estrutura em miniatura. Uma empresa de hardware percebeu que os dados valiam mais do que a caixa e passou à posição principal para mantê-los.

SpaceX & Waymo são puramente jogadas principais. A SpaceX não vende foguetes. Ela vende cargas entregues. A Waymo não licencia software de autonomia para empresas automotivas. Ela vende viagens concluídas. Em ambos os casos, a empresa recusou a posição de fornecedor, absorveu a responsabilidade operacional e manteve os dados. A Waymo também carrega um fosso regulatório que chega uma jurisdição por vez. Essa expansão é lenta, o que é precisamente por isso que é defensável.

Carbon Robotics é o caso parcial útil. Seu LaserWeeder mata ervas daninhas usando visão computacional e lasers de alta potência. Em fevereiro de 2026, a empresa afirmou que seu Large Plant Model foi treinado em mais de 150 milhões de plantas rotuladas, coletadas em cerca de cem fazendas em quinze países. Esse é o motor de dados funcionando como descrito, gerado como um subproduto operacional e não como uma iniciativa separada. Mas eu também destacaria a vulnerabilidade dessa configuração. A Carbon vende equipamentos para agricultores, permanecendo como fornecedora em vez de principal. Ela tem sucesso porque os dados ainda retornam ao seu modelo central, tornando a posição de fornecedora viável. Se os produtores algum dia possuíssem esses dados da frota, o fosso desapareceria.

Nokia é tanto o aviso histórico quanto um caso de teste emergente. Em 2007, ela comandava quase 50 por cento do mercado global de smartphones com o melhor hardware, escala de fabricação e cadeia de suprimentos em telefones móveis. Executou em uma única dimensão melhor do que qualquer outra pessoa viva e entrou em colapso porque lhe faltava uma plataforma de software. A Nokia de hoje está tentando o exato manual multifator descrito aqui. Como Michael Sikand descreve nesta análise em vídeo, a empresa passou mais de uma década mudando de gadgets de consumo para empacotar silício óptico verticalmente integrado, relacionamentos enraizados com operadoras e defesa, e computação de borda habilitada por IA. A velha Nokia provou que hardware isolado é uma vantagem temporária. Pois bem, a nova Nokia está tentando provar que hardware combinado com confiança institucional e infraestrutura de software cria um fosso duradouro.

Nenhuma dessas empresas se parece à outra à primeira vista, mas todas apontam para a mesma lição. As empresas mais duráveis conquistaram algo lento, como uma acreditação, uma frota de sensores implantada, a confiança de cirurgiões, a confiança naval, aprovação regulatória ou uma década de dados operacionais. Nenhuma delas chegou lá apenas escrevendo código melhor, e nenhuma delas pode ser alcançada por alguém que o faça.

A Restrição é a Entrada

Elas também começaram pequenas. As empresas que vencem não começam tentando controlar todo o ciclo, e tentar isso é o erro mais comum. O ciclo só se compõe se você estiver profundo o suficiente em um fluxo de trabalho para gerar dados vinculados a resultados que os concorrentes não consigam adquirir de nenhuma outra forma. A exposição superficial a muitos fluxos de trabalho produz dados superficiais que saturam rapidamente.

O padrão se mantém entre os operadores acima e além deles. A Anduril começou com proteção de força e sistemas antidrones antes de escalar a produção e capacidades adjacentes. A Intuitive Surgical começou com procedimentos laparoscópicos específicos e construiu treinamento de cirurgiões e volume de procedimentos ao longo de décadas antes de se expandir por especialidades. A SpaceX começou com um veículo de lançamento reutilizável antes de se expandir para Starlink. A Tesla começou com uma cunha estreita de VE premium (o carro esportivo Roadster ) e usou a frota para dados e aprendizado de manufatura antes de avançar para modelos de volume, energia e autonomia. A Palantir começou com fluxos de trabalho de inteligência específicos para agências específicas antes de se expandir para o comercial. Em todos os casos, a entrada estreita não foi um compromisso. Foi o mecanismo que fez o ciclo se compor.

O ponto de entrada é estreito de propósito. Um fluxo de trabalho, um tipo de cliente, um fluxo de dados que é difícil de replicar. Você constrói o ciclo em torno desse fluxo de trabalho até que os dados se componham e o relacionamento se aprofunde, então você se expande para fluxos de trabalho adjacentes onde os mesmos dados, os mesmos relacionamentos e a mesma disciplina operacional lhe dão uma vantagem que um novo entrante não consegue igualar. Começar amplo é como você acaba com uma pilha de dados que não se compõe. Um concorrente que começa hoje não está perseguindo uma liderança fixa. Ele está perseguindo uma que se estende toda vez que um trabalho é concluído, mas apenas se o trabalho for estreito o suficiente, profundo o suficiente e repetido o suficiente para que os dados realmente importem.

Conclusão

A primeira metade deste documento estabeleceu uma lei geral. Qualquer fosso composto apenas pela dificuldade de fazer algo é temporário, e dura exatamente até que alguém torne essa coisa fácil de fazer. A aglomeração industrial chinesa fez isso com o hardware ao colapsar os custos de transação e a latência de iteração dentro de um cluster hiper-denso. A IA generativa está fazendo isso com o software ao colapsar o custo de sua entrada escassa. O hardware colapsou primeiro e o software seguiu depois, mas para um fundador construindo hoje, nenhum dos dois refúgios é confiável.

A segunda metade transformou essa lei em uma resposta. Se a dificuldade de produção não protege mais nada, então a defensabilidade precisa ser montada a partir dos atritos que o colapso da produção não consegue alcançar. Isso inclui acesso físico, dados operacionais em circuito fechado, posição regulatória, confiança conquistada e propriedade do próprio resultado. É por isso que os quatro fatores pedem três de quatro em vez de um, por que a posição principal importa mais do que qualquer outra decisão isolada e por que os dados precisam ser um subproduto operacional, e não um ativo coletado.

Isso se comprime em uma única frase central.

Na era da IA, as melhores empresas não serão ferramentas genéricas de software ou produtos de hardware copiáveis. Elas serão negócios principais estreitos, orientados a resultados, que combinam software, fluxos de trabalho físicos, relacionamentos de confiança e dados operacionais proprietários para automatizar trabalho do mundo real de alto valor.

Para um fundador, a pergunta já não é “que software posso construir?”, mas qual resultado valioso do mundo real posso possuir, executar, medir e automatizar?

As oportunidades mais fortes estão onde o software encontra átomos, confiança, regulação e dados proprietários. Elas começam com um fluxo de trabalho único, estreito e doloroso, usando humanos quando necessário. Elas capturam dados operacionais como subproduto do trabalho, automatizam passo a passo e se compõem em sistemas difíceis de substituir. A vantagem é durável precisamente porque foi conquistada por meio da operação física, e não escrita em código.

O objetivo final não é construir um produto. É construir uma empresa operadora com escalabilidade como a do software, defensabilidade no mundo físico e dados proprietários que melhoram a cada trabalho concluído.

Tudo o que costumava ser um fosso porque era difícil de construir está se tornando uma commodity. Construir algo é mais fácil do que nunca e, à medida que a IA e as cadeias globais de suprimento avançam, isso só ficará mais fácil. O que permanece defensável é o que é difícil de acessar, difícil de conquistar confiança, difícil de entrar por via regulatória e difícil de observar sem fazer o trabalho real.

Citações e Fontes

Quero deixar explícito de onde vêm as partes emprestadas, porque grande parte deste documento é eu conectando o trabalho de outras pessoas em vez de inventar qualquer coisa. As coisas que eu realmente reivindicaria como minhas são a regra dos quatro fatores, o padrão de três de quatro e o argumento específico de que os dois colapsos compartilham o mesmo mecanismo subjacente, embora tenham acontecido em sequência. As figuras se movem, então verifique-as antes de me citar.

Meu, de escritos anteriores

• A Barra de Valor do Software (2025), onde primeiro expus o meio em colapso e a Teoria da Alavancagem de Software Interna. A segunda metade aqui é a versão operacional desse texto.

O computador de átomos

• Travis Kalanick, Visão, Negócios Inacabados e Como a IA Transformará o Mundo Físico, Atoms e a16z, 2026. O enquadramento do computador baseado em átomos, o mapeamento de CPU/armazenamento/rede para manufatura/imóveis/transporte, o ciclo entender-prever-controlar, a IA industrial e robôs produtivamente empregados são todos dele. Essa seção é meu resumo da ideia dele, não minha ideia.
• Ben Horowitz e Alex Danco, Travis Está de Volta, a16z, 2026.

A economia

• Atlassian, resultados do 2º trimestre do ano fiscal de 2025, para margens brutas de SaaS horizontal maduro na faixa baixa dos oitenta por cento.
• Snowflake, resultados do ano fiscal de 2025, para o contraexemplo de que software fortemente baseado em consumo pode operar materialmente abaixo das margens brutas clássicas de SaaS.
• Michael Porter, cinco forças, 1979, para a taxonomia das fontes de renda na Parte Um.
• David Teece, Lucrando com a Inovação Tecnológica, 1986, para o problema de apropriabilidade na Parte Três.
• Alfred Marshall, Princípios de Economia, 1890, para economias externas e aglomeração na Parte Cinco.
• Ronald Coase, A Natureza da Firma, 1937, para custos de transação na Parte Cinco.
• Theodore Wright, 1936, e o Boston Consulting Group, para a curva de experiência na Parte Cinco.
• Stan Shih, a curva sorridente, por volta de 1992. Seu diagrama original está no Wikimedia Commons, e Publishers and the Smiling Curve de Ben Thompson é a melhor extensão dela que já li.
• Gary Pisano e Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, para os commons industriais e por que o reshoring é difícil.
• Andrew “bunnie” Huang, The Hardware Hacker, para o relato em primeira mão de como realmente é trabalhar dentro da densidade de Shenzhen.
• OMC, Adesões: China, para o contexto da integração da China ao sistema comercial global.
• Banco Mundial, valor agregado da manufatura, para o contexto da escala da manufatura chinesa em relação aos Estados Unidos.

A mecânica de startups

• Paul Graham, Faça Coisas Que Não Escalam e Como Obter Ideias de Startup, para a cunha estreita.
• Tesla, O Plano Mestre Secreto da Tesla Motors, Só Entre Você e Eu, 2006, para a lógica da cunha do Roadster para o carro acessível.
• Palantir, declaração de registro S-1, 2020, para o padrão de expansão do governo para o comercial.
• História da empresa SpaceX e divulgações da Starlink, via SpaceX e Starlink, para o lançamento como a cunha inicial antes de uma infraestrutura espacial mais ampla.

Codificação por IA e produção de software

• GitHub, Apresentando o GitHub Copilot, 2021, e Disponibilidade geral do GitHub Copilot, 2022, pelo início prático da assistência comercial de codificação por IA.
• OpenAI, Relatório Técnico do GPT-4, 2023, e Anthropic, Claude 3.5 Sonnet, 2024, para contexto sobre a aceleração da capacidade dos modelos.
• Peng et al., O Impacto da IA na Produtividade dos Desenvolvedores, 2023, para o resultado controlado do GitHub Copilot em que os desenvolvedores concluíram uma tarefa de codificação delimitada 55,8 por cento mais rápido.
• Cui et al., Os Efeitos da IA Generativa no Trabalho de Alta Qualificação, 2025, para o resultado do estudo de campo com 4.867 desenvolvedores mostrando 26,08 por cento mais tarefas concluídas.
• METR, Medindo o Impacto da IA do Início de 2025 na Produtividade de Desenvolvedores Experientes de Open Source, 2025, para o contraexemplo em que desenvolvedores experientes foram 19 por cento mais lentos com ferramentas de IA em repositórios maduros.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, e OpenCode, pela mudança de autocompletar para acesso agentivo ao repositório e ao terminal.
• Conductor, Superset, e Hermes Agent, pela camada de orquestração acima das ferramentas de codificação de um único agente.

Os modos de falha da fortaleza de dados

• Sun et al., Revisiting Unreasonable Effectiveness of Data in Deep Learning Era, ICCV 2017, pela constatação empírica de que o desempenho em tarefas de visão melhora logaritmicamente com o volume de dados de treinamento.
• Martin Casado e Peter Lauten, A Promessa Vazia das Fortalezas de Dados, a16z, 2019, pelo argumento de que os efeitos de escala de dados geralmente se erodem em vez de se acumularem.
• Valavi et al., Tempo e o Valor dos Dados, Harvard Business School Working Paper 21-016, 2021, pela distinção entre estoque de dados e fluxo de dados, e pela constatação de que dados obsoletos podem prejudicar a precisão do modelo.
• Chen et al., Decrescimento da relevância dos dados clínicos para decisões futuras em conjuntos de ordens clínicas hospitalares orientados por dados, International Journal of Medical Informatics, 2017, pela meia-vida de aproximadamente quatro meses dos dados de previsão clínica.
• OpenAI Privacidade Empresarial, Anthropic Termos Comerciais, Microsoft Azure OpenAI privacidade de dados, AWS Bedrock FAQ, e Google Vertex AI governança de dados, pelos compromissos padrão de não treinamento sobre entradas e saídas de clientes empresariais.
• European Data Protection Board, Parecer 28/2024 sobre modelos de IA, Artigo 5 e Artigo 17 do GDPR, regras de desidentificação da HIPAA, e regras da CCPA/CPRA, pelas restrições do direito à privacidade sobre uso secundário de dados, eliminação, desidentificação e compartilhamento.
• Lathrop GPM, Navegando a propriedade de IA em acordos comerciais e de licença de PI, 2026, pela tensão contratual entre compromissos de não treinamento e direitos retidos de uso agregado ou desidentificado.

Imagens

• Curva sorridente de Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei na travessia Shennan, foto de Charlie fong, Wikimedia Commons, CC BY-SA.
• Matriz de moldagem por injeção, foto de Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Preços de módulos solares fotovoltaicos versus capacidade instalada acumulada, Our World in Data, CC BY 4.0. Gráfico recriado localmente a partir do conjunto de dados publicado.

Os exemplos de empresa

• Estimativa da margem bruta da Anduril via Sacra. A Anduril é privada e não publica margens auditadas, então isso é tratado como uma estimativa em vez de um valor reportado. Referência setorial para margens brutas de aeroespacial e defesa (aproximadamente 17,5 por cento) extraída do conjunto de dados de margens da NYU Stern de Aswath Damodaran.
• Contexto da Alphabet e do Google via Formulário 10-K FY2025 da Alphabet, combinado com United States v. Google LLC para acordos de distribuição padrão de busca, vantagens de escala de busca e contexto antitruste.
• Modelo de Planta Grande da Carbon Robotics e 150 milhões de plantas rotuladas via o anúncio Business Wire de fevereiro de 2026, com TechCrunch como corroborção.
• História da Intuitive Surgical e aprovação da FDA em 2000 via Histórico da Empresa Intuitive. Volume de procedimentos via Relatório de Impacto Corporativo 2025 da Intuitive, e base instalada / cifras de margem via seu comunicado de resultados do 4º trimestre de 2025.
• Cifras de margem da Tesla via sua atualização do 4º trimestre e do ano fiscal de 2025.
• Padrão de expansão regulatória da Waymo via Mapa Regulatório de Robotáxis 2026 da Tesorb e cobertura da Electrek sobre a aprovação de expansão da CPUC.
• Pico e cronologia de declínio da Nokia em 2007 via BBC News e Wikipedia, com o estudo de Administrative Science Quarterly / INSEAD de Vuori e Huy para a dinâmica organizacional por trás do colapso, e a análise em vídeo de Michael Sikand (vídeo) para seu pivô moderno de infraestrutura.
• Detalhes do Stargate da OpenAI via anúncio original da OpenAI e anúncio de expansão de site. Estes são compromissos e planos anunciados, não capacidade totalmente implantada.
• Kraken Robotics extraída das próprias divulgações de produto e contrato da empresa.