# Het Moderne Slotgracht

> Source: <https://mehmetmhy.com/langs/nl/modern_moat/>
> Published: 2026-08-14 00:00:00+00:00

# Het Moderne Slotgracht

**Table of Contents**

## TL;DR

De bepalende zakelijke slotgracht van de 21e eeuw, pure software, stort snel in nu Generatieve AI de kostprijs van code naar nul drijft, wat weerspiegelt hoe Chinese industriële agglomeratie de pure hardware-slotgracht al heeft vernietigd. Omdat de pure moeilijkheid van productie een bedrijf in beide domeinen niet langer beschermt, is duurzame winst verschoven naar de complexe naden tussen bits en atomen. Om vandaag een verdedigbaar bedrijf op te bouwen, moeten oprichters het generieke model van softwareleverancier loslaten en in plaats daarvan optreden als een principaal die een echte fysieke workflow van begin tot eind bezit. Door ten minste drie van de vier sleutelfactoren strak te integreren (maatwerkhardware, gespecialiseerde software, verdiende relaties en propriëtaire data), kan een modern bedrijf een gegarandeerd resultaat leveren terwijl het stilletjes de gesloten-lusdata oogst die de echte slotgracht wordt, omdat een concurrent die vandaag begint niet een vaste voorsprong achterna zit, maar een voorsprong die elke keer dat een klus wordt geklaard verder uitdijt.

## Voorwoord & Doel

Dit rapport is een uitwerking van de ene stelling waarop alles in mijn slotgrachtentheorie rust: pure software is niet langer een verdedigbare slotgracht, en pure hardware hield op er een te zijn zodra China zijn productiehegemonie had opgeschaald. Beide worden vaak als slogans rondgestrooid. Wat ik hier wil doen, is de slogan weghalen en het mechanisme erin zetten. Ik wil op het niveau van de werkelijke economie uitleggen waarom elke instorting plaatsvond, welke specifieke aannames stilletjes braken, hoe de twee instortingen elkaar voeden, en waar duurzame winst nog steeds kan worden vastgelegd. Ik heb dit zo geschreven dat het op zichzelf kan staan, zodat een toekomstige lezer, of een toekomstig model, het volledige betoog kan begrijpen zonder het gesprek dat het heeft voortgebracht.

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

Het document bestaat uit twee helften:

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

# De Analyse: Hoe Beide Slotgrachten Instortten

## Deel Een: Wat Een Slotgracht Eigenlijk Is

Voordat ik uitleg hoe de slotgrachten instortten, moet ik precies zijn over wat een slotgracht is, omdat los gebruik van dat woord verantwoordelijk is voor de meeste slechte strategische denkbeelden die ik heb gezien. **Een slotgracht is geen goed product. Een slotgracht is geen tijdelijke voorsprong. Een slotgracht is niet als eerste zijn.** Een slotgracht is een structureel kenmerk van een markt dat een onderneming in staat stelt gedurende lange tijd rendement boven haar kapitaalkosten te verdienen zonder dat die rendementen door concurrentie worden weggevaagd. In de taal van de industriële economie is een slotgracht een duurzame bron van [economische rente](https://en.wikipedia.org/wiki/Economic_rent).

Economische rente is het overschot dat een onderneming verdient boven het minimum dat zij zou accepteren om open te blijven, en in een echt concurrerende markt gaat dat overschot naar nul. Onder [perfecte concurrentie](https://en.wikipedia.org/wiki/Perfect_competition) wordt de prijs omlaag gedrukt tot de marginale kost, verdienen ondernemingen slechts hun kapitaalkosten, en blijft er geen overmatige winst over. Elk kader over verdedigbaarheid is eigenlijk een theorie over hoe één specifieke onderneming aan die trek naar marginale-kostprijszetting en nulwinst ontsnapt.

De klassieke lijst komt van [Michael Porter](https://en.wikipedia.org/wiki/Porter%27s_five_forces_analysis), wiens vijfkrachtenkader sinds 1979 het standaardinstrument hiervoor is, later aangescherpt door de waarde-investeringswereld. Het geeft een klein aantal echte, duurzame bronnen van rente:

**Toetredingsbarrières** die nieuwe concurrenten buiten houden**Hoge overstapkosten** die bestaande klanten binnen houden**Netwerkeffecten**, waarbij het product waardevoller wordt naarmate meer mensen het gebruiken** Schaalvoordelen**die gevestigde spelers in staat stellen nieuwkomers te onderbieden** Propriëtaire IP of regelgevende bescherming**die imitaties juridisch uitsluit** Beheersing van een schaars input- of distributiekanaal**waar rivalen niet bij kunnen

### Elke Bron van Rente Is Een Frictie

Hier is het inzicht waarop de rest van dit rapport steunt. Elk van die bronnen van rente is een frictie. Een slotgracht is eigenlijk gewoon een vorm van frictie die concurrenten niet goedkoop kunnen passeren:

- Hoge overstapkosten zijn frictie in
**de uitgang van de klant**. - Toetredingsbarrières zijn frictie in
**de aankomst van de concurrent**. - Netwerkeffecten zijn frictie in
**de coördinatie die nodig is om gebruikers samen ergens anders heen te laten verhuizen**. - Productieschaal is frictie in
**het kapitaal en de tijd die een nieuwkomer moet vastleggen** voordat deze de concurrerende kost per eenheid bereikt.

Deze herformulering is enorm belangrijk, omdat ze je precies vertelt wat iets als generatieve AI, of iets als Chinese industriële dichtheid, daadwerkelijk met een markt doet. Deze krachten vallen producten niet aan. Ze vallen fricties aan. Het zijn frictie-oplossende technologieën. En een frictie-oplossende technologie is per definitie een slotgracht-oplossende technologie.

Het hele betoog van dit rapport is in één zin samen te persen:

software- en hardware-slotgrachten stortten in omdat de specifieke fricties die hun rente genereerden precies de fricties waren die AI en Chinese agglomeratie toevallig uitzonderlijk goed konden wegnemen.

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

Om de instorting te begrijpen, moet je eerst begrijpen waarom software historisch de beste bedrijfsstructuur was die het kapitalisme ooit vond, want de instorting is slechts de omkering van de dingen die het geweldig maakten.

Software had een bijna unieke kostenstructuur. Het combineerde een **hoge vaste kost om de eerste kopie te maken** met een **bijna nul marginale kost om elke volgende kopie te reproduceren en te verzenden**. Het schrijven van de eerste versie van een complex programma vereiste een schaars, duur, langzaam op te leiden team van ingenieurs dat maanden of jaren werkte. Maar eenmaal geschreven kostte de miljoenste kopie in wezen niets om te maken en niets om te leveren. Die asymmetrie leverde enorme operationele hefboomwerking op. Volwassen horizontale software kan brutomarges in de tachtig procent halen, zoals [Atlassian voor Q2 FY2025 verwachtte](https://www.businesswire.com/news/home/20250130093810/en), omdat de omzet meegroeit met gebruikers terwijl de kostprijs van de verkochte goederen nauwelijks beweegt. Maar die uitspraak is minder universeel dan vroeger, nu verbruiksintensieve software zoals [Snowflake in FY2025 dichter bij 67 procent brutomarge uitkwam](https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/), deels omdat infrastructuur van derde partijen binnen de omzetkost zit. In economische termen gedroeg software zich als een puur [informatiegoed](https://en.wikipedia.org/wiki/Information_good), en informatiegoederen breken de normale relatie tussen productie en kosten die voor fysieke grondstoffen geldt.

Maar lage marginale kosten alleen creëren geen slotgracht. Als iedereen het goed goedkoop kan maken, leveren lage marginale kosten verwoestende concurrentie op, geen rente. Software verdiende rente omdat de hoge vaste kost van de eerste kopie werkte als een toetredingsbarrière, en omdat verschillende andere fricties daar bovenop werden gestapeld:

**Schaarste aan engineeringtalent.** Het bouwen van niet-triviale software vereiste mensen die duur waren, moeilijk aan te nemen en moeilijk te coördineren, dus de meeste potentiële concurrenten konden het team simpelweg niet samenstellen om een geloofwaardige kloon te bouwen.**Tijd.** Zelfs een goed gefinancierde concurrent had vele maanden nodig om reverse-engineering uit te voeren, te specificeren, te bouwen, te testen en een rivaliserend product uit te brengen, en gedurende die maanden had de gevestigde partij een tijdelijk monopolie om gebruikers, omzet en meer productdiepte op te stapelen.**Overstapkosten.** Zodra een klant zijn data in een systeem had ondergebracht, zijn personeel op die interface had getraind, en het systeem via maatwerkintegraties in alles anders had gekoppeld, werd vertrekken prohibitief duur, zelfs als er iets beters en goedkopers opdook.**De berekening bouwen versus kopen.** Omdat het bouwen van aangepaste interne software zelf duur en risicovol was, kochten bedrijven rationeel standaard kant-en-klare producten in plaats van hun eigen oplossing te bouwen, wat een grote markt voor verpakte softwareleveranciers garandeerde.**Netwerkeffecten en accumulerende propriëtaire data**, in de beste gevallen daar bovenop gestapeld.

### De Structurele Kwetsbaarheid

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

Dat is de kwetsbaarheid. Een bedrijf waarvan de verdedigbaarheid vooral rust op hoe moeilijk het product te maken is, is alleen verdedigbaar zolang productie moeilijk blijft. Op het moment dat de kosten voor het produceren en vervangen van software instorten, storten vier van de vijf pijlers mee in, en blijft alleen het netwerk-effect aan de vraagzijde overeind.

Die instorting is precies wat generatieve AI heeft geleverd.

## Deel Drie: De AI-schok & het uiteenvallen van de softwaregracht

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

Generatieve AI en autonome codeeragents vallen die input direct aan. Ze genereren, refactoren, debuggen, documenteren en implementeren code tegen een fractie van de historische kosten bij veel taken. Een [gecontroleerd GitHub Copilot-experiment](https://arxiv.org/abs/2302.06590) vond dat ontwikkelaars een afgebakende codeertaak 55,8 procent sneller voltooiden, en een [veldstudie onder 4.867 ontwikkelaars](https://mit-genai.pubpub.org/pub/v5iixksv) vond 26,08 procent meer voltooide taken. Het effect is echt, maar ongelijk; een [gerandomiseerde proef uit 2025 door METR](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) vond dat ervaren open-sourceontwikkelaars in vertrouwde, volwassen codebases 19 procent trager waren met AI-tools uit begin 2025, terwijl ze geloofden dat ze sneller waren. De veilige conclusie is niet dat AI elke ingenieur in elke omgeving sneller maakt. Het is dat AI de kosten van het produceren van code comprimeert, vooral voor afgebakend, greenfield-werk en minder senior werk. **De schaarse input wordt overvloediger gemaakt.** Wanneer de prijs van de kritieke schaarse input daalt, stort de toetredingsdrempel die op die schaarste was gebouwd mee in. Dat ene mechanisme werkt door in alle vier de aanbodszijdepijlers.

De verandering is zichtbaar in de tools die ontwikkelaars daadwerkelijk gebruiken. Eerst kwamen IDE-native copilots zoals [Cursor](https://cursor.com/). Daarna kwamen terminal-native codeeragents zoals [Claude Code](https://code.claude.com/docs/en/cli-reference), [Codex CLI](https://learn.chatgpt.com/docs/codex/cli), [Kiro CLI](https://kiro.dev/cli/), en [OpenCode](https://opencode.ai/docs/cli/), waarbij het model de repo leest, bestanden bewerkt, opdrachten uitvoert en zich iteratief aanpast binnen dezelfde omgeving als de ingenieur. Nu ontstaat er een derde laag rond multi-agent orkestratie, met tools zoals [Conductor](https://www.conductor.build/), [Superset](https://superset.sh/), en [Hermes Agent](https://hermes-agent.nousresearch.com/) die meerdere agents over projecten en omgevingen heen coördineren. De ontwikkeling is duidelijk. Ze is gegaan van autocomplete, naar autonome agents, naar het orkestreren van veel agents parallel, en dit zal alleen maar versnellen. Digitaal werk zal elk jaar gemakkelijker worden te automatiseren, en de tools die vandaag nog een bekwame operator vereisen, zullen morgen steeds minder menselijke tussenkomst vereisen.

### 1. De instorting van de toetredingsdrempel

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

Wanneer één ontwikkelaar met goede AI-tools een gepolijste, werkende applicatie kan ontwerpen, bouwen en lanceren in een klein deel van de vroegere tijd en tegen een klein deel van de vroegere kosten, verdwijnt die filter. De markt stroomt vol met nieuwkomers. In concurrentietermen verschuift de aanbodcurve van softwarefuncties massaal naar buiten, en de basale prijstheorie vertelt zonder enige ambiguïteit wat er dan gebeurt. Wanneer het aanbod van een vervangbaar goed hard uitbreidt tegen ongeveer vaste vraag, daalt de prijs richting marginale kosten, en omdat de marginale kosten van software bijna nul zijn, wordt de prijs daar ook naartoe getrokken. **Hyperovervloed aan software-aanbod is, mechanisch gezien, de vernietiging van prijsmacht in software.**

### 2. De instorting van het tijdsvoordeel

Dit was waarschijnlijk de belangrijkste softwaregracht van allemaal. De hele logica van snel verzenden en itereren berustte op het feit dat een gelanceerde functie zijn maker maanden van exclusieve voorsprong gaf voordat iemand anders die kon kopiëren. Die doorlooptijd was het venster waarin netwerkeffecten, merk en klanten werden opgebouwd.

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

Wanneer de imitatievertraging naar nul gaat, verdampt het tijdelijke monopolie dat snelle innovatie rechtvaardigde. Innovatie vindt nog steeds plaats, maar het levert geen duurzame premie meer op, omdat de beloning voor innovatie onmiddellijk aan imitatiespelers wordt gegeven. Dit is een schoolvoorbeeld van wat [David Teece](https://en.wikipedia.org/wiki/David_Teece) in zijn paper uit 1986 over profiteren van technologische innovatie het appropriatieprobleem noemde. Innovatie betaalt zichzelf alleen terug wanneer de innovator genoeg van de waarde die zij creëert kan vastleggen voordat imitatie die wegconcurreert. AI duwt de approprieerbaarheid van pure software-innovatie richting nul.

### 3. Het oplossen van overstapkosten

Dit was de stevigste van de traditionele softwaregrachten, omdat hij werkte zelfs wanneer een concurrerend product duidelijk beter was. Maar overstapkosten bestonden zelf uit fricties: data migreren van het ene schema naar het andere, aangepaste integraties opnieuw opbouwen, en personeel opnieuw trainen op een onbekende interface. Elk van die dingen is precies het soort vervelend, patroonmatig vertaalwerk waarin AI goed is.

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

Wanneer de kosten van vertrekken dalen, daalt daarmee ook de lifetime value van een vastgehouden klant, stijgen de klantacquisitiekosten relatief ten opzichte van die krimpende lifetime value, en verslechtert de unit-economie van het hele abonnementsmodel. **Een gracht die rust op het onvermogen van de klant om weg te gaan, lost op wanneer weggaan goedkoop wordt.**

### 4. De omkering van bouwen versus kopen

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

Wanneer AI-agents interne teams, zelfs niet-technische, in staat stellen om maatwerktoepassingen te genereren die zijn toegesneden op hun eigen werkstromen, verdwijnt de straf op bouwen, en verschuift de rationele keuze van het kopen van een generiek abonnement naar het genereren van een privétool die perfect past en geen terugkerende licentie kent.

Dit maakt concurrentie tussen leveranciers niet alleen heviger. **Het krimpt de totale adresseerbare markt waar leveranciers om concurreren**, omdat een groeiend deel van de softwarevraag intern wordt ingevuld en de externe markt helemaal niet meer bereikt. Waarde migreert van externe softwareleveranciers naar interne operationele capaciteit, wat wil zeggen dat het ophoudt een markt te zijn en een interne kostenefficiëntie wordt.

Dit is hetzelfde wat ik **Internal Software Leverage** noemde in mijn schrijven, [The Barbell of Software Value](https://mehmetmhy.com/posts/barbell_theory/), maar dan gezien vanuit de kant van de leverancier in plaats van die van de koper.

### Het resultaat & wat *niet* instort

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

Eerlijk zijn vereist dat je duidelijk zegt wat níet instort, want dit te ver doortrekken zou het onjuist maken. Generatieve AI valt de fricties in de productie aan de aanbodzijde aan. Op zichzelf valt het niet de fricties aan de vraagzijde en op systeemniveau aan.

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

Dus de precieze bewering is niet dat alle softwarebedrijven sterven. Het is dat de specifieke, ooit dominante gracht van pure, op zichzelf staande, verpakte software, verdedigd door de moeilijkheid om code te schrijven en te vervangen, is vernietigd. Wat overblijft is software die verankerd is aan iets dat AI niet goedkoop kan reproduceren: een netwerk, een dataset, een regelgevende positie, een distributiekanaal, of een fysieke operatie. **Software die vrij zweeft van al die zaken is nu een grondstof.**

## Deel Vier: De historische hardwaregracht & waarom atomen moeilijk waren

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

Hardware was verdedigbaar om bijna de tegenovergestelde redenen als software, en de kapitaalmarkten behandelden de twee als tegenpolen. Waar software vrijwel nul marginale kosten had, had hardware hoge en hardnekkige marginale kosten, omdat elke fysieke eenheid materialen, energie, arbeid en machinetijd verbruikte. Waar software direct en onbeperkt kon worden geleverd, was hardware gebonden aan de natuurkunde van productie en logistiek. Die eigenschappen maakten hardware op de marge een slechter bedrijf, maar ze maakten het vreemd genoeg ook verdedigbaar op een specifieke manier, omdat de moeilijkheid van fysieke productie werkte als een barrière die een goed geleid hardwarebedrijf beschermde tegen casual imitatie.

De specifieke wrijvingen die hardware beschermden waren deze:

-
**Gereedschapskapitaal.** Het maken van een fysiek product op schaal vereiste gespecialiseerde gereedschappen, voornamelijk de spuitgietmatrijzen en gietmatrijzen die worden gebruikt om plastic en metalen onderdelen te vormen, en die gereedschappen kostten tienduizenden of honderdduizenden dollars en dwongen tot hoge minimale bestelvolumes. Dat was een harde kapitaalmuur die de meeste nieuwkomers niet konden beklimmen, en het beschermde incumbents die hun gereedschappen al hadden afgeschreven. -
**Iteratielatentie.** Het verfijnen van een fysiek ontwerp betekende nieuw gereedschap snijden, toleranties aanpassen en fysieke testseries draaien, een lus die per ronde weken of maanden kostte en elke keer zwaar geld kostte, zodat fysieke producten langzaam verbeterden en een concurrent een lange dure campagne nodig had om bij te halen. -
**Samenstelling van de toeleveringsketen.** Een fysiek product is een stuklijst die uit veel gespecialiseerde leveranciers wordt betrokken, en die leveranciers waren vroeger verspreid over bedrijven, regio’s en landen, dus een werkende toeleveringsketen samenstellen betekende onderhandelen met geïsoleerde verkopers, lange levertijden accepteren en ingewikkelde logistiek beheren. -
**Precisie en proceskennis.** De opgebouwde, vaak stilzwijgende knowhow die nodig is om een ontwerp daadwerkelijk te vervaardigen tegen een acceptabel rendement. Die wordt niet overgedragen vanuit een tekening. Je moet die leren door het te doen. -
**Distributie.** De noodzaak om fysiek product bij kopers te krijgen via detailhandelaren, distributeurs en schapruimte die zelf schaars waren en door poortwachters werden bewaakt.

Kijk nog eens naar de samenstelling, net als bij software. De hardwaregracht was overweldigend een set productie- en logistieke wrijvingen: gereedschapskapitaal, iteratielatentie, samenstelling van de toeleveringsketen, procesrendement en fysieke distributie. Ze werd verdedigd door hoe moeilijk, traag en duur het was om een ontwerp om te zetten in een verzonden fysiek object. En precies zoals bij software geldt: een verdediging die is gebouwd op de moeilijkheid van productie is alleen duurzaam zolang productie moeilijk blijft.

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

## Deel Vijf: De China-schok, industriële agglomeratie, & het einde van de hardwaregracht

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

De echte verklaring is dat China, op een dichtheid en schaal die niemand eerder had gezien, het fenomeen bouwde dat [Alfred Marshall](https://en.wikipedia.org/wiki/Alfred_Marshall) meer dan een eeuw geleden beschreef als [industriële agglomeratie](https://en.wikipedia.org/wiki/Economies_of_agglomeration). Die agglomeratie, niet loonarbitrage, is wat de hardwaregracht uit elkaar trok. Dit onderscheid is het hele punt van deze sectie, en ik ben niet de eerste die het maakt. Andrew “bunnie” Huang heeft de Shenzhen-versie ervan al meer dan tien jaar uit de eerste hand gedocumenteerd in [The Hardware Hacker](https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf).

### Marshalleske externe economieën

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

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

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

### Transactiekosten storten in

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

In een hyperdichte cluster storten transactiekosten bijna volledig in. De volledige toeleveringsketen voor de meeste elektronische en mechanische apparaten bevindt zich binnen een kleine straal, dus zoeken, inkopen, onderhandelen en coördineren dat vroeger weken over continenten heen kostte, kost nu uren binnen een district. Een ontwerper kan een apparaat specificeren, alle componenten lokaal op dezelfde dag inkopen, een aangepaste printplaat laten fabriceren en assembleren binnen één nacht, en de volgende ochtend een werkend prototype vasthouden.

Dit is niet goedkoper arbeid. Dit is het vrijwel elimineren van transactiekosten en iteratielatentie, wat categorisch iets anders en veel krachtiger is.

Uit die dichtheid kwamen vier mechanismen voort die de hardwaregracht oplosten, in spiegelbeeld van de vier waarop AI software toepaste.

### 1. De ineenstorting van iteratielatentie

Dit is de hardwareversie van software die zijn temporele voordeel verliest. In de verspreide westerse toeleveringsketen kostte een fysieke ontwerpronde weken en veel geld, dus hardware verbeterde langzaam en de verfijningsvoorsprong van de incumbent bleef bestaan. Binnen de cluster nadert fysieke iteratie de snelheid van software-iteratie. Matrijzen worden aangepast, printplaatontwerpen worden bijgesteld, en testseries worden binnen dagen uitgevoerd.

Het strategische gevolg is hard. Elk hardwareontwerp dat in het Westen wordt bedacht, kan sneller worden waargenomen, terugontworpen, geoptimaliseerd voor maakbaarheid en massaal geproduceerd binnen de cluster dan het oorspronkelijke westerse bedrijf zijn eigen tweede prototype kan afronden. **De doorlooptijd van de bedenker, die de bron van zijn rente was, is negatief. De imiterende partij levert als eerste de verbeterde, goedkopere versie.**

### 2. De ineenstorting van gereedschapskapitaal

Dit is de hardwareversie van de toetredingsdrempel van software die wegvalt. De tienduizenden dollars en hoge minimale bestelhoeveelheden die vroeger fysieke productie afgrendelden, zijn binnen de cluster geoptimaliseerd door snel computergestuurd verspanen, gestandaardiseerde modulaire matrijsbases die opnieuw worden geconfigureerd in plaats van vanaf nul te worden gesneden, en keihard concurrerende gereedschapswerkplaatsen met hoge doorvoer. Kleine series, sterk aangepaste hardware kan nu worden geproduceerd tegen een kostenstructuur die vroeger alleen beschikbaar was voor grote multinationals. De kapitaalmuur die hardware-entrant(en) filterde is grotendeels gevallen, net als de muur die software-entrant(en) filterde, en de markt wordt overspoeld met dezelfde voorspelbare neerwaartse druk op de prijs.

### 3. De leercurve, versterkt door automatisering

Deze mechanisme is wat de kostleiderschap permanent vergrendelt, en het is de reden dat het voordeel niet kan worden weggearbitraged door ergens anders heen te verplaatsen. [De wet van Wright](https://en.wikipedia.org/wiki/Experience_curve_effects), voor het eerst beschreven door Theodore Wright in 1936 op basis van gegevens uit de vliegtuigproductie en later door de Boston Consulting Group gegeneraliseerd als de ervaringscurve, is een van de meest betrouwbare empirische regelmatigheden in de industriële economie. Zij stelt dat voor veel producten de eenheidskost met een consistent percentage daalt telkens wanneer het cumulatieve productievolume verdubbelt, omdat de organisatie door geaccumuleerd doen leert hoe zij efficiënter kan produceren.

Omdat de cluster een overweldigend aandeel van het mondiale cumulatieve volume over ontelbare productcategorieën produceert, bevindt hij zich ver onder op de ervaringscurve, waar elke nieuwe toetredende partij met een laag cumulatief volume zich bovenaan bevindt. De moderne Chinese productie vergroot dat leervoordeel vervolgens met kapitaalintensieve automatisering, geavanceerde robotica, snelle geautomatiseerde optische inspectie en verticale integratie die helemaal terug reikt tot in de grondstoffen.

Dit is precies het punt waarop de verklaring van de arbeidskosten sterft. Het moderne voordeel is niet lage lonen. Het is **geaccumuleerde kennis plus geautomatiseerde schaal plus leveranciersdichtheid**, en een nieuwkomer kan die combinatie niet repliceren met welke korte termijn actie dan ook, met hoge lonen of lage lonen, omdat je niet in één keer decennia aan cumulatieve productie-ervaring of het leveranciers-ecosysteem eromheen kunt kopen.

### 4. De ineenstorting van de distributiewrijving

Dit is de hardwareversie van AI die de noodzaak erodeert om via bestaande softwarekanalen te gaan. Wereldwijde digitale marktplaatsen en hyperefficiënte pakketlogistiek laten fabrikanten binnen de cluster volledig voorbijgaan aan westerse distributeurs, groothandels en winkelruimte in de detailhandel, door rechtstreeks op mondiale platforms te vermelden en naar de deur van een consument te verzenden in dagen. De laatste wrijving die een gevestigd hardwaremerk beschermde, namelijk zijn controle over schappen en kanalen, wordt omzeild. Een functioneel gelijkwaardig apparaat bereikt dezelfde klant voor een fractie van de merkprijs zonder ooit het distributiesysteem van de gevestigde speler aan te raken.

### Het industriële gemeengoed & waarom reshoring zo moeilijk is

Het belangrijkste gevolg van dit alles, en het gevolg dat het vaakst wordt genegeerd, gaat over reshoring, en hier is het idee van de **industriële commons** van belang. Gary Pisano en Willy Shih gaven dit een naam in [Restoring American Competitiveness](https://hbr.org/2009/07/restoring-american-competitiveness) ([PDF](https://dailyreporter.com/files/2012/11/restoring-american-competitiveness.pdf)) in 2009. Hun observatie was dat productiecapaciteit geen eigenschap van individuele bedrijven is. Het is een eigenschap van een ecosysteem, een gedeelde lokale basis van leveranciers, gereedschapmakers, procesingenieurs en impliciete knowhow.

Wanneer een land productie offshore verplaatst, verliest het niet alleen fabrieken. Na verloop van tijd verliest het ook de omringende commons, omdat de leveranciers, gereedschapmakers en bekwame procesingenieurs achteruitgaan of verhuizen zodra er geen lokale vraag meer is die hen in leven houdt. Zodra de commons verdwenen is, kan geen enkel afzonderlijk bedrijf of subsidie die snel weer opbouwen, omdat een enkele teruggehaalde fabriek geen lokale leveranciers heeft, geen lokale gereedschapmakers, geen lokale pool van ervaren procesingenieurs, en dus geen van de Marshalliaanse externe economieën die de cluster in de eerste plaats efficiënt maakten.

Daarom is reshoring van een gecommoditiseerde hardwarecategorie zo moeilijk en zo duur. Het voordeel dat de reshorer probeert te herscheppen, zat nooit binnen de fabriek. Het zat in het ecosysteem rond de fabriek, en dat ecosysteem is niet langer thuis. **De gracht verhuisde niet naar China omdat Chinese bedrijven individueel beter zijn. Hij verhuisde omdat de commons verhuisde, en een commons is een collectief bezit dat met individuele actie niet kan worden herbouwd.**

De macroconclusie voor hardware loopt exact parallel met die voor software. Op het moment dat de specificaties van een fysiek product bekend zijn, kan het hyperdichte productie-ecosysteem het repliceren, optimaliseren voor productie en het rechtstreeks distribueren tegen een kostenstructuur die de marge van de oorspronkelijke maker vernietigt. Op zichzelf staande hardware, verdedigd alleen door de moeilijkheid van fysieke productie, is gecommoditiseerd, omdat die moeilijkheid voor een enorme reeks goederen niet langer bestaat.

## Deel zes: De sequentiële ineenstorting & de strategische gevolgen

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

Eerdere tijdperken boden nog een ontsnappingsroute. Wanneer software competitief werd, kon kapitaal uitwijken naar verdedigbare hardware. Wanneer hardware competitief werd, kon kapitaal uitwijken naar verdedigbare software. De twee domeinen waren afwisselende schuilplaatsen. Die rotatie werkt niet langer. **Zuivere atomen hebben hun productiemoat al verloren, en zuivere bits verliezen die van hen nu.** Er is geen toevluchtsoord meer voor zuivere bits en geen toevluchtsoord meer voor zuivere atomen. Dat is de diepere betekenis van [de barbell waar ik vorig jaar over schreef](https://mehmetmhy.com/posts/barbell_theory/). Het midden, waar een bedrijf erop vertrouwde dat één dimensie moeilijk was, is van beide kanten uitgehold.

### Eerste-orde gevolg: gegeneraliseerde deflatoire druk

Wanneer de marginale kost van software naar nul nadert en de effectieve kost van fysieke replicatie naar de hyperefficiënte bodem van de cluster gaat, drukt concurrentie de prijzen in beide domeinen omlaag richting die bodems. Dat is desinflatoir voor consumenten en destructief voor producenten zonder gracht, en het verklaart een raadsel dat veel mensen opmerken: enorme technologische vooruitgang staat vlak naast krimpende marges voor de bedrijven die daadwerkelijk produceren. **Vooruitgang wordt gevangen door consumenten en door imitaties in plaats van door innovators**, precies omdat de toe-eigenbaarheid in beide domeinen is ingestort.

### Tweede-orde gevolg: rente migreert langs de glimcurve

[Stan Shih](https://en.wikipedia.org/wiki/Stan_Shih), de oprichter van Acer, stelde rond 1992 de [glimcurve](https://en.wikipedia.org/wiki/Smiling_curve) voor. Zet toegevoegde waarde uit tegen de fasen van de productie in een waardeketen van productie en je krijgt een vorm die op een glimlach lijkt. Ben Thompson heeft die [aangepast aan de uitgeverij](https://stratechery.com/2014/publishers-smiling-curve/), wat de moeite waard is om te lezen omdat het laat zien dat de curve eigenlijk helemaal niet over productie gaat. Hier is de originele:

De fasen van Shih zijn de volgende:

**Hoge waarde stroomopwaarts**, wat design, branding en intellectueel eigendom betekent** Een diepe kuil in het midden**, wat fysieke assemblage en productie betekent, de fase die het makkelijkst gecommoditiseerd wordt** Hoge waarde stroomafwaarts**, wat distributie, service en de klantrelatie betekent

De opkomst van China heeft het midden van die curve voor hardware afgevlakt en gecommoditiseerd. Generatieve AI commoditiseert nu het equivalente midden voor software, namelijk het louter schrijven van code. De instructie die volgt is in beide gevallen identiek: **verlaat het gecommoditiseerde midden en beweeg naar de uiteinden van de glimlach.**

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

### Derde-orde gevolg: rente verhuist naar de naden

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

**Het nauwe co-design van op maat gemaakte hardware met op maat gemaakte software**, zodat geen van beide nuttig is voor een imitator zonder de ander.** De eigen data die wordt gegenereerd door het draaien van een echte fysieke of gereguleerde workflow**, die schaars is precies omdat zij een bijproduct is van het werk doen in plaats van iets dat kan worden gekopieerd.** De diepe, langzaam op te bouwen relaties en regulatorische accreditaties**in conservatieve sectoren, waar een goedkopere kloon al wordt uitgesloten voordat iemand hem überhaupt evalueert.** De positie van principaal**, waarbij een bedrijf geen gecommoditiseerd hulpmiddel verkoopt maar in plaats daarvan de operatie bezit, de aansprakelijkheid absorbeert, de uitkomst garandeert en zowel de volledige winstpool als de exclusieve data-uitlaatgassen vastlegt.

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

## Deel zeven: Grenzen, tegenargumenten, & er eerlijk over zijn

Een proefschrift dat zo verstrekkend is, moet onder druk worden getest tegen zijn sterkste bezwaren, omdat een strategie die op een overtrokken premisse rust precies faalt waar de premisse te sterk was.

### Bezwaar 1: Door AI gegenereerde software is nog niet van frontier-niveau

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

**Dit is waar en dat doet ertoe.** Het commodificatie-argument geldt het sterkst voor het grote lichaam van conventionele applicatiesoftware waarvan de logica al lang is uitgeploegd. Aan de echte frontier, in nieuwe algoritmen, in systemen die extreme betrouwbaarheid of veiligheid vereisen, en in problemen zonder precedent in de trainingsdata, blijft het deskundige menselijke oordeel huur innen. De precieze claim is dus dat AI de gracht voor de gemodificeerbare meerderheid van software opheft, niet dat het alle softwarewaarde afschaft.

Maar de richting van de beweging is strategisch van belang, omdat de frontier die verdedigbaar blijft smal is, voortdurend verschuift, en een slechte basis vormt voor een duurzaam bedrijf tenzij zij verankerd is aan een van de niet-productiegrachten hierboven.

### Bezwaar 2: Chinese dominantie is ongelijkmatig en politiek betwist

Het tweede bezwaar is dat de Chinese dominantie in de productie ongelijkmatig is over categorieën en nu te maken heeft met serieuze geopolitieke tegenkrachten, waaronder tarieven, exportcontroles, door nationale veiligheid gedreven reshoring, en bewuste friend shoring van kritieke toeleveringsketens.

**Ook dat is waar.** Het commodificatie-argument is het sterkst voor consumentenelektronica, mechanische goederen en assemblages met middelhoge complexiteit, en het zwakst aan de absolute top van de technologiestapel, het meest zichtbaar bij geavanceerde halfgeleiderfabricage, waar extreme kapitaalintensiteit en een handvol onvervangbare leveranciers hun eigen grachten creëren. Beleid kan ook kunstmatig de wrijving terugplaatsen die agglomeratie had verwijderd, via tarieven die de landed cost van de imitator verhogen of exportcontroles die hem inputs ontzeggen.

Maar die tegenkrachten **versterken** in feite de centrale conclusie in plaats van haar te ondermijnen, omdat zowel de overlevende halfgeleidergracht als de door beleid gedreven reshoringgracht opnieuw geen grachten van zuivere hardware zijn. Het zijn grachten van extreme kapitaalschaal, van een onvervangbare leverancierspositie, en van regelgevende en geopolitieke relatie. Het zijn precies de niet-productie-, relatie- en positie-fricties waarnaar volgens dit rapport de rente is verschoven.

### Bezwaar 3: Waarom zijn de grote incumbents dan nog steeds zo winstgevend?

Het derde bezwaar is de subtiele. Als zowel software als hardware worden gecommodificeerd, waarom zijn de grootste technologie-incumbents dan nog steeds buitengewoon winstgevend?

Het antwoord is dat **die incumbents nooit werkelijk werden verdedigd door pure software of pure hardware.** Hun echte grachten zijn netwerkeffecten, controle over distributie en aandacht, op civielisatorische schaal eigen data, ecosysteem-lock-in, en in sommige gevallen verankering door regelgeving. De hier beschreven instorting bedreigt niets van dat alles, en versterkt het op verschillende manieren zelfs, omdat naarmate pure productie wordt gecommodificeerd, de relatieve waarde van de niet-productieactiva die de incumbents al bezitten toeneemt.

Dit is volledig consistent met de these. De commodificatie van productie maakt niet alle winst vlak. Zij verschuift winst weg van bedrijven waarvan het enige voordeel was dat productie moeilijk was, en naar bedrijven die de fricties bezitten die productie niet kan raken. De incumbents overleven omdat zij nooit bedrijven met één dimensie waren. **Dat is de les, niet de uitzondering.**

## Deel Acht: Synthese & de brug naar de moderne gracht

De twee instortingen in dit rapport zijn, in wezen, dezelfde mechanisme dat zich in twee domeinen herhaalt, niet één gedeelde tijdlijn. In beide gevallen verdiende een klasse van bedrijven duurzame rente omdat productie moeilijk, traag en duur was. In beide gevallen maakte een kracht die frictie oploste, generatieve AI in het digitale domein en hyperdichte industriële agglomeratie in het fysieke domein, productie gemakkelijk, snel en goedkoop. In beide gevallen verdampte de rente die door de moeilijkheid van productie werd verdedigd op het moment dat productie niet langer moeilijk was.

De symmetrie is exact, en het is de moeite waard die op te merken, meer dan beide helften afzonderlijk, omdat ze de algemene wet onder beide blootlegt:

Elke gracht die uitsluitend bestaat uit de moeilijkheid van het maken van een ding is tijdelijk, en zij duurt precies totdat iemand uitvindt hoe dat ding gemakkelijk gemaakt kan worden.

De strategische gevolgtrekking volgt daar rechtstreeks uit. Omdat noch bits op zichzelf noch atomen op zichzelf een bedrijf kunnen beschermen, moet verdedigbaarheid worden opgebouwd uit de fricties die beide instortingen hebben overleefd:

**De nauwe, gesloten lus-integratie van maatwerkhardware en maatwerksoftware**, zodat het systeem niet uiteen kan worden gehaald en stukje bij beetje gekloond.** De eigendomsdata die continu worden ververst en als bijproduct ontstaan van het draaien van een echte workflow**, die niet gekopieerd kunnen worden omdat ze door operatie verdiend moeten worden.** De diepe relaties, het vertrouwen en de regelgevende positie van conservatieve sectoren**, die geen code-agent en geen contractfabriek kunnen genereren.** De beslissing om als principal in plaats van als leverancier te opereren**, waarbij de workflow en de uitkomst in eigendom worden gehouden zodat de volledige winstpool en de hele data-uitstoot behouden blijven in plaats van weggespeeld te worden.

Een modern onderneming op ventureschaal is precies in die mate verdedigbaar dat zij meerdere van die overlevende fricties samenvoegt tot één gekoppeld besturingssysteem dat beter wordt naarmate het draait. Alles wat vroeger een gracht was omdat het moeilijk te bouwen was, is nu een commodity omdat het gemakkelijk te bouwen is. Wat verdedigbaar blijft is wat moeilijk toegankelijk is, waar het vertrouwen moeilijk in te verdienen is, waar je moeilijk regelgevingstechnisch binnenkomt, en wat moeilijk te observeren is zonder het echte werk te doen.

De gracht van de toekomst is niet gemaakt van bits, en ook niet van atomen. Zij is gemaakt van de naden tussen beide, en van de relaties en verdiende data die niemand kan reproduceren zonder te staan waar jij staat.

## Conclusie van de analyse

Het dertigjarige paradigma dat software beschouwde als de betrouwbare motor van verdedigbare winst en hardware als de laagmargecommodity is niet alleen verschoven. Zijn twee fundamentele aannames zijn **achtereenvolgens weerlegd**. Chinese industriële agglomeratie weerlegde de aanname dat hardware moeilijk eerst te itereren en te produceren is. Generatieve AI weerlegt nu de aanname dat software moeilijk te produceren en te vervangen is.

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

Die overlevende fricties — integratie, eigendomsoperationele data, vertrouwde relaties, regelgevende positie, en principaal eigendom van een echte workflow — zijn waar duurzame waarde naartoe is gegaan. Een verdedigbaar bedrijf bouwen in dit tijdperk betekent weigeren afhankelijk te zijn van één enkele dimensie die moeilijk is, **omdat niets dat slechts moeilijk te maken is verdedigbaar blijft zodra het maken gemakkelijk wordt.**

# De moderne gracht

Alles hierboven is diagnose. Het stelt vast waar de rente naartoe ging en waarom, maar het blijft steken op het niveau van principe, en een principe vertelt je niet hoe een bedrijf dat erop gebouwd is er in werkelijkheid uitziet. Dit deel is **het antwoord**. Het behandelt waar verdedigbaarheid nu uit bestaat, en hoe die eruitziet wanneer zij in een echt bedrijf is samengevoegd.

## De barbell

Voordat de bouwregels aan bod komen, helpt het om de barbell expliciet te maken, aangezien de analyse er steeds naar verwees zonder de uiteinden ervan op te sommen. Ik heb dit in 2025 uiteengezet in [The Barbell of Software Value](https://mehmetmhy.com/posts/barbell_theory/), waar ik mijn Internal Software Leverage Theory verzoende met de abundance-these. De conclusie was dat softwarewaarde polariseert in twee clusters met een wegzinkend midden.

**Aan het ene uiteinde zitten de massieve fundamentele primitieven**, foundation models, compute-infrastructuur, cloudplatforms, chips en de kern-AI-infrastructuur. Deze worden verdedigd door kapitaalintensiteit, schaaleconomieën en onderzoeksconcentratie op een niveau dat een nieuwe venture in wezen niet kan bereiken. Dat is niet de kans die ik beschrijf. Het is de omgeving waarbinnen die kans opereert.

[Google](https://en.wikipedia.org/wiki/Google) is het plafondgeval. Het combineert LLM-modellen, [TPU’s](https://cloud.google.com/tpu), cloudinfrastructuur, Search, Android, YouTube, Maps, Chrome, standaarddistributie en eigendomsdata op een schaal die vrijwel niemand kan aanraken. Dat maakt het nog geen startup-patroon. Het maakt het de volledig gerealiseerde bovenpool van de barbell. Je kunt daar niet beginnen. Wat Google bewijst is het mechanisme: wanneer productie goedkoop wordt, verschuift duurzame waarde naar compute, distributie, infrastructuur, data en ecosysteempositie waar een nieuwkomer niet zomaar zijn weg in kan huren. Merk ook de grens op. Google runt de veiling. Het bezit meestal niet de uitkomst van de adverteerder. Daarom is Waymo, en niet Search, later het duidelijkere voorbeeld van de principal-positie.

**Aan de andere kant zit zeer specifieke private leverage.** Diepe eigendom van workflows, automatisering van de fysieke wereld, regelgevingsprocessen, vervanging van deskundige arbeid, eigendomsoperationele data en eigendom van de uitkomst. Dit uiteinde is bereikbaar, en het wordt verdedigd door precies de niet-productiefricties die de analyse als overlevend identificeerde.

**De gevaarlijke middenweg is generieke software.** Dit is de webapp, het dashboard, de CRUD-tool, de workflowmanager en de dunne wrapper om een model-API. Het wordt van bovenaf samengeknepen door de primitives, die steeds meer algemene capaciteit in zichzelf absorberen, en van onderaf door de instorting van de kosten om überhaupt iets generieks te bouwen. Een product in het midden is gemakkelijk te bouwen, gemakkelijk te klonen, gemakkelijk voor een incumbent om als functie in te lijven, en het bezit meestal te weinig van de waardeketen van de klant om een prijs te verdedigen.

## De Vierfactoren-Moat

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

### Geweldige Hardware

Geweldige hardware betekent niet dat je exotische apparaten uitvindt. Het betekent zeker niet dat je een slim gadget met marges verkoopt. Een zichtbaar, kopieerbaar, afzonderlijk verkocht apparaat is precies wat productieketens het snelst vernietigen. Hardware verdient zijn plaats wanneer het niet het product is, maar **het instrument**. Het geeft het bedrijf bevoorrechte fysieke toegang tot een proces dat geen enkele concurrent van buitenaf kan waarnemen. Het voelt de fysieke wereld, legt eigendomsdata vast, voert fysieke handelingen uit en standaardiseert de workflow, waardoor de software erboven veel moeilijker te kopiëren is. **De test is eenvoudig.** Zou de hardware losgemaakt en op zichzelf verkocht kunnen worden? Als dat kan, is het een gadget en wordt het een commodity. Als het zonder de software, de data en de operatie eromheen betekenisloos is, dan levert het een moat-bijdrage.

### Geweldige Maatwerksoftware

Geweldige maatwerksoftware is geen generieke SaaS en ook geen mooiere interface. Ze werkt binnen een specifiek fysiek of regulatoir proces, automatiseert beslissingen met reëel economisch gewicht, coördineert arbeid of machines, en legt correcties en randgevallen vast terwijl ze zich voordoen. Merk op wat het verdedigbaar maakt. **Niet de code**, die volgens de analyse nu goedkoop is, maar de afhankelijkheid van operationele toegang, eigendomsdata en diepgaande workflowkennis die een concurrent niet kan krijgen door simpelweg een interface te klonen. De software is moeilijk te kopiëren omdat de dingen waarin ze is ingeplugd moeilijk te bereiken zijn, niet omdat de software moeilijk te schrijven is.

### Geweldige Relaties

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

### Unieke Data

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

**Observatie****Beslissing****Actie****Uitkomst**

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

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

### Wanneer lussen samengroeien & wanneer ze stagneren

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

-
**Data verzadigt:** De waarde van geaccumuleerde data volgt een curve van afnemend rendement. In deep learning vonden[Sun et al.](https://openaccess.thecvf.com/content_ICCV_2017/papers/Sun_Revisiting_Unreasonable_Effectiveness_ICCV_2017_paper.pdf)dat de prestaties op visietaken logarithmisch toenamen met het volume aan trainingsdata, wat betekent dat elke verdubbeling van de dataset nog een increment oplevert, niet nog een wonder. De eerste duizend uitvoeringen leren je het meest. De volgende tienduizend leren minder. De volgende honderdduizend leren bijna niets nieuws. Een concurrent die later begint, kan vaak 90 procent van jouw prestaties bereiken met een fractie van de historische data, waardoor de kloof sneller wordt gedicht dan de ruwe cijfers suggereren. -
**De data is mogelijk niet van jou om te gebruiken:** Je genereert eigendomsdata via de workflow, maar als je contract zegt dat de klant die data bezit en je die niet over implementaties heen mag bundelen, dan heb je vijftig afzonderlijke datasilo’s, geen vliegwiel. Op platformniveau vertellen[OpenAI](https://openai.com/enterprise-privacy/),[Anthropic](https://www.anthropic.com/legal/commercial-terms),[Microsoft Azure OpenAI](https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy),[AWS Bedrock](https://aws.amazon.com/bedrock/faqs/)en[Google Vertex AI](https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance)hun zakelijke klanten allemaal dat hun invoer en uitvoer standaard niet worden gebruikt om foundation models te trainen. Dat is goed voor klanten en een waarschuwing voor leveranciers. Cross-customer learning stapelt alleen op als het contract het toestaat. Privacywetgeving voegt nog een beperking toe, omdat[GDPR-doelbeperking](https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng),[verwijderingsrechten](https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng),[HIPAA-de-identificatieregels](https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html)en[CCPA/CPRA-regels rond delen voor cross-context gedragsadvertenties](https://leginfo.legislature.ca.gov/faces/codes_displaySection.xhtml?lawCode=CIV§ionNum=1798.140)secundair datagebruik allemaal moeilijker maken. Dit vernietigt meer echte AI-moats dan concurrentie doet. -
**De workflow muteert sneller dan het model verbetert:** In snel verschuivende operationele domeinen heeft data een meetbare halfwaardetijd. Zoals[Valavi et al. lieten zien in onderzoek van Harvard Business School](https://www.hbs.edu/ris/Publication%20Files/21-016_d5cc4876-c029-4540-8092-16a23778d86f.pdf), vormt een grote historische voorraad data een verrassend zwakke toetredingsbarrière. Een nieuwkomer met een kleinere stroom verse, recente data kan vaak een accurater model bouwen dan een incumbent die jarenlang op legacy-data zit, vooral wanneer verouderde data de nauwkeurigheid actief verslechtert. Eén[studie in de klinische informatica](https://pubmed.ncbi.nlm.nih.gov/28495350/)vond dit direct, waar de halfwaardetijd van data voor voorspellingen van inpatient orders ongeveer vier maanden was, en één maand recente data presteerde beter dan twaalf maanden oudere data. In de maakindustrie betekenen sensorshift, gereedschapsslijtage, procesherontwerpen en schemawijzigingen dat modellen die op historische fabrieksdata zijn getraind redeneren over een fabriek die niet meer bestaat. Dit is niet universeel. Door fysica bestuurde processen, actuariële tabellen, geologische data en andere langzaam bewegende domeinen kunnen oude data lange tijd waardevol houden. Als de workflow sneller verandert dan het model verbetert, wordt je historische data een verouderde last in plaats van een voordeel. -
**De kosten zijn de barrière, en de barrière is de kostenpost:** Eigendom van echte workflows is kapitaalintensief, arbeidsintensief en marginaal lager dan pure software.[Tesla rapporteerde een totale GAAP-brutomarge van ongeveer 18 procent in 2025](https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf)ondanks verticale integratie.[Intuitive Surgical rapporteerde een geïnstalleerde basis van 11.106 da Vinci-systemen en een niet-GAAP-brutomarge van 67,6 procent in 2025](https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/), na decennia van kapitaal, chirurgentraining en procedurevolume. De uitgave die concurrenten buiten houdt, houdt ook de meeste nieuwkomers tegen om iets te bouwen dat de moeite waard is om te verdedigen. Veel pogingen mislukken op unit economics lang voordat de lus samengroeit.

Wat de lussen die echt samengroeien onderscheidt van de neppoorten:

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

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

- Een concurrent kan equivalente data verkrijgen via scraping, synthetische generatie, transfer learning of een eenmalige aankoop.
- De klant bezit de data contractueel en je kunt die niet bundelen over implementaties heen.
- De workflow muteert sneller dan het model verbetert, zodat verzamelde data een systeem beschrijft dat niet langer bestaat.
- De datawaarde verzadigt binnen de eerste N uitvoeringen, wat betekent dat het voordeel vast is, niet cumulatief.
- De kosten van het bezitten van de workflow overschrijden de waarde van de data die deze genereert.

Als die voorwaarden gelden, is de lus geen verdedigbare gracht. Het is een duur engineeringproject met een tijdelijk voordeel. Zoals [a16z in 2019 betoogde](https://a16z.com/the-empty-promise-of-data-moats/), zijn de meeste datavoordelen schaal-effecten met afnemende meeropbrengsten, niet magische netwerkeffecten. Dat was waar vóór de huidige AI-golf. Dat is nu nog steeds waar.

## Bedrijfsmodellen Gebouwd op de Moderne Gracht

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

### Principaal, Niet Leverancier

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

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

De sterkere positie is om **de principaal** te worden, om de operatie, de verantwoordelijkheid, de accreditatie, de workflow of de aansprakelijkheid zelf te bezitten. In plaats van software te verkopen aan wie het werk uitvoert, voert het bedrijf het werk uit of garandeert het de uitkomst ervan. Dat draait elk nadeel hierboven om. Het bedrijf vangt de volledige marge in plaats van een licentie-aandeel, bezit de klantuitkomst en daardoor de relatie, en bezit de data omdat zijn eigen operaties die genereren. Het kan niet worden weggesneden door de operator omdat het *de* operator is, en het bouwt echte operationele expertise op in plaats van tweedehands begrip.

Het principe comprimeert zich tot één instructie:

Verkoop de tool niet. Verkoop het voltooide resultaat.

In de praktijk verschijnt dit als een consistente herformulering van elk leverancieridee naar zijn principaalversie:

| Leverancierkader | Principaalkader |
|---|---|
| Verkoop inspectiesoftware | Word het inspectiebureau |
| Verkoop software voor labworkflows | Bezitt de testworkflow |
| Verkoop een compliance-dashboard | Lever gecertificeerde naleving |
| Verkoop inschattingstools | Lever de schatting |
| Verkoop voorspellende onderhoudsanalyses | Voorkom de stilstand, of bezit de onderhoudsuitkomst |

Deze beslissing telt zwaarder dan elke andere in het raamwerk, omdat zij bepaalt wie de data bezit, en data-eigendom bepaalt of het voordeel zich opstapelt of afbrokkelt.

### Dienst als een Dienst

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

Dit model heeft een paar namen in omloop. [YC](https://www.ycombinator.com/), a16z, en anderen hebben het service-as-software genoemd, en de AI-ondersteunde roll-up-these is een nauwe verwant. Ik geef de voorkeur aan dienst als een dienst omdat het de nadruk legt op wat de klant daadwerkelijk ontvangt.

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

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

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

Maar je moet voorzichtig zijn en op een valkuil letten in dit type model. Als elke nieuwe klant aangepaste integraties, aangepaste datacleaning, aangepaste workflowmapping en aangepaste modelafstemming vereist, dan is het bedrijf een consultancy die dat nog niet heeft toegegeven. De mens-in-de-lus-fase is prima, en vaak noodzakelijk, maar alleen op voorwaarde dat deze eigendata produceert en convergeert richting schaalbare automatisering. Als de mensen na vijftig klussen nog steeds hetzelfde werk tegen dezelfde kosten per eenheid doen, is het model mislukt.

### De Stargate voor Data

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

De uitdrukking *Stargate voor Data* is ontleend aan [OpenAI’s Stargate](https://openai.com/index/announcing-the-stargate-project/), de aangekondigde multi-honderd-miljard dollar aan compute-uitbouw, en die ontlening is het punt. Als de schaarse hulpbron van de vorige cyclus geplande infrastructuur op die schaal rechtvaardigde, verdient de volgende dezelfde behandeling. Het doel is niet om een dataset te verzamelen. Het is om **een machine te bouwen die continu eigendata produceert als bijproduct van het leveren van een dienst.**

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

### De Atoms-computer

De vier factoren beschrijven een structuur. De atoms-computer beschrijft waarvoor die structuur *dient*, en het is de langetermijnvisie die het hele streven de moeite waard maakt.

Ik heb dit idee niet zelf bedacht en ik wil daar vanaf het begin duidelijk over zijn. De formulering is van [Travis Kalanick](https://en.wikipedia.org/wiki/Travis_Kalanick). Nadat hij in 2017 uit [Uber](https://en.wikipedia.org/wiki/Uber) werd weggeduwd, bracht hij acht jaar door met het in stilte bouwen van [City Storage Systems](https://en.wikipedia.org/wiki/CloudKitchens), en in maart 2026 hernoemde hij het tot **Atoms** en publiceerde hij [een visiedocument](https://atoms.co/vision) waarin hij het geheel uiteenzette. Zijn formulering is dat je problemen in de fysieke wereld benadert zoals je softwareproblemen zou benaderen, en dat de kerncomputingbronnen fysieke analogen hebben waarbij CPU productie is, opslag onroerend goed is, en netwerk transport is. Tijdens een [a16z-lanceerevenement](https://www.youtube.com/watch?v=r8qKNFeBPXE) definieerde Kalanick het bedrijf rond **industriële AI**, waarbij software, sensoren, robotica en AI worden gebruikt om operaties te automatiseren over hele industriële sectoren heen, beginnend met voedsel, mijnbouw en transport. Lees zijn brief. Die is beter dan mijn samenvatting ervan, en enkele van zijn conclusies komen vanuit een andere richting op dezelfde plek uit als dit document.

Naarmate AI capabeler wordt, verschuift de bindende beperking. De limiet is niet langer alleen de kwaliteit van redenering. **Het is interactie met de fysieke werkelijkheid.** Een model kan tekst, code, beelden en plannen van opmerkelijke kwaliteit produceren en toch niet betrouwbaar iets kunnen doen in een rommelige, ongestructureerde, consequentiale echte-wereldomgeving. Traditionele computers gaven intelligentie een substraat voor het manipuleren van bits. De kans ligt nu in het bouwen van het equivalent substraat voor atomen, waarbij systemen worden gecreëerd die de fysieke wereld waarnemen, rommelige omstandigheden in de echte wereld interpreteren, beslissen, handelen, uitkomsten verifiëren en leren van feedback, allemaal onder reële fysieke, regelgevende en economische beperkingen. Die laatste clausule is de moeilijke, en daarom is dit een zakelijke kans in plaats van een onderzoeksproject. Opereren onder regelgevende en economische beperking is precies wat niet gekloond kan worden, en het is precies wat de gesloten datalus genereert die de vierde factor nodig heeft.

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

Het bedrijf op de korte termijn zou zo smal moeten zijn dat het onambitieus lijkt. Het plafond op de lange termijn is de reden om die smalheid te accepteren.

## Een uitgewerkt voorbeeld

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

Neem speciale inspectie en materiaaltesten in de bouw. De vendorversie verkoopt software aan de bureaus en laboratoria die de workflow al bezitten. De principalversie wordt het bureau en het laboratorium. Het houdt de accreditatie, voert de inspecties uit en draagt de regelgevende verantwoordelijkheid. Intern gebruikt het software, hardware en AI om gecertificeerde resultaten sneller, goedkoper en betrouwbaarder te leveren dan incumbents.

Die vorm voldoet aan alle vier de factoren. Ze is fysiek, omdat ze draait om locaties, monsters, instrumenten en metingen in de echte wereld. Ze heeft relatie- en regelgevingsgrachten, omdat kopers resultaten nodig hebben die worden geaccepteerd door de bevoegde autoriteiten, niet een mooiere dashboardweergave. Ze bezit de uitkomst, omdat ze gecertificeerde resultaten verkoopt in plaats van tools. En ze genereert als bijproduct van het werk eigen operationele data, waaronder testresultaten, faalmodi, materiaaleigenschappen, deskundige correcties en de verbanden tussen fysieke omstandigheden en eindresultaten.

Ze begint ook smal, wat aansluit bij de klassieke startuplogica die [Paul Graham](https://paulgraham.com/ds.html) en [YC](https://www.ycombinator.com/) al jaren uitdragen. Begin met een scherpe wig, maar zorg ervoor dat die wig hoort bij een groot en pijnlijk probleem. Er is op dag één geen behoefte om bouwinspectie als industrie te automatiseren. Het instappunt kan één inspectietype zijn, één materiaaltest, één geografisch gebied of één nalevingsworkflow. Van daaruit standaardiseert software het werk, produceren mensen de eerste data, en breidt automatisering zich alleen uit waar de lus daadwerkelijk samenklontert.

De risico’s zijn precies de risico’s die het raamwerk voorspelt. Accrediteringsdoorlooptijden stellen de omzet op, de operatie is zwaar voordat automatisering volwassen wordt, en de dienstverleningsval is reëel als elk project op maat blijkt te zijn. Dat is het doel van het raamwerk. Het maakt het bedrijf niet gemakkelijk. Het vertelt je waar de moeilijke delen zouden moeten zitten.

## Bedrijven die er al zo uitzien

Het is makkelijker om het raamwerk te vertrouwen als het dingen beschrijft die al bestaan in plaats van alleen dingen die ik graag zou zien bestaan.

** Anduril** is vier van de vier. Maatwerkhardware voor drones, sensortorens, onderscheppers en onderwatervoertuigen. Maatwerksoftware in

[Lattice](https://www.anduril.com/news/anduril-s-lattice-a-trusted-dual-use-commercial-and-military-platform-for-public-safety-security), waarop elk deel van die hardware draait. Relaties en regelgevende status die geen coderingsagent kan genereren, aangezien de klant de Amerikaanse overheid en haar bondgenoten is. Operationele data van ingezette systemen die terugvloeit naar de software. Twee details zijn belangrijker dan de productlijst. Het financiert zijn eigen R&D en bouwt het product voordat het verkoopt in een bestaande begrotingspost, waarmee het het kost-plusmodel omkeert waarop traditionele primes draaien. Anduril is privaat en publiceert geen gecontroleerde marges, maar

[secundaire schattingen plaatsen de brutomarge rond 40 tot 45 procent](https://www.sacra.com/c/anduril/). Dat is uitzonderlijk hoog voor defensiehardware, waar

[lucht- en ruimtevaart- en defensiebedrijven gemiddeld ongeveer 17,5 procent brutomarge](https://pages.stern.nyu.edu/~adamodar/New_Home_Page/datafile/margin.html)hebben in de sectorgegevens van NYU Stern. Het precieze cijfer is minder belangrijk dan de structuur. Een verticaal geïntegreerd, fixed-price, softwaregedreven model lijkt een betere economie op te leveren dan traditionele kost-plus platformintegratie.

** Intuitive Surgical** is de oudere, stillere versie van dezelfde structuur. Het

[da Vinci-systeem](https://www.intuitive.com/en-us/products-and-services/da-vinci)combineert hardware die waardeloos is zonder zijn software,

[FDA](https://www.fda.gov/)-goedkeuringen die geen concurrent kan omzeilen, twee decennia aan ziekenhuisrelaties en

[proceduredata van miljoenen operaties](https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf). Het haalt vier van de vier, stapelt continu rendement op en voert dit draaiboek al uit sinds zijn

[eerste goedkeuring in 2000](https://www.intuitive.com/en-us/about-us/company/history), lang voordat iemand het fysieke AI noemde.

** Kraken Robotics** is degene die ik het meest leerzaam vind, deels omdat maar weinigen buiten de maritieme technologie het kennen. Het bouwt synthetic aperture sonar, het

[KATFISH-sleepplatform](https://www.krakenrobotics.com/products/katfish/), onderzeese batterijen en onderwatere

[LiDAR](https://en.wikipedia.org/wiki/Lidar). Geen van die hardware is nuttig zonder de eigen beeldvormingssoftware eromheen. Tot zijn klanten behoren

[NAVO](https://en.wikipedia.org/wiki/NATO)-geallieerde marines. Dat is vertrouwen en regelgeving op het hoogste niveau, omdat een marine niet overstapt van sonarleverancier voor een goedkopere kloon. Cruciaal is dat Kraken niet alleen apparatuur verkoopt. Het voert onderzoeken uit als dienst, wat betekent dat elke opdracht zeebodeminformatie oplevert die niemand anders heeft. Die laatste beslissing is het hele raamwerk in miniatuur. Een hardwarebedrijf merkte op dat de data meer waard was dan de doos, en schoof naar de principalpositie om die te behouden.

** SpaceX & Waymo** zijn zuivere principal-spelen. SpaceX verkoopt geen raketten. Het verkoopt afgeleverde ladingen. Waymo licentieert geen autonomie-software aan autofabrikanten. Het verkoopt voltooide ritten. In beide gevallen weigerde het bedrijf de vendorpositie, nam het operationele aansprakelijkheid op zich en behield het de data. Waymo draagt ook een regelgevende gracht die

[per rechtsgebied binnenkomt](https://tesorb.com/robotaxi-regulatory-map-2026/). Die uitbreiding is traag, wat precies de reden is dat ze verdedigbaar is.

** Carbon Robotics** is het nuttige gedeeltelijke geval. Zijn

[LaserWeeder](https://carbonrobotics.com/laserweeder)doodt onkruid met behulp van computer vision en krachtige lasers. In februari 2026 verklaarde het bedrijf

[dat zijn Large Plant Model was getraind op meer dan 150 miljoen gelabelde planten](https://www.businesswire.com/news/home/20260202630325/en/), verzameld op ongeveer honderd boerderijen in vijftien landen. Dat is de data-engine zoals beschreven, gegenereerd als operationeel bijproduct in plaats van als afzonderlijk initiatief. Maar ik zou ook de kwetsbaarheid van deze opzet willen noemen. Carbon verkoopt apparatuur aan boeren en blijft daarmee een vendor in plaats van een principal. Het slaagt omdat de data nog steeds terugvloeit naar zijn centrale model, waardoor de vendorpositie houdbaar blijft. Als telers ooit die vlootdata zouden bezitten, zou de gracht verdwijnen.

** Nokia** is zowel de historische waarschuwing als een opkomende testcasus. In 2007 had het

[bijna 50 procent van de wereldwijde smartphonemarkt](https://www.bbc.com/news/technology-23947212)in handen met de beste hardware, productieschaal en toeleveringsketen in mobiele telefoons. Het presteerde op één dimensie beter dan wie dan ook, en het stortte in omdat het geen softwareplatform had. Het Nokia van vandaag probeert precies het meerfactoren-draaiboek uit te voeren dat hier wordt beschreven. Zoals

[Michael Sikand](https://www.linkedin.com/in/michaelsikand)uiteenzet

[in deze videouitleg](https://www.youtube.com/watch?v=1v-yx_HVeZU), heeft het bedrijf meer dan tien jaar besteed aan het afwijken van consumentengadgets om verticaal geïntegreerd optisch silicium, diepgewortelde carrier- en defensierelaties en AI-ondersteunde edge computing te bundelen. Het oude Nokia bewees dat geïsoleerde hardware een tijdelijk voordeel is. Welnu, het nieuwe Nokia probeert te bewijzen dat hardware gecombineerd met institutioneel vertrouwen en software-infrastructuur een blijvende gracht creëert.

Geen van deze bedrijven ziet er oppervlakkig hetzelfde uit, maar ze wijzen allemaal op dezelfde les. De meest duurzame bedrijven verdienden iets traags, zoals een accreditatie, een ingezette sensorvloot, vertrouwen van chirurgen, vertrouwen van de marine, regelgevende goedkeuring of een decennium aan operationele data. Geen van hen kwam daar alleen door betere code te schrijven, en geen van hen kan worden ingehaald door iemand die dat wel doet.

## Smalheid is de instapeis

Ze begonnen ook allemaal klein. De bedrijven die winnen beginnen niet door te proberen de hele lus te bezitten, en het proberen daarvan is de meest voorkomende fout. De lus compounding alleen als je diep genoeg zit in één workflow om op uitkomst gekoppelde gegevens te genereren die concurrenten op geen enkele andere manier kunnen verkrijgen. Ondiepe blootstelling aan veel workflows levert ondiepe data op die snel verzadigt.

Het patroon geldt voor de operators hierboven en daarbuiten. Anduril begon met force protection en counter-drone systems voordat het de productie en aangrenzende mogelijkheden opschaalde. Intuitive Surgical begon met specifieke laparoscopische procedures en bouwde gedurende decennia chirurgentraining en procedurevolume op voordat het zich over specialismen uitbreidde. SpaceX begon met één herbruikbaar lanceervoertuig voordat het uitbreidde naar [Starlink](https://en.wikipedia.org/wiki/Starlink). [Tesla](https://en.wikipedia.org/wiki/Tesla,_Inc.) begon met een smalle premium EV-wedge (de [Roadster](https://en.wikipedia.org/wiki/Tesla_Roadster_(first_generation)) sportwagen) en gebruikte de vloot voor data- en productie-leren voordat het naar volumemodellen, energie en autonomie ging. [Palantir](https://en.wikipedia.org/wiki/Palantir) begon met specifieke inlichtingenworkflows voor specifieke agentschappen voordat het uitbreidde naar commercieel. In elk geval was de smalle ingang geen compromis. Het was het mechanisme waardoor de lus compounding werd.

Het instappunt is bewust smal. Eén workflow, één klanttype, één datastroom die moeilijk te kopiëren is. Je bouwt de lus rond die workflow totdat de data compounding en de relatie verdiept, en breidt dan uit naar aangrenzende workflows waar dezelfde data, dezelfde relaties en dezelfde operationele discipline je een voordeel geven dat een nieuwe toetredende partij niet kan evenaren. Breed beginnen is hoe je eindigt met een hoop data die niet compounding. Een concurrent die vandaag begint jaagt niet op een vaste voorsprong. Ze jagen op een voorsprong die elke keer groter wordt dat een taak wordt uitgevoerd, maar alleen als de taak smal genoeg, diep genoeg en vaak genoeg herhaald wordt dat de data echt van belang is.

# Conclusie

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

De tweede helft heeft die wet omgezet in een antwoord. Als productiemoeilijkheid niets meer verdedigt, dan moet verdedigbaarheid worden opgebouwd uit de fricties die de instorting van productie niet kan bereiken. Daaronder vallen **fysieke toegang, gesloten-lus operationele data, regelgevende status, verdiend vertrouwen en eigendom van de uitkomst zelf.** Daarom vragen de vier factoren om drie van de vier in plaats van één, waarom de principal position belangrijker is dan elke andere afzonderlijke beslissing, en waarom de data een operationeel bijproduct moet zijn in plaats van een verzameld bezit.

Het comprimeert tot één kernzin.

In het AI-tijdperk zullen de beste bedrijven geen generieke softwaretools of kopieerbare hardwareproducten zijn. Het zullen

smalle, op uitkomsten gerichte principal businesseszijn die software, fysieke workflows, vertrouwde relaties en propriëtaire operationele data combineren om werk in de echte wereld met hoge waarde te automatiseren.

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

De sterkste kansen liggen waar software samenkomt met atomen, vertrouwen, regulering en propriëtaire data. Ze beginnen met één smalle, pijnlijke workflow, met mensen waar nodig. Ze vangen operationele data op als bijproduct van het werk, automatiseren stap voor stap, en groeien uit tot systemen die moeilijk te verdringen zijn. Het voordeel is duurzaam juist omdat het verdiend werd door fysieke operatie in plaats van in code geschreven te zijn.

Het einddoel is niet om een product te bouwen. Het is om een werkmaatschappij te bouwen met softwareachtige schaalbaarheid, verdedigbaarheid in de fysieke wereld en propriëtaire data die beter wordt met elke voltooide opdracht.

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

# Citaten & Bronnen

Ik wil expliciet zijn over waar de geleende stukken vandaan komen, omdat veel van dit document mijn manier is om het werk van anderen te verbinden in plaats van iets te verzinnen. De dingen die ik echt als van mezelf zou claimen zijn de vier-factorenregel, de drie-van-de-vier-norm, en het specifieke argument dat de twee instortingen hetzelfde onderliggende mechanisme delen, ook al gebeurden ze opeenvolgend. Cijfers verschuiven, dus controleer ze voordat je mij citeert.

**Van mij, uit eerder schrijven**

[The Barbell of Software Value](https://mehmetmhy.com/posts/barbell_theory/)(2025), waar ik voor het eerst de instortende middenlaag en Internal Software Leverage Theory uiteenzette. De tweede helft hier is de operationele versie van dat bericht.

**De atoomcomputer**

- Travis Kalanick,
[Vision](https://atoms.co/vision),[Unfinished Business](https://atoms.co/unfinished-business), en[How AI Will Transform the Physical World](https://www.youtube.com/watch?v=r8qKNFeBPXE), Atoms en a16z, 2026. Het op atomen gebaseerde computer-raamwerk, de mapping van CPU/opslag/netwerk naar productie/vastgoed/transport, de understand-predict-control-lus, industriële AI en winstgevend tewerkgestelde robots zijn allemaal van hem. Dat gedeelte is mijn samenvatting van zijn idee, niet mijn idee. - Ben Horowitz en Alex Danco,
[Travis is Back](https://a16z.com/travis-is-back/), a16z, 2026.

**De economie**

- Atlassian,
[Q2 FY2025 results](https://www.businesswire.com/news/home/20250130093810/en), voor volwassen horizontale SaaS brutomarges in de lage tachtigerpercentages. - Snowflake,
[FY2025 results](https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/), voor het tegenvoorbeeld dat consumptie-zware software beduidend onder de klassieke SaaS brutomarges kan draaien. - Michael Porter,
[five forces](https://en.wikipedia.org/wiki/Porter%27s_five_forces_analysis), 1979, voor de taxonomie van rendementsbronnen in Deel Een. - David Teece,
, 1986, voor het appropriability-probleem in Deel Drie.*Profiting from Technological Innovation* - Alfred Marshall,
*Principles of Economics*, 1890, voor[externe economieën en agglomeratie](https://en.wikipedia.org/wiki/Economies_of_agglomeration)in Deel Vijf. - Ronald Coase,
, 1937, voor transactiekosten in Deel Vijf.*The Nature of the Firm* - Theodore Wright, 1936, en de Boston Consulting Group, voor
[de ervaringscurve](https://en.wikipedia.org/wiki/Experience_curve_effects)in Deel Vijf. - Stan Shih,
[de smiling curve](https://en.wikipedia.org/wiki/Smiling_curve), rond 1992. Zijn[oorspronkelijke diagram](https://commons.wikimedia.org/wiki/File:Smiling_Curve.svg)staat op Wikimedia Commons, en Ben Thompsons[Publishers and the Smiling Curve](https://stratechery.com/2014/publishers-smiling-curve/)is de beste uitbreiding ervan die ik heb gelezen. - Gary Pisano en Willy Shih,
[Restoring American Competitiveness](https://hbr.org/2009/07/restoring-american-competitiveness), Harvard Business Review, 2009, voor de industriële commons en waarom reshoring moeilijk is. - Andrew “bunnie” Huang,
[The Hardware Hacker](https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf), voor het eerstehands verslag van hoe Shenzhen-dichtheid daadwerkelijk voelt om erin te werken. - WTO,
[Accessions: China](https://www.wto.org/english/thewto_e/acc_e/a1_chine_e.htm), voor achtergrond over China’s integratie in het mondiale handelssysteem. - Wereldbank,
[manufacturing value added](https://data.worldbank.org/indicator/NV.IND.MANF.CD?locations=CN-US), voor achtergrond over de schaal van de Chinese productie ten opzichte van de Verenigde Staten.

**De startupmechanieken**

- Paul Graham,
[Do Things That Don’t Scale](https://paulgraham.com/ds.html)en[How to Get Startup Ideas](https://paulgraham.com/startupideas.html), voor de smalle wedge. - Tesla,
[The Secret Tesla Motors Master Plan](https://www.tesla.com/blog/secret-tesla-motors-master-plan-just-between-you-and-me), 2006, voor de logica van de Roadster naar betaalbare-auto-wedge. - Palantir,
[S-1 registration statement](https://www.sec.gov/Archives/edgar/data/1321655/000119312520230013/d904406ds1.htm), 2020, voor het patroon van uitbreiding van overheid naar commercieel. - Bedrijfsgeschiedenis van SpaceX en Starlink-openbaarmakingen, via
[SpaceX](https://www.spacex.com/)en[Starlink](https://www.starlink.com/), voor lancering als de initiële wedge voordat bredere ruimte-infrastructuur volgde.

**AI-codering en softwareproductie**

- GitHub,
[GitHub Copilot introduceren](https://github.blog/news-insights/product-news/introducing-github-copilot-ai-pair-programmer/), 2021, en[GitHub Copilot algemeen beschikbaar maken](https://github.blog/news-insights/product-news/github-copilot-is-generally-available-to-all-developers/), 2022, voor het praktische begin van commerciële AI-codeerassistentie. - OpenAI,
[GPT-4 technisch rapport](https://arxiv.org/abs/2303.08774), 2023, en Anthropic,[Claude 3.5 Sonnet](https://www.anthropic.com/news/claude-3-5-sonnet), 2024, voor achtergrond over de versnelling van modelcapaciteit. - Peng et al.,
[De impact van AI op de productiviteit van ontwikkelaars](https://arxiv.org/abs/2302.06590), 2023, voor het gecontroleerde GitHub Copilot-resultaat waarbij ontwikkelaars een afgebakende codeertaak 55,8 procent sneller voltooiden. - Cui et al.,
[De effecten van generatieve AI op hooggeschoold werk](https://mit-genai.pubpub.org/pub/v5iixksv), 2025, voor het veldonderzoekresultaat over 4.867 ontwikkelaars dat 26,08 procent meer voltooide taken laat zien. - METR,
[Het meten van de impact van AI begin 2025 op de productiviteit van ervaren open-sourceontwikkelaars](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/), 2025, voor het tegenvoorbeeld waarbij ervaren ontwikkelaars 19 procent langzamer waren met AI-tools in volwassen repositories. [Cursor](https://cursor.com/),[Claude Code](https://code.claude.com/docs/en/cli-reference),[OpenAI Codex CLI](https://learn.chatgpt.com/docs/codex/cli),[Kiro CLI](https://kiro.dev/cli/), en[OpenCode](https://opencode.ai/docs/cli/), voor de verschuiving van autocomplete naar agentische repo- en terminaltoegang.[Conductor](https://www.conductor.build/),[Superset](https://superset.sh/), en[Hermes Agent](https://hermes-agent.nousresearch.com/), voor de orkestratielaag boven single-agent codeertools.

**De faalwijzen van de data-moat**

- Sun et al.,
[De onredelijke effectiviteit van data in het deep-learningtijdperk herzien](https://openaccess.thecvf.com/content_ICCV_2017/papers/Sun_Revisiting_Unreasonable_Effectiveness_ICCV_2017_paper.pdf), ICCV 2017, voor de empirische bevinding dat de prestaties op visietaken logaritmisch verbeteren met de hoeveelheid trainingsdata. - Martin Casado en Peter Lauten,
[De lege belofte van data-moats](https://a16z.com/the-empty-promise-of-data-moats/), a16z, 2019, voor het argument dat effecten van dataschaal meestal eroderen in plaats van samen te klonteren. - Valavi et al.,
[Tijd en de waarde van data](https://www.hbs.edu/ris/Publication%20Files/21-016_d5cc4876-c029-4540-8092-16a23778d86f.pdf), Harvard Business School Working Paper 21-016, 2021, voor het onderscheid tussen data-voorraad en data-flow, en de bevinding dat verouderde data de modelnauwkeurigheid kan schaden. - Chen et al.,
[Afnemende relevantie van klinische data voor toekomstige beslissingen in data-gedreven klinische order sets voor opgenomen patiënten](https://pubmed.ncbi.nlm.nih.gov/28495350/), International Journal of Medical Informatics, 2017, voor de ongeveer vier maanden halfwaardetijd van data voor klinische voorspellingen. - OpenAI
[Enterprise Privacy](https://openai.com/enterprise-privacy/), Anthropic[Commercial Terms](https://www.anthropic.com/legal/commercial-terms), Microsoft Azure OpenAI[gegevensprivacy](https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy), AWS Bedrock[FAQ](https://aws.amazon.com/bedrock/faqs/), en Google Vertex AI[gegevensbeheer](https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance), voor standaard geen-trainingsverplichtingen op invoer en uitvoer van zakelijke klanten. - European Data Protection Board,
[Opinie 28/2024 over AI-modellen](https://www.edpb.europa.eu/system/files/2024-12/edpb_opinion_202428_ai-models_en.pdf),[AVG artikel 5 en artikel 17](https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng),[HIPAA-regels voor de-identificatie](https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html), en[CCPA/CPRA-regels](https://leginfo.legislature.ca.gov/faces/codes_displaySection.xhtml?lawCode=CIV§ionNum=1798.140), voor privacyrechtelijke beperkingen op secundair datagebruik, verwijdering, de-identificatie en delen. - Lathrop GPM,
[Navigeren door AI-eigendom in commerciële en IP-licentieovereenkomsten](https://www.lathropgpm.com/insights/navigating-ai-ownership-in-commercial-and-ip-license-agreements-key-considerations-for-tech-providers-and-customers/), 2026, voor de contractuele spanning tussen geen-trainingsverplichtingen en behouden gebruiksrechten op geaggregeerd of gede-identificeerd materiaal.

**Afbeeldingen**

- Stan Shih’s glimlachende curve,
[Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Smiling_Curve.svg), CC BY-SA. - Huaqiangbei bij de Shennan-oversteek, foto door Charlie fong,
[Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Huaqiangbei%26Shennan_Cross2021.jpg), CC BY-SA. - Spuitgietmatrijs, foto door Wizard191,
[Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Injection_molding_die_side_A.JPG), CC BY-SA 3.0. - Prijzen van zonne-PV-modules versus cumulatieve geïnstalleerde capaciteit,
[Our World in Data](https://ourworldindata.org/grapher/solar-pv-prices-vs-cumulative-capacity), CC BY 4.0. Grafiek lokaal gereconstrueerd op basis van de gepubliceerde dataset.

**De bedrijfsvoorbeelden**

- Anduril bruto-margeschatting via
[Sacra](https://www.sacra.com/c/anduril/). Anduril is privaat en publiceert geen gecontroleerde marges, dus dit wordt behandeld als een schatting in plaats van een gerapporteerd cijfer. Sectorbenchmark voor bruto marges in lucht- en ruimtevaart en defensie (ongeveer 17,5 procent) ontleend aan[Aswath Damodaran’s NYU Stern-margedataset](https://pages.stern.nyu.edu/~adamodar/New_Home_Page/datafile/margin.html). - Achtergrond over Alphabet en Google via
[Alphabet’s FY2025 Form 10-K](https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm), gekoppeld aan[United States v. Google LLC](https://www.justice.gov/atr/case/us-and-plaintiff-states-v-google-llc)voor distributieovereenkomsten voor zoekstandaarden, voordelen door zoekschaal en antitrustcontext. - Carbon Robotics Large Plant Model en 150 miljoen gelabelde planten via de
[Business Wire-aankondiging van februari 2026](https://www.businesswire.com/news/home/20260202630325/en/)van het bedrijf, met[TechCrunch](https://techcrunch.com/2026/02/02/carbon-robotics-built-an-ai-model-that-detects-and-identifies-plants/)als bevestiging. - Intuitive Surgical-geschiedenis en FDA-goedkeuring in 2000 via
[Intuitive Company History](https://www.intuitive.com/en-us/about-us/company/history). Procedurevolume via[Intuitive’s 2025 Corporate Impact Report](https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf), en geïnstalleerde basis / margecijfers via de[winstaankondiging over Q4 2025](https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/). - Tesla-margecijfers via de
[Q4- en FY2025-update](https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf). - Patroon van regelgevende expansie van Waymo via
[Tesorb’s 2026 Robotaxi Regulatory Map](https://tesorb.com/robotaxi-regulatory-map-2026/)en[Electrek’s berichtgeving over goedkeuring van CPUC-uitbreiding](https://electrek.co/2026/08/14/waymo-cpuc-approval-california-expansion-18-counties/). - Nokia-top in 2007 en tijdlijn van de neergang via
[BBC News](https://www.bbc.com/news/technology-23947212)en[Wikipedia](https://en.wikipedia.org/wiki/The_Decline_and_Fall_of_Nokia), met Vuori en Huy’s[Administrative Science Quarterly / INSEAD-studie](https://journals.sagepub.com/doi/10.1177/0001839215606951)voor de organisatorische dynamiek achter de ineenstorting, en[Michael Sikand’s](https://www.linkedin.com/in/michaelsikand)[video-uitleg](https://www.youtube.com/watch?v=1v-yx_HVeZU)voor de moderne infrastructuurpivot. - OpenAI Stargate-details via
[OpenAI’s oorspronkelijke aankondiging](https://openai.com/index/announcing-the-stargate-project/)en[aankondiging van locatie-uitbreiding](https://openai.com/index/five-new-stargate-sites/). Dit zijn aangekondigde toezeggingen en plannen, geen volledig uitgerolde capaciteit. - Kraken Robotics ontleend aan de eigen
[product- en contractverklaringen](https://www.krakenrobotics.com/)van het bedrijf.

**Dit essay is door mij bedacht en geschreven. Ik heb ChatGPT, Claude, Grok, Manus AI en OpenCode gebruikt om te helpen met achtergrondonderzoek, het opschonen van de tekst en de structuur. De voorbeeldafbeelding en het barbell-diagram zijn aanvankelijk door AI gegenereerd en daarna met de hand bewerkt. Alle andere afbeeldingen heb ik zelf verzameld, en ik heb elke bron en elk feit onafhankelijk geverifieerd. Ik neem de volledige verantwoordelijkheid voor de eindtekst.**

__Openbaarmaking:__