Ang Makabagong Moat

TL;DR

Ang tumutukoy na moat sa negosyo ng ika-21 siglo, purong software, ay mabilis na gumuho habang itinutulak ng Generative AI ang gastos ng code tungo sa sero, na ginagaya kung paano nauna nang winasak ng industriyal na pag-iipon ng Tsina ang purong hardware moat. Dahil ang mismong hirap ng produksyon ay hindi na nagpoprotekta sa isang negosyo sa alinmang domain, ang matibay na tubo ay lumipat sa mga komplikadong tahi sa pagitan ng mga bit at atom. Upang makabuo ng isang kumpanyang may depensa ngayon, dapat talikuran ng mga tagapagtatag ang pangkalahatang modelo ng vendor ng software at sa halip ay kumilos bilang isang prinsipal na nagmamay-ari ng isang tunay na pisikal na daloy ng trabaho mula simula hanggang dulo. Sa mahigpit na pagsasama ng hindi bababa sa tatlo sa apat na pangunahing salik (pasadyang hardware, espesyalisadong software, kinita na mga ugnayan, at pagmamay-aring datos), ang isang makabagong negosyo ay makapagbibigay ng garantisadong kinalabasan habang tahimik na inaani ang datos ng closed loop na nagiging tunay na moat, dahil ang isang kakompetensiyang nagsisimula ngayon ay hindi humahabol sa isang nakapirming lamang kundi sa isang lamang na lumalawak sa tuwing may trabahong natatapos.

Paunang Salita at Layunin

Ang ulat na ito ay isang pagpapalawak ng iisang pahayag na pinagbabatayan ng lahat ng iba pa sa aking teorya ng moat: ang purong software ay hindi na isang maipagtatanggol na moat, at ang purong hardware ay tumigil nang maging ganoon nang saklawin ng Tsina ang hegemonya nito sa pagmamanupaktura. Ang dalawang iyon ay madalas na binabanggit na parang mga slogan. Ang gusto kong gawin dito ay alisin ang slogan at ilagay ang mekanismo. Gusto kong ipaliwanag, sa antas ng aktuwal na ekonomiya, kung bakit nangyari ang bawat pagbagsak, kung aling mga tiyak na palagay ang tahimik na nasira, kung paano pinatitibay ng dalawang pagbagsak ang isa’t isa, at kung saan maaari pang makuha ang matibay na tubo. Isinulat ko ito upang tumindig nang mag-isa, upang ang isang susunod na mambabasa, o isang susunod na modelo, ay makuha ang buong argumento nang hindi kailangan ang pag-uusap na lumikha nito.

Narito ang tesis, minsan lamang at kasingtumpak ng maipipinta ko. Sa loob ng humigit-kumulang tatlumpung taon, ipinapalagay ng estratehiya sa teknolohiya na ang digital na mundo ay lumilikha ng matibay, mataas ang margin, at maipagtatanggol na tubo habang ang pisikal na mundo ay lumilikha ng manipis, hindi naiiba, mababang-margin na output na komoditi. Ang dalawang pagkabigla ay hindi sabay dumating. Una, binasag ng industriyal na pag-iipon ng pagmamanupaktura sa Tsina ang depensibilidad ng hardware batay sa produksyon, karamihan sa mga taong 2000 at 2010. Huli namang binabasag ng Generative AI ang depensibilidad ng software batay sa produksyon, sa mga taong 2020. Itinulak ng Generative AI ang marginal na gastos ng paggawa ng software patungo sa sero, na naglusaw sa mga hadlang na nagiging dahilan upang maipagtanggol ang software. Itinulak ng industriyal na pag-iipon ng Tsina ang gastos at latency ng pisikal na pag-uulit pababa sa gastos at latency ng software, na naglusaw sa mga hadlang na nagiging dahilan upang maipagtanggol ang hardware. Kaya’t hindi na maaaring magkubli ang negosyo sa bits lamang o atoms lamang. Ang matibay na bentahe ay lumipat mula sa alinmang iisang dimensyon at pumasok sa mahigpit na pagkakabit ng dalawa, kasama ang mga relasyon at pagmamay-aring datos.

Ang dokumento ay may dalawang hati:

• Ang pagsusuri. Ano ba talaga ang moat, bakit dati maipagtatanggol ang bawat domain, anong mga alitan ang nilusaw ng bawat pagkabigla, at ano ang natitira. Ang bahaging ito ay pagsusuring pang-ekonomiya at humihinto ito kung saan humihinto ang pagsusuri.
• Ang makabagong moat. Ano ba talaga ang bumubuo sa depensibilidad ngayon na hindi na ikaw ipinagtatanggol ng bits o atoms sa kanilang sarili, at kung ano ang hitsura ng kumpanyang nakabatay rito sa praktika.

Ang Pagsusuri: Paano Gumuho ang Parehong Moat

Unang Bahagi: Ano Ba Talaga ang Moat

Bago ko ipaliwanag kung paano gumuho ang mga moat, kailangan kong maging eksakto kung ano ang moat, dahil ang maluwag na paggamit ng salita ang responsable sa karamihan ng masamang pag-iisip sa estratehiya na nakita ko. Ang moat ay hindi isang mabuting produkto. Ang moat ay hindi isang pansamantalang lamang. Ang moat ay hindi pagiging nauna. Ang moat ay isang istruktural na katangian ng isang pamilihan na nagpapahintulot sa isang kompanya na kumita nang lampas sa gastos nito sa kapital sa mahabang panahon nang hindi kinokompetensiyahan ang mga kinikitang iyon palayo. Sa wika ng industriyal na ekonomiks, ang moat ay isang matibay na pinagmumulan ng economic rent.

Ang economic rent ay ang sobrang kinikita ng isang kompanya lampas sa minimum na tatanggapin nito upang manatiling bukas, at sa isang tunay na kompetitibong pamilihan, ang sobrang iyon ay napupunta sa sero. Sa ilalim ng perfect competition, ang presyo ay tinutulak pababa sa marginal cost, ang mga kompanya ay kumikita lamang ng kanilang gastos sa kapital, at walang labis na tubo ang nananatili. Ang bawat balangkas tungkol sa depensibilidad ay sa totoo lang isang teorya tungkol sa kung paano lumalabas ang isang tiyak na kompanya mula sa hatak patungo sa pagpepresyo sa marginal cost at serong tubo.

Ang klasikal na listahan ay nagmumula kay Michael Porter, na ang balangkas ng five forces ay naging pamantayang kasangkapan para rito mula pa noong 1979, na kalaunan ay pinatalas pa ng mga tao sa value investing. Nagbibigay ito ng kaunting tunay at matibay na pinagmumulan ng rent:

• Mga hadlang sa pagpasok na pumipigil sa mga bagong kakompetensiya
• Mataas na switching costs na nagpipigil sa mga umiiral na kostumer
• Mga epekto ng network, kung saan mas nagiging mahalaga ang produkto habang mas maraming tao ang gumagamit nito
• Mga ekonomiya ng saklaw na nagpapahintulot sa mga kasalukuyang lider na higitan ang mga pumapasok
• Pagmamay-aring IP o proteksiyong regulatori na legal na nagbubukod sa mga gumagaya
• Kontrol sa isang bihirang input o kanal ng distribusyon na hindi maabot ng mga karibal

Bawat Pinagmumulan ng Rent ay Alitan

Narito ang pananaw na pinagbabatayan ng natitirang ulat na ito. Bawat isa sa mga pinagmumulan ng rent na iyon ay isang alitan. Ang moat ay talagang isa lamang anyo ng alitan na hindi madaling malagpasan ng mga kakompetensiya:

• Ang mataas na switching costs ay alitan sa pag-alis ng kostumer.
• Ang mga hadlang sa pagpasok ay alitan sa pagdating ng kakompetensiya.
• Ang mga epekto ng network ay alitan sa koordinasyong kailangan para sabay-sabay lumipat ang mga gumagamit sa ibang lugar.
• Ang saklaw ng pagmamanupaktura ay alitan sa kapital at oras na kailangang isubsob ng papasok na kalaban bago nito maabot ang kompetitibong unit cost.

Mahalaga ang pagbibigay-balangkas na ito, dahil sinasabi nito sa iyo nang eksakto kung ano ang ginagawa ng isang bagay tulad ng generative AI, o ng isang bagay tulad ng industriyal na densidad ng Tsina, sa isang pamilihan. Hindi inaatake ng mga puwersang ito ang mga produkto. Inaatake nila ang mga alitan. Mga teknolohiyang naglulusaw ng alitan ang mga ito. At ang isang teknolohiyang naglulusaw ng alitan ay, ayon sa depinisyon, isang teknolohiyang naglulusaw ng moat.

Ang buong argumento ng ulat na ito ay naiipon sa isang pangungusap: gumuho ang mga moat ng software at hardware dahil ang mga partikular na alitang lumilikha ng kanilang rent ay eksaktong mga alitang ang AI at industriyal na pag-iipon ng Tsina ay labis na mahusay sa pag-alis.

Ikalawang Bahagi: Ang Makasaysayang Moat ng Software at Bakit Naghubog ng Pera ang Bits

Upang maunawaan ang pagbagsak, kailangan mo munang maunawaan kung bakit ang software ay historikal na ang iisang pinakamahusay na istruktura ng negosyo na natagpuan ng kapitalismo, dahil ang pagbagsak ay simpleng pagbaligtad ng mga bagay na nagpadakila rito.

Ang software ay may halos natatanging istruktura ng gastos. Pinagsama nito ang isang mataas na nakapirming gastos para gawin ang unang kopya at isang halos serong marginal cost upang kopyahin at ipadala ang bawat kopya pagkatapos noon. Ang pagsulat ng unang bersiyon ng isang komplikadong programa ay nangangailangan ng bihira, mahal, at mabagal sanaying grupo ng mga inhinyero na nagtatrabaho nang mga buwan o taon. Ngunit kapag naisulat na ito, ang ika-milyong kopya ay halos walang gastos sa paggawa at walang gastos sa paghahatid. Ang asimetriyang iyon ay lumikha ng napakalaking operating leverage. Ang matured na horizontal software ay maaaring mag-ulat ng gross margin sa antas na walumpung porsiyento, gaya ng ginabayang ibinigay ng Atlassian para sa Q2 FY2025, dahil ang kita ay lumalago kasabay ng mga gumagamit habang ang cost of goods sold ay halos hindi gumagalaw. Ngunit ang pahayag na iyon ay hindi na kasing-unibersal tulad ng dati dahil ang software na mas mabigat sa konsumo gaya ng Snowflake ay mas malapit sa 67 porsiyentong gross margin noong FY2025, bahagyang dahil ang third party cloud infrastructure ay nakapaloob sa cost of revenue. Sa ekonomikong salita, ang software ay kumilos na parang purong information good, at ang mga information good ay binabasag ang normal na ugnayan sa pagitan ng produksyon at gastos na namamahala sa mga pisikal na komoditi.

Ngunit ang mababang marginal cost lamang ay hindi lumilikha ng moat. Kung sinuman ay maaaring gumawa ng kalakal nang mura, ang mababang marginal cost ay nagbubunga ng nakapupuksa na kompetisyon, hindi rent. Kumita ng rent ang software dahil ang mataas na nakapirming gastos ng unang kopya ay nagsilbing hadlang sa pagpasok, at dahil may ilang iba pang alitan na nakapatong dito:

• Kakulangan ng talento sa inhinyeriya. Ang pagbuo ng hindi trivial na software ay nangangailangan ng mga taong mahal, mahirap i-hire, at mahirap i-coordinate, kaya’t karamihan sa mga magiging kakompetensiya ay hindi man lamang makabubuo ng koponang sapat upang lumikha ng kapani-paniwalang kopya.
• Oras. Kahit ang isang mahusay na pinondohang kalaban ay nangangailangan ng maraming buwan upang i-reverse engineer, i-spec, buuin, subukan, at ilabas ang isang kalabang produkto, at sa mga buwang iyon ang kasalukuyang lider ay may pansamantalang monopolyo upang makapag-ipon ng mga gumagamit, kita, at higit pang lalim ng produkto.
• Gastos sa paglipat. Kapag ang isang kostumer ay nailipat na ang datos nito sa isang sistema, naturuan na ang mga tauhan nito sa interface na iyon, at naikabit na ang sistema sa lahat ng iba pa sa pamamagitan ng mga pasadyang integrasyon, ang pag-alis ay nagiging napakamahal kahit na may lumitaw na mas mahusay at mas murang alternatibo.
• Ang kalkulasyon ng build versus buy. Dahil ang pagbuo ng pasadyang panloob na software ay mahal at mapanganib din, makatuwirang binibili ng mga kompanya ang mga pamantayang off the shelf na produkto sa halip na bumuo ng sarili nila, na nagsiguro ng malaking pamilihan para sa mga vendor ng nakabalot na software.
• Mga epekto ng network at naipong pagmamay-aring datos, na nakapatong sa lahat ng ito sa pinakamahuhusay na kaso.

Ang Istruktural na Kahinaan

Tingnan mo kung ano ang bumubuo sa listahang iyan. Isa lamang sa limang alitang iyon, ang mga epekto ng network, ang likas sa panig ng demand ng produkto. Ang iba pang apat, kakulangan ng talento, oras ng pagbuo, gastos sa paglipat, at ang parusa ng build versus buy, ay pawang mga alitang pang-produksyon sa panig ng supply. Mga artipakto sila ng kung gaano kahirap, kabagal, at kamahal gawin at palitan ang software.

Iyan ang kahinaan. Ang isang negosyong ang depensibilidad ay higit na nakasalalay sa kung gaano kahirap gawin ang bagay ay depensible lamang hangga’t nananatiling mahirap ang produksyon. Sa sandaling bumagsak ang gastos sa paggawa at pagpapalit ng software, bumabagsak kasama nito ang apat sa limang haligi, at ang natitira na lamang na nakatayo ay ang epekto ng network sa panig ng demand.

Iyan mismo ang ibinigay ng generative AI.

Bahagi Tatlo: Ang Pagyanig ng AI at ang Paglusaw ng Moat ng Software

Ang tamang paraan upang i-modelo kung ano ang ginawa ng generative AI sa ekonomiks ng software ay ituring ito bilang isang pagyanig sa production function ng software. Sa batayang ekonomiks, ang gastos sa paggawa ng anumang bagay ay isang tungkulin ng gastos ng mga input nito. Para sa software, ang nangingibabaw na input ay palaging bihasang kognitibong paggawa ng tao, lalo na ang paggawa ng paglalapat ng isang pangangailangang pangnegosyo tungo sa tama, nasubok, at maipapadalang code. Ang paggawa na iyon ang naging bihira at mahal na input na lumikha ng hadlang sa pagpasok.

Direktang ina-atake ng generative AI at mga autonomous coding agent ang input na iyon. Gumagawa sila, nire-refactor, nagde-debug, nagdo-document, at nagde-deploy ng code sa bahagi lamang ng makasaysayang gastos sa maraming gawain. Natuklasan ng isang kontroladong eksperimento ng GitHub Copilot na natapos ng mga developer ang isang nakapirming coding task nang 55.8 porsiyentong mas mabilis, at natuklasan ng isang field study sa 4,867 developer na 26.08 porsiyentong mas maraming gawain ang natapos. Totoo ang epekto, ngunit hindi pantay, dahil natuklasan ng 2025 randomized trial ng METR na ang mga may karanasang open source developer na nagtatrabaho sa mga pamilyar at mature na codebase ay 19 porsiyentong mas mabagal gamit ang maagang-2025 na mga AI tool, kahit na akala nila ay mas mabilis sila. Ang ligtas na konklusyon ay hindi na pinapabilis ng AI ang bawat engineer sa bawat sitwasyon. Ito ay na pinapaliit ng AI ang gastos sa paggawa ng code, lalo na para sa mga nakapirmi, greenfield, at mas junior na gawain. Ang bihirang input ay ginagawang mas sagana. Kapag bumaba ang presyo ng kritikal na bihirang input, bumabagsak kasama nito ang hadlang sa pagpasok na itinayo sa gayong kakulangan. Ang isang mekanismong iyon ay dumadaloy sa lahat ng apat na haligi sa panig ng supply.

Makikita ang pagbabago sa mga kasangkapang talagang ginagamit ng mga developer. Nauna ang mga IDE-native copilot tulad ng Cursor. Pagkatapos ay dumating ang terminal-native coding agent tulad ng Claude Code, Codex CLI, Kiro CLI, at OpenCode, kung saan binabasa ng modelo ang repo, nag-eedit ng mga file, nagpapatakbo ng mga command, at umiikot nang paulit-ulit laban sa parehong kapaligiran na ginagamit ng engineer. Ngayon ay umuusbong ang ikatlong layer sa paligid ng multi-agent orchestration, na may mga kasangkapang tulad ng Conductor, Superset, at Hermes Agent na nagko-coordinate ng ilang agent sa iba’t ibang proyekto at kapaligiran. Maliwanag ang pag-unlad. Mula ito sa autocomplete, patungo sa mga autonomous agent, at patungo sa pag-o-orchestrate ng maraming agent nang sabay-sabay, at lalo lamang itong bibilis. Lalong magiging mas madaling i-automate ang digital na trabaho taon-taon, at ang mga kasangkapang ngayon ay nangangailangan ng bihasang operator ay bukas mangangailangan ng kaunti at kaunti pang interbensiyong pantao.

1. Ang Pagbagsak ng Hadlang sa Pagpasok

Noon, ang paglulunsad ng isang kapani-paniwalang produkto ng software ay nangangailangan ng tunay na seed capital, at ang karamihan dito ay napupunta sa pagkuha ng mga engineer na kailangan para bumuo ng MVP. Inilalagay ng pangangailangang kapital na iyon ang filter sa merkado. Tanging ang mga venture na nakakapagtaas ng pera at nakakapagrecruit ng talento ang nakakapaglabas ng produkto, at ang nagreresultang kakulangan ng mga kakompetensiya ay bahagi mismo ng proteksiyon ng incumbent.

Kapag ang isang developer na may mahusay na AI tooling ay makakapagdisenyo, makakabuo, at makakapaglunsad ng isang pinakintab at gumaganang aplikasyon sa maliit na bahagi lamang ng dating oras at gastos, nawawala ang filter na iyon. Binabaha ang merkado ng mga bagong pumasok. Sa kompetitibong termino, ang supply curve ng mga tampok ng software ay malakas na umaabot palabas, at ang pangunahing teorya ng presyo ay nagsasabi sa iyo nang walang kalabuan kung ano ang susunod na mangyayari. Kapag ang supply ng isang maaaring ipalit na kalakal ay malakas na lumawak laban sa halos nakapirming demand, bumababa ang presyo patungo sa marginal cost, at dahil ang marginal cost ng software ay malapit sa zero, hinihila rin ang presyo patungo sa zero. Ang hyper abundance ng supply ng software ay, sa mekanikal na paraan, ang pagkawasak ng pricing power ng software.

2. Ang Pagbagsak ng Kalamangan sa Oras

Ito marahil ang pinakamahalagang moat ng software sa lahat. Ang buong lohika ng mabilis na pagship at pag-iterate ay nakasalalay sa katotohanang ang isang nailunsad na tampok ay bumibili sa lumikha nito ng ilang buwang eksklusibong lead bago ito makopya ng iba. Ang lead time na iyon ang bintana kung saan naitatatag ang network effect, brand, at mga customer.

Pinapaliit ng AI ang siklo ng panggagaya mula sa mga buwan patungong mga oras. Maaaring panoorin ng isang kakompetensiya ang interface ng isang produkto, ilarawan ang kilos nito sa isang coding agent, at halos kaagad na makakuha ng gumaganang clone, nang hindi man lang nakikita ang orihinal na source code, dahil ang halaga ay hindi naman talaga nasa partikular na code. Nasa specification iyon, at ang mga specification ay napakamura na ngayong ipatupad.

Kapag ang pagkaantala sa panggagaya ay naging zero, naglalaho ang pansamantalang monopolyo na nagbigay-katwiran sa mabilis na inobasyon. Patuloy pa ring nangyayari ang inobasyon, ngunit humihinto na itong kumita ng matibay na premium, dahil ang gantimpala sa pag-iinobate ay agad na ibinibigay sa mga nanggagaya. Ito ay isang aklat-aralin na kaso ng tinawag ni David Teece na appropriability problem sa kanyang 1986 na papel tungkol sa pagkuha ng kita mula sa teknolohikal na inobasyon. Ang inobasyon ay nagbabayad lamang para sa sarili nito kapag nagagawang makuha ng inobator ang sapat na bahagi ng halagang nalilikha nito bago ito maagaw ng kumpetisyon sa paggaya. Itinutulak ng AI ang appropriability ng purong inobasyon sa software tungo sa zero.

3. Ang Paglusaw ng Switching Costs

Ito ang pinakamatibay sa mga tradisyonal na moat ng software, dahil gumagana ito kahit na malinaw na mas mahusay ang produkto ng karibal. Ngunit ang switching costs mismo ay binubuo ng mga friction, tulad ng paglilipat ng data mula sa isang schema papunta sa isa pa, muling pagtatayo ng mga custom integration, at muling pagsasanay sa mga tauhan sa isang hindi pamilyar na interface. Bawat isa sa mga iyon ay eksaktong uri ng nakakapagod na gawaing batay sa pattern na pagsasalin na mahusay gawin ng AI.

Ang AI-driven na data mapping ay maaaring tumanggap, mag-normalize, at mag-migrate ng isang kumplikadong database mula sa istruktura ng isang sistema patungo sa isa pa nang mabilis at mura. Pinapababa ng natural language interfaces ang gastos sa muling pagsasanay, dahil lalong nakikipag-ugnayan ang mga gumagamit sa pamamagitan ng usapan sa halip na isaulo ang isang proprietary na menu tree, na nangangahulugang ang naipong kasanayang naka-lock sa interface ng isang vendor ay hindi na gumagana bilang parusa sa paglipat.

Habang bumababa ang gastos sa pag-alis, bumababa rin kasama nito ang lifetime value ng isang nakuhang customer, tumataas ang customer acquisition cost kaugnay ng pumapaliit na lifetime value na iyon, at lumalala ang unit economics ng buong subscription model. Ang moat na nakabatay sa kawalan ng kakayahan ng customer na umalis ay nalulusaw kapag nagiging mura ang pag-alis.

4. Ang Pagbaligtad ng Build Versus Buy

Tahimik nitong winawasak ang mismong addressable market. Bumibili ang mga kumpanya ng packaged software dahil napakamahal, napakabagal, at napakapanganib bumuo ng mga custom internal tool upang bigyang-katwiran ang anuman maliban sa kanilang pinaka-differentiated na pangangailangan. Ang parusa sa pagbuo nang panloob ay eksaktong siya ring naggarantiya sa mga vendor ng malaking merkado.

Kapag pinahihintulutan ng AI agent ang mga internal team, kahit ang mga hindi teknikal, na bumuo ng mga custom application na nakaangkop sa sarili nilang workflow, nawawala ang parusa sa pagbuo, at ang makatuwirang pagpili ay lumilipat mula sa pagbili ng isang pangkalahatang subscription patungo sa paglikha ng isang pribadong tool na perpektong tumutugma at walang paulit-ulit na lisensiya.

Hindi lamang nito pinatitindi ang kompetisyon sa pagitan ng mga vendor. Pinapaliit nito ang kabuuang addressable market na pinag-aagawan ng mga vendor, dahil ang lumalaking bahagi ng demand sa software ay nasasagot sa loob at hindi na umaabot pa sa panlabas na merkado. Lumilipat ang halaga mula sa mga panlabas na software vendor patungo sa panloob na operational capability, na ibig sabihin ay tumitigil itong maging isang market at nagiging kahusayan sa gastos sa loob ng kumpanya.

Ito ang parehong bagay na tinawag kong Internal Software Leverage sa aking sulatin, The Barbell of Software Value, na tinitingnan mula sa panig ng vendor sa halip na sa panig ng mamimili.

Ang Resulta at Ano ang Hindi Bumabagsak

Kapag pinagsama ang apat na mekanismong iyon, makukuha mo ang commoditization ng purong software. Papasok ang industriya sa software hyper abundance, kung saan ang mga functional application ay mura nang buuin, madaling kopyahin kaagad, at lalong nalilikha sa loob on demand. Sa kondisyong iyon, ang code mismo ay tumitigil na maging pinagmumulan ng renta, eksaktong gaya ng anumang kalakal na tumitigil sa pag-utos ng renta kapag ito ay naging sagana at mapapalitan. Nadidiskonekta ang halaga mula sa code.

Ang pagiging tapat ay nangangailangan na malinaw na sabihin kung ano ang hindi bumabagsak, dahil ang sobrang pagsasabi rito ay magpapakamali rito. Ina-atake ng generative AI ang mga friction sa produksyon sa panig ng supply. Sa sarili nito, hindi nito ina-atake ang mga friction sa panig ng demand at sa antas ng sistema.

• Nananatili ang mga network effect, dahil kayang kopyahin ng AI ang software ng isang social network sa isang hapon ngunit hindi nito makokopya ang mga user, at ang mga user ang asset.
• Nananatili at talagang lumalakas ang mga moat ng proprietary data, dahil pinapamura ng AI ang code habang pinapamahal ang bihirang data na nagsasanay dito.
• Nananatili ang distribution at brand, dahil nananatiling bihira ang atensiyon at tiwala kahit libre na ang mga feature.
• Nananatili ang mga regulasyon at compliance barrier, dahil hindi makakalikha ang isang coding agent ng banking license, medical device clearance, o aviation certification.
• Nananatili ang malalim na integrasyon sa pisikal o reguladong operational reality, dahil mura ang code, ngunit hindi mura ang pag-install ng mga sensor, pagbuo ng tiwala, at pag-ooperate sa ilalim ng pag-apruba ng regulasyon.

Kaya ang tumpak na pahayag ay hindi na namamatay ang lahat ng negosyo sa software. Ito ay na ang partikular, dating nangingibabaw na moat ng purong, nakatayong-isa, nakapaketeng software, na ipinagtatanggol ng kahirapan ng pagsulat at pagpapalit ng code, ay nawasak na. Ang nananatili ay software na nakaangkla sa isang bagay na hindi kayang murang kopyahin ng AI: isang network, isang dataset, isang posisyong pangregulasyon, isang channel ng distribusyon, o isang pisikal na operasyon. Ang software na nakalutang na hiwalay sa lahat ng iyon ay isa na ngayong kalakal.

Bahagi Apat: Ang Makasaysayang Moat ng Hardware at Bakit Mahirap ang mga Atom

Dinadala ng argumento tungkol sa hardware ang kaparehong disiplina. Una, itatag kung bakit noon ay maaaring ipagtanggol ang hardware, saka ipakita kung alin sa mga depensang iyon ang nilusaw ng sistemang pagmamanupaktura ng Tsina.

Maaaring ipagtanggol ang hardware sa halos kabaligtarang mga dahilan kung bakit software, at tinatrato ng mga pamilihan ng kapital ang dalawa bilang magkasalungat. Kung ang software ay may halos serong marginal cost, ang hardware ay may mataas at matigas na marginal cost, dahil bawat pisikal na yunit ay kumakain ng materyales, enerhiya, paggawa, at oras ng makina. Kung ang software ay naipapadala agad at walang hanggan, ang hardware ay nakatali sa pisika ng pagmamanupaktura at logistik. Ginawa ng mga katangiang iyon na masamang negosyo ang hardware sa margin, ngunit sa isang natatanging paraan, ginawa rin nila itong maaaring ipagtanggol, dahil ang kahirapan ng pisikal na produksyon ay nagsilbing hadlang na nagpoprotekta sa isang maayos na pinapatakbong kompanya ng hardware mula sa basta-bastang panggagaya.

Ang mga tiyak na alitan na nagprotekta sa hardware ay ang mga ito:

• Kapital para sa tooling. Ang paggawa ng isang pisikal na produkto sa malaking saklaw ay nangangailangan ng espesyalisadong tooling, pangunahin ang mga injection mold at casting die na ginagamit sa paghulma ng mga bahaging plastik at metal, at ang mga tool na iyon ay nagkakahalaga ng sampu-sampung libo o daan-daang libong dolyar at pumipilit sa mataas na minimum order quantity. Iyon ay isang matigas na pader ng kapital na hindi kayang akyatin ng karamihan sa mga bagong papasok, at pinoprotektahan nito ang mga nauna nang nakapag-amortize ng kanilang tooling.

• Latency ng iterasyon. Ang pagpapahusay ng isang pisikal na disenyo ay nangangahulugang pagputol ng bagong tooling, pagsasaayos ng mga tolerance, at pagpapatakbo ng mga pisikal na test batch, isang loop na tumatagal ng mga linggo o buwan kada ikot at malaki ang gastos sa bawat pagkakataon, kaya mabagal umunlad ang mga pisikal na produkto at kailangan ng isang kakompetensya ng mahabang mahal na kampanya para makahabol.

• Pagbuo ng supply chain. Ang isang pisikal na produkto ay isang bill of materials na kinukuha mula sa maraming espesyalisadong supplier, at ang mga supplier na iyon ay dati’y nakakalat sa iba’t ibang kumpanya, rehiyon, at bansa, kaya ang pagbubuo ng gumaganang supply chain ay nangangahulugang pakikipagnegosasyon sa mga nakahiwalay na vendor, pagtanggap ng mahahabang lead time, at pamamahala ng komplikadong logistik.

• Kaalaman sa precision at proseso. Ang naipong, kadalasa’y tahimik na kaalaman kung paano aktuwal na i-manufacture ang isang disenyo sa katanggap-tanggap na yield. Hindi ito naililipat mula sa isang drawing. Kailangan mo itong matutuhan sa pamamagitan ng paggawa.

• Distribusyon. Ang pangangailangang maiparating ang pisikal na produkto sa harap ng mga mamimili sa pamamagitan ng mga retailer, distributor, at shelf space na sila mismo ay mahirap hanapin at binabantayan ng mga tagapamagitan.

Tingnan muli ang komposisyon, tulad ng sa software. Ang moat ng hardware ay labis na isang hanay ng mga alitan sa produksyon at logistik: kapital para sa tooling, latency ng iterasyon, pagbuo ng supply chain, yield ng proseso, at pisikal na distribusyon. Naprotektahan ito ng kung gaano kahirap, kabagal, at kamahal ang gawing isang naipapadalang pisikal na bagay ang isang disenyo. At eksaktong tulad ng sa software, ang depensang itinayo sa kahirapan ng produksyon ay matatag lamang habang nananatiling mahirap ang produksyon.

Ngunit ang ambag ng Tsina sa kasaysayang pang-ekonomiya ay ang paggawa sa pisikal na produksyon, sa isang napakalawak na hanay ng mga kalakal, na hindi na mahirap.

Bahagi Lima: Ang China Shock, Industrial Agglomeration, at ang Wakas ng Moat ng Hardware

Ang pinakakaraniwang maling pag-unawa sa pangingibabaw ng pagmamanupaktura ng Tsina ay na ito ay kuwento tungkol sa murang paggawa. Bahagyang totoo iyon sa unang yugto at karamihan ay mali na ngayon, at ang pagkakamali rito ay tuwirang humahantong sa nabigong konklusyon na ang reshoring, o paglilipat ng produksyon sa susunod na bansang mababa ang sahod, ay magbabalik ng lumang kaayusan.

Ang tunay na paliwanag ay ang Tsina ay nagtayo, sa densidad at saklaw na hindi pa nakita ng sinuman, ng penomenon na inilarawan ni Alfred Marshall mahigit isang siglo na ang nakalipas bilang industrial agglomeration. Ang agglomeration na iyon, at hindi wage arbitrage, ang nagtanggal sa moat ng hardware. Ang pagkakaibang ito ang buong punto ng seksyong ito, at hindi ako ang unang nagbanggit nito. Idinokumento ni Andrew “bunnie” Huang ang bersiyon nito sa Shenzhen nang personal sa loob ng mahigit isang dekada sa The Hardware Hacker.

Marshallian External Economies

Ang industrial agglomeration ay ang kusang nagpapalakas-sa-sarili na heograpikong pag-uumpok ng magkakaugnay na industriya, mga supplier ng bahagi, mga gumagawa ng subassembly, mga processor ng hilaw na materyales, mga gumagawa ng tool, mga contract manufacturer, mga provider ng logistik, at espesyalisadong bihasang paggawa, lahat ay siksik sa iisang rehiyon. Tinukoy ni Marshall kung bakit ang mga cluster na iyon ay lumilikha ng mga bentahe na hindi kayang tumbasan ng anumang hiwalay na kumpanya:

• Lumilikha sila ng malalim na pinagsasaluhang pool ng paggawa ng mga espesyalisadong manggagawa.
• Sinusuportahan nila ang mga espesyalisadong lokal na supplier na hindi kailanman mabubuhay kung iisang malayong customer lamang ang kanilang pagsisilbihan, ngunit umuunlad kapag nagsisilbi sa isang siksik na cluster ng mga ito.
• Lumilikha sila ng knowledge spillover, kung saan mabilis na kumakalat ang mga pagpapahusay sa proseso sa buong cluster dahil ang mga nauugnay na tao ay pisikal na malapit at naglilipatan-lipat.

Ang tatlong puwersang iyon ang Marshallian external economies, at nangangahulugan ang mga ito na ang isang kompanya sa loob ng cluster ay nakakakuha ng mas mababang gastos, mas mabilis na iterasyon, at mas mahusay na impormasyon kaysa sa isang kaparehong kompanya sa labas nito, anuman ang sarili nitong kahusayan.

Pagbagsak ng Gastos sa Transaksyon

Sa Pearl River Delta, at lalo na sa Shenzhen, umabot ang agglomeration sa isang densidad na walang historikal na nauna. Ang praktikal na bunga nito ay pinakamadaling makita sa pamamagitan ng transaction cost economics ni Ronald Coase. Ipinaliwanag ni Coase na ang hangganan at bilis ng aktibidad pang-ekonomiya ay pinamamahalaan ng transaction costs, ang gastos sa paghahanap ng mga supplier, pakikipagnegosasyon sa mga termino, at pag-uugnay ng produksyon sa pagitan ng mga kumpanya. Sa isang kalat-kalat na supply chain, napakalaki ng mga gastos na iyon, at iyon ang tunay na nilalaman ng ikatlong alitan ng moat ng hardware.

Sa isang napakasiksik na cluster, bumabagsak ang transaction cost sa halos wala. Ang buong supply chain para sa karamihan ng mga elektronik at mekanikal na device ay nasa loob ng maliit na radius, kaya ang paghahanap, pagkuha ng source, pakikipagnegosasyon, at pag-uugnay na dati’y tumatagal ng mga linggo sa iba’t ibang kontinente ay nagiging ilang oras lamang sa loob ng isang distrito. Maaaring i-spec ng isang designer ang isang device, kunin ang lahat ng bahagi nang lokal sa parehong araw, magpagawa at magpalagay ng mga bahagi sa isang custom na circuit board nang magdamag, at hawakan ang gumaganang prototype kinabukasan ng umaga.

Hindi ito murang paggawa. Ito ay ang halos tuluyang pag-aalis ng gastos sa transaksyon at latency ng iterasyon, na isang ganap na magkaiba at mas makapangyarihang bagay.

Mula sa densidad na iyon, apat na mekanismo ang lumusaw sa moat ng hardware, na gumagaya sa apat na AI na inilapat sa software.

1. Ang Pagbagsak ng Latency ng Iterasyon

Ito ang bersiyong hardware ng pagkawala ng temporal na bentaha ng software. Sa kalat-kalat na supply chain sa Kanluran, ang isang ikot ng disenyo ng pisikal na produkto ay tumatagal ng mga linggo at mahal, kaya mabagal umunlad ang hardware at nananatili ang pangunguna ng pagpapahusay ng incumbent. Sa loob ng cluster, ang pisikal na iterasyon ay halos umabot sa bilis ng iterasyon ng software. Nababago ang mga mold, naaayos ang mga layout ng board, at naitatakbo ang mga test batch sa loob ng mga araw.

Ang estratehikong bunga nito ay brutal. Anumang disenyo ng hardware na naisip sa Kanluran ay maaaring obserbahan, i-reverse engineer, i-optimize para sa manufacturability, at mass produce sa loob ng cluster nang mas mabilis kaysa matapos ng orihinal na kumpanyang Kanluranin ang sarili nitong ikalawang prototype. Ang lead time ng orihinal, na siyang pinagmulan ng renta nito, ay negatibo. Ang gumagaya ang unang nagpa-ship ng pinahusay, mas murang bersiyon.

2. Ang Pagbagsak ng Kapital para sa Tooling

Ito ang bersiyong hardware ng pagbagsak ng hadlang sa pagpasok ng software. Ang sampu-sampung libong dolyar at mataas na minimum order quantity na dating humaharang sa pisikal na produksyon ay na-optimize na palayo sa loob ng cluster sa pamamagitan ng mabilis na computer-controlled machining, mga standardisadong modular mold base na muling kino-configure sa halip na kinukut mula sa simula, at napaka-agresibong kompetisyong mga tooling shop na may mataas na throughput. Ang small batch, lubos na naka-customize na hardware ay maaari na ngayong gawin sa isang istruktura ng gastos na dati ay para lamang sa malalaking multinasyonal. Ang pader ng kapital na nagsala sa mga bagong pasok sa hardware ay halos bumagsak na, tulad ng pader na nagsala sa mga bagong pasok sa software, at bumabaha ang merkado ng parehong inaasahang pababang presyon sa presyo.

3. Ang Experience Curve, Pinalalakas ng Automation

Ang mekanismong ito ang siyang permanenteng nagla-lock sa pangunguna sa gastos, at ito ang dahilan kung bakit hindi maaalis sa pamamagitan ng arbitrage ang kalamangan sa paglipat sa ibang lugar. Ang Batas ni Wright, na unang inilarawan ni Theodore Wright noong 1936 mula sa datos ng produksiyon ng sasakyang panghimpapawid at kalaunan ay pinalawak ng Boston Consulting Group bilang kurba ng karanasan, ay isa sa pinakatiyak na mga empirikal na regularidad sa ekonomiks ng industriya. Sinasabi nito na para sa maraming produkto, bumababa ang yunit na gastos ng isang pare-parehong porsyento tuwing dumodoble ang pinagsama-samang dami ng produksiyon, dahil natututo ang organisasyon, sa pamamagitan ng naipong paggawa, kung paano magmanufacture nang mas mahusay.

Dahil ang klaster ay lumilikha ng napakalaking bahagi ng pandaigdigang pinagsama-samang dami sa hindi mabilang na mga kategorya ng produkto, ito ay nakaupo nang malayo sa ibaba ng kurba ng karanasan na kung saan ang anumang bagong papasok, na may mababang pinagsama-samang dami, ay nasa tuktok nito. Pagkatapos ay dinaragdagan ng modernong pagmamanupaktura ng Tsina ang kalamangan sa pagkatuto na iyon sa pamamagitan ng kapital na masinsing awtomasyon, advanced na robotics, mataas na bilis na awtomatikong optical inspection, at pahalang na integrasyon na umaabot hanggang sa mga hilaw na materyales.

Ito mismo ang puntong namamatay ang paliwanag na nakabatay sa gastos sa paggawa. Ang makabagong kalamangan ay hindi mababang sahod. Ito ay naipong pagkatuto plus awtomatikong sukat plus densidad ng mga supplier, at hindi maikokopya ng isang bagong pasok ang kombinasyong iyon sa pamamagitan ng anumang panandaliang aksyon, mataas man ang sahod o mababa, dahil hindi mo kaagad mabibili ang mga dekada ng naipong karanasan sa produksiyon o ang ekosistemang pang-supplier sa paligid nito.

4. Ang Pagguho ng Friksiyon sa Distribusyon

Ito ang bersiyong hardware ng AI na nagwawasak sa pangangailangang dumaan sa mga kasalukuyang software channel. Ang mga pandaigdigang digital marketplace at napakahusay na parcel logistics ay nagpapahintulot sa mga manufacturer sa loob ng klaster na laktawan nang lubusan ang mga kanluraning distributor, wholesaler, at espasyo sa istante ng retail, sa pamamagitan ng direktang paglista sa mga pandaigdigang plataporma at pagpapadala sa pintuan ng mamimili sa loob ng ilang araw. Ang huling friksiyon na nagpoprotekta sa isang incumbent na tatak ng hardware, ang kontrol nito sa mga istante at channel, ay naiiwasan. Ang isang aparatong katumbas sa paggana ay nakararating sa parehong customer sa halagang bahagi lamang ng branded na presyo nang hindi man lang hinahawakan ang sistema ng distribusyon ng incumbent.

Ang Karaniwang Pag-aari ng Industriya at Bakit Napakahirap ng Reshoring

Ang pinakamahalagang bunga ng lahat ng ito, at ang madalas na hindi pinapansin, ay tungkol sa reshoring, at dito mahalaga ang ideya ng industrial commons. Pinangalanan ito nina Gary Pisano at Willy Shih sa Restoring American Competitiveness (PDF) noong 2009. Ang kanilang obserbasyon ay ang kakayahan sa pagmamanupaktura ay hindi pag-aari ng mga indibidwal na kumpanya. Ito ay pag-aari ng isang ekosistema, isang pinagsasaluhang lokal na base ng mga supplier, toolmaker, process engineer, at tacit know how.

Kapag inilipat ng isang bansa sa ibayong dagat ang produksiyon, hindi lamang nito nawawala ang mga pabrika. Sa paglipas ng panahon nawawala rin nito ang nakapaligid na commons, dahil ang mga supplier, toolmaker, at bihasang process engineer ay humihina o lumilipat kapag wala nang lokal na demand na nagpapanatiling buhay sa kanila. Kapag nawala na ang commons, walang iisang kumpanya o subsidy ang makapagbabalik nito nang mabilis, dahil ang isang nag-iisang pabrikang ibinalik sa bansa ay walang lokal na mga supplier, walang lokal na mga toolmaker, walang lokal na pool ng mga bihasang process engineer, at samakatwid ay wala ring Marshallian external economies na siyang nagpagana sa klaster sa simula pa lang.

Iyan ang dahilan kung bakit napakahirap at napakamahal ng pag-reshore ng isang komoditisadong kategorya ng hardware. Ang kalamangang sinusubukang likhain muli ng nagre-reshore ay hindi kailanman nasa loob ng pabrika. Nasa ekosistema ito sa paligid ng pabrika, at ang ekosistemang iyon ay wala na sa tahanan. Ang moat ay hindi lumipat sa Tsina dahil ang mga kumpanyang Tsino ay mas magaling nang paisa-isa. Lumipat ito dahil lumipat ang commons, at ang commons ay kolektibong ari-arian na hindi kayang ibalik ng indibidwal na aksyon.

Ang konklusyong makro para sa hardware ay eksaktong kahalintulad ng para sa software. Sa sandaling kilala na ang mga espesipikasyon ng isang pisikal na produkto, kayang kopyahin ito ng napakasiksik na ekosistemang pangmanupaktura, i-optimize ito para sa paggawa, at ipamahagi ito nang direkta sa istrukturang gastos na pumapatay sa margin ng orihinal na lumikha. Ang standalone na hardware, na ipinagtatanggol lamang ng kahirapan ng pisikal na produksiyon, ay naging komoditi, dahil ang kahirapang iyon, para sa napakalawak na hanay ng mga kalakal, ay wala na.

Bahagi Anim: Ang Sunod-sunod na Pagguho at ang Mga Estratehikong Bunga Nito

Karaniwang sinusuri ng mga tao ang dalawang pagguho nang magkahiwalay, at sa kronolohiya dapat nga. Nauna ang pagguho ng hardware. Ginawang mahina ng agglomeration ng Tsina ang depensibilidad ng hardware na nakabatay sa produksiyon sa buong consumer electronics at maraming kalakal na may katamtamang komplikasyon mga taon bago naging mahalaga ang mga generative AI coding tool. Sumunod ang pagguho ng software. Ang aktuwal na pangyayari para sa isang founder ngayon ay hindi na nagsimula sila nang sabay. Ito ay na parehong kondisyon ay naroroon na ngayon sa pamilihan.

Ang mga naunang panahon ay nag-aalok pa rin ng isang ruta ng pagtakas. Kapag naging kompetitibo ang software, maaaring lumipat ang kapital patungo sa depensibleng hardware. Kapag naging kompetitibo ang hardware, maaaring lumipat ang kapital patungo sa depensibleng software. Ang dalawang domain ay salit-salitang kanlungan. Hindi na gumagana ang pag-ikot na iyon. Nawala na ng purong atoms ang kanilang production moat, at ngayon ay nawawala na rin ng purong bits ang sa kanila. Wala nang kanlungan sa purong bits at wala nang kanlungan sa purong atoms. Ito ang mas malalim na kahulugan ng barbell na isinulat ko noong nakaraang taon. Ang gitna, kung saan umasa ang isang kumpanya na ang isang dimensiyon ay mahirap, ay nahukay na mula sa magkabilang panig.

Unang Bunga: Pangkalahatang Deflationary na Presyon

Kapag ang marginal na gastos ng software ay lumalapit sa sero at ang epektibong gastos ng pisikal na reproduksiyon ay lumalapit sa napakahusay na sahig ng klaster, itinutulak ng kompetisyon ang mga presyo sa parehong domain pababa patungo sa mga sahig na iyon. Iyan ay disinflationary para sa mga mamimili at mapanira para sa mga prodyuser na walang moat, at ipinapaliwanag nito ang isang palaisipan na napapansin ng maraming tao, na ang napakalaking pag-unlad sa teknolohiya ay nakatabi ng mismong pagsikip ng mga margin para sa mga kumpanyang aktuwal na gumagawa ng produksiyon. Ang progreso ay nasasalo ng mga mamimili at ng mga gumagaya sa halip na ng mga innovator, eksakto dahil bumagsak ang appropriability sa parehong domain.

Ikalawang Bunga: Lumilipat ang Rent sa Kahabaan ng Nakangiting Kurba

Si Stan Shih, ang nagtatag ng Acer, ay nagmungkahi ng smiling curve bandang 1992. I-plot ang value added laban sa mga yugto ng produksiyon sa isang manufacturing value chain at makakakuha ka ng hugis na parang ngiti. Inangkop ito ni Ben Thompson sa publishing, na sulit basahin dahil ipinapakita nitong ang kurba ay hindi talaga tungkol sa manufacturing. Narito ang orihinal:

Ito ang mga yugto ni Shih:

• Mataas na halaga sa itaas ng agos, na nangangahulugang disenyo, branding, at intelektuwal na pag-aari
• Malalim na pagkalubog sa gitna, na nangangahulugang pisikal na pag-aassemble at pagmamanupaktura, ang yugtong pinakamadaling ma-komoditi
• Mataas na halaga sa ibaba ng agos, na nangangahulugang distribusyon, serbisyo, at ugnayan sa customer

Pinatag at kinomoditi ng pag-angat ng Tsina ang gitna ng kurbang iyon para sa hardware. Ang generative AI ay kinokomoditi na ngayon ang katumbas na gitna para sa software, na siyang simpleng pagsulat ng code. Ang instruksiyong kasunod ay magkapareho sa parehong kaso: iwanan ang komoditisadong gitna at lumipat sa mga dulo ng ngiti.

Ngunit ang mga dulo ay eksaktong mga asset sa panig ng demand at sa antas ng sistema na hindi madaling makokopya ng alinman sa AI o densidad ng pagmamanupaktura. Sa itaas ng agos, nangangahulugan iyon ng proprietary data, tunay na pananaliksik, at tunay na kaalaman sa disenyo. Sa ibaba ng agos, nangangahulugan iyon ng brand, tiwala, distribusyon, posisyong regulatorio, at pagmamay-ari ng ugnayan sa customer at ng operasyonal na kinalabasan.

Ikatlong Bunga: Lumilipat ang Rent sa Loob ng mga Siwang

Ito ang bunga na nag-uugnay sa pagsusuri sa estratehiya. Ang matibay na rent ay lumipat palabas ng anumang iisang dimensiyon at pumasok sa pagkakabit ng mga dimensiyon, at sa mga asset na nasa labas ng produksiyon mismo. Kung ang purong code ay libre at ang purong atoms ay mura, kung gayon ang mga friksiyong nakalilikha pa rin ng rent ay yaong mga nakatira sa mga siwang:

• Ang masidhing sabayang disenyo ng custom hardware na may custom software, upang wala sa dalawa ang kapaki-pakinabang sa isang gumagaya kung wala ang isa pa.
• Ang proprietary data na nalilikha sa pagpapatakbo ng isang tunay na pisikal o reguladong workflow, na kakaunti dahil ito ay byproduct ng paggawa ng trabaho at hindi isang bagay na maaaring kopyahin.
• Ang malalalim at mabagal buuin na mga relasyon at mga akreditasyong regulatorio sa mga konserbatibong industriya, kung saan ang mas murang kopya ay nadidiskuwalipika bago pa man ito suriin ng sinuman.
• Ang posisyon ng principal, kung saan ang isang kumpanya ay hindi nagbebenta ng isang tool na maaaring gawing komoditi kundi sa halip ay nagmamay-ari ng operasyon, sumasalo ng pananagutan, naggagarantiya ng kinalabasan, at kumukuha kapwa ng buong pool ng kita at ng eksklusibong data exhaust.

Ito ang mga friksiyong structurally hindi kayang tunawin ng AI at agglomeration ng Tsina, dahil hindi naman sila friksiyon ng produksiyon. Sila ay mga friksiyon ng tiwala, ng pisikal na pag-access, ng regulasyon, ng naipong obserbasyon sa totoong mundo, at ng operasyonal na pagmamay-ari.

Bahagi Pito: Mga Limitasyon, Mga Kontra-argumento, at Ang Pagiging Tapat Tungkol Dito

Ang isang tesis na ganito kalawak ay kailangang masubok laban sa pinakamalalakas na pagtutol nito, dahil ang isang estratehiyang nakabatay sa isang labis na pinalaking palagay ay nabibigo eksakto kung saan ang palagay ay masyadong malakas.

Pagtutol 1: Ang Software na Nalikha ng AI ay Hindi Pa Frontier Grade

Ang unang pagtutol ay ang software na nilikha ng AI ay hindi pa katumbas ng ekspertong inhenyerong software para sa pinakakomplikado, may pinakamataas na pagiging maaasahan, o tunay na bagong mga sistema, at na may umiiral pa ring tunay na harang sa kalidad na naghihiwalay sa pangkaraniwang paglikha mula sa frontier engineering.

Totoo ito at mahalaga. Pinakamalakas inilalapat ang argumento ng commoditization sa malaking katawan ng karaniwang application software na ang lohika ay matagal nang nalalatagan. Sa tunay na hangganan, sa mga bagong algorithm, sa mga sistemang nangangailangan ng matinding pagiging maaasahan o seguridad, at sa mga problemang walang naunang halimbawa sa training data, ang ekspertong paghuhusga ng tao ay patuloy na may kapangyarihang maningil ng renta. Kaya ang tumpak na pahayag ay na binabasag ng AI ang moat para sa komoditisadong mayorya ng software, hindi na inaalis nito ang lahat ng halaga ng software.

Ngunit mahalaga sa estratehiya ang direksiyon ng pag-usad, dahil ang frontier na nananatiling mapagtatanggol ay makitid, palaging gumagalaw, at isang masamang pundasyon para sa isang matibay na negosyo maliban na lamang kung ito ay nakaangkla sa isa sa mga hindi-produksiyong moat sa itaas.

Pagtutol 2: Hindi Pantay ang Pangingibabaw ng Tsina at Pulitikal na Pinagtatalunan

Ang ikalawang pagtutol ay ang pangingibabaw ng Tsina sa pagmamanupaktura ay hindi pantay sa iba’t ibang kategorya at ngayon ay humaharap sa seryosong mga kontra-puwersang heopolitikal, kabilang ang mga taripa, export controls, reshoring na hinihimok ng pambansang seguridad, at sinadyang friend shoring ng mga kritikal na supply chain.

Totoo rin ito. Pinakamalakas ang argumento ng commoditization para sa consumer electronics, mga mekanikal na kalakal, at mga assembly na may mid-complexity, at pinakamahina sa pinakatuktok ng technology stack, lalo na ang advanced semiconductor fabrication, kung saan ang matinding kapital na kinakailangan at iilang hindi mapapalitang supplier ay lumilikha ng sarili nilang mga moat. Maaari ring artipisyal na ibalik ng polisiya ang mga friksiyong inalis ng aglomerasyon, sa pamamagitan ng mga taripa na nagpapataas sa cost na inilalapag ng gumagaya o ng export controls na nagkakait sa kaniya ng mga input.

Ngunit ang mga kontra-puwersang iyon ay talagang nagpapatibay sa pangunahing kongklusyon sa halip na pahinain ito, dahil kapwa ang natitirang semiconductor moat at ang moats ng reshoring na hinihimok ng polisiya ay, muli, hindi mga moat ng purong hardware. Ang mga ito ay mga moat ng matinding kapital na saklaw, ng hindi mapapalitang posisyon ng supplier, at ng regulasyong at heopolitikal na ugnayan. Ang mga ito mismo ang hindi-produksiyon, relasyon, at posisyon na mga friksiyon na sinasabi ng ulat na doon lumipat ang renta.

Pagtutol 3: Bakit Napaka-kumikita Pa Rin ng Malalaking Incumbent?

Ang ikatlong pagtutol ay ang maselang isa. Kung parehong commoditized ang software at hardware, bakit napakakumikita pa rin ng pinakamalalaking incumbent sa teknolohiya?

Ang sagot ay na ang mga incumbent na iyon ay hindi naman talaga kailanman ipinagtanggol ng purong software o purong hardware. Ang kanilang tunay na moat ay mga network effect, kontrol sa distribusyon at atensyon, sariling datos sa sukat na sibilisasyon, ecosystem lock in, at sa ilang kaso ay regulasyong pagka-ugat. Ang pagbagsak na inilalarawan dito ay hindi nagbabantang sirain ang alinman doon, at sa ilang paraan ay lalo pa itong pinatitibay, dahil habang ang purong produksyon ay nagiging commodity, ang relatibong halaga ng hindi-produksiyong mga asset na pag-aari na ng mga incumbent ay tumataas.

Ganap itong naaayon sa tesis. Ang commoditization ng produksyon ay hindi nagpapapantay sa lahat ng kita. Inililipat nito ang kita palayo sa mga kumpanyang ang tanging bentahe ay mahirap ang produksyon, at papunta sa mga kumpanyang nagmamay-ari ng mga friksiyong hindi kayang lapitan ng produksyon. Nabubuhay ang mga incumbent dahil hindi naman sila kailanman mga negosyong iisang dimensiyon lang. Iyan ang aral, hindi ang eksepsiyon.

Bahagi Ocho: Sintesis at ang Tulay Patungo sa Makabagong Moat

Ang dalawang pagbagsak sa ulat na ito ay, sa pinakapundasyon, iisa at parehong mekanismong umuulit sa dalawang domain, hindi isang iisang timeline. Sa parehong mga kaso, isang uri ng negosyo ang nakakuha ng matibay na renta dahil mahirap, mabagal, at mahal ang produksyon. Sa parehong mga kaso, isang puwersang nagpapaluwag ng friksiyon, generative AI sa digital na domain at napakasiksik na industriyal na aglomerasyon sa pisikal na isa, ang nagpadaling maging simple, mabilis, at mura ng produksyon. Sa parehong mga kaso, ang renta na ipinagtatanggol ng kahirapan ng produksyon ay naglaho sa sandaling huminto nang maging mahirap ang produksyon.

Eksakto ang simetriya, at sulit ang mapansin ito nang higit kaysa alinmang kalahati lamang, dahil inilalantad nito ang pangkalahatang batas sa ilalim ng pareho:

Anumang moat na binubuo lamang ng kahirapan ng paggawa ng isang bagay ay pansamantala, at tumatagal lamang ito hanggang sa may makaisip kung paano madaling gawin ang bagay na iyon.

Direktang sumusunod ang estratehikong corollary. Dahil hindi makapagtatago ng negosyo ang bits lamang o atoms lamang, ang pagiging mapagtanggol ay kailangang buuin mula sa mga friksiyong nakaligtas sa parehong pagbagsak:

• Ang mahigpit, saradong-loop na integrasyon ng custom hardware at custom software, upang hindi mabaklas ang sistema at makopya nang piraso-piraso.
• Ang sariling datos na patuloy na ni-re-refresh na nalilikha bilang byproduct ng pagpapatakbo ng isang tunay na workflow, na hindi kayang kopyahin dahil kailangan muna itong paghirapan sa pamamagitan ng operasyon.
• Ang malalalim na relasyon, tiwala, at regulasyong katayuan ng mga konserbatibong industriya, na hindi kayang likhain ng sinumang coding agent at ng anumang contract factory.
• Ang desisyong mag-operate bilang principal sa halip na vendor, na may pagmamay-ari sa workflow at sa resulta nito upang ang buong profit pool at ang buong data exhaust ay manatiling nakasalo sa halip na maibenta.

Ang isang modernong venture scale company ay mapagtatanggol lamang sa antas na nagtatambak ito ng ilan sa mga nalalabing friksiyong iyon sa iisang magkakabit na operating system na gumagaling habang ito ay tumatakbo. Ang lahat ng dati’y moat dahil mahirap buuin ay isa nang commodity ngayon dahil madali na itong buuin. Ang nananatiling mapagtatanggol ay ang mahirap lapitan, mahirap pagkatiwalaan, mahirap mapasok sa pamamagitan ng regulasyon, at mahirap obserbahan nang hindi ginagawa ang tunay na gawain.

Ang hinaharap na moat ay hindi gawa sa bits, at hindi rin ito gawa sa atoms. Ito ay gawa sa mga tahi sa pagitan nila, at sa mga relasyon at kinita na datos na hindi kayang ulitin ninuman nang hindi tumatayo kung saan ka nakatayo.

Kongklusyon sa Pagsusuri

Ang tatlumpung taong paradigma na itinuring ang software bilang maaasahang makina ng mapagtatanggol na kita at ang hardware bilang commodity na may mababang margin ay hindi lamang basta nagbago. Ang dalawang pundamental nitong palagay ay sunud-sunod na napatunayang mali. Pinatunayan ng industriyal na aglomerasyon ng Tsina na mali ang palagay na mahirap i-iterate at gawing manufacturing ang hardware. Pinatutunayang mali ng generative AI ang palagay na mahirap likhain at palitan ang software ngayon.

Dahil kapwa ang mga moat na iyon ay higit na itinayo sa kahirapan ng produksyon, at dahil ang kahirapang iyon ang tiyak na target ng parehong mga puwersang nagpapaluwag ng friksiyon, parehong nag-collapse ang mga moat na iyon. Ang renta na dati’y napupunta sa sinumang kayang bumuo ng bits o magpanday ng atoms ay dumadaloy na ngayon sa mga konsyumer at gumagaya, maliban na lamang kung ang isang firm ay inangkla ang sarili nito sa isang friksiyon na hindi maaabot ng pagbagsak ng produksyon.

Ang mga nalalabing friksiyong iyon, integrasyon, sariling operational data, pinagkakatiwalaang relasyon, posisyong regulatori, at pagmamay-ari bilang principal ng isang tunay na workflow, ang pinuntahan ng matibay na halaga. Ang pagbuo ng mapagtatanggol na kumpanya sa panahong ito ay nangangahulugang tumatangging umasa sa anumang iisang dimensiyon na mahirap, dahil walang anumang bagay na basta mahirap lang gawin ang nananatiling mapagtatanggol kapag naging madali na ang paggawa nito.

Ang Makabagong Moat

Ang lahat ng nasa itaas ay pagsusuri. Inilalatag nito kung saan napunta ang renta at bakit, ngunit humihinto ito sa antas ng prinsipyo, at ang isang prinsipyo ay hindi nagsasabi kung ano talaga ang hitsura ng isang kumpanyang itinayo rito. Ang bahaging ito ay ang sagot. Sinasaklaw nito kung ano ang binubuo ng pagiging mapagtatanggol ngayon, at kung ano ang hitsura nito kapag naipon sa isang tunay na negosyo.

Ang Barbell

Bago ang mga tuntunin sa pagbuo, nakatutulong na gawing malinaw ang barbell, dahil patuloy itong tinuturo ng pagsusuri nang hindi inililista ang mga dulo nito. Inilatag ko ito noong 2025 sa The Barbell of Software Value, kung saan pinagkasundo ko ang aking Internal Software Leverage Theory laban sa abundance thesis. Doon ang kongklusyon ay ang halaga ng software ay nagpo-polarize sa dalawang kumpol na may nagko-collapse na gitna.

Sa isang dulo nakaupo ang napakalalaking pundamental na primitive, foundation models, compute infrastructure, cloud platforms, chips, at core AI infrastructure. Ang mga ito ay ipinagtatanggol ng kapital na intensity, economics ng scale, at konsentrasyon ng pananaliksik sa antas na halos hindi maaabot ng isang bagong venture. Hindi sila ang pagkakataong inilalarawan ko. Sila ang kapaligiran kung saan ito gumagana.

Google ang ceiling case. Pinagsasama nito ang mga LLM model, TPU, cloud infrastructure, Search, Android, YouTube, Maps, Chrome, default distribution, at sariling datos sa sukat na halos walang makakahawak. Hindi ibig sabihin niyan ay pattern ito para sa startup. Ibig sabihin nito ay ito ang ganap na naisakatuparang itaas na poste ng barbell. Hindi ka makapagsisimula roon. Ang ipinapakita ng Google ay ang mekanismo, na kapag naging mura ang produksyon, lumilipat ang matibay na halaga sa compute, distribusyon, imprastraktura, datos, at posisyon sa ecosystem na hindi basta-basta kayang rentahan ng isang bagong pumasok. Pansinin din ang limitasyon. Ang Google ang nag-ooperate ng auction. Kadalasan ay hindi nito pag-aari ang resulta ng advertiser. Kaya ang Waymo, hindi ang Search, ang mas malinis na halimbawa ng principal-position sa bandang huli.

Sa kabilang dulo nakaupo ang napakaespesipikong pribadong leverage. Malalim na pagmamay-ari sa workflow, automation ng pisikal na mundo, mga prosesong regulatori, pagpapalit sa ekspertong paggawa, sariling operational data, at pagmamay-ari sa resulta. Maaabot ang dulo na ito, at ipinagtatanggol ito ng eksaktong mga hindi-produksiyong friksiyong kinilala ng pagsusuri bilang mga nakaligtas.

Ang mapanganib na gitna ay pangkalahatang software. Ito ang web app, ang dashboard, ang CRUD tool, ang workflow manager, at ang manipis na wrapper sa ibabaw ng isang model API. Naiipit ito mula sa itaas ng mga primitives, na patuloy na sumisipsip ng pangkalahatang kakayahan papaloob sa kanilang sarili, at mula sa ibaba ng pagbagsak sa gastos ng pagbuo ng anumang pangkalahatan sa lahat. Ang isang produkto sa gitna ay madaling buuin, madaling kopyahin, madaling lamunin ng isang kasalukuyang nangunguna bilang isang tampok, at kadalasan ay napakakaunti lamang ng pagmamay-ari nito sa value chain ng customer upang maipagtanggol ang isang presyo.

Ang Apat na Salik na Moat

Ang depensibilidad ngayon ay hindi nagmumula sa isang mataas na pader. Nanggagaling ito sa magkakabit na maraming kalamangan. Apat na magkakaibang haligi ang nananatili sa dobleng pagbagsak ng produksyon ng hardware at software. Ang isang matibay na makabagong kumpanya ay nangangailangan ng kapani-paniwalang landas patungo sa hindi bababa sa tatlo sa mga ito. Hindi isa. Tatlo. Ang mga iisang dimensyon ay hindi na sumasalo sa sinuman, at hindi na rin sila makasasalo sa hinaharap.

Mahusay na Hardware

Ang mahusay na hardware ay hindi nangangahulugang pag-imbento ng mga kakaibang kagamitan. Tiyak na hindi rin ito nangangahulugang pagbebenta ng isang matalinong gadget na may tubo. Ang isang nakikitang, madaling kopyahin, at hiwalay na ipinagbibiling aparato ay eksaktong kung ano ang pinakamabilis sirain ng mga manufacturing cluster. Nagkakaroon ng lugar ang hardware kapag ito ay hindi ang produkto, kundi ang instrumento. Binibigyan nito ang kumpanya ng pribilehiyadong pisikal na pag-access sa isang proseso na walang katunggali ang makapagmamasid mula sa labas. Sinusukat nito ang pisikal na mundo, kumukuha ng proprietary na datos, nagsasagawa ng mga pisikal na aksyon, at pinapantay ang workflow, na ginagawang mas mahirap kopyahin ang software sa ibabaw nito. Simple ang pagsubok. Maaari bang iangat ang hardware palabas at ibenta nang mag-isa? Kung maaari, ito ay isang gadget at magiging commoditized ito. Kung wala itong kabuluhan nang walang software, datos, at operasyon sa paligid nito, gumagawa ito ng moat na trabaho.

Mahusay na Custom Software

Ang mahusay na custom software ay hindi pangkalahatang SaaS at hindi rin ito mas magandang interface. Ito ay gumagana sa loob ng isang tiyak na pisikal o regulasyong proseso, awtomatikong gumagawa ng mga desisyong may tunay na bigat sa ekonomiya, nag-uugnay ng paggawa o mga makina, at kumukuha ng mga pagwawasto at edge case habang nangyayari ang mga ito. Pansinin kung ano ang nagbibigay rito ng depensibilidad. Hindi ang code, na ayon sa pagsusuri ay mura na ngayon, kundi ang pagdepende nito sa operational access, proprietary na datos, at malalim na kaalaman sa workflow na hindi makukuha ng katunggali sa pamamagitan ng pagkopya ng isang interface. Mahirap kopyahin ang software dahil mahirap maabot ang mga bagay na kinabit nito, hindi dahil mahirap isulat ang software.

Mahusay na Relasyon

Ang mahusay na mga relasyon ay kabilang sa pinakamatitibay na moat sa mga matitigas na industriya. Ganap silang immune sa parehong commoditization ng hardware at software. Kabilang dito ang regulatory accreditation, tiwala ng customer, access sa distribusyon para sa mga konserbatibong mamimili, at pangmatagalang operasyonal na pakikipagsosyo. Makikita mo ito sa mga sektor tulad ng depensa, pangangalagang pangkalusugan, konstruksiyon, at imprastraktura. Ang mga mamimili sa mga pamilihang iyon ay hindi kailanman pipili ng vendor dahil lang bahagyang mas maganda ang software, at sa maraming kaso, hindi rin kahit na 10x na mas maganda ito. Bumibili sila batay sa tiwala at record, pagiging maaasahan, pananagutan, pagsunod, at patunay. Karaniwang hindi na nakararating sa pagsusuri ang isang mas murang kopya. Kailangan ng oras, reputasyon, at tala ng tunay na pagpapatupad ang mga relasyon. Ni AI agents o isang assembly line sa Shenzhen ay hindi makagagawa ng tiwala nang magdamag.

Natatanging Datos

Ang natatanging datos ang pinakamahalaga sa apat at siya ring kadalasang pinakamadalas magkamali ang mga tao. Hindi lahat ng datos ay mahalaga, at ang pangkalahatang na-scrape na datos ay halos walang halaga bilang moat ngayon. Ang mahalagang datos ay pribado, tacit, at antas-eksperto, partikular sa pisikal at workflow, nalilikha mula sa totoong operasyon, at puno ng mga edge case, pagwawasto, at pagkabigo na hindi kailanman lumilitaw sa anumang pampublikong corpus. Hindi mo mabibili ang ganitong uri ng datos, at hindi mo ito ma-scrape. Eksklusibo itong nalilikha bilang byproduct ng pagpapatakbo ng isang buhay na operasyon sa pamamagitan ng isang closed loop na may apat na yugto:

1. Pagmamasid
2. Pagpapasya
3. Aksyon
4. Kinalabasan

Dito rin nagsisimulang magpalakas ang apat na salik sa isa’t isa. Ang hardware ay nagmamasid at kumikilos, ang software ay nagpapasya at nagko-coordinate, ang mga relasyon ay nagbibigay ng access sa workflow, at ang natatanging datos ay dumarami mula sa mga kinalabasan.

Karamihan sa mga kumpanya ay nakukuha lamang ang unang yugto ng daloy ng datos na ito. Kailangan ng moat ang lahat ng apat, na nangangahulugang alam mo hindi lamang kung ano ang nangyari, kundi pati na rin kung anong desisyon ang ginawa bilang tugon, anong aksyon ang aktuwal na isinagawa, at kung gumana ba ang resulta. Ang ikaapat na yugtong iyon, ang napatunayang kinalabasan, ang siyang nagpaparami ng datos at siyang nagpapalaki ng kalamangan. Ang bawat natapos na trabaho ay pinapahusay ang sistemang gumagawa ng susunod na trabaho, na siyang tanging anyo ng kalamangan sa buong dokumentong ito na lumalaki sa halip na kumukupas.

Kapag Naging Compound ang mga Loop at Kapag Sila’y Nagtigil

Ang closed loop ay tunog na tila tiyak sa abstrakto. Sa praktika, karamihan sa mga pagtatangkang bumuo ng isa ay nabibigo. Ang loop ay isang pag-angkin, hindi batas, at may mga tiyak itong failure mode na mas kapaki-pakinabang unawain kaysa sa success case.

• Nagsasaturate ang datos: Ang halaga ng naipong datos ay sumusunod sa diminishing returns curve. Sa deep learning, natuklasan nina Sun et al. na ang performance sa mga vision task ay tumaas nang logarithmically kasabay ng dami ng training data, na nangangahulugang ang bawat pagdodoble ng dataset ay nagbibigay ng isa pang dagdag, hindi isa pang himala. Ang unang libong pagpapatupad ang nagtuturo sa iyo ng pinakamarami. Ang susunod na sampung libo ay nagtuturo ng mas kaunti. Ang susunod na isang daang libo ay halos walang bagong itinuturo. Ang isang katunggali na mas huli nagsimula ay madalas makararating sa 90 porsiyento ng iyong performance gamit ang isang bahagi lamang ng historikal na datos, na mas mabilis nagsasara sa agwat kaysa sa ipinahihiwatig ng raw na mga numero.

• Maaaring hindi iyo ang datos na magagamit mo: Lumilikha ka ng proprietary na datos sa pamamagitan ng workflow, ngunit kung sinasabi ng iyong kontrata na ang customer ang may-ari nito at hindi mo ito maaaring pagsamahin sa iba pang deployment, mayroon kang limampung magkakahiwalay na data silo, hindi isang flywheel. Sa platform layer, sinasabi ng OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock, at Google Vertex AI sa mga business customer na ang kanilang mga input at output ay hindi ginagamit upang sanayin ang foundation models bilang default. Mabuti iyon para sa mga customer at babala iyon para sa mga vendor. Ang cross-customer learning ay nagiging compound lamang kung pinahihintulutan ito ng kontrata. Nagdaragdag din ng isa pang hadlang ang batas sa privacy, dahil ang GDPR purpose limitation, mga karapatang magpabura, mga tuntunin ng HIPAA sa de-identification, at mga tuntunin ng CCPA/CPRA tungkol sa pagbabahagi para sa cross-context behavioral advertising ay lahat nagpapahirap sa sekundaryong paggamit ng datos. Mas marami itong pumapatay na totoong AI moat sa mundo kaysa sa kompetisyon.

• Mas mabilis mag-mutate ang workflow kaysa gumanda ang modelo: Sa mga operational domain na mabilis magbago, may masusukat na half-life ang datos. Gaya ng ipinakita nina Valavi et al. sa pananaliksik mula sa Harvard Business School, ang malaking historikal na stock ng datos ay lumilikha ng nakakagulat na mahinang hadlang sa pagpasok. Ang isang papasok na kalaban na may mas maliit na agos ng sariwa at kamakailang datos ay madalas makabubuo ng mas tumpak na modelo kaysa sa kasalukuyang nangunguna na nakaupo sa mga taon ng lumang datos, lalo na kapag ang lipas na datos ay aktibong nagpapababa ng katumpakan. Isang clinical informatics study ang direktang nakakita nito, kung saan ang half-life ng data sa inpatient order prediction ay humigit-kumulang apat na buwan, at isang buwang sariwang datos ay mas mahusay kaysa labindalawang buwang mas lumang datos. Sa manufacturing, ang sensor drift, tool wear, redesign ng proseso, at pagbabago ng schema ay nangangahulugang ang mga modelong sinanay sa historikal na plant data ay nagrereason tungkol sa isang planta na hindi na umiiral. Hindi ito pangkalahatan. Ang mga prosesong pinamumunuan ng pisika, actuarial tables, geological data, at iba pang mabagal na domain ay maaaring mapanatiling mahalaga ang lumang datos sa mahabang panahon. Kung mas mabilis magbago ang workflow kaysa gumanda ang modelo, ang iyong historikal na datos ay nagiging lipas na bigat sa halip na kalamangan.

• Ang gastos ang hadlang, at ang hadlang ay ang gastos: Ang pagmamay-ari ng mga totoong workflow sa mundo ay capital-heavy, labor-heavy, at mas mababa ang margin kaysa purong software. Iniulat ng Tesla ang kabuuang GAAP gross margin na humigit-kumulang 18 porsiyento noong 2025 sa kabila ng vertical integration. Iniulat ng Intuitive Surgical ang da Vinci installed base na 11,106 system at non-GAAP gross margin na 67.6 porsiyento noong 2025, matapos ang mga dekada ng kapital, pagsasanay ng surgeon, at dami ng procedure. Ang gastos na nagtataboy sa mga katunggali ay siya ring pumipigil sa karamihan ng mga papasok na makabuo ng isang bagay na sulit ipagtanggol. Maraming pagtatangka ang nabibigo sa unit economics bago pa man mag-compound ang loop.

Ang naghihiwalay sa mga loop na talagang nagiging compound mula sa mga pekeng moat ay:

• Ang datos ay nakaugnay sa kinalabasan, na ang ibig sabihin ay alam mo kung tama o mali ang resulta kaysa basta nangongolekta lamang ng mga senyales.
• Ang datos ay kontraktuwal na sa iyo upang gamitin sa iba’t ibang deployment.
• Sapat na matatag ang daloy ng trabaho kaya nananatiling may kaugnayan ang makasaysayang datos.
• Ang bawat pagpapatakbo ay lumilikha ng tunay na bagong mga edge case, hindi lamang mas marami ng pareho.
• Sapat na mataas ang dalas upang ang pagkatuto ay makapagdulot ng pinagsama-samang pag-angat bago magbago ang daloy ng trabaho.

Mali ang tesis na ito kung alinman sa mga sumusunod ay totoo:

• Maaaring makakuha ang isang kakumpitensya ng katumbas na datos sa pamamagitan ng pag-scrape, sintetikong pagbuo, transfer learning, o isang beses na pagbili.
• Ang customer ang nagmamay-ari ng datos nang kontraktuwal at hindi mo ito maaaring i-pool sa iba’t ibang deployment.
• Mas mabilis magbago ang daloy ng trabaho kaysa umunlad ang modelo, kaya ang naipong datos ay naglalarawan ng isang sistemang wala na.
• Ang halaga ng datos ay nasasaturate sa loob ng unang N na pagpapatakbo, na ang ibig sabihin ay nakapirmi ang bentahe, hindi dumarami.
• Ang gastos ng pagmamay-ari sa daloy ng trabaho ay mas malaki kaysa sa halaga ng datos na nalilikha nito.

Kung umiiral ang mga kondisyong iyon, ang loop ay hindi isang moat. Isa itong mamahaling proyektong pang-ensinyeriya na may pansamantalang lamang. Gaya ng pinagtalo ng a16z noong 2019, karamihan sa mga bentahe sa datos ay mga epekto ng scale na may humihinang balik, hindi mahika na network effects. Totoo na iyon bago pa ang kasalukuyang alon ng AI. Totoo pa rin ito ngayon.

Mga Modelo ng Negosyo na Itinayo sa Makabagong Moat

Inilalarawan ng apat na salik kung ano ang binubuo ng moat. Ang susunod na tanong ay anong uri ng modelo ng negosyo ang talagang makakakuhang gamitin ito. Sa praktika, itinutulak ng sagot ang layo mula sa pagbebenta ng mga kasangkapan at papunta sa pagmamay-ari mismo ng daloy ng trabaho.

Principal, Hindi Vendor

Ang nag-iisang pinakamataas na leverage na desisyon sa buong balangkas ay ang pagtangging maging nasa posisyon ng vendor.

Ang isang vendor play ay nangangahulugang pagbebenta ng kasangkapan sa organisasyong nagmamay-ari na ng daloy ng trabaho. Mukha itong kaakit-akit dahil mababa ang kapital na kailangan at, sa teorya, nasusukat ito, pero ibinibigay nito sa customer ang bawat pinagmumulan ng leverage. Ang operator ang nag-iingat ng ugnayan sa customer, ng pisikal na proseso, ng operasyonal na datos, ng badyet, ng pananagutan, at ng huling kinalabasan. Ang vendor ay nag-iingat lamang ng isang patong ng software na nakapatong sa lahat ng iyon. Nakakakuha ang startup ng maliit na bahagi ng halagang nililikha nito, humihingi ang customer ng mga custom na integrasyon hanggang sa umusog ang produkto tungo sa mga serbisyo, maaaring panoorin ng operator ang kasangkapan habang gumagana at saka ito palitan ng internal na build na ngayon ay lubhang mas mura nang gawin, at dahil ang operator ang nagmamay-ari ng pinakamahusay na datos, hindi kailanman nagiging compounding ang modelo ng vendor. Nananatiling may limitasyon ang mga margin. Lalo itong delikado sa mga pisikal na industriya, kung saan ang mga software vendor ay mapagkakatiwalaang nauuwi sa pagiging mga pinalaking consultant lamang.

Ang mas matibay na posisyon ay ang maging ang principal, ang mamag-ari ng operasyon, ng pananagutan, ng akreditasyon, ng daloy ng trabaho, o ng mismong liability. Sa halip na magbenta ng software sa sinumang nagsasagawa ng gawain, ang kumpanya ang nagsasagawa ng gawain o ginagarantiyahan ang kinalabasan nito. Binabaligtad niyan ang bawat kahinaan sa itaas. Nakukuha ng kumpanya ang buong margin sa halip na bahagi lamang ng lisensya, inaangkin ang kinalabasan ng customer at dahil dito ang relasyon, at pagmamay-ari ang datos dahil ang sarili nitong mga operasyon ang lumilikha nito. Hindi ito maaaring ma-disintermediate ng operator dahil ito mismo ang operator, at bumubuo ito ng tunay na operasyonal na kadalubhasaan sa halip na pangalawang-kaalamang pag-unawa.

Pinapadikit ng prinsipyo ang sarili nito sa isang tagubilin:

Huwag ibenta ang kasangkapan. Ibenta ang natapos na resulta.

Sa praktika, lumilitaw ito bilang pare-parehong pag-uugnay muli ng anumang ideya ng vendor tungo sa bersyon nitong principal:

Mas mahalaga ang pasyang ito kaysa sa alinman sa iba sa balangkas, dahil ito ang magpapasya kung sino ang nagmamay-ari ng datos, at ang pagmamay-ari ng datos ang magpapasya kung ang bentahe ay nagiging compounding o nauubos.

Serbisyo bilang Serbisyo

Ang posisyong principal ay nagpapahiwatig ng isang modelong paghahatid na iba ang hitsura sa karaniwang software, at mahalagang pangalanan ito, dahil sa unang tingin ay parang mas masamang negosyo ito sa sinumang sinanay sa mga margin ng SaaS.

Ilang pangalan ang umiikot para sa modelong ito. Tinawag ito ng YC, a16z, at ng iba pang service-as-software, at ang AI-enabled rollup thesis ay malapit na kamag-anak nito. Mas gusto ko ang serbisyo bilang serbisyo dahil pinananatili nito ang diin sa kung ano mismo ang aktuwal na natatanggap ng customer.

Hindi dapat kailangang gamitin ng customer ang software para matapos ang gawain. Dapat gamitin ng kumpanya ang software, AI, paggawa ng tao, hardware, at operasyon nang magkakasama upang maihatid ang natapos na trabaho. Ang software ay panloob na leverage, hindi ang produkto.

Sinadya ang pagkakasunod-sunod. Magsimula sa paggawa ng gawain nang mano-mano, o kasama ang mga tao sa loop. Gumamit ng software upang gawing mas mabilis, mas pare-pareho, at mas nasusukat ang gawaing tao na iyon. I-capture ang bawat input, desisyon, pagwawasto, edge case, at kinalabasan. Pagkatapos ay gamitin ang naipong datos upang i-automate ang mas marami at mas marami pa sa daloy ng trabaho, na kumokonberhe tungo sa isang automated na tagapagbigay ng serbisyo na may mga margin at depensibilidad na hindi kayang tumbasan ng karaniwang software.

Iba ito sa consulting sa isang mapagpasyang paraan. Ang consulting ay nagbebenta ng custom na paggawa sa bawat customer magpakailanman, at bawat engagement ay walang iniiwang muling magagamit. Ang serbisyo bilang serbisyo ay sinasadyang gumagamit ng maagang paggawa ng tao bilang instrumento para buuin ang sistema ng automation, at bawat engagement ay nag-iiwan ng datos na nagpapamura sa susunod.

Pero kailangan mong mag-ingat at bantayan ang isang bitag sa ganitong uri ng modelo. Kung ang bawat bagong customer ay nangangailangan ng custom na integrasyon, custom na paglilinis ng datos, custom na pagmamapa ng daloy ng trabaho, at custom na pag-tune ng modelo, ang kumpanya ay isang consultancy na hindi pa umaamin nito. Ang yugto ng tao sa loop ay ayos lang, at kadalasan ay kailangan, pero sa kundisyong lumilikha ito ng proprietary na datos at kumokonberhe tungo sa nasusukat na automation. Kung ginagawa pa rin ng mga tao ang parehong gawain sa parehong gastos bawat yunit pagkatapos ng limampung trabaho, nabigo ang modelo.

Ang Stargate para sa Datos

Ang AI ay lumilipat mula sa bottleneck sa compute patungo sa bottleneck sa datos. Ang pinakamahahalagang kumpanya ng AI sa darating na panahon ay hindi yaong may pinakakaraniwan o pinakapangkalahatang datos, na marami at kaya walang kinokolektang renta, eksaktong ayon sa lohika ng unang kalahati. Sila yaong nagmamay-ari ng bihira, pribado, mataas na kalidad na operasyonal na datos na hindi makukuha sa anumang paraan maliban sa paggawa ng trabaho.

Ang pariralang Stargate para sa Datos ay hiniram mula sa Stargate ng OpenAI, ang inihayag na multi-hundred-billion-dollar na pagtatayo ng compute, at ang paghiram na iyon ang punto. Kung ang kakapusan ng yaman noong nakaraang siklo ay nagbigay-katwiran sa planadong imprastraktura sa gayong antas, nararapat ding tratuhin nang ganoon ang susunod. Ang layunin ay hindi mag-ipon ng dataset. Ang layunin ay bumuo ng makinang patuloy na gumagawa ng proprietary na datos bilang byproduct ng paghahatid ng serbisyo.

Ang pagkakaibang mahalaga sa kasong ito ay ang layunin ay hindi mangolekta ng datos para lamang sa sarili nitong kapakanan, na lumilikha ng mamahaling lawa ng materyal na walang silbi. Ang layunin ay pagmamay-arian ang operasyonal na loop na lumilikha ng eksaktong datos na kailangan upang i-automate ang loop na iyon.

Ang Kompyuter ng mga Atom

Inilalarawan ng apat na salik ang isang estruktura. Inilalarawan ng kompyuter ng mga atom kung para saan ang estrukturang iyon, at ito ang pangmatagalang pananaw na nagpapahalaga sa buong pagsisikap.

Hindi ko naisip ang ideyang ito at gusto kong maging malinaw tungkol doon sa simula pa lamang. Ang framing ay kay Travis Kalanick. Pagkaraang itulak siyang palabas sa Uber noong 2017, gumugol siya ng walong taon sa pagbuo ng City Storage Systems nang palihim, at noong Marso 2026 pinalitan niya ang pangalan nito bilang Atoms at naglathala ng liham ng bisyon na naglatag ng buong konsepto. Ang pormulasyon niya ay nilalapitan mo ang mga problema sa pisikal na mundo tulad ng paglapit mo sa mga problema sa software, at ang mga pangunahing computing resource ay may pisikal na katumbas kung saan ang CPU ay manufacturing, ang storage ay real estate, at ang network ay transport. Sa isang a16z launch event, binigyang-kahulugan ni Kalanick ang kumpanya bilang nakasentro sa industrial AI, gamit ang software, sensor, robotics, at AI upang i-automate ang mga operasyon sa buong mga sektor na industriyal, simula sa pagkain, pagmimina, at transport. Basahin ang kanyang liham. Mas maganda ito kaysa sa aking buod nito, at ilang sa kanyang mga konklusyon ay dumarating sa parehong lugar na pinupuntahan ng dokumentong ito mula sa ibang direksiyon.

Habang mas nagiging may kakayahan ang AI, lumilipat ang nakabinding hadlang nito. Hindi na lamang kalidad ng pag-iisip ang limitasyon. Ito ay ang pakikipag-ugnayan sa pisikal na realidad. Maaaring lumikha ang isang modelo ng teksto, code, mga imahe, at mga plano na kapansin-pansin ang kalidad at gayon pa man ay hindi pa rin makakagawa nang mapagkakatiwalaan ng anuman sa isang magulo, hindi naka-istruktura, at may mabigat na kahihinatnang tunay na kapaligiran. Binigyan ng mga tradisyonal na kompyuter ang talino ng isang substrate para sa pagmamanipula ng mga bit. Ang oportunidad ngayon ay bumuo ng katumbas na substrate para sa mga atom, lumilikha ng mga sistemang nakararamdam sa pisikal na mundo, nag-iinterpret ng magulong kondisyon sa tunay na mundo, nagpapasya, kumikilos, beripikadong sinusuri ang mga kinalabasan, at natututo mula sa feedback, lahat sa ilalim ng tunay na pisikal, regulatori, at ekonomikong mga hadlang. Ang huling sugnay na iyon ang mahirap, at iyon ang dahilan kung bakit ito ay oportunidad sa negosyo sa halip na isang proyekto sa pananaliksik. Ang pagpapatakbo sa ilalim ng regulatori at ekonomikong hadlang ang eksaktong hindi maaaring i-clone, at ito rin ang eksaktong lumilikha ng closed loop na datos na kailangan ng ikaapat na salik.

Sa isang punto, lubos kaming nagkakasundo ni Kalanick, at mas mahusay niya itong nasabi kaysa sa akin. Ang termino niya ay mga robot na may kapaki-pakinabang na trabaho, na ang ibig sabihin ay mga espesyalisadong makina na may partikular na produktibong gawain, sa halip na mga humanoid na itinayo para gayahin tayo. Ang halimbawa niya ay kung kailangan mong gumawa ng isang libong pancake bawat oras, ang isang humanoid na nakakapagbaligtad ng mga ito nang awkward ay ang pinakamasamang posibleng disenyo at ang isang makinang sadyang ginawa para roon ang malinaw na pagpipilian. Kaya ang tamang lapit ay hindi bumuo ng isang robot na pangkalahatang gamit. Ito ay ang maghanap ng isang makitid na puwang kung saan ang loop na makadama, magpasya, kumilos ay maaaring i-deploy sa loob ng isang tunay na daloy ng trabaho na may malinaw na agarang halagang pang-ekonomiya, at gawin ang loop na iyon na gumana mula dulo hanggang dulo bago palawakin ito.

Ang kumpanya para sa malapit na panahon ay dapat na napakakitid hanggang sa magmukhang walang ambisyon. Ang pangmatagalang kisame ang dahilan para tanggapin ang pagiging makitid na iyon.

Isang Halimbawang Nagawa

Ang balangkas ay abstrakto, kaya nakatutulong na pagdaanan ang isang ideya rito. Isa lamang itong paglalarawan ng mga pamantayang ginagamit, hindi ang iisang konklusyon na ipinipilit ng balangkas.

Kunin ang espesyal na inspeksiyon sa konstruksyon at pagsusuri ng mga materyales. Ang bersiyong vendor ay nagbebenta ng software sa mga ahensiya at laboratoryo na mayroon nang pagmamay-ari ng daloy ng trabaho. Ang bersiyong principal ay nagiging ahensiya at laboratoryo. Hawak nito ang akreditasyon, isinasagawa ang mga inspeksiyon, at pasan ang responsibilidad sa regulasyon. Sa loob, gumagamit ito ng software, hardware, at AI upang maghatid ng sertipikadong mga resulta nang mas mabilis, mas mura, at mas maaasahan kaysa sa mga kasalukuyang nakaupo sa industriya.

Umaabot ang anyong iyon sa lahat ng apat na salik. Pisikal ito, dahil nakikitungo ito sa mga lugar, mga sample, mga instrumento, at mga sukat sa totoong mundo. Mayroon itong mga hadlang na batay sa relasyon at regulasyon, dahil kailangan ng mga mamimili ang mga resultang tinatanggap ng mga awtoridad na may hurisdiksiyon, hindi lang ng mas magandang dashboard. Hawak nito ang kinalabasan, dahil nagbebenta ito ng sertipikadong mga resulta sa halip na mga kasangkapan. At lumilikha ito ng pagmamay-aring datos sa operasyon bilang bunga ng gawain, kabilang ang mga resulta ng pagsubok, mga paraan ng pagkabigo, mga katangian ng materyal, mga pagwawasto ng eksperto, at ang mga ugnayan sa pagitan ng pisikal na mga kondisyon at panghuling mga kinalabasan.

Nagsisimula rin ito nang makitid, na sumusunod sa klasikong lohikang pang-startup na ilang taon nang itinatampok nina Paul Graham at YC. Magsimula sa isang matalim na puwang, pero tiyaking ang puwang na iyon ay kabilang sa isang malaki at masakit na problema. Hindi kailangang i-automate ang inspeksiyon sa konstruksyon bilang isang industriya sa unang araw. Ang pasukang punto ay maaaring isang uri ng inspeksiyon, isang pagsusuri ng isang materyal, isang heograpiya, o isang daloy ng trabaho sa pagsunod. Mula roon, isina-standardize ng software ang trabaho, gumagawa ang mga tao ng unang datos, at lumalawak ang automation lamang sa mga lugar kung saan talagang pinagsasama-sama ng loop ang halaga.

Ang mga panganib ay eksakto iyong inaasahan ng balangkas. Ang mga takdang panahon ng akreditasyon ay naglilimita sa kita, mabigat ang operasyon bago tumanda ang automation, at totoo ang bitag ng mga serbisyo kung ang bawat proyekto ay nauuwi sa gawaing pasadya. Iyon ang punto ng balangkas. Hindi nito ginagawang madali ang negosyo. Sinasabi lang nito sa iyo kung saan dapat naroon ang mga mahihirap na bahagi.

Mga Kumpanyang Mukha Nang Ganito

Mas madaling pagkatiwalaan ang balangkas kung inilalarawan nito ang mga bagay na umiiral na, sa halip na ang mga bagay lang na nais kong umiral.

Anduril ay apat sa apat. Pasadyang hardware sa mga drone, sensor tower, interceptor, at mga sasakyang pandagat sa ilalim ng dagat. Pasadyang software sa Lattice, na siyang pinapatakbo ng bawat piraso ng hardware na iyon. Mga relasyon at katayuang pang-regulasyon na walang coding agent ang makalilikha, dahil ang customer ay ang pamahalaan ng US at ang mga kaalyado nito. Datos sa operasyon mula sa mga nailunsad na sistema na bumabalik sa software. Mas mahalaga kaysa sa listahan ng produkto ang dalawang detalye. Pinopondohan nito ang sarili nitong R&D at ginagawa ang produkto bago ibenta sa umiiral na linya ng badyet, binabaligtad ang cost-plus na modelong pinapatakbo ng mga tradisyunal na prime. Pribado ang Anduril at hindi naglalathala ng na-audit na mga margin, ngunit ang mga pagtataya sa sekondarya ay naglalagay ng gross margin nito sa humigit-kumulang 40 hanggang 45 porsiyento. Iyan ay hindi pangkaraniwang mataas para sa hardware ng depensa, kung saan ang mga kumpanya sa aerospace at depensa ay may karaniwang humigit-kumulang 17.5 porsiyentong gross margin sa datos ng sektor ng NYU Stern. Mas kaunti ang kahalagahan ng eksaktong bilang kaysa ng istruktura. Ang isang vertically integrated, fixed-price, software-defined na modelo ay tila kumikita ng mas magandang ekonomiya kaysa sa tradisyunal na cost-plus na pagsasama ng platform.

Ang Intuitive Surgical ay ang mas matanda at mas tahimik na bersiyon ng parehong istruktura. Pinagsasama ng da Vinci system ang hardware na walang saysay kung walang software nito, mga FDA clearance na hindi malalaktawan ng kakompetensiya, dalawang dekada ng mga ugnayan sa ospital, at datos ng mga prosedur mula sa milyon-milyong operasyon. Umaabot ito sa apat sa apat, patuloy na pinagsasama-sama ang halaga, at isinasagawa na ang playbook na ito mula pa sa unang clearance nito noong 2000, matagal bago ito tawaging physical AI ng sinuman.

Ang Kraken Robotics ang pinakamahalagang halimbawa para sa akin, bahagya dahil iilan sa labas ng marine technology ang nakakakilala rito. Gumagawa ito ng synthetic aperture sonar, ng KATFISH na hataking platform, mga subsea battery, at underwater LiDAR. Walang saysay ang hardware na iyon kung walang pagmamay-aring imaging software na nakapalibot dito. Kabilang sa mga customer nito ang mga hukbong-dagat na kaalyado ng NATO. Iyon ay pagtitiwala at regulasyon sa pinakamataas na antas, dahil ang isang hukbong-dagat ay hindi lilipat ng vendor ng sonar para lang sa mas murang kopya. Ang mahalaga, hindi lang kagamitan ang ibinebenta ng Kraken. Nagpapatakbo ito ng mga survey bilang serbisyo, na nangangahulugang bawat trabaho ay lumilikha ng seabed intelligence na walang ibang may hawak. Ang huling pasyang iyon ang buong balangkas sa maliit na sukat. Napansin ng isang hardware company na mas mahalaga kaysa sa kahon ang datos, at lumipat sa principal na posisyon para mapanatili ito.

Ang SpaceX & Waymo ay purong principal na mga play. Hindi nagbebenta ng mga rocket ang SpaceX. Nagbebenta ito ng naihatid na payload. Hindi naglilisensiya ang Waymo ng autonomy software sa mga kumpanya ng kotse. Nagbebenta ito ng natapos na mga biyahe. Sa parehong kaso, tinanggihan ng kumpanya ang posisyong vendor, inako ang operational liability, at pinanatili ang datos. May dalang regulatory moat din ang Waymo na dumarating paisa-isang hurisdiksiyon. Mabagal ang paglawak na iyon, na eksakto ring dahilan kung bakit ito mapagtatanggol.

Ang Carbon Robotics ay ang kapaki-pakinabang na bahagyang kaso. Pinapatay ng LaserWeeder nito ang mga damo gamit ang computer vision at malalakas na laser. Noong Pebrero 2026, sinabi ng kumpanya na ang Large Plant Model nito ay sinanay sa mahigit 150 milyong naka-label na halaman, na nakolekta sa humigit-kumulang isang daang sakahan sa labinlimang bansa. Iyon ang data engine na gumagana gaya ng inilarawan, nalilikha bilang operational byproduct sa halip na hiwalay na inisyatiba. Pero babanggitin ko rin ang kahinaan ng setupt na ito. Nagbebenta ang Carbon ng kagamitan sa mga magsasaka, nananatiling vendor sa halip na principal. Nagiging matagumpay ito dahil ang datos ay bumabalik pa rin sa central model nito, na ginagawang kayang mabuhay ang posisyong vendor. Kung ang mga grower ang magmamay-ari ng fleet data na iyon, mawawala ang moat.

Ang Nokia ay parehong makasaysayang babala at umuusbong na test case. Noong 2007, hawak nito ang halos 50 porsiyento ng pandaigdigang market ng smartphone gamit ang pinakamahusay na hardware, lawak ng pagmamanupaktura, at supply chain sa mobile phones. Umunlad ito sa isang dimensiyon nang mas mahusay kaysa sa sinumang buhay noon, at bumagsak ito dahil wala itong software platform. Ang Nokia ngayon ay sinusubukang isagawa ang eksaktong multi-factor playbook na inilalarawan dito. Gaya ng binabalangkas ni Michael Sikand sa breakdown ng videong ito, gumugol ang kumpanya ng mahigit isang dekada sa pag-ikot mula sa consumer gadgets upang pagdugtungin ang vertically integrated optical silicon, matitibay na ugnayan sa carrier at depensa, at AI-enabled edge compute. Pinatunayan ng lumang Nokia na panandalian lamang ang isolated hardware na kalamangan. Buweno, sinusubukan ng bagong Nokia na patunayan na ang hardware na pinagsama sa institutional trust at software infrastructure ay lumilikha ng pangmatagalang moat.

Walang magkapareho ang anyo ng mga kumpanyang ito sa ibabaw, pero lahat sila ay tumuturo sa iisang aral. Ang pinaka-matatatag na negosyo ay kumita ng isang bagay na mabagal, gaya ng akreditasyon, deployed sensor fleet, pagtitiwala ng siruhano, kumpiyansa ng hukbong-dagat, pag-apruba ng regulasyon, o isang dekada ng operational data. Wala sa kanila ang nakarating doon sa pamamagitan lang ng pagsusulat ng mas mahusay na code, at wala sa kanila ang mahahabol ng isang taong ginagawa iyon.

Ang Pagiging Makitid ay Ang Kinakailangang Pasukan

Sila rin silang lahat ay nagsimula nang maliit. Ang mga kumpanyang nananalo ay hindi nagsisimula sa pagtatangkang angkinin ang buong ikot, at ang pagtatangkang gawin ito ang pinakakaraniwang pagkakamali. Ang ikot ay lalong lumalakas lamang kung sapat ang lalim mo sa isang workflow upang makalikha ng datos na naka-ugnay sa kinalabasan na hindi makukuha ng mga kakompetensya sa ibang paraan. Ang mababaw na pagkakalantad sa maraming workflow ay lumilikha ng mababaw na datos na mabilis mabusog.

Umiiral ang padron sa mga operator na nasa itaas at lampas pa sa kanila. Nagsimula ang Anduril sa proteksiyon ng puwersa at mga sistema laban sa drone bago palawakin ang produksyon at mga kalapit na kakayahan. Nagsimula ang Intuitive Surgical sa mga espesipikong laparoscopic na pamamaraan at bumuo ng pagsasanay sa siruhano at dami ng pamamaraan sa loob ng mga dekada bago lumawak sa iba’t ibang espesyalidad. Nagsimula ang SpaceX sa isang natitirang magamit na sasakyang panglunsad bago lumawak sa Starlink. Nagsimula ang Tesla sa isang makitid na premium na EV wedge (ang sports car na Roadster) at ginamit ang fleet para sa datos at pagkatuto sa pagmamanupaktura bago lumipat sa mga modelong pangdami, enerhiya, at awtonomiya. Nagsimula ang Palantir sa mga espesipikong workflow ng intelihensiya para sa mga espesipikong ahensiya bago lumawak sa komersyal. Sa bawat kaso, ang makitid na pagpasok ay hindi isang kompromiso. Ito ang mekanismong nagpadami ng ikot.

Sadyang makitid ang punto ng pagpasok. Isang workflow, isang uri ng customer, isang daloy ng datos na mahirap gayahin. Binubuo mo ang ikot sa palibot ng workflow na iyon hanggang ang datos ay dumami at lumalim ang relasyon, saka ka lalawak sa mga kalapit na workflow kung saan ang parehong datos, ang parehong mga relasyon, at ang parehong disiplina sa operasyon ay nagbibigay sa iyo ng bentahe na hindi kayang tumbasan ng isang bagong pumasok. Ang magsimula nang malawak ang dahilan kung bakit nauuwi ka sa bunton ng datos na hindi dumadami. Ang isang kakompetensyang nagsisimula ngayon ay hindi humahabol sa isang nakapirming lamang. Hinahabol nila ang isang lamang na lumalawak sa tuwing may trabahong natatapos, ngunit kung ang trabaho ay sapat na makitid, sapat na malalim, at sapat na paulit-ulit upang talagang mahalaga ang datos.

Kongklusyon

Itinatag ng unang kalahati ng dokumentong ito ang isang pangkalahatang batas. Anumang moat na binubuo lamang ng kahirapan sa paggawa ng isang bagay ay pansamantala, at tumatagal lamang hanggang sa may isang taong gawing madali ang paggawa ng bagay na iyon. Ginawa ito ng aglomerasyong industriyal ng Tsina sa hardware sa pamamagitan ng pagbagsak ng mga gastos sa transaksyon at latency ng pag-uulit sa loob ng isang napakasiksik na kumpol. Ginagawa ito ng generative AI sa software sa pamamagitan ng pagbagsak ng gastos ng bihira nitong input. Unang bumagsak ang hardware at sumunod ang software, ngunit para sa isang founder na bumubuo ngayon, walang mapagkakatiwalaang kanlungan.

Ginawang sagot ng ikalawang kalahati ang batas na iyon. Kung ang kahirapan sa produksyon ay hindi na nagtatanggol ng anuman, kung gayon ang pagiging depensibol ay kailangang buuin mula sa mga alitan na hindi naaabot ng pagbagsak ng produksyon. Kabilang dito ang pisikal na akses, saradong-loop na datos sa operasyon, katayuang pangregulasyon, kinamit na tiwala, at pagmamay-ari sa mismong kinalabasan. Kaya hinihingi ng apat na salik ang tatlo sa apat sa halip na isa, kung bakit mas mahalaga ang principal position kaysa sa alinmang isang desisyon, at kung bakit kailangang maging byproduct ng operasyon ang datos imbes na isang kinolektang asset.

Nagsisiksik ito sa isang sentrong pangungusap.

Sa panahon ng AI, ang pinakamahusay na mga kumpanya ay hindi magiging mga pangkaraniwang software tool o mga kopyahang produktong hardware. Sila ay magiging makikitid, nakatuon sa kinalabasan, pangunahing mga negosyo na pinagsasama ang software, pisikal na mga workflow, pinagkakatiwalaang mga relasyon, at pagmamay-ari na datos sa operasyon upang i-automate ang mataas ang halagang gawaing pang-mundo.

Para sa isang founder, hindi na ang tanong ay “anong software ang maaari kong buuin?” kundi anong mahalagang kinalabasan sa totoong mundo ang maaari kong angkinin, isagawa, sukatin, at i-automate?

Ang pinakamalalakas na pagkakataon ay nasa mga lugar kung saan nagtatagpo ang software sa atoms, tiwala, regulasyon, at pagmamay-aring datos. Nagsisimula sila sa isang makitid at masakit na workflow, gamit ang mga tao kung kinakailangan. Kinokolekta nila ang datos sa operasyon bilang byproduct ng trabaho, ina-automate ang hakbang-hakbang, at lumalakas bilang mga sistemang mahirap palitan. Ang bentahe ay matibay nang eksakto dahil kinita ito sa pamamagitan ng pisikal na operasyon sa halip na isulat sa code.

Ang panghuling layunin ay hindi bumuo ng produkto. Ito ay bumuo ng isang operating company na may scalability na tulad ng software, depensibilidad sa pisikal na mundo, at pagmamay-aring datos na gumagaling sa bawat trabahong natatapos.

Lahat ng dating moat dahil mahirap buuin ay nagiging komoditi. Ang pagbuo ng isang bagay ay mas madali kaysa dati, at habang sumusulong ang AI at mga pandaigdigang supply chain, lalo lamang itong magiging mas madali. Ang nananatiling depensibol ay ang mahirap lapitan, mahirap pagkatiwalaan, mahirap mapasok sa regulasyon, at mahirap obserbahan nang hindi ginagawa ang tunay na trabaho.

Mga Sipì at Mga Pinagmulan

Gusto kong maging malinaw kung saan nanggaling ang mga hiniram na bahagi, dahil malaking bahagi ng dokumentong ito ay ang pagdurugtong ko sa gawa ng ibang tao sa halip na lumikha ng anuman. Ang mga bagay na maituturing kong akin talaga ay ang tuntunin ng apat na salik, ang pamantayang tatlo sa apat, at ang tiyak na argumento na ang dalawang pagbagsak ay iisa ang pinagbabatayang mekanismo kahit na nangyari ang mga ito nang sunud-sunod. Nagbabago ang mga pigura, kaya i-check ang mga iyon bago ako sipiin.

Sa akin, mula sa naunang pagsulat

• The Barbell of Software Value (2025), kung saan una kong inilatag ang bumabagsak na gitna at ang Internal Software Leverage Theory. Ang ikalawang kalahati rito ay ang operatibong bersyon ng post na iyon.

Ang computer ng atoms

• Travis Kalanick, Vision, Unfinished Business, at How AI Will Transform the Physical World, Atoms at a16z, 2026. Ang pag-frame sa computer na nakabatay sa atoms, ang pagmamapa ng CPU/storage/network sa manufacturing/real estate/transport, ang loop na understand-predict-control, industrial AI, at mga robot na may kapaki-pakinabang na trabaho ay kanya lahat. Ang bahaging iyon ay buod ko ng ideya niya, hindi ang ideya ko.
• Ben Horowitz at Alex Danco, Travis is Back, a16z, 2026.

Ang ekonomiya

• Atlassian, Q2 FY2025 results, para sa matatag nang horizontal SaaS gross margins na nasa mababang walumpung porsiyentong saklaw.
• Snowflake, FY2025 results, para sa kontra-halimbawa na ang software na lubhang nakadepende sa consumption ay maaaring tumakbo nang kapansin-pansing mas mababa kaysa sa klasikong SaaS gross margins.
• Michael Porter, five forces, 1979, para sa taksonomiya ng mga pinagmumulan ng renta sa Bahagi Isa.
• David Teece, Profiting from Technological Innovation, 1986, para sa problema ng appropriability sa Bahagi Tatlo.
• Alfred Marshall, Principles of Economics, 1890, para sa external economies and agglomeration sa Bahagi Lima.
• Ronald Coase, The Nature of the Firm, 1937, para sa mga gastos sa transaksyon sa Bahagi Lima.
• Theodore Wright, 1936, at ang Boston Consulting Group, para sa the experience curve sa Bahagi Lima.
• Stan Shih, the smiling curve, bandang 1992. Ang kanyang orihinal na dayagram ay nasa Wikimedia Commons, at ang Publishers and the Smiling Curve ni Ben Thompson ang pinakamainam na pagpapalawig nito na nabasa ko.
• Gary Pisano at Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, para sa industrial commons at kung bakit mahirap ang reshoring.
• Andrew “bunnie” Huang, The Hardware Hacker, para sa unang-kamay na salaysay ng kung ano talaga ang pakiramdam ng magtrabaho sa loob ng densidad ng Shenzhen.
• WTO, Accessions: China, para sa konteksto sa pagsasama ng Tsina sa pandaigdigang sistemang pangkalakalan.
• World Bank, manufacturing value added, para sa konteksto sa laki ng pagmamanupaktura ng Tsina kumpara sa Estados Unidos.

Ang mga mekanika ng startup

• Paul Graham, Do Things That Don’t Scale at How to Get Startup Ideas, para sa makitid na wedge.
• Tesla, The Secret Tesla Motors Master Plan, 2006, para sa lohika ng Roadster patungo sa abot-kayang kotse na wedge.
• Palantir, S-1 registration statement, 2020, para sa padron ng paglawak mula gobyerno tungo sa komersyal.
• Kasaysayan ng kumpanya ng SpaceX at mga pagsisiwalat ng Starlink, sa pamamagitan ng SpaceX at Starlink, para sa paglulunsad bilang paunang wedge bago ang mas malawak na imprastraktura sa kalawakan.

Pagko-code gamit ang AI at produksyon ng software

• GitHub, Panimula sa GitHub Copilot, 2021, at Pangkalahatang pagkakaroon ng GitHub Copilot, 2022, para sa praktikal na simula ng komersyal na tulong sa pagko-code ng AI.
• OpenAI, Ulat Teknikal ng GPT-4, 2023, at Anthropic, Claude 3.5 Sonnet, 2024, para sa konteksto sa pagbilis ng kakayahan ng modelo.
• Peng et al., Ang Epekto ng AI sa Produktibidad ng mga Developer, 2023, para sa kinontrol na resulta ng GitHub Copilot kung saan natapos ng mga developer ang isang nililimitahang gawain sa pagko-code nang 55.8 porsiyentong mas mabilis.
• Cui et al., Ang mga Epekto ng Generative AI sa Mataas na Dalubhasang Trabaho, 2025, para sa resulta ng pag-aaral sa larangan sa 4,867 developer na nagpapakitang 26.08 porsiyentong mas maraming natapos na gawain.
• METR, Pagsukat sa Epekto ng AI noong Maagang-2025 sa Produktibidad ng mga Sanay na Open-Source Developer, 2025, para sa kontra-halimbawang kung saan ang mga bihasang developer ay 19 porsiyentong mas mabagal gamit ang mga kasangkapan ng AI sa mga hinog na repo.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, at OpenCode, para sa paglipat mula sa autocomplete tungo sa ahentikong access sa repo at terminal.
• Conductor, Superset, at Hermes Agent, para sa layer ng orkestrasyon sa itaas ng mga kasangkapang pang-code na may iisang ahente.

Mga pagkabigo ng data moat

• Sun et al., Pagbabalik-tanaw sa Di-makatwirang Bisa ng Datos sa Panahon ng Deep Learning, ICCV 2017, para sa empirikong natuklasan na ang pagganap sa mga gawain sa vision ay gumagaling nang logaritmiko kasabay ng dami ng training data.
• Martin Casado at Peter Lauten, Ang Walang-Lamang Pangako ng mga Data Moat, a16z, 2019, para sa argumento na ang mga epekto ng lawak ng datos ay kadalasang nabubura sa halip na nagsasama-sama.
• Valavi et al., Oras at ang Halaga ng Datos, Harvard Business School Working Paper 21-016, 2021, para sa pagkakaiba sa pagitan ng data stock at data flow, at ang natuklasan na ang lumang datos ay maaaring makasama sa katumpakan ng modelo.
• Chen et al., Nauupos na kaugnayan ng klinikal na datos tungo sa mga susunod na desisyon sa mga data-driven na inpatient clinical order set, International Journal of Medical Informatics, 2017, para sa humigit-kumulang apat na buwang half-life ng datos sa klinikal na prediksyon.
• OpenAI Pagkapribado para sa Enterprise, Anthropic Mga Komersyal na Tuntunin, Microsoft Azure OpenAI pagkapribado ng datos, AWS Bedrock FAQ, at Google Vertex AI pamamahala ng datos, para sa mga default na pangakong walang pagsasanay sa mga input at output ng customer sa negosyo.
• European Data Protection Board, Opinyon 28/2024 tungkol sa mga modelong AI, Artikulo 5 at Artikulo 17 ng GDPR, mga tuntunin ng HIPAA sa de-identification, at mga tuntunin ng CCPA/CPRA, para sa mga limitasyon ng batas sa pagkapribado sa sekondaryong paggamit ng datos, pagbura, de-identification, at pagbabahagi.
• Lathrop GPM, Pag-navigate sa Pagmamay-ari ng AI sa mga Komersyal at IP License Agreement, 2026, para sa tensiyon sa kontrata sa pagitan ng mga pangakong walang pagsasanay at mga natitirang karapatan sa paggamit ng pinagsama-samang datos o de-identified na datos.

Mga larawan

• Nakangiting kurba ni Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei sa tawiran ng Shennan, larawan ni Charlie fong, Wikimedia Commons, CC BY-SA.
• Hulmahan ng injection molding, larawan ni Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Mga presyo ng solar PV module laban sa pinagsama-samang naka-install na kapasidad, Our World in Data, CC BY 4.0. Ang tsart ay muling nilikha nang lokal mula sa inilathalang dataset.

Mga halimbawa ng kumpanya

• Tantiya ng gross margin ng Anduril sa pamamagitan ng Sacra. Pribado ang Anduril at hindi naglalathala ng na-audit na mga margin, kaya itinuturing ito bilang pagtatantiya sa halip na iniulat na pigura. Ang benchmark sa sektor para sa gross margin ng aerospace at defense (humigit-kumulang 17.5 porsiyento) ay hango sa dataset ng margin ni Aswath Damodaran sa NYU Stern.
• Background ng Alphabet at Google sa pamamagitan ng FY2025 Form 10-K ng Alphabet, na ipinares sa United States v. Google LLC para sa mga kasunduan sa distribusyon ng default sa search, mga kalamangan sa lawak ng search, at konteksto ng antitrust.
• Carbon Robotics Large Plant Model at 150 milyong may-label na halaman sa pamamagitan ng anunsyo ng Business Wire noong Pebrero 2026, na may TechCrunch bilang pagkumpirma.
• Kasaysayan ng Intuitive Surgical at pag-apruba ng FDA noong 2000 sa pamamagitan ng Kasaysayan ng Kumpanya ng Intuitive. Dami ng prosedur sa pamamagitan ng 2025 Corporate Impact Report ng Intuitive, at mga pigura ng installed base / margin sa pamamagitan ng Q4 2025 earnings release.
• Mga pigura ng margin ng Tesla sa pamamagitan ng update nito sa Q4 at FY2025.
• Padron ng regulatong paglawak ng Waymo sa pamamagitan ng 2026 Robotaxi Regulatory Map ng Tesorb at ulat ng Electrek tungkol sa pag-apruba ng pagpapalawak ng CPUC.
• Peak ng Nokia noong 2007 at timeline ng pagbagsak sa pamamagitan ng BBC News at Wikipedia, na may pag-aaral nina Vuori at Huy sa Administrative Science Quarterly / INSEAD para sa mga organisasyonal na dinamika sa likod ng pagbagsak, at video breakdown ni Michael Sikand para sa modernong pivot nito sa imprastraktura.
• Mga detalye ng OpenAI Stargate sa pamamagitan ng orihinal na anunsyo ng OpenAI at anunsyo ng pagpapalawak ng site. Ang mga ito ay mga inihayag na pangako at plano, hindi ganap na naipadalang kapasidad.
• Ang Kraken Robotics ay hinango mula sa sariling mga pagsisiwalat ng produkto at kontrata ng kumpanya.