Modernny Wał

Generative AI has driven the marginal cost of producing software toward zero, dissolving the barriers that made software defensible, while China's industrial agglomeration has already done the same for hardware, according to a report titled 'Modernny Wał'. The report argues that durable profit has shifted to the tight coupling of custom hardware, specialized software, cultivated relationships, and proprietary data, and that founders must abandon the generic software provider model to build defensible companies.

Modernny Wał Table of Contents TL;DR Definiujący biznesowy wał XXI wieku, czyste oprogramowanie, szybko się załamuje, ponieważ generatywna AI sprowadza koszt kodu do zera, powtarzając to, jak chińska industrialna aglomeracja już zniszczyła czysty wał sprzętowy. Ponieważ sama trudność produkcji nie chroni już firmy w żadnej z tych dziedzin, trwały zysk przeniósł się w złożone szwy między bitami i atomami. Aby zbudować dziś firmę odporną na atak, założyciele muszą porzucić model generycznego dostawcy oprogramowania i zamiast tego działać jako principal, który posiada rzeczywisty fizyczny przepływ pracy od początku do końca. Dzięki ścisłemu zintegrowaniu co najmniej trzech z czterech kluczowych czynników sprzętu niestandardowego, specjalistycznego oprogramowania, wypracowanych relacji i zastrzeżonych danych , nowoczesny biznes może dostarczać gwarantowany rezultat, jednocześnie po cichu pozyskując zamkniętą pętlę danych, która staje się prawdziwym wałem, ponieważ konkurent startujący dziś nie goni za stałą przewagą, lecz za taką, która wydłuża się za każdym razem, gdy jakaś praca zostaje wykonana. Przedmowa i cel Niniejszy raport jest rozwinięciem jednego twierdzenia, na którym opiera się wszystko inne w mojej teorii wału: czyste oprogramowanie nie jest już wałem możliwym do obrony, a czysty sprzęt przestał nim być, gdy Chiny zwiększyły skalę swojej hegemonii produkcyjnej. Oba te stwierdzenia bywają rzucane jako slogany. To, co chcę tutaj zrobić, to wyjąć z tego slogan i wstawić mechanizm. Chcę wyjaśnić, na poziomie rzeczywistej ekonomii, dlaczego nastąpił każdy z tych upadków, które konkretne założenia po cichu się załamały, jak oba upadki wzmacniają się nawzajem i gdzie nadal można uchwycić trwały zysk. Napisałem to tak, aby broniło się samo, tak by przyszły czytelnik albo przyszły model mógł zrozumieć cały argument bez rozmowy, która go wytworzyła. Oto teza, wypowiedziana raz i tak precyzyjnie, jak potrafię. Przez około trzydzieści lat strategia technologiczna zakładała, że świat cyfrowy wytwarza trwały, wysokomarżowy, odporny na atak zysk, podczas gdy świat fizyczny wytwarza cienką, nieróżnicowaną, niskomarżową produkcję towarową. Te dwa wstrząsy nie nadeszły jednocześnie. Chińska aglomeracja produkcyjna najpierw, głównie w latach 2000. i 2010., złamała odporność sprzętu opartą na produkcji. Generatywna AI później, w latach 2020., łamie odporność oprogramowania opartą na produkcji. Generatywna AI sprowadziła koszt marginalny produkowania oprogramowania w kierunku zera , co rozpuściło bariery, które czyniły oprogramowanie odpornym na atak. Chińska industrialna aglomeracja sprowadziła koszt i opóźnienie iteracji fizycznej do kosztu i opóźnienia oprogramowania , co rozpuściło bariery, które czyniły sprzęt odpornym na atak. Tak więc ani same bity, ani same atomy nie są już w stanie osłonić biznesu. Trwała przewaga przeniosła się z obu tych pojedynczych wymiarów w ciasne sprzężenie obu, plus relacje i zastrzeżone dane. Dokument składa się z dwóch części: Analiza. Czym właściwie jest wał, dlaczego każda z domen była kiedyś odporna na atak, jakie tarcia rozpuścił każdy z tych wstrząsów i co pozostało. Ta część jest analizą ekonomiczną i kończy się tam, gdzie kończy się analiza. Nowoczesny wał. Z czego rzeczywiście zbudowana jest dziś odporność na atak, skoro ani bity, ani atomy same z siebie nie chronią cię już, oraz jak wygląda firma zbudowana na tej podstawie w praktyce. Analiza: Jak oba wały się załamały Część pierwsza: Czym właściwie jest wał Zanim wyjaśnię, jak wały się załamały, muszę precyzyjnie określić, czym jest wał, ponieważ swobodne używanie tego słowa odpowiada za większość złego myślenia strategicznego, jakie widziałem. Wał nie jest dobrym produktem. Wał nie jest tymczasową przewagą. Wał nie jest byciem pierwszym. Wał jest strukturalną cechą rynku, która pozwala firmie przez długi czas osiągać zwroty powyżej kosztu kapitału, bez tego, by te zwroty zostały wyparte przez konkurencję. W języku ekonomii przemysłowej wał jest trwałym źródłem renty ekonomicznej https://en.wikipedia.org/wiki/Economic rent . Renta ekonomiczna to nadwyżka, którą firma zarabia powyżej minimum, jakie byłaby gotowa zaakceptować, aby pozostać otwarta, a na naprawdę konkurencyjnym rynku ta nadwyżka spada do zera. W warunkach doskonałej konkurencji https://en.wikipedia.org/wiki/Perfect competition cena jest spycha na koszt krańcowy, firmy zarabiają jedynie koszt kapitału, a żaden nadmiarowy zysk nie przetrwa. Każde ujęcie odporności na atak jest w gruncie rzeczy teorią o tym, jak jedna konkretna firma wymyka się temu przyciąganiu ku wycenie po koszcie krańcowym i zerowemu zyskowi. Klasyczna lista pochodzi od Michaela Portera https://en.wikipedia.org/wiki/Porter%27s five forces analysis , którego ramy pięciu sił są od 1979 roku standardowym narzędziem, później doprecyzowanym przez środowisko inwestowania wartościowego. Wskazują one kilka realnych, trwałych źródeł renty: Bariery wejścia trzymające nowych konkurentów z dala Wysokie koszty zmiany dostawcy trzymające istniejących klientów w środku Efekty sieciowe , w których produkt staje się bardziej wartościowy, im więcej osób z niego korzysta Korzyści skali pozwalające zasiedziałym podmiotom podcinać nowych graczy Zastrzeżona własność intelektualna lub ochrona regulacyjna prawnie wykluczająca imitatorów Kontrola nad rzadkim inputem lub kanałem dystrybucji , do którego rywale nie mogą dotrzeć Każde źródło renty jest tarciem Oto wgląd, na którym opiera się reszta tego raportu. Każde z tych źródeł renty jest tarciem. Wał jest w istocie tylko formą tarcia, przez które konkurenci nie mogą tanio się przebić: - Wysokie koszty zmiany dostawcy są tarciem w wyjściu klienta . - Bariery wejścia są tarciem w pojawieniu się konkurenta . - Efekty sieciowe są tarciem w koordynacji potrzebnej użytkownikom, by razem przenieść się gdzie indziej . - Skala produkcji jest tarciem w kapitale i czasie, które nowy gracz musi zainwestować , zanim osiągnie konkurencyjny koszt jednostkowy. To przeformułowanie ma ogromne znaczenie, ponieważ pokazuje dokładnie, co coś takiego jak generatywna AI albo coś takiego jak chińska gęstość przemysłowa robi z rynkiem. Siły te nie atakują produktów. Atakują tarcia. Są technologiami rozpuszczającymi tarcie. A technologia rozpuszczająca tarcie jest z definicji technologią rozpuszczającą wał. Cały argument tego raportu można skompresować do jednego zdania: wały oprogramowania i sprzętu załamały się, ponieważ konkretne tarcia, które generowały ich rentę, były dokładnie tymi tarciami, które AI i chińska aglomeracja były wyjątkowo dobre w usuwaniu. Część druga: Historyczny wał oprogramowania i dlaczego bity drukowały pieniądze Aby zrozumieć ten upadek, najpierw trzeba zrozumieć, dlaczego oprogramowanie było historycznie najlepszą strukturą biznesową, jaką kiedykolwiek odkrył kapitalizm, ponieważ upadek jest po prostu odwróceniem rzeczy, które czyniły je tak dobrym. Oprogramowanie miało niemal unikalną strukturę kosztów. Łączyło wysoki koszt stały stworzenia pierwszej kopii z niemal zerowym kosztem krańcowym odtworzenia i dostarczenia każdej kolejnej kopii . Napisanie pierwszej wersji złożonego programu wymagało rzadkiej, drogiej, trudnej do wyszkolenia grupy inżynierów pracujących miesiącami lub latami. Ale gdy już program został napisany, milionowa kopia kosztowała praktycznie nic w stworzeniu i nic w dostarczeniu. Ta asymetria dawała ogromną dźwignię operacyjną. Dojrzałe oprogramowanie horyzontalne może osiągać marże brutto rzędu osiemdziesięciu procent, jak Atlassian wskazał w wytycznych na Q2 roku finansowego 2025 https://www.businesswire.com/news/home/20250130093810/en , ponieważ przychody skalują się wraz z liczbą użytkowników, podczas gdy koszt sprzedanych towarów prawie się nie zmienia. Ale to stwierdzenie jest mniej uniwersalne niż kiedyś, ponieważ oprogramowanie o dużej intensywności zużycia, takie jak Snowflake, osiągnęło bliżej 67 procent marży brutto w roku finansowym 2025 https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/ , częściowo dlatego, że infrastruktura chmurowa stron trzecich mieści się w kosztach przychodów. W sensie ekonomicznym oprogramowanie zachowywało się jak czyste dobro informacyjne https://en.wikipedia.org/wiki/Information good , a dobra informacyjne zrywają normalny związek między produkcją a kosztem, który rządzi fizycznymi towarami. Ale sam niski koszt krańcowy nie tworzy wału. Jeśli każdy może wytworzyć dobro tanio, niski koszt krańcowy daje wyniszczającą konkurencję, a nie rentę. Oprogramowanie zarabiało rentę, ponieważ wysoki koszt stały pierwszej kopii działał jako bariera wejścia, a także dlatego, że nakładało się na niego kilka innych tarć: Niedobór talentu inżynieryjnego. Budowa niebanalnego oprogramowania wymagała ludzi, którzy byli drodzy, trudni do zatrudnienia i trudni do skoordynowania, więc większość potencjalnych konkurentów po prostu nie była w stanie zebrać zespołu zdolnego zbudować wiarygodny klon. Czas. Nawet dobrze finansowany konkurent potrzebował wielu miesięcy na odtworzenie, specyfikację, zbudowanie, przetestowanie i wypuszczenie konkurencyjnego produktu, a w tych miesiącach zasiedziały gracz miał tymczasowy monopol, by gromadzić użytkowników, przychody i większą głębię produktu. Koszt zmiany dostawcy. Gdy klient przeniósł swoje dane do systemu, przeszkolił personel w obsłudze tego interfejsu i podłączył system do wszystkiego innego poprzez niestandardowe integracje, odejście stawało się zaporowo drogie, nawet jeśli pojawiało się coś lepszego i tańszego. Kalkulacja build versus buy. Ponieważ budowanie własnego oprogramowania wewnętrznego samo w sobie było drogie i ryzykowne, firmy racjonalnie kupowały standardowe produkty z półki zamiast budować własne, co gwarantowało duży rynek dla dostawców oprogramowania pakietowego. Efekty sieciowe i gromadzące się zastrzeżone dane , nałożone na wszystko to w najlepszych przypadkach. Strukturalna podatność Spójrz, z czego składa się ta lista. Tylko jedno z tych pięciu tarć, efekty sieciowe, jest właściwe dla strony popytowej produktu. Pozostałe cztery, niedobór talentu, czas budowy, koszt zmiany dostawcy i kara za budowę zamiast zakupu, to wszystko tarcia po stronie podaży i produkcji . Są one artefaktami tego, jak trudno, wolno i drogo było tworzyć i zastępować oprogramowanie. To jest ta podatność. Biznes, którego obronność opiera się głównie na tym, jak trudne jest wytworzenie danej rzeczy, jest obronny tylko tak długo, jak długo produkcja pozostaje trudna. W chwili, gdy koszt produkcji i zastępowania oprogramowania się załamuje, cztery z pięciu filarów załamują się wraz z nim, a na nogach pozostaje jedynie efekt sieciowy po stronie popytu. To właśnie załamanie dostarczyła generatywna AI. Część trzecia: Szok AI i rozpad fosy oprogramowania Właściwym sposobem modelowania tego, co generatywna AI zrobiła ekonomii oprogramowania, jest traktowanie jej jako szoku dla funkcji produkcji oprogramowania . W podstawowej ekonomii koszt wytworzenia czegokolwiek jest funkcją kosztu jego nakładów. W przypadku oprogramowania dominującym nakładem zawsze była wykwalifikowana ludzka praca poznawcza, a konkretnie praca polegająca na przekształceniu wymogu biznesowego w poprawny, przetestowany i wdrażalny kod. Ta praca była rzadkim, drogim nakładem, który tworzył barierę wejścia. Generatywna AI i autonomiczni agenci kodujący atakują ten nakład bezpośrednio. Generują, refaktoryzują, debugują, dokumentują i wdrażają kod za ułamek historycznego kosztu w wielu zadaniach. Kontrolowany eksperyment GitHub Copilot https://arxiv.org/abs/2302.06590 wykazał, że deweloperzy ukończyli ograniczone zadanie programistyczne o 55,8 procent szybciej, a badanie terenowe obejmujące 4 867 deweloperów https://mit-genai.pubpub.org/pub/v5iixksv wykazało o 26,08 procent więcej ukończonych zadań. Efekt jest realny, ale nierównomierny, ponieważ losowe badanie z 2025 roku przeprowadzone przez METR https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ wykazało, że doświadczeni deweloperzy open source pracujący w znanych, dojrzałych bazach kodu byli o 19 procent wolniejsi przy wczesnych narzędziach AI z 2025 roku, mimo że wierzyli, że są szybsi. Bezpieczny wniosek nie jest taki, że AI czyni każdego inżyniera szybszym w każdym środowisku. Jest taki, że AI kompresuje koszt wytwarzania kodu, zwłaszcza w przypadku pracy ograniczonej zakresem, greenfield i mniej seniorskiej. Rzadki nakład staje się bardziej powszechny. Gdy cena krytycznego rzadkiego nakładu spada, bariera wejścia zbudowana na tej rzadkości załamuje się wraz z nią. Ten jeden mechanizm rozlewa się kaskadowo na wszystkie cztery filary po stronie podaży. Zmiana jest widoczna w narzędziach, których deweloperzy faktycznie używają. Najpierw pojawiły się wbudowane w IDE kopiloty, takie jak Cursor https://cursor.com/ . Potem przyszły terminalowe agenty kodujące, takie jak 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/ i OpenCode https://opencode.ai/docs/cli/ , w których model czyta repozytorium, edytuje pliki, uruchamia polecenia i iteruje w tym samym środowisku co inżynier. Teraz pojawia się trzecia warstwa wokół orkiestracji wielu agentów, z narzędziami takimi jak Conductor https://www.conductor.build/ , Superset https://superset.sh/ i Hermes Agent https://hermes-agent.nousresearch.com/ , koordynującymi kilku agentów między projektami i środowiskami. Postęp jest jasny. Przeszedł od autouzupełniania, przez autonomiczne agenty, do orkiestracji wielu agentów równolegle, i będzie to tylko przyspieszać. Praca cyfrowa z każdym rokiem będzie coraz łatwiejsza do zautomatyzowania, a narzędzia, które dziś wymagają wykwalifikowanego operatora, jutro będą wymagały coraz mniejszej interwencji człowieka. 1. Załamanie bariery wejścia Uruchomienie wiarygodnego produktu programistycznego wymagało kiedyś realnego kapitału zalążkowego, z czego większość trafiała na zatrudnienie inżynierów potrzebnych do zbudowania MVP. To wymaganie kapitałowe filtrowało rynek. Tylko przedsięwzięcia, które mogły zebrać pieniądze i pozyskać talent, w ogóle dostarczały produkt, a wynikowy niedobór konkurentów sam w sobie stanowił część ochrony istniejącego gracza. Gdy jeden deweloper z dobrymi narzędziami AI może zaprojektować, zbudować i uruchomić dopracowaną, działającą aplikację w ułamku dawnego czasu i kosztu, ten filtr znika. Rynek zalewa fala nowych graczy. W kategoriach konkurencji krzywa podaży funkcji oprogramowania przesuwa się gwałtownie na zewnątrz, a podstawowa teoria cen mówi bez żadnej niejednoznaczności, co dzieje się dalej. Gdy podaż dobra substytucyjnego silnie rośnie przy w przybliżeniu stałym popycie, cena spada w kierunku kosztu krańcowego, a ponieważ koszt krańcowy oprogramowania jest bliski zeru, cena jest również ściągana w jego kierunku. Nadmiarowa obfitość podaży oprogramowania jest, mechanicznie, zniszczeniem siły cenowej oprogramowania. 2. Załamanie przewagi czasowej To prawdopodobnie była najważniejsza z tradycyjnych fos oprogramowania. Cała logika szybkiego wydawania i iteracji opierała się na tym, że wypuszczona funkcja kupowała jej twórcy miesiące wyłącznej przewagi, zanim ktoś mógł ją skopiować. Ten czas przewagi był oknem, w którym ustanawiały się efekty sieciowe, marka i klienci. AI kompresuje cykl imitacji z miesięcy do godzin. Konkurent może obserwować interfejs produktu, opisać jego zachowanie agentowi kodującemu i niemal natychmiast otrzymać działający klon, nigdy nie widząc oryginalnego kodu źródłowego, ponieważ wartość nigdy tak naprawdę nie leżała w konkretnym kodzie. Leżała w specyfikacji, a specyfikacje są teraz trywialnie tanie do wdrożenia. Gdy opóźnienie imitacji spada do zera, tymczasowy monopol, który uzasadniał szybkie innowacje, wyparowuje. Innowacja nadal się pojawia, ale przestaje przynosić trwałą premię, ponieważ nagroda za innowację natychmiast trafia do imitatorów. To klasyczny przykład tego, co David Teece https://en.wikipedia.org/wiki/David Teece nazwał problemem apropriowalności w swoim artykule z 1986 roku o czerpaniu zysków z innowacji technologicznych. Innowacja opłaca się tylko wtedy, gdy innowator może przechwycić wystarczającą część tworzonej wartości, zanim zostanie ona wyciśnięta przez imitację. AI sprowadza apropriowalność czystej innowacji programistycznej do zera. 3. Rozpad kosztów zmiany dostawcy To był najtrwalszy z tradycyjnych fos oprogramowania, ponieważ działał nawet wtedy, gdy produkt konkurenta był wyraźnie lepszy. Ale koszty zmiany dostawcy same składały się z tarć: migracji danych z jednego schematu do drugiego, przebudowy niestandardowych integracji i ponownego szkolenia personelu z nieznanego interfejsu. Każdy z tych elementów to dokładnie ten rodzaj żmudnej, opartej na wzorcach pracy translacyjnej, w której AI jest dobra. Napędzana AI mapowanie danych może szybko i tanio wczytać, znormalizować i zmigrować złożoną bazę danych ze struktury jednego systemu do drugiego. Interfejsy w języku naturalnym obniżają koszt szkolenia, ponieważ użytkownicy coraz częściej wchodzą w interakcję poprzez rozmowę zamiast zapamiętywać zastrzeżone drzewo menu, co oznacza, że nagromadzona umiejętność uwięziona w interfejsie jednego dostawcy nie działa już jako kara za zmianę dostawcy. Wraz ze spadkiem kosztu odejścia spada również życiowa wartość przejętego klienta, koszt pozyskania klienta rośnie względem tej kurczącej się wartości życiowej, a ekonomika jednostkowa całego modelu subskrypcyjnego się pogarsza. Fosa zbudowana na niezdolności klienta do odejścia rozpada się, gdy odejście staje się tanie. 4. Odwrócenie relacji budować kontra kupować To cicho niszczy sam rynek adresowalny. Firmy kupowały pakietowe oprogramowanie, ponieważ budowanie niestandardowych narzędzi wewnętrznych było zbyt drogie, zbyt powolne i zbyt ryzykowne, by uzasadniać to czymkolwiek poza ich najbardziej wyróżniającymi potrzebami. Ta kara za budowanie wewnętrzne jest dokładnie tym, co gwarantowało dostawcom duży rynek. Gdy agenci AI pozwalają wewnętrznym zespołom, nawet nietechnicznym, generować niestandardowe aplikacje dopasowane do ich własnych przepływów pracy, kara za budowanie znika, a racjonalny wybór przesuwa się z kupowania ogólnej subskrypcji na generowanie prywatnego narzędzia, które pasuje idealnie i nie wiąże się z cykliczną licencją. To nie tylko sprawia, że konkurencja między dostawcami staje się bardziej intensywna. Zmniejsza całkowity rynek adresowalny, o który konkurują dostawcy , ponieważ rosnąca część popytu na oprogramowanie jest zaspokajana wewnętrznie i w ogóle nie trafia na rynek zewnętrzny. Wartość migruje od zewnętrznych dostawców oprogramowania do wewnętrznej zdolności operacyjnej, co oznacza, że przestaje być rynkiem, a staje się wewnętrzną efektywnością kosztową. To jest to samo, co nazwałem Wewnętrzną Dźwignią Oprogramowania w moim tekście Barbell of Software Value https://mehmetmhy.com/posts/barbell theory/ , widziane z perspektywy dostawcy zamiast nabywcy. Wynik i to, co nie upada Złóż te cztery mechanizmy razem, a otrzymasz komodytyzację czystego oprogramowania. Branża wchodzi w hiperoobfitość oprogramowania, gdzie funkcjonalne aplikacje są tanie w budowie, natychmiast klonowalne i coraz częściej generowane wewnętrznie na żądanie. W takich warunkach sam kod przestaje być źródłem renty, dokładnie tak jak jakiekolwiek dobro przestaje przynosić rentę, gdy staje się obfite i substytucyjne. Wartość odłącza się od kodu. Uczciwość wymaga jasnego powiedzenia, co nie upada, ponieważ wyolbrzymienie tego uczyniłoby to błędnym. Generatywna AI atakuje tarcia produkcyjne po stronie podaży. Sama w sobie nie atakuje tarć po stronie popytu ani na poziomie systemu. Efekty sieciowe przetrwają , ponieważ AI może sklonować oprogramowanie sieci społecznościowej w jedno popołudnie, ale nie może sklonować użytkowników, a użytkownicy są aktywem. Prywatne fosy danych przetrwają, a nawet staną się silniejsze , ponieważ AI sprawia, że kod jest tańszy do wytworzenia, jednocześnie czyniąc rzadkie dane, które go trenują, bardziej wartościowymi. Dystrybucja i marka przetrwają , ponieważ uwaga i zaufanie pozostają rzadkie, nawet gdy funkcje są darmowe. Bariery regulacyjne i zgodności przetrwają , ponieważ agent kodujący nie może wygenerować licencji bankowej, dopuszczenia wyrobu medycznego ani certyfikacji lotniczej. Głęboka integracja z fizyczną lub regulowaną rzeczywistością operacyjną przetrwa , ponieważ kod jest tani, ale instalowanie sensorów, zdobywanie zaufania i działanie pod nadzorem regulacyjnym już nie. Zatem precyzyjne twierdzenie nie brzmi, że wszystkie firmy software’owe umierają. Chodzi o to, że konkretny, niegdyś dominujący fosa czysto samodzielnego, pakietowego oprogramowania, broniony trudnością pisania i zastępowania kodu, został zniszczony. To, co przetrwało, to oprogramowanie zakotwiczone w czymś, czego AI nie może tanio odtworzyć: sieci, zbiorze danych, pozycji regulacyjnej, kanale dystrybucji albo operacji fizycznej. Oprogramowanie, które unosi się swobodnie poza wszystkimi tymi elementami, jest teraz towarem. Część czwarta: Historyczna fosa sprzętowa i dlaczego atomy były trudne Argument dotyczący sprzętu stosuje tę samą dyscyplinę. Najpierw ustal, dlaczego sprzęt dało się kiedyś bronić, a potem pokaż, które z tych zabezpieczeń zniszczył chiński system produkcyjny. Sprzęt dało się bronić z niemal odwrotnych powodów niż oprogramowanie, a rynki kapitałowe traktowały te dwa obszary jak przeciwieństwa. Tam, gdzie oprogramowanie miało niemal zerowy koszt krańcowy, sprzęt miał wysoki i uporczywy koszt krańcowy, ponieważ każda fizyczna jednostka pochłaniała materiały, energię, pracę i czas maszyn. Tam, gdzie oprogramowanie można było dostarczyć natychmiast i w nieskończoność, sprzęt był związany fizyką produkcji i logistyki. Te właściwości czyniły sprzęt gorszym biznesem pod względem marży, ale też, co dziwne, w specyficzny sposób czyniły go odpornym, ponieważ trudność fizycznej produkcji działała jak bariera chroniąca dobrze zarządzaną firmę sprzętową przed przypadkowym naśladownictwem. Konkretne tarcia, które chroniły sprzęt, były następujące: - Kapitał na oprzyrządowanie. Wytwarzanie produktu fizycznego na skalę wymagało specjalistycznego oprzyrządowania, głównie form wtryskowych i matryc odlewniczych używanych do kształtowania części z tworzyw sztucznych i metalu, a te narzędzia kosztowały dziesiątki lub setki tysięcy dolarów i wymuszały wysokie minimalne ilości zamówień. To była twarda ściana kapitałowa, na którą większość nowych graczy nie mogła się wspiąć, i chroniła ona zasiedziałych producentów, którzy już zamortyzowali swoje oprzyrządowanie. - Opóźnienie iteracji. Udoskonalenie projektu fizycznego oznaczało wykonanie nowego oprzyrządowania, dostosowanie tolerancji i przeprowadzenie fizycznych partii testowych — pętli, która zajmowała tygodnie lub miesiące na każdy obrót i kosztowała dużo za każdym razem, więc produkty fizyczne poprawiały się powoli, a konkurent potrzebował długiej, kosztownej kampanii, by nadrobić zaległości. - Składanie łańcucha dostaw. Produkt fizyczny to zestaw materiałów pochodzących od wielu wyspecjalizowanych dostawców, a ci dostawcy byli kiedyś rozproszeni między firmami, regionami i krajami, więc złożenie działającego łańcucha dostaw oznaczało negocjowanie z odizolowanymi dostawcami, ponoszenie długich terminów realizacji i zarządzanie skomplikowaną logistyką. - Precyzja i wiedza procesowa. Nagromadzona, często ukryta wiedza typu „jak to zrobić”, potrzebna do rzeczywistego wytworzenia projektu z akceptowalną wydajnością. Nie przenosi się ona z rysunku. Trzeba się jej nauczyć poprzez praktykę. - Dystrybucja. Konieczność dostarczenia produktu fizycznego do kupujących za pośrednictwem detalistów, dystrybutorów i przestrzeni na półkach, które same były rzadkie i objęte bramkowaniem. Spójrz na skład jeszcze raz, tak samo jak w przypadku oprogramowania. Fosa sprzętowa była w przeważającej mierze zestawem tarć produkcyjnych i logistycznych: kapitał na oprzyrządowanie, opóźnienie iteracji, składanie łańcucha dostaw, uzysk procesu i fizyczna dystrybucja. Była broniona przez to, jak trudno, wolno i drogo było przekształcić projekt w wysłany obiekt fizyczny. I dokładnie tak jak w przypadku oprogramowania, obrona zbudowana na trudności produkcji jest trwała tylko wtedy, gdy produkcja pozostaje trudna. Ale wkład Chin do historii gospodarczej polegał na tym, że sprawił, iż produkcja fizyczna, w ogromnym zakresie towarów, przestała być trudna. Część piąta: Szok chiński, aglomeracja przemysłowa i koniec fosy sprzętowej Najczęstszym nieporozumieniem dotyczącym dominacji chińskiej produkcji jest przekonanie, że to historia taniej siły roboczej. Częściowo było to prawdą w pierwszej fazie i dziś w większości nie jest, a mylenie tego prowadzi prosto do błędnego wniosku, że reshoring, czyli przeniesienie produkcji do następnego kraju o niskich płacach, przywróci stary porządek. Prawdziwe wyjaśnienie jest takie, że Chiny zbudowały, przy gęstości i skali niespotykanej wcześniej przez nikogo, zjawisko, które Alfred Marshall https://en.wikipedia.org/wiki/Alfred Marshall ponad sto lat temu opisał jako aglomerację przemysłową https://en.wikipedia.org/wiki/Economies of agglomeration . To właśnie ta aglomeracja, a nie arbitraż płacowy, rozmontowała fosę sprzętową. To rozróżnienie jest całym sensem tej sekcji i nie jestem pierwszym, który je podnosi. Andrew „bunnie” Huang przez ponad dekadę dokumentował shenzhenowską wersję tego zjawiska z pierwszej ręki w The Hardware Hacker https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf . Zewnętrzne korzyści Marshalla Aglomeracja przemysłowa to samowzmacniające się geograficzne skupienie powiązanych branż, dostawców komponentów, wytwórców podzespołów, przetwórców surowców, producentów narzędzi, firm kontraktowych, dostawców logistyki i wyspecjalizowanej wykwalifikowanej siły roboczej, wszystkiego stłoczonego w tym samym regionie. Marshall wskazał, dlaczego te skupiska generują przewagi, którym żadna odizolowana firma nie może dorównać: - Tworzą głęboki wspólny zasób pracy wyspecjalizowanych pracowników. - Wspierają lokalnych wyspecjalizowanych dostawców , którzy nigdy nie przetrwaliby, obsługując jednego odległego klienta, ale rozwijają się, obsługując gęste skupisko takich klientów. - Generują rozlewanie się wiedzy , w którym ulepszenia procesowe szybko rozprzestrzeniają się w skupisku, ponieważ odpowiedni ludzie są fizycznie blisko i przemieszczają się między firmami. Te trzy siły to zewnętrzne korzyści Marshalla i oznaczają, że firma wewnątrz klastra ma niższe koszty, szybszą iterację i lepsze informacje niż identyczna firma poza nim, bez względu na to, jak wydajna jest ta zewnętrzna firma sama w sobie. Załamanie kosztów transakcyjnych W delcie Rzeki Perłowej, a szczególnie w Shenzhen, aglomeracja osiągnęła gęstość bez historycznego precedensu. Praktyczny skutek najłatwiej zobaczyć przez ekonomię kosztów transakcyjnych Ronalda Coase’a. Coase wyjaśnił, że granica i tempo aktywności gospodarczej są określane przez koszty transakcyjne, czyli koszty szukania dostawców, negocjowania warunków i koordynowania produkcji między firmami. W rozproszonym łańcuchu dostaw koszty te są ogromne i stanowią prawdziwą treść trzeciego tarcia fosy sprzętowej. W ekstremalnie gęstym klastrze koszty transakcyjne załamują się niemal do zera. Cały łańcuch dostaw dla większości urządzeń elektronicznych i mechanicznych mieści się w małym promieniu, więc szukanie, pozyskiwanie, negocjowanie i koordynacja, które dawniej zajmowały tygodnie na przestrzeni kontynentów, teraz zajmują godziny w obrębie jednej dzielnicy. Projektant może określić specyfikację urządzenia, tego samego dnia lokalnie pozyskać każdy komponent, zlecić wykonanie i montaż niestandardowej płytki drukowanej przez noc i mieć działający prototyp następnego ranka. To nie jest tańsza siła robocza. To niemal całkowite wyeliminowanie kosztów transakcyjnych i opóźnienia iteracji, co jest czymś jakościowo odmiennym i znacznie potężniejszym. Z tej gęstości wyłoniły się cztery mechanizmy, które zniszczyły fosę sprzętową, odzwierciedlając cztery zastosowania AI wobec oprogramowania. 1. Załamanie opóźnienia iteracji To sprzętowy odpowiednik utraty przewagi czasowej przez oprogramowanie. W rozproszonym zachodnim łańcuchu dostaw jeden obrót projektu fizycznego zajmował tygodnie i kosztował dużo, więc sprzęt poprawiał się powoli, a przewaga doskonalenia posiadana przez zasiedziałego gracza utrzymywała się. Wewnątrz klastra fizyczna iteracja zbliża się do szybkości iteracji oprogramowania. Formy są modyfikowane, układy płytek dostosowywane, a partie testowe uruchamiane w ciągu dni. Konsekwencja strategiczna jest brutalna. Każdy projekt sprzętowy wymyślony na Zachodzie może zostać zaobserwowany, zreverse-engineerowany, zoptymalizowany pod kątem produkowalności i wyprodukowany masowo wewnątrz klastra szybciej, niż pierwotna zachodnia firma zdoła ukończyć własny drugi prototyp. Czas przewagi twórcy, który był źródłem jego renty, jest ujemny. Naśladowca wysyła pierwszą, ulepszoną i tańszą wersję. 2. Załamanie kapitału na oprzyrządowanie To sprzętowy odpowiednik zaniku bariery wejścia w oprogramowaniu. Dziesiątki tysięcy dolarów i wysokie minimalne ilości zamówień, które kiedyś odgradzały produkcję fizyczną, zostały w klastrze zoptymalizowane przez szybkie, sterowane komputerowo obrabiarki, standaryzowane, modułowe podstawy form, które przebudowuje się zamiast wycinać od zera, oraz bezwzględnie konkurencyjne, wysoko przepustowe warsztaty narzędziowe. Małoseryjny, wysoce spersonalizowany sprzęt może być dziś wytwarzany przy strukturze kosztów, która kiedyś była dostępna tylko dla wielkich korporacji międzynarodowych. Ściana kapitałowa filtrowania nowych graczy sprzętowych w dużej mierze upadła, podobnie jak ta, która filtrowała nowych graczy software’owych, a rynek zalewa ta sama przewidywalna presja spadkowa na ceny. 3. Krzywa doświadczenia, spotęgowana przez automatyzację Ten mechanizm właśnie na stałe utrwala przewagę kosztową i dlatego tej przewagi nie da się zlikwidować przez arbitraż poprzez przeniesienie się gdzie indziej. Prawo Wrighta https://en.wikipedia.org/wiki/Experience curve effects , po raz pierwszy opisane przez Theodore’a Wrighta w 1936 roku na podstawie danych z produkcji samolotów, a później uogólnione przez Boston Consulting Group jako krzywa doświadczenia, jest jedną z najbardziej wiarygodnych empirycznych prawidłowości w ekonomii przemysłowej. Głosi ono, że w przypadku wielu produktów koszt jednostkowy spada o stały procent za każdym razem, gdy skumulowana wielkość produkcji podwaja się, ponieważ organizacja uczy się poprzez nagromadzone działanie, jak wytwarzać bardziej efektywnie. Ponieważ klaster odpowiada za przytłaczającą część globalnej skumulowanej produkcji w niezliczonych kategoriach produktów, znajduje się daleko w dół krzywej doświadczenia, na samym szczycie której znajduje się każdy nowy uczestnik z niską skumulowaną produkcją. Współczesna chińska produkcja dodatkowo wzmacnia tę przewagę uczenia się dzięki kapitałochłonnej automatyzacji, zaawansowanej robotyce, szybkiej zautomatyzowanej inspekcji optycznej oraz pionowej integracji sięgającej aż do surowców. To jest dokładnie ten moment, w którym wyjaśnienie o kosztach pracy umiera. Współczesna przewaga to nie niskie płace. To nagromadzone uczenie się plus zautomatyzowana skala plus gęstość dostawców , a nowy uczestnik nie może odtworzyć tej kombinacji żadnym działaniem krótkoterminowym, przy wysokich ani niskich płacach, ponieważ nie da się natychmiast kupić dekad skumulowanego doświadczenia produkcyjnego ani ekosystemu dostawców wokół niego. 4. Upadek tarcia dystrybucyjnego To jest sprzętowy odpowiednik tego, jak AI eroduje potrzebę przechodzenia przez kanały oprogramowania kontrolowane przez zasiedziałych graczy. Globalne cyfrowe rynki i skrajnie wydajna logistyka paczkowa pozwalają producentom z wnętrza klastra całkowicie ominąć zachodnich dystrybutorów, hurtowników i przestrzeń półkową w handlu detalicznym, wystawiając produkty bezpośrednio na globalnych platformach i wysyłając je do drzwi konsumenta w ciągu kilku dni. Ostatnie tarcie chroniące zasiedziałą markę sprzętową, czyli jej kontrola nad półkami i kanałami, zostaje ominięte. Funkcjonalnie równoważne urządzenie trafia do tego samego klienta za ułamek ceny markowej, nigdy nie dotykając systemu dystrybucji zasiedziałego gracza. Wspólne dobro przemysłowe i dlaczego reshoring jest tak trudny Najważniejszą konsekwencją tego wszystkiego, i tą najczęściej ignorowaną, jest reshoring, a właśnie tutaj znaczenie ma idea wspólnego dobra przemysłowego . Gary Pisano i Willy Shih nazwali to w Restoring American Competitiveness https://hbr.org/2009/07/restoring-american-competitiveness PDF https://dailyreporter.com/files/2012/11/restoring-american-competitiveness.pdf w 2009 roku. Ich spostrzeżenie było takie, że zdolność produkcyjna nie jest własnością pojedynczych firm. Jest własnością ekosystemu, wspólnej lokalnej bazy dostawców, narzędziowców, inżynierów procesu i wiedzy ukrytej. Kiedy kraj przenosi produkcję za granicę, nie traci tylko fabryk. Z czasem traci otaczające go wspólne dobro, ponieważ dostawcy, narzędziowcy i wykwalifikowani inżynierowie procesu zanikają lub przenoszą się, gdy nie ma lokalnego popytu podtrzymującego ich przy życiu. Gdy wspólne dobro znika, żadna pojedyncza firma ani subsydium nie może szybko odbudować go na nowo, ponieważ pojedyncza przywrócona fabryka nie ma lokalnych dostawców, lokalnych narzędziowców, lokalnej puli doświadczonych inżynierów procesu, a zatem nie ma żadnych zewnętrznych korzyści Marshalla, które uczyniły klaster efektywnym od początku. Dlatego reshoring skomodytyzowanej kategorii sprzętu jest tak trudny i tak kosztowny. Przewaga, którą reshoring ma odtworzyć, nigdy nie znajdowała się wewnątrz fabryki. Była w ekosystemie wokół fabryki, a ten ekosystem nie jest już w domu. Rów ochronny nie przeniósł się do Chin dlatego, że chińskie firmy są indywidualnie lepsze. Przeniósł się dlatego, że przeniosło się wspólne dobro, a wspólne dobro jest aktywem zbiorowym, którego nie da się odbudować poprzez działanie jednostki. Makroekonomiczny wniosek dla sprzętu dokładnie pokrywa się z wnioskiem dla oprogramowania. W chwili, gdy specyfikacja produktu fizycznego jest znana, skrajnie gęsty ekosystem produkcyjny może go odtworzyć, zoptymalizować pod kątem wytwarzania i dystrybuować bezpośrednio po strukturze kosztów, która niszczy marżę twórcy. Samodzielny sprzęt, broniony wyłącznie trudnością produkcji fizycznej, został skomodytyzowany, ponieważ ta trudność, w ogromnym zakresie dóbr, już nie istnieje. Część szósta: Sekwencyjny upadek i jego strategiczne konsekwencje Ludzie zwykle analizują te dwa upadki osobno i chronologicznie powinni. Upadek sprzętu nastąpił pierwszy. Chińska aglomeracja sprawiła, że oparta na produkcji obronność sprzętu stała się słaba w całej elektronice użytkowej i wielu dobrach o średniej złożoności na lata przed tym, jak generatywne narzędzia do kodowania AI zaczęły mieć znaczenie. Upadek oprogramowania nastąpił później. Faktyczne wydarzenie dla założyciela dziś nie polega na tym, że zaczęły się razem. Polega na tym, że oba warunki są teraz obecne na rynku. Wcześniejsze epoki wciąż oferowały drogę ucieczki. Gdy oprogramowanie stawało się konkurencyjne, kapitał mógł płynąć w kierunku obronnego sprzętu. Gdy sprzęt stawał się konkurencyjny, kapitał mógł płynąć w kierunku obronnego oprogramowania. Te dwie domeny były naprzemiennymi schronieniami. Ta rotacja już nie działa. Czyste atomy już straciły swoją produkcyjną fosę, a czyste bity teraz tracą własną. Nie ma już schronienia w czystych bitach i nie ma już schronienia w czystych atomach. To jest głębszy sens barbeli, o której pisałem w zeszłym roku https://mehmetmhy.com/posts/barbell theory/ . Środek, gdzie firma polegała na tym, że jeden wymiar jest trudny, został wydrążony z obu stron. Konsekwencja pierwszego rzędu: uogólniona presja deflacyjna Gdy krańcowy koszt oprogramowania zbliża się do zera, a efektywny koszt fizycznej reprodukcji zbliża się do skrajnie wydajnego dna klastra, konkurencja spycha ceny w obu domenach w dół w kierunku tych poziomów. To ma charakter dezinflacyjny dla konsumentów i destrukcyjny dla producentów bez fosy, i wyjaśnia zagadkę, którą zauważa wiele osób: ogromny postęp technologiczny stoi tuż obok kurczących się marż firm rzeczywiście produkujących. Postęp jest przechwytywany przez konsumentów i naśladowców, a nie przez innowatorów , właśnie dlatego, że możliwość zawłaszczenia wartości załamała się w obu domenach. Konsekwencja drugiego rzędu: renta migruje wzdłuż krzywej uśmiechu Stan Shih https://en.wikipedia.org/wiki/Stan Shih , założyciel Acer, zaproponował krzywą uśmiechu https://en.wikipedia.org/wiki/Smiling curve około 1992 roku. Nanieś wartość dodaną względem etapów produkcji w łańcuchu wartości produkcyjnej, a otrzymasz kształt przypominający uśmiech. Ben Thompson zaadaptował ją do wydawnictw https://stratechery.com/2014/publishers-smiling-curve/ , co warto przeczytać, ponieważ pokazuje, że krzywa ta tak naprawdę wcale nie dotyczy produkcji. Oto oryginał: Etapy Shih są następujące: Wysoka wartość w górnym nurcie , czyli projektowanie, marka i własność intelektualna Głęboki dołek pośrodku , czyli montaż fizyczny i wytwarzanie, etap najłatwiej ulegający komodytyzacji Wysoka wartość w dolnym nurcie , czyli dystrybucja, obsługa i relacja z klientem Wzrost Chin spłaszczył i skomodytyzował środek tej krzywej dla sprzętu. Generatywna AI teraz komodytyzuje równoważny środek dla oprogramowania, czyli sam akt pisania kodu. Wniosek brzmi identycznie w obu przypadkach: porzuć skomodytyzowany środek i przejdź na końce uśmiechu. Ale końce są dokładnie tymi aktywami po stronie popytu i na poziomie systemowym, których ani AI, ani gęstość produkcyjna nie mogą tanio odtworzyć. W górnym nurcie oznacza to zastrzeżone dane, prawdziwe badania i autentyczny wgląd projektowy. W dolnym nurcie oznacza to markę, zaufanie, dystrybucję, pozycję regulacyjną oraz własność relacji z klientem i wyniku operacyjnego. Konsekwencja trzeciego rzędu: renta przesuwa się w szczeliny To jest konsekwencja, która łączy analizę ze strategią. Trwała renta migrowała z jakiegokolwiek pojedynczego wymiaru do sprzężenia między wymiarami oraz do aktywów, które w ogóle leżą poza produkcją. Jeśli czysty kod jest darmowy, a czyste atomy są tanie, to tarcia, które nadal generują rentę, to te żyjące w szczelinach: Ścisłe współprojektowanie niestandardowego sprzętu z niestandardowym oprogramowaniem , tak aby żadne z nich nie było użyteczne dla naśladowcy bez drugiego. Zastrzeżone dane generowane przez prowadzenie realnego fizycznego lub regulowanego procesu roboczego , które są rzadkie właśnie dlatego, że są produktem ubocznym wykonywania pracy, a nie czymś, co można skopiować. Głębokie, trudne do zbudowania relacje i akredytacje regulacyjne w konserwatywnych branżach, gdzie tańszy klon zostaje zdyskwalifikowany, zanim ktokolwiek w ogóle go oceni. Pozycja głównego podmiotu , w której firma nie sprzedaje komodytyzowalnego narzędzia, lecz posiada operację, przejmuje odpowiedzialność, gwarantuje wynik oraz przechwytuje zarówno pełną pulę zysków, jak i wyłączny strumień danych odpadowych. To są tarcia, których AI i chińska aglomeracja strukturalnie nie są w stanie rozpuścić, ponieważ w ogóle nie są to tarcia produkcyjne. Są to tarcia zaufania, fizycznego dostępu, regulacji, nagromadzonej obserwacji świata rzeczywistego oraz własności operacyjnej. Część siódma: Ograniczenia, kontrargumenty i uczciwość wobec nich Teza o tak szerokim zasięgu musi zostać poddana próbie najpoważniejszych zastrzeżeń, ponieważ strategia zbudowana na przesadzonej przesłance zawodzi dokładnie tam, gdzie przesłanka była zbyt mocna. Zastrzeżenie 1: Oprogramowanie generowane przez AI nie osiągnęło jeszcze poziomu światowej czołówki Pierwsze zastrzeżenie brzmi, że oprogramowanie generowane przez AI nie dorównuje jeszcze oprogramowaniu tworzonym przez ekspertów dla najbardziej złożonych, najwyższej niezawodności lub naprawdę nowatorskich systemów, oraz że rzeczywista granica jakości nadal oddziela generowanie masowe od inżynierii najwyższej klasy. To prawda i ma znaczenie. Argument o komodytyzacji najmocniej odnosi się do dużej części konwencjonalnego oprogramowania aplikacyjnego, którego logika jest dobrze wydeptana. Na prawdziwej granicy, w nowych algorytmach, w systemach wymagających skrajnej niezawodności lub bezpieczeństwa oraz w problemach bez precedensu w danych treningowych, ekspercki osąd ludzki nadal przynosi rentę. Zatem precyzyjne twierdzenie brzmi, że AI spłaszcza fosę wokół większości oprogramowania nadającego się do komodytyzacji, a nie że znosi wszelką wartość oprogramowania. Ale kierunek zmian ma strategiczne znaczenie, ponieważ granica, która pozostaje obronna, jest wąska, stale się przesuwa i jest słabym fundamentem trwałego biznesu, chyba że jest zakotwiczona w jednej z powyższych fos nienależących do produkcji. Zastrzeżenie 2: Chińska dominacja jest nierównomierna i politycznie kwestionowana Drugie zastrzeżenie brzmi, że chińska dominacja produkcyjna jest nierównomierna między kategoriami i obecnie napotyka poważne geopolityczne siły przeciwdziałające, w tym cła, kontrole eksportu, reshoring napędzany bezpieczeństwem narodowym oraz celowy friend shoring krytycznych łańcuchów dostaw. To również prawda. Argument o komodytyzacji jest najsilniejszy w przypadku elektroniki konsumenckiej, dóbr mechanicznych i średnio złożonych montażów, a najsłabszy na samym szczycie stosu technologicznego, najbardziej oczywiście w zaawansowanej produkcji półprzewodników, gdzie skrajna kapitałochłonność i garstka niezastępowalnych dostawców tworzą własne fosy. Polityka może też sztucznie przywracać tarcia, które aglomeracja usunęła, poprzez cła podnoszące koszt dostarczenia imitatora lub kontrole eksportu odcinające go od nakładów. Ale te siły przeciwdziałające w rzeczywistości wzmacniają centralny wniosek, zamiast go podważać, ponieważ zarówno przetrwała fosa półprzewodnikowa, jak i fosa reshoringu napędzanego polityką są znowu nie fosami czystego hardware’u. Są fosami skrajnej skali kapitałowej, niezastępowalnej pozycji dostawcy oraz relacji regulacyjnych i geopolitycznych. To dokładnie te pozaprodukcyjne tarcia związane z relacjami i pozycją, do których — jak mówi ten raport — przesunęła się renta. Zastrzeżenie 3: Dlaczego wielcy gracze wciąż są tak rentowni? Trzecie zastrzeżenie jest subtelniejsze. Jeśli zarówno oprogramowanie, jak i hardware ulegają komodytyzacji, dlaczego najwięksi gracze technologiczni pozostają niezwykle rentowni? Odpowiedź brzmi, że ci gracze nigdy tak naprawdę nie byli bronieni przez samo oprogramowanie ani sam hardware. Ich prawdziwe fosy to efekty sieciowe, kontrola dystrybucji i uwagi, zastrzeżone dane w skali cywilizacyjnej, przywiązanie do ekosystemu, a w niektórych przypadkach także utrwalenie regulacyjne. Opisany tu krach nie zagraża żadnej z tych rzeczy, a w kilku aspektach je wzmacnia, ponieważ gdy czysta produkcja ulega komodytyzacji, względna wartość aktywów nienależących do produkcji, które już posiadają incumbentci, rośnie. To jest całkowicie spójne z tezą. Komodytyzacja produkcji nie spłaszcza całego zysku. Przesuwa zysk z firm, których jedyną przewagą było to, że produkcja była trudna, do firm posiadających tarcia, których produkcja nie może dotknąć. Incumbenci przetrwają, ponieważ nigdy nie byli biznesami jednowymiarowymi. To jest lekcja, a nie wyjątek. Część ósma: Synteza i pomost do nowoczesnej fosy Dwa załamania opisane w tym raporcie są w gruncie rzeczy tym samym mechanizmem powtarzającym się w dwóch domenach, a nie jedną wspólną osią czasu. W obu przypadkach klasa biznesu uzyskiwała trwałą rentę, ponieważ produkcja była trudna, powolna i kosztowna. W obu przypadkach siła rozpuszczająca tarcia — generatywna AI w domenie cyfrowej i hiper gęsta aglomeracja przemysłowa w fizycznej — sprawiła, że produkcja stała się łatwa, szybka i tania. W obu przypadkach renta broniona przez trudność produkcji wyparowała w momencie, gdy produkcja przestała być trudna. Symetria jest dokładna, a jej dostrzeżenie jest warte więcej niż każda z połówek osobno, ponieważ ujawnia ogólne prawo stojące za obiema: Każda fosa, która składa się wyłącznie z trudności wytworzenia rzeczy, jest tymczasowa i trwa dokładnie tak długo, jak komuś zajmuje wymyślenie, jak wytworzyć tę rzecz łatwo. Bezpośrednio z tego wynika konsekwencja strategiczna. Skoro ani same bity, ani same atomy nie mogą osłonić biznesu, to obronność musi zostać zbudowana z tarć, które przetrwały oba załamania: Ścisła, zamknięta integracja niestandardowego hardware’u i niestandardowego software’u , tak aby systemu nie dało się rozebrać i sklonować kawałek po kawałku. Zastrzeżone, stale odświeżane dane powstające jako produkt uboczny działania rzeczywistego przepływu pracy , których nie da się skopiować, ponieważ trzeba je wypracować poprzez operowanie. Głębokie relacje, zaufanie i pozycja regulacyjna branż konserwatywnych , których nie wygeneruje ani agent kodujący, ani fabryka kontraktowa. Decyzja o działaniu jako principal, a nie vendor , czyli o posiadaniu przepływu pracy i jego wyniku, tak aby cała pula zysku i cały strumień danych pozostały przechwycone zamiast zostać sprzedane dalej. Nowoczesna spółka o skali venture jest obronna dokładnie w takim stopniu, w jakim łączy kilka z tych przetrwałych tarć w jeden sprzężony system operacyjny, który staje się lepszy wraz z działaniem. Wszystko, co kiedyś było fosą, ponieważ trudno było to zbudować, jest teraz komodytyzowane, ponieważ łatwo to zbudować. To, co pozostaje obronne, to to, do czego trudno uzyskać dostęp, trudno zdobyć zaufanie, trudno wejść przez regulacje i trudno zaobserwować bez wykonywania prawdziwej pracy. Przyszła fosa nie jest zbudowana z bitów i nie jest zbudowana z atomów. Jest zbudowana z szwów między nimi oraz z relacji i wypracowanych danych, których nikt nie potrafi odtworzyć bez stania dokładnie tam, gdzie stoisz ty. Wnioski z analizy Paradygmat ostatnich trzydziestu lat, który traktował oprogramowanie jako niezawodny silnik obronnego zysku, a hardware jako niskomarżową komodytę, nie tylko się przesunął. Jego dwa fundamentalne założenia zostały obalone po kolei . Chińska aglomeracja przemysłowa obaliła założenie, że hardware jest trudny do iterowania i wytwarzania jako pierwszy. Generatywna AI obala teraz założenie, że oprogramowanie jest trudne do wytworzenia i zastąpienia. Ponieważ obie fosy opierały się głównie na trudności produkcji, a ta trudność była konkretnym celem obu sił rozpuszczających tarcia, obie fosy się załamały. Renta, która wcześniej trafiała do tego, kto potrafił zbudować bity albo wykuć atomy, teraz płynie do konsumentów i imitatorów, chyba że firma zakotwiczyła się w tarciu, którego załamanie produkcji nie może dosięgnąć. Te przetrwałe tarcia — integracja, zastrzeżone dane operacyjne, zaufane relacje, pozycja regulacyjna oraz własność na poziomie principal rzeczywistego przepływu pracy — to miejsce, do którego przemieściła się trwała wartość. Budowanie obronnej firmy w tej epoce oznacza odmowę polegania na tym, że jakikolwiek pojedynczy wymiar będzie trudny, ponieważ nic, co jest jedynie trudne do wytworzenia, nie pozostaje obronne, kiedy wytwarzanie staje się łatwe. Nowoczesna fosa Wszystko powyższe to diagnoza. Ustala, dokąd i dlaczego przeszła renta, ale zatrzymuje się na poziomie zasady, a zasada nie mówi, jak naprawdę wygląda firma zbudowana na jej podstawie. Ta część jest odpowiedzią . Pokazuje, z czego dziś zbudowana jest obronność i jak wygląda, gdy zostanie złożona w realny biznes. Barbell Zanim przejdziemy do reguł konstrukcyjnych, warto wyraźnie nazwać barbell, ponieważ analiza ciągle wskazywała na jego końce, nie wymieniając ich wprost. Opisałem to w 2025 roku w The Barbell of Software Value https://mehmetmhy.com/posts/barbell theory/ , gdzie pogodziłem swoją Internal Software Leverage Theory z tezą obfitości. Wniosek był taki, że wartość oprogramowania polaryzuje się w dwa klastry z kurczącym się środkiem. Na jednym końcu stoją ogromne, fundamentalne prymitywy, modele bazowe, infrastruktura obliczeniowa, platformy chmurowe, układy scalone i podstawowa infrastruktura AI. Są one bronione przez kapitałochłonność, ekonomię skali i koncentrację badań na poziomie, do którego nowy podmiot venture zasadniczo nie może dosięgnąć. To nie jest okazja, którą opisuję. To jest środowisko, w którym ona działa. Google https://en.wikipedia.org/wiki/Google jest przypadkiem granicznym pod względem sufitu. Łączy modele LLM, TPU https://cloud.google.com/tpu , infrastrukturę chmurową, Search, Androida, YouTube, Maps, Chrome, domyślną dystrybucję oraz zastrzeżone dane w skali, której niemal nikt nie może dotknąć. To nie czyni z niego wzorca startupowego. To czyni z niego w pełni zrealizowany górny biegun barbella. Nie da się zacząć od tego poziomu. To, co Google pokazuje, to mechanizm: gdy produkcja staje się tania, trwała wartość migruje do obliczeń, dystrybucji, infrastruktury, danych i pozycji ekosystemowej, do których nowy uczestnik nie może po prostu wykupić sobie dostępu. Zwróć uwagę również na ograniczenie. Google obsługuje aukcję. Zazwyczaj nie posiada wyniku reklamodawcy. Dlatego Waymo, a nie Search, jest później czystszym przykładem pozycji principal. Na drugim końcu stoi wysoko wyspecjalizowana prywatna dźwignia. Głębokie posiadanie przepływu pracy, automatyzacja świata fizycznego, procesy regulacyjne, zastępowanie pracy eksperckiej, zastrzeżone dane operacyjne oraz własność wyniku. Ten koniec jest osiągalny i jest broniony dokładnie przez te tarcia nienależące do produkcji, które analiza zidentyfikowała jako przetrwałe. Niebezpieczny środek to ogólne oprogramowanie. To aplikacja webowa, panel sterowania, narzędzie CRUD, menedżer przepływu pracy i cienka otoczka wokół API modelu. Jest ściskane z góry przez prymitywy, które nadal wchłaniają do siebie ogólne możliwości, oraz z dołu przez załamanie się kosztu budowania czegokolwiek ogólnego. Produkt pośrodku jest łatwy do zbudowania, łatwy do sklonowania, łatwy do wchłonięcia przez dominującego gracza jako funkcja i zwykle kontroluje zbyt małą część łańcucha wartości klienta, by obronić cenę. Cztery filary fosy Defensywność dziś nie wynika z jednego wysokiego muru. Wynika z zazębiania się wielu przewag. Cztery odrębne filary przetrwają podwójne załamanie produkcji sprzętu i oprogramowania. Trwała nowoczesna firma potrzebuje wiarygodnej drogi do co najmniej trzech z nich. Nie jednego. Trzech. Pojedyncze wymiary nie chronią już nikogo i w przyszłości też nie będą. Świetny sprzęt Świetny sprzęt nie oznacza wynajdywania egzotycznych urządzeń. Zdecydowanie nie oznacza sprzedawania sprytnego gadżetu z marżą. Widoczne, łatwe do skopiowania, sprzedawane osobno urządzenie to dokładnie to, co klastry produkcyjne niszczą najszybciej. Sprzęt zasługuje na swoje miejsce wtedy, gdy nie jest produktem, lecz instrumentem . Daje firmie uprzywilejowany fizyczny dostęp do procesu, którego żaden konkurent nie może obserwować z zewnątrz. Wykrywa świat fizyczny, przechwytuje zastrzeżone dane, wykonuje działania fizyczne i standaryzuje przepływ pracy, przez co oprogramowanie nad nim staje się znacznie trudniejsze do skopiowania. Test jest prosty. Czy dałoby się wyjąć ten sprzęt i sprzedać go samodzielnie? Jeśli tak, to jest gadżetem i zostanie skomodytyzowany. Jeśli bez oprogramowania, danych i całej operacji wokół niego nie ma żadnego sensu, wtedy wykonuje pracę fosy. Świetne oprogramowanie na zamówienie Świetne oprogramowanie na zamówienie to nie ogólne SaaS i nie ładniejszy interfejs. Działa wewnątrz konkretnego procesu fizycznego lub regulacyjnego, automatyzuje decyzje, które niosą realny ciężar ekonomiczny, koordynuje pracę ludzi lub maszyn i przechwytuje korekty oraz przypadki brzegowe w momencie, gdy się pojawiają. Zwróć uwagę, co czyni je defensywnym. Nie kod , który, jak wykazała analiza, jest dziś tani, lecz jego zależność od dostępu operacyjnego, zastrzeżonych danych i głębokiej wiedzy o przepływie pracy, których konkurent nie może uzyskać przez skopiowanie interfejsu. Oprogramowanie jest trudne do skopiowania nie dlatego, że trudno je napisać, ale dlatego, że trudno dotrzeć do rzeczy, z którymi jest połączone. Świetne relacje Świetne relacje należą do najbardziej trwałych fos w trudnych branżach. Są całkowicie odporne zarówno na komodytyzację sprzętu, jak i oprogramowania. Obejmują akredytację regulacyjną, zaufanie klientów, dostęp dystrybucyjny do ostrożnych nabywców oraz długoterminowe partnerstwa operacyjne. Widać to w takich sektorach jak obronność, ochrona zdrowia, budownictwo i infrastruktura. Nabywcy na tych rynkach nigdy nie wybierają dostawcy tylko dlatego, że oprogramowanie jest trochę lepsze, a w wielu przypadkach nawet wtedy, gdy jest 10 razy lepsze. Kupują na podstawie zaufania i dorobku, niezawodności, odpowiedzialności, zgodności i dowodów. Tańszy klon zwykle zostaje zdyskwalifikowany, zanim ktokolwiek go oceni. Relacje wymagają czasu, reputacji i udokumentowanej skutecznej realizacji. Ani agenci AI, ani montownia w Shenzhen nie są w stanie wyprodukować zaufania z dnia na dzień. Unikalne dane Unikalne dane są najważniejsze z czterech i najczęściej źle rozumiane. Nie wszystkie dane są wartościowe, a ogólne dane zeskrobane z sieci są dziś jako fosa bliskie bezwartościowym. Dane, które mają znaczenie, są prywatne, ukryte i eksperckie, specyficzne dla procesu fizycznego i przepływu pracy, generowane z realnych operacji oraz pełne przypadków brzegowych, korekt i awarii, które nigdy nie pojawiają się w żadnym publicznym korpusie. Tego rodzaju danych nie da się kupić ani zeskrobać. Są one wytwarzane wyłącznie jako produkt uboczny prowadzenia żywej operacji przez zamkniętą pętlę czterech etapów : Obserwacja Decyzja Działanie Wynik Ta pętla to także miejsce, gdzie cztery czynniki zaczynają się wzajemnie wzmacniać. Sprzęt obserwuje i działa, oprogramowanie podejmuje decyzje i koordynuje, relacje dają dostęp do przepływu pracy, a unikalne dane narastają dzięki wynikom. Większość firm przechwytuje tylko pierwszy etap tego przepływu danych. Fosa potrzebuje wszystkich czterech, co oznacza, że wiesz nie tylko, co się wydarzyło, ale też jaka decyzja zapadła w odpowiedzi, jakie działanie rzeczywiście podjęto i czy wynik zadziałał. Ten czwarty etap, zweryfikowany wynik, sprawia, że dane nadają się do trenowania i że przewaga się kumuluje. Każde ukończone zadanie ulepsza system, który wykonuje następne zadanie, a to jest jedyna forma przewagi w całym tym dokumencie, która rośnie zamiast erodować. Kiedy pętle się kumulują i kiedy się zatrzymują Zamknięta pętla brzmi abstrakcyjnie jak coś nieuchronnego. W praktyce większość prób zbudowania takiej pętli kończy się niepowodzeniem. Pętla jest twierdzeniem, a nie prawem, i ma konkretne tryby awarii, które są bardziej użyteczne do zrozumienia niż sam przypadek sukcesu. - Dane się nasycają: Wartość zgromadzonych danych podąża za krzywą malejących przychodów. W uczeniu głębokim Sun i in. wykazali, że skuteczność na zadaniach wizji rosła logarytmicznie wraz z wolumenem danych treningowych https://openaccess.thecvf.com/content ICCV 2017/papers/Sun Revisiting Unreasonable Effectiveness ICCV 2017 paper.pdf , co oznacza, że każde podwojenie zbioru danych daje kolejny przyrost, a nie kolejny cud. Pierwsze tysiąc wykonanych operacji uczy cię najwięcej. Następne dziesięć tysięcy uczy mniej. Kolejne sto tysięcy nie wnosi prawie nic nowego. Konkurent, który zaczyna później, często może dojść do 90 procent twojej wydajności przy ułamku danych historycznych, domykając lukę szybciej, niż sugerują surowe liczby. - Dane mogą nie należeć do ciebie do użycia: Generujesz zastrzeżone dane przez przepływ pracy, ale jeśli umowa mówi, że klient jest ich właścicielem i nie możesz ich agregować między wdrożeniami, to masz pięćdziesiąt oddzielnych silosów danych, a nie jedno koło zamachowe. Na poziomie platformy 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/ i Google Vertex AI https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance mówią klientom biznesowym, że ich dane wejściowe i wyjściowe nie są domyślnie używane do trenowania modeli bazowych. To dobra wiadomość dla klientów i ostrzeżenie dla dostawców. Uczenie międzyklienckie kumuluje się tylko wtedy, gdy umowa to dopuszcza. Prawo prywatności dodaje kolejny ogranicznik, ponieważ zasada ograniczenia celu w RODO https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , prawo do usunięcia danych https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , zasady deidentyfikacji HIPAA https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html oraz reguły CCPA/CPRA dotyczące udostępniania na potrzeby reklamy behawioralnej w różnych kontekstach https://leginfo.legislature.ca.gov/faces/codes displaySection.xhtml?lawCode=CIV§ionNum=1798.140 wszystko to utrudnia wtórne wykorzystanie danych. To zabija więcej rzeczywistych fos AI niż konkurencja. - Przepływ pracy mutuje szybciej, niż model się poprawia: W szybko dryfujących domenach operacyjnych dane mają mierzalny okres półtrwania. Jak pokazali Valavi i in. w badaniu Harvard Business School https://www.hbs.edu/ris/Publication%20Files/21-016 d5cc4876-c029-4540-8092-16a23778d86f.pdf , duży historyczny zasób danych tworzy zaskakująco słabą barierę wejścia. Nowy gracz wyposażony w mniejszy strumień świeżych, aktualnych danych często może zbudować dokładniejszy model niż dominujący podmiot siedzący na latach danych odziedziczonych, zwłaszcza gdy nieaktualne dane aktywnie obniżają dokładność. Jedno badanie z zakresu informatyki klinicznej https://pubmed.ncbi.nlm.nih.gov/28495350/ wykazało to bezpośrednio: okres półtrwania danych do przewidywania zleceń szpitalnych wynosił około czterech miesięcy, a jeden miesiąc świeżych danych przewyższał dwanaście miesięcy starszych danych. W produkcji dryf czujników, zużycie narzędzi, przeprojektowanie procesu i zmiany schematów oznaczają, że modele trenowane na historycznych danych fabrycznych rozumują o fabryce, która już nie istnieje. To nie jest zjawisko uniwersalne. Procesy rządzone przez prawa fizyki, tablice aktuarialne, dane geologiczne i inne wolno zmieniające się domeny mogą długo zachowywać wartość starych danych. Jeśli przepływ pracy zmienia się szybciej, niż model się poprawia, twoje dane historyczne stają się przestarzałym balastem, a nie przewagą. - Koszt jest barierą, a bariera jest kosztem: Posiadanie rzeczywistych przepływów pracy jest kapitałochłonne, pracochłonne i mniej marżowe niż czyste oprogramowanie. Tesla podała łączną marżę brutto GAAP na poziomie około 18 procent w 2025 roku https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf , mimo integracji pionowej. Intuitive Surgical poinformowało o zainstalowanej bazie da Vinci wynoszącej 11 106 systemów i nie-GAAP marży brutto na poziomie 67,6 procent w 2025 roku https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/ , po dekadach kapitału, szkolenia chirurgów i wolumenu procedur. Wydatek, który trzyma konkurentów z dala, trzyma też większość nowych graczy z dala od budowania czegoś, co w ogóle warto bronić. Wiele prób kończy się na ekonomice jednostkowej dużo wcześniej, zanim pętla zacznie się kumulować. Co odróżnia pętle, które rzeczywiście się kumulują, od tych, które są fałszywymi fosami: - Dane są powiązane z wynikiem, co oznacza, że wiesz, czy rezultat był poprawny, czy nie, zamiast jedynie zbierać sygnały. - Dane są Twoją własnością umowną do wykorzystania w różnych wdrożeniach. - Przepływ pracy jest na tyle stabilny, że dane historyczne pozostają istotne. - Każde wykonanie generuje naprawdę nowe przypadki brzegowe, a nie tylko więcej tego samego. - Częstotliwość jest na tyle wysoka, aby uczenie mogło się kumulować, zanim przepływ pracy ulegnie zmianie. Ta teza jest błędna, jeśli którakolwiek z poniższych rzeczy jest prawdziwa: - Konkurent może uzyskać równoważne dane poprzez scraping, generowanie syntetyczne, transfer learning albo jednorazowy zakup. - Klient posiada dane na mocy umowy i nie możesz łączyć ich w puli między wdrożeniami. - Przepływ pracy zmienia się szybciej, niż model się poprawia, więc zgromadzone dane opisują system, który już nie istnieje. - Wartość danych nasyca się w ciągu pierwszych N wykonań, co oznacza, że przewaga jest stała, a nie kumulująca się. - Koszt posiadania przepływu pracy przewyższa wartość danych, które generuje. Jeśli te warunki są spełnione, pętla nie jest fosą. Jest kosztownym projektem inżynieryjnym z tymczasową przewagą. Jak a16z argumentował w 2019 roku https://a16z.com/the-empty-promise-of-data-moats/ , większość przewag danych to efekty skali o malejących zwrotach, a nie magiczne efekty sieciowe. To było prawdą przed obecną falą AI. Nadal jest prawdą teraz. Modele biznesowe zbudowane na nowoczesnej fosie Cztery czynniki opisują, z czego zbudowana jest fosa. Następne pytanie brzmi: jaki rodzaj modelu biznesowego może ją faktycznie przejąć. W praktyce odpowiedź odsuwa od sprzedawania narzędzi i kieruje ku posiadaniu samego przepływu pracy. Główny wykonawca, nie dostawca Pojedynczą decyzją o największej dźwigni w całym tym frameworku jest odmowa zajęcia pozycji dostawcy. Podejście dostawcy oznacza sprzedawanie narzędzia organizacji, która już posiada przepływ pracy. Wygląda atrakcyjnie, ponieważ jest kapitałowo lekkie i teoretycznie skalowalne, ale oddaje każdą źródłową dźwignię klientowi. Operator zachowuje relację z klientem, proces fizyczny, dane operacyjne, budżet, odpowiedzialność i końcowy rezultat. Dostawca zachowuje warstwę oprogramowania siedzącą na tym wszystkim. Startup przechwytuje niewielką część wartości, którą tworzy, klient żąda niestandardowych integracji, aż produkt zsuwa się w stronę usług, operator może obserwować, jak narzędzie działa, a następnie zastąpić je wewnętrznym rozwiązaniem, które teraz jest dramatycznie tańsze do wytworzenia, a ponieważ operator posiada najlepsze dane, model dostawcy nigdy się nie kumuluje. Marże pozostają ograniczone. Jest to szczególnie niebezpieczne w branżach fizycznych, gdzie dostawcy oprogramowania niezawodnie degenerują się w przerośniętych konsultantów. Silniejszą pozycją jest stanie się głównym wykonawcą , posiadanie samej operacji, odpowiedzialności, akredytacji, przepływu pracy albo zobowiązania. Zamiast sprzedawać oprogramowanie temu, kto wykonuje pracę, firma wykonuje pracę albo gwarantuje jej wynik. To odwraca każdą z powyższych wad. Firma przechwytuje pełną marżę zamiast wycinka licencyjnego, posiada wynik klienta, a więc i relację, oraz posiada dane, ponieważ generują je jej własne operacje. Nie może zostać wyeliminowana przez operatora, ponieważ jest operatorem, i buduje prawdziwą wiedzę operacyjną zamiast wiedzy z drugiej ręki. Zasada ta kondensuje się do jednej instrukcji: Nie sprzedawaj narzędzia. Sprzedawaj ukończony rezultat. W praktyce przejawia się to jako spójne przekształcanie każdego pomysłu dostawcy w jego wersję głównego wykonawcy: | Ujęcie dostawcy | Ujęcie głównego wykonawcy | |---|---| | Sprzedawać oprogramowanie do inspekcji | Zostać agencją inspekcyjną | | Sprzedawać oprogramowanie do procesów laboratoryjnych | Posiadać przepływ pracy testowania | | Sprzedawać pulpit zgodności | Dostarczać certyfikowaną zgodność | | Sprzedawać narzędzia do szacowania | Dostarczać wycenę | | Sprzedawać analitykę konserwacji predykcyjnej | Zapobiegać przestojom albo posiadać wynik konserwacji | Ta decyzja ma większe znaczenie niż jakakolwiek inna w tym frameworku, ponieważ decyduje o tym, kto posiada dane, a własność danych decyduje o tym, czy przewaga się kumuluje, czy zanika. Usługa jako usługa Pozycja głównego wykonawcy implikuje model dostarczania, który wygląda inaczej niż konwencjonalne oprogramowanie, i warto go nazwać, ponieważ na początku wygląda jak gorszy biznes dla każdego, kto został wytrenowany na marżach SaaS. Ten model funkcjonuje pod kilkoma nazwami. YC https://www.ycombinator.com/ , a16z i inni nazywali go service-as-software, a teza roll-up wspierana przez AI jest bliskim kuzynem. Wolę określenie usługa jako usługa, ponieważ utrzymuje ono nacisk na to, co klient faktycznie otrzymuje. Klient nie powinien musieć używać oprogramowania, aby wykonać zadanie. Firma powinna używać oprogramowania, AI, pracy ludzkiej, sprzętu i operacji razem, aby dostarczyć gotowe zlecenie. Oprogramowanie jest wewnętrzną dźwignią, a nie produktem. Sekwencja jest zamierzona. Zacznij od wykonywania pracy ręcznie albo z udziałem ludzi w pętli. Użyj oprogramowania, aby tę ludzką pracę uczynić szybszą, bardziej spójną i bardziej mierzalną. Zbieraj każdy input, każdą decyzję, poprawkę, przypadek brzegowy i wynik. Następnie użyj zgromadzonych danych, aby zautomatyzować coraz większą część przepływu pracy, dążąc do zautomatyzowanego dostawcy usług z marżami i obronnością, których konwencjonalne oprogramowanie nie może dorównać. Różni się to od doradztwa w jednym decydującym aspekcie. Doradztwo sprzedaje każdemu klientowi niestandardową pracę na zawsze, a każde zlecenie nie zostawia po sobie nic, co można ponownie wykorzystać. Usługa jako usługa wykorzystuje wczesną pracę ludzką celowo jako instrument budowania systemu automatyzacji , a każde zlecenie zostawia po sobie dane, które czynią następne tańszym. Trzeba jednak uważać i wypatrywać pułapki w tego typu modelu. Jeśli każdy nowy klient wymaga niestandardowych integracji, niestandardowego czyszczenia danych, niestandardowego mapowania przepływu pracy i niestandardowego dostrajania modelu, firma jest konsultingiem, który jeszcze się do tego nie przyznał. Faza człowieka w pętli jest w porządku i często konieczna, ale tylko pod warunkiem, że produkuje dane zastrzeżone i zmierza ku skalowalnej automatyzacji. Jeśli ludzie nadal wykonują tę samą pracę przy tym samym koszcie jednostkowym po pięćdziesięciu zleceniach, model zawiódł. Stargate dla danych AI przechodzi od wąskiego gardła obliczeniowego do wąskiego gardła danych. Najcenniejsze firmy AI nadchodzącego okresu nie będą tymi, które mają najbardziej generyczne dane, które są obfite, a więc nie generują renty, dokładnie zgodnie z logiką pierwszej połowy. Będą to firmy, które posiadają rzadkie, prywatne, wysokiej jakości dane operacyjne, których nie da się uzyskać w żaden inny sposób niż poprzez wykonywanie pracy. Zwrot Stargate dla danych jest zapożyczony z Stargate OpenAI https://openai.com/index/announcing-the-stargate-project/ , ogłoszonej wielusetmiliardowej rozbudowy infrastruktury obliczeniowej, a samo zapożyczenie jest tu sednem. Jeśli rzadki zasób poprzedniego cyklu uzasadniał planowaną infrastrukturę na taką skalę, następny zasługuje na takie samo potraktowanie. Celem nie jest gromadzenie zbioru danych. Celem jest zbudowanie maszyny, która nieustannie wytwarza zastrzeżone dane jako produkt uboczny dostarczania usługi. Rozróżnienie, które ma tu znaczenie , polega na tym, że celem nie jest zbieranie danych dla samych danych, co tworzy kosztowne jeziora bezużytecznego materiału. Celem jest posiadanie pętli operacyjnej, która produkuje dokładnie takie dane, jakie są potrzebne do zautomatyzowania tej pętli. Komputer atomów Cztery czynniki opisują strukturę. Komputer atomów opisuje, do czego ta struktura służy , i jest to długoterminowa wizja, która sprawia, że całe przedsięwzięcie jest warte zachodu. Nie wymyśliłem tego pomysłu i chcę to jasno powiedzieć już na wstępie. To ujęcie pochodzi od Travisa Kalanicka https://en.wikipedia.org/wiki/Travis Kalanick . Po tym, jak w 2017 roku został usunięty z Ubera https://en.wikipedia.org/wiki/Uber , przez osiem lat w ukryciu budował City Storage Systems https://en.wikipedia.org/wiki/CloudKitchens , a w marcu 2026 roku zmienił jego nazwę na Atoms i opublikował list wizji https://atoms.co/vision , w którym wszystko to przedstawił. Jego formuła mówi, że należy podchodzić do problemów świata fizycznego tak, jak podchodzi się do problemów software’owych, oraz że podstawowe zasoby obliczeniowe mają fizyczne analogie, gdzie CPU to produkcja, storage to nieruchomości, a network to transport. Na wydarzeniu inauguracyjnym a16z https://www.youtube.com/watch?v=r8qKNFeBPXE Kalanick zdefiniował firmę wokół przemysłowej AI , wykorzystując oprogramowanie, czujniki, robotykę i AI do automatyzacji operacji w całych sektorach przemysłowych, zaczynając od żywności, górnictwa i transportu. Przeczytaj jego list. Jest lepszy niż moje streszczenie, a kilka jego wniosków dochodzi do tego samego miejsca, do którego prowadzi ten dokument, ale z innego kierunku. W miarę jak AI staje się bardziej zdolna, jej wiążące ograniczenie się przesuwa. Granicą nie jest już tylko jakość rozumowania. Jest nią interakcja z fizyczną rzeczywistością. Model może tworzyć tekst, kod, obrazy i plany o niezwykłej jakości, a mimo to nie być w stanie niezawodnie zrobić czegokolwiek w brudnym, nieustrukturyzowanym, mającym konsekwencje realnym środowisku. Tradycyjne komputery dały inteligencji podłoże do manipulowania bitami. Szansą jest teraz zbudowanie odpowiednika tego podłoża dla atomów, tworząc systemy, które wykrywają świat fizyczny, interpretują chaotyczne warunki realnego świata, podejmują decyzje, działają, weryfikują wyniki i uczą się z informacji zwrotnej, wszystko to w ramach rzeczywistych ograniczeń fizycznych, regulacyjnych i ekonomicznych. Ten ostatni warunek jest trudny i dlatego jest to szansa biznesowa, a nie projekt badawczy. Działanie pod ograniczeniem regulacyjnym i ekonomicznym to dokładnie to, czego nie da się sklonować, i dokładnie to generuje zamkniętą pętlę danych, której potrzebuje czwarty czynnik. Na jednym punkcie Kalanick i ja zgadzamy się całkowicie, i on mówi to lepiej, niż zrobiłem to ja. Jego termin to roboty zatrudnione z zyskiem , czyli wyspecjalizowane maszyny z konkretną produktywną pracą, w przeciwieństwie do humanoidów zbudowanych po to, by nas naśladować. Jego przykład brzmi tak: jeśli trzeba zrobić tysiąc naleśników na godzinę, humanoid niezgrabnie je przewracający jest najgorszym możliwym projektem, a maszyna zbudowana do tego celu jest oczywistym wyborem. Zatem właściwe podejście to nie budowanie robota ogólnego przeznaczenia. Chodzi o znalezienie wąskiego klina, w którym pętla odczuj, zdecyduj, działaj może zostać wdrożona w ramach jednego realnego procesu pracy z jasną, natychmiastową wartością ekonomiczną, oraz o doprowadzenie tej pętli do działania od początku do końca, zanim się ją rozszerzy. Firma krótkoterminowo powinna być na tyle wąska, by wyglądać na mało ambitną. Długoterminowy sufit jest powodem, by tę wąskość zaakceptować. Przepracowany przykład Ramowa koncepcja jest abstrakcyjna, więc pomaga przeprowadzić przez nią jeden pomysł. To tylko ilustracja stosowanych kryteriów, a nie jedyny wniosek, do którego ta ramy prowadzą. Weźmy specjalistyczne inspekcje budowlane i testowanie materiałów. Wersja dostawcy sprzedaje oprogramowanie agencjom i laboratoriom, które już posiadają ten przepływ pracy. Wersja główna staje się agencją i laboratorium. Posiada akredytację, prowadzi inspekcje i ponosi odpowiedzialność regulacyjną. Wewnętrznie wykorzystuje oprogramowanie, sprzęt i AI, aby dostarczać certyfikowane wyniki szybciej, taniej i bardziej niezawodnie niż dotychczasowi gracze. Taka forma spełnia wszystkie cztery czynniki. Jest fizyczna, ponieważ dotyczy miejsc, próbek, instrumentów i rzeczywistych pomiarów. Ma relacyjne i regulacyjne fosy obronne, ponieważ nabywcy potrzebują wyników akceptowanych przez władze właściwe, a nie ładniejszego pulpitu. Posiada wynik, ponieważ sprzedaje certyfikowane rezultaty zamiast narzędzi. I generuje zastrzeżone dane operacyjne jako produkt uboczny pracy, w tym wyniki testów, tryby awarii, właściwości materiałowe, korekty ekspertów oraz powiązania między warunkami fizycznymi a końcowymi rezultatami. Zaczyna też wąsko, co wynika z klasycznej logiki startupowej, o której od lat mówią Paul Graham https://paulgraham.com/ds.html i YC https://www.ycombinator.com/ . Zacznij od ostrego klina, ale upewnij się, że ten klin dotyczy dużego i bolesnego problemu. Nie ma potrzeby automatyzowania inspekcji budowlanej jako całej branży pierwszego dnia. Punktem wejścia może być jeden typ inspekcji, jeden test materiałowy, jedna geografia albo jeden proces zgodności. Stamtąd oprogramowanie standaryzuje pracę, ludzie wytwarzają pierwsze dane, a automatyzacja rozszerza się tylko tam, gdzie pętla rzeczywiście się kumuluje. Ryzyka są dokładnie tymi, których oczekuje ramowa koncepcja. Terminy akredytacji blokują przychody, operacje są ciężkie, zanim automatyzacja dojrzeje, a pułapka usług jest realna, jeśli każdy projekt okaże się szyty na miarę. I o to właśnie chodzi w tej koncepcji. Nie sprawia, że biznes staje się łatwy. Mówi ci, gdzie powinny znajdować się trudne części. Firmy, które już tak wyglądają Łatwiej zaufać ramowej koncepcji, jeśli opisuje rzeczy, które już istnieją, zamiast tylko rzeczy, które chciałbym, żeby istniały. Anduril to cztery na cztery. Niestandardowy sprzęt obejmujący drony, wieże sensorowe, przechwytywacze i pojazdy podwodne. Niestandardowe oprogramowanie w Lattice https://www.anduril.com/news/anduril-s-lattice-a-trusted-dual-use-commercial-and-military-platform-for-public-safety-security , na którym działa każdy element tego sprzętu. Relacje i pozycja regulacyjna, których żaden agent kodujący nie potrafi wygenerować, ponieważ klientem jest rząd USA i jego sojusznicy. Dane operacyjne z wdrożonych systemów wracające do oprogramowania. Dwie rzeczy mają większe znaczenie niż lista produktów. Finansuje własne badania i rozwój oraz buduje produkt, zanim sprzeda go do istniejącej linii budżetowej, odwracając model koszt-plus, na którym działają tradycyjni prime contractorzy. Anduril jest prywatny i nie publikuje audytowanych marż, ale szacunkowe dane wtórne wskazują na marżę brutto około 40 do 45 procent https://www.sacra.com/c/anduril/ . To wyjątkowo wysoki poziom jak na sprzęt obronny, gdzie firmy z sektora lotniczego i obronnego osiągają średnio około 17,5 procent marży brutto https://pages.stern.nyu.edu/~adamodar/New Home Page/datafile/margin.html w danych sektorowych NYU Stern. Dokładna liczba ma mniejsze znaczenie niż struktura. Pionowo zintegrowany model o stałej cenie, definiowany przez oprogramowanie, wydaje się osiągać lepszą ekonomię niż tradycyjna integracja platform oparta na koszt-plus. Intuitive Surgical to starsza, cichsza wersja tej samej struktury. System da Vinci https://www.intuitive.com/en-us/products-and-services/da-vinci łączy sprzęt, który bez oprogramowania jest bezwartościowy, zatwierdzenia FDA https://www.fda.gov/ , których konkurent nie może ominąć, dwie dekady relacji ze szpitalami oraz dane proceduralne z milionów operacji https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf . Osiąga cztery na cztery, nieustannie się kumuluje i realizuje ten plan działania od pierwszego dopuszczenia w 2000 roku https://www.intuitive.com/en-us/about-us/company/history , na długo zanim ktokolwiek nazwał to fizyczną AI. Kraken Robotics to przypadek, który uważam za najbardziej pouczający, częściowo dlatego, że niewiele osób poza technologią morską w ogóle go zna. Buduje sonar z syntetyczną aperturą, holowaną platformę KATFISH https://www.krakenrobotics.com/products/katfish/ , baterie podmorskie i podwodny LiDAR https://en.wikipedia.org/wiki/Lidar . Żaden z tych elementów sprzętu nie jest użyteczny bez zastrzeżonego oprogramowania obrazującego, które go otacza. Wśród jego klientów są marynarki wojenne NATO https://en.wikipedia.org/wiki/NATO . To zaufanie i regulacje na najwyższym poziomie, ponieważ marynarka wojenna nie zmieni dostawcy sonaru na tańszy klon. Co kluczowe, Kraken nie tylko sprzedaje sprzęt. Prowadzi badania jako usługę, co oznacza, że każda praca wytwarza wywiad o dnie morskim, którego nikt inny nie posiada. Ta ostatnia decyzja to cała ramowa koncepcja w miniaturze. Firma sprzętowa zauważyła, że dane są cenniejsze niż obudowa, i przeszła do pozycji głównej, żeby je zatrzymać. SpaceX i Waymo to czyste gry po stronie głównej. SpaceX nie sprzedaje rakiet. Sprzedaje dostarczone ładunki. Waymo nie licencjonuje oprogramowania autonomii firmom samochodowym. Sprzedaje ukończone przejazdy. W obu przypadkach firma odmówiła pozycji dostawcy, przyjęła odpowiedzialność operacyjną i zatrzymała dane. Waymo posiada też fosę regulacyjną, która pojawia się jedna jurysdykcja naraz https://tesorb.com/robotaxi-regulatory-map-2026/ . Ta ekspansja jest powolna, a właśnie dlatego jest obronna. Carbon Robotics to użyteczny przypadek częściowy. Jego LaserWeeder https://carbonrobotics.com/laserweeder zabija chwasty za pomocą komputerowego widzenia i laserów dużej mocy. W lutym 2026 roku firma stwierdziła, że jej Large Plant Model był trenowany na ponad 150 milionach oznaczonych roślin https://www.businesswire.com/news/home/20260202630325/en/ , zebranych na około stu farmach w piętnastu krajach. To działa jako silnik danych, tak jak opisano, generowany jako produkt uboczny operacji, a nie osobna inicjatywa. Ale wskazałbym też na słabość tego układu. Carbon sprzedaje sprzęt rolnikom, pozostając dostawcą, a nie podmiotem głównym. Odnosi sukces, ponieważ dane nadal wracają do jego centralnego modelu, czyniąc pozycję dostawcy do przeżycia. Gdyby producenci rolni kiedykolwiek posiadali dane z tej floty, fosa zniknęłaby. Nokia to jednocześnie historyczne ostrzeżenie i pojawiający się przypadek testowy. W 2007 roku kontrolowała prawie 50 procent globalnego rynku smartfonów https://www.bbc.com/news/technology-23947212 , mając najlepszy sprzęt, skalę produkcji i łańcuch dostaw w telefonach komórkowych. Realizowała jedną oś lepiej niż ktokolwiek żyjący, i upadła, ponieważ nie miała platformy programowej. Dzisiejsza Nokia próbuje dokładnie tego wieloczynnikowego planu działania opisanego tutaj. Jak Michael Sikand https://www.linkedin.com/in/michaelsikand wyjaśnia w tym omówieniu wideo https://www.youtube.com/watch?v=1v-yx HVeZU , firma spędziła ponad dekadę, odchodząc od elektroniki konsumenckiej, by połączyć pionowo zintegrowany krzem optyczny, ugruntowane relacje z operatorami i obroną oraz AI-wspierane przetwarzanie brzegowe. Stara Nokia udowodniła, że samodzielny sprzęt daje tylko tymczasową przewagę. No cóż, nowa Nokia próbuje udowodnić, że sprzęt połączony z zaufaniem instytucjonalnym i infrastrukturą programową tworzy trwałą fosę. Żadna z tych firm nie wygląda podobnie na pierwszy rzut oka, ale wszystkie wskazują na tę samą lekcję. Najbardziej trwałe przedsiębiorstwa zdobyły coś powolnego, jak akredytację, wdrożoną flotę sensorów, zaufanie chirurgów, zaufanie marynarki, zatwierdzenie regulacyjne albo dekadę danych operacyjnych. Żadna z nich nie osiągnęła tego tylko przez pisanie lepszego kodu, i żadnej z nich nie da się dogonić przez kogoś, kto to robi. Wąskość jest wymaganiem wejściowym Oni również wszyscy zaczynali od małej skali. Zwycięskie firmy nie zaczynają od próby przejęcia całej pętli, a próba taka jest najczęstszym błędem. Pętla kumuluje się tylko wtedy, gdy jesteś wystarczająco głęboko w jednym przepływie pracy, aby generować dane powiązane z wynikiem, których konkurenci nie mogą zdobyć w żaden inny sposób. Płytka ekspozycja na wiele przepływów pracy wytwarza płytkie dane, które szybko się nasycają. Wzorzec ten utrzymuje się we wszystkich operatorach powyżej i poza nimi. Anduril zaczęło od ochrony sił i systemów przeciwdronowych, zanim zwiększyło skalę produkcji i pokrewnych możliwości. Intuitive Surgical zaczęło od określonych procedur laparoskopowych i przez dekady budowało szkolenie chirurgów oraz wolumen procedur, zanim rozszerzyło działalność na kolejne specjalności. SpaceX zaczęło od jednego wielokrotnego użytku pojazdu nośnego, zanim rozszerzyło się na Starlink https://en.wikipedia.org/wiki/Starlink . Tesla https://en.wikipedia.org/wiki/Tesla, Inc. zaczęła od wąskiej, premium niszy EV sportowego samochodu Roadster https://en.wikipedia.org/wiki/Tesla Roadster first generation i wykorzystała flotę do zdobywania danych oraz nauki produkcji, zanim przeszła do modeli masowych, energii i autonomii. Palantir https://en.wikipedia.org/wiki/Palantir zaczęło od konkretnych przepływów pracy wywiadowczej dla konkretnych agencji, zanim rozszerzyło się na rynek komercyjny. W każdym przypadku wąskie wejście nie było kompromisem. Było mechanizmem, który sprawiał, że pętla się kumulowała. Punkt wejścia jest celowo wąski. Jeden przepływ pracy, jeden typ klienta, jeden strumień danych, który trudno odtworzyć. Budujesz pętlę wokół tego przepływu pracy, dopóki dane się nie kumulują, a relacja się nie pogłębia, a następnie rozszerzasz się na sąsiednie przepływy pracy, gdzie te same dane, te same relacje i ta sama dyscyplina operacyjna dają ci przewagę, której nowy gracz nie może dorównać. Zaczynanie szeroko to sposób, w jaki kończysz z kupą danych, które się nie kumulują. Konkurent zaczynający dziś nie goni za stałą przewagą. Goni za taką, która wydłuża się za każdym razem, gdy zadanie zostaje wykonane, ale tylko wtedy, gdy zadanie jest wystarczająco wąskie, wystarczająco głębokie i wystarczająco często powtarzane, aby dane rzeczywiście miały znaczenie. Wnioski Pierwsza połowa tego dokumentu ustanowiła ogólne prawo. Każda fosa obronna składająca się wyłącznie z trudności w wytworzeniu czegoś jest tymczasowa i trwa dokładnie do momentu, gdy ktoś uczyni to coś łatwym do wytworzenia. Chińska aglomeracja przemysłowa zrobiła to ze sprzętem, zbijając koszty transakcyjne i opóźnienie iteracji wewnątrz hiper-densego klastra. Generatywna AI robi to z oprogramowaniem, zbijając koszt jego rzadkiego wejścia. Najpierw zapaść nastąpiła w sprzęcie, a później w oprogramowaniu, ale dla założyciela budującego dziś żadne z tych schronień nie jest wiarygodne. Druga połowa przekształciła to prawo w odpowiedź. Jeśli trudność produkcji nie broni już niczego, to obronność trzeba złożyć z tarć, do których zapaść produkcji nie sięga. Należą do nich fizyczny dostęp, zamknięte operacyjne dane pętlowe, pozycja regulacyjna, zdobyte zaufanie oraz własność samego wyniku. Dlatego cztery czynniki wymagają trzech z czterech zamiast jednego, dlatego pozycja principal ma większe znaczenie niż jakakolwiek inna pojedyncza decyzja i dlatego dane muszą być operacyjnym produktem ubocznym, a nie zebranym aktywem. To można skondensować do jednego zdania rdzeniowego. W erze AI najlepsze firmy nie będą generycznymi narzędziami programowymi ani kopiowalnymi produktami sprzętowymi. Będą to wąskie, zorientowane na wynik, principalne biznesy, które łączą oprogramowanie, fizyczne przepływy pracy, zaufane relacje i zastrzeżone dane operacyjne, aby automatyzować wysokowartościową pracę w świecie rzeczywistym. Dla założyciela pytanie nie brzmi już „jakie oprogramowanie mogę zbudować?”, lecz jaki cenny, realny wynik mogę posiadać, wykonywać, mierzyć i automatyzować? Najsilniejsze możliwości znajdują się tam, gdzie oprogramowanie spotyka się z atomami, zaufaniem, regulacją i zastrzeżonymi danymi. Zaczynają od jednego wąskiego, bolesnego przepływu pracy, wykorzystując ludzi tam, gdzie to konieczne. Zbierają dane operacyjne jako produkt uboczny pracy, automatyzują krok po kroku i kumulują się w systemy trudne do zastąpienia. Przewaga jest trwała właśnie dlatego, że została zdobyta poprzez fizyczną operację, a nie zapisana w kodzie. Ostatecznym celem nie jest zbudowanie produktu. Jest nim zbudowanie działającej firmy z programowalną skalowalnością, obronnością w świecie fizycznym i zastrzeżonymi danymi, które stają się lepsze z każdym wykonanym zleceniem. Wszystko, co wcześniej stanowiło fosę obronną, ponieważ było trudne do zbudowania, staje się towarem. Budowanie czegokolwiek jest łatwiejsze niż kiedykolwiek, a wraz z postępem AI i globalnych łańcuchów dostaw będzie tylko łatwiejsze. To, co pozostaje obronne, to to, do czego trudno uzyskać dostęp, do czego trudno zdobyć zaufanie, do czego trudno wejść przez regulacje i czego trudno się obserwować bez wykonywania prawdziwej pracy. Cytaty i źródła Chcę jasno powiedzieć, skąd pochodzą zapożyczone fragmenty, ponieważ duża część tego dokumentu polega na łączeniu cudzych prac, a nie na wymyślaniu czegokolwiek od zera. Rzeczy, które faktycznie przypisałbym sobie, to zasada czterech czynników, standard trzech z czterech oraz konkretne twierdzenie, że dwa załamania mają ten sam podstawowy mechanizm, mimo że wydarzyły się po kolei. Dane się zmieniają, więc sprawdź je przed cytowaniem mnie. Moje, z wcześniejszego pisania The Barbell of Software Value https://mehmetmhy.com/posts/barbell theory/ 2025 , gdzie po raz pierwszy przedstawiłem zanikającą średnią i Internal Software Leverage Theory. Druga połowa tutaj jest operacyjną wersją tamtego wpisu. Komputer atomów - Travis Kalanick, Vision https://atoms.co/vision , Unfinished Business https://atoms.co/unfinished-business i How AI Will Transform the Physical World https://www.youtube.com/watch?v=r8qKNFeBPXE , Atoms i a16z, 2026. Ramy oparte na komputerze atomów, mapowanie CPU/pamięć/przepustowość sieci na produkcję/nieruchomości/transport, pętla rozumienie-przewidywanie-kontrola, AI przemysłowa oraz roboty zyskownie zatrudnione są wszystkie jego autorstwa. Ten fragment jest moim podsumowaniem jego idei, a nie moją własną ideą. - Ben Horowitz i Alex Danco, Travis is Back https://a16z.com/travis-is-back/ , a16z, 2026. Ekonomia - Atlassian, wyniki Q2 FY2025 https://www.businesswire.com/news/home/20250130093810/en , dla dojrzałych horyzontalnych marż brutto SaaS w niskim zakresie osiemdziesięciu procent. - Snowflake, wyniki FY2025 https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/ , jako kontrprzykład pokazujący, że oprogramowanie o dużym zużyciu może działać znacząco poniżej klasycznych marż brutto SaaS. - Michael Porter, pięć sił https://en.wikipedia.org/wiki/Porter%27s five forces analysis , 1979, dla taksonomii źródeł renty w Części Pierwszej. - David Teece, , 1986, dla problemu apropriowalności w Części Trzeciej. Profiting from Technological Innovation - Alfred Marshall, Principles of Economics , 1890, dla korzyści zewnętrznych i aglomeracji https://en.wikipedia.org/wiki/Economies of agglomeration w Części Piątej. - Ronald Coase, , 1937, dla kosztów transakcyjnych w Części Piątej. The Nature of the Firm - Theodore Wright, 1936, oraz Boston Consulting Group, dla krzywej doświadczenia https://en.wikipedia.org/wiki/Experience curve effects w Części Piątej. - Stan Shih, uśmiechnięta krzywa https://en.wikipedia.org/wiki/Smiling curve , około 1992. Jego oryginalny diagram https://commons.wikimedia.org/wiki/File:Smiling Curve.svg znajduje się w Wikimedia Commons, a Publishers and the Smiling Curve https://stratechery.com/2014/publishers-smiling-curve/ Bena Thompsona to najlepsze rozwinięcie tego, jakie czytałem. - Gary Pisano i Willy Shih, Restoring American Competitiveness https://hbr.org/2009/07/restoring-american-competitiveness , Harvard Business Review, 2009, dla commons przemysłowych i powodów, dla których reshoring jest trudny. - Andrew „bunnie” Huang, The Hardware Hacker https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf , dla relacji z pierwszej ręki o tym, jak naprawdę odczuwa się pracę wewnątrz gęstości Shenzhen. - WTO, Accessions: China https://www.wto.org/english/thewto e/acc e/a1 chine e.htm , dla tła integracji Chin z globalnym systemem handlu. - World Bank, manufacturing value added https://data.worldbank.org/indicator/NV.IND.MANF.CD?locations=CN-US , dla tła dotyczącego skali chińskiej produkcji w relacji do Stanów Zjednoczonych. Mechanika startupów - Paul Graham, Do Things That Don’t Scale https://paulgraham.com/ds.html i How to Get Startup Ideas https://paulgraham.com/startupideas.html , dla wąskiego klina. - Tesla, The Secret Tesla Motors Master Plan https://www.tesla.com/blog/secret-tesla-motors-master-plan-just-between-you-and-me , 2006, dla logiki klina od Roadstera do przystępnego samochodu. - Palantir, oświadczenie rejestracyjne S-1 https://www.sec.gov/Archives/edgar/data/1321655/000119312520230013/d904406ds1.htm , 2020, dla wzorca przejścia od rządu do komercji. - Historia firmy SpaceX i ujawnienia dotyczące Starlink, poprzez SpaceX https://www.spacex.com/ i Starlink https://www.starlink.com/ , dla startu jako początkowego klina przed szerszą infrastrukturą kosmiczną. Kodowanie AI i produkcja oprogramowania - GitHub, Wprowadzenie GitHub Copilot https://github.blog/news-insights/product-news/introducing-github-copilot-ai-pair-programmer/ , 2021, oraz Ogólna dostępność GitHub Copilot https://github.blog/news-insights/product-news/github-copilot-is-generally-available-to-all-developers/ , 2022, jako praktyczny początek komercyjnego wsparcia AI w kodowaniu. - OpenAI, Raport techniczny GPT-4 https://arxiv.org/abs/2303.08774 , 2023, oraz Anthropic, Claude 3.5 Sonnet https://www.anthropic.com/news/claude-3-5-sonnet , 2024, jako tło dla przyspieszenia możliwości modeli. - Peng i in., Wpływ AI na produktywność programistów https://arxiv.org/abs/2302.06590 , 2023, dla kontrolowanego wyniku z GitHub Copilot, w którym programiści ukończyli ograniczone zadanie programistyczne o 55,8 procent szybciej. - Cui i in., Skutki generatywnej AI dla pracy wysoko wykwalifikowanej https://mit-genai.pubpub.org/pub/v5iixksv , 2025, dla wyniku badania terenowego obejmującego 4 867 programistów, pokazującego o 26,08 procent więcej ukończonych zadań. - METR, Pomiar wpływu AI z początku 2025 roku na produktywność doświadczonych programistów open source https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ , 2025, jako kontrprzykład, w którym doświadczeni programiści byli o 19 procent wolniejsi z narzędziami AI w dojrzałych repozytoriach. 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/ oraz OpenCode https://opencode.ai/docs/cli/ , jako przykład przesunięcia od autouzupełniania do agentowego dostępu do repozytorium i terminala. Conductor https://www.conductor.build/ , Superset https://superset.sh/ oraz Hermes Agent https://hermes-agent.nousresearch.com/ , jako warstwa orkiestracji ponad pojedynczymi narzędziami do kodowania z agentem. Tryby awarii fosy danych - Sun i in., Powrót do nierozsądnej skuteczności danych w erze deep learningu https://openaccess.thecvf.com/content ICCV 2017/papers/Sun Revisiting Unreasonable Effectiveness ICCV 2017 paper.pdf , ICCV 2017, dla empirycznego stwierdzenia, że wydajność w zadaniach wizji poprawia się logarytmicznie wraz z objętością danych treningowych. - Martin Casado i Peter Lauten, Pusta obietnica fos danych https://a16z.com/the-empty-promise-of-data-moats/ , a16z, 2019, dla argumentu, że efekty skali danych zwykle erodują, a nie się kumulują. - Valavi i in., Czas i wartość danych https://www.hbs.edu/ris/Publication%20Files/21-016 d5cc4876-c029-4540-8092-16a23778d86f.pdf , Harvard Business School Working Paper 21-016, 2021, dla rozróżnienia między zasobem danych a strumieniem danych oraz dla ustalenia, że nieaktualne dane mogą obniżać dokładność modelu. - Chen i in., Malejąca przydatność danych klinicznych dla przyszłych decyzji w opartych na danych klinicznych zestawach zleceń dla pacjentów hospitalizowanych https://pubmed.ncbi.nlm.nih.gov/28495350/ , International Journal of Medical Informatics, 2017, dla około czteromiesięcznego okresu półtrwania danych prognostycznych klinicznych. - OpenAI Prywatność dla przedsiębiorstw https://openai.com/enterprise-privacy/ , Anthropic Warunki handlowe https://www.anthropic.com/legal/commercial-terms , Microsoft Azure OpenAI ochrona danych https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy , AWS Bedrock FAQ https://aws.amazon.com/bedrock/faqs/ oraz Google Vertex AI zarządzanie danymi https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance , dla domyślnych zobowiązań braku treningu na danych wejściowych i wyjściowych klientów biznesowych. - Europejska Rada Ochrony Danych, Opinia 28/2024 o modelach AI https://www.edpb.europa.eu/system/files/2024-12/edpb opinion 202428 ai-models en.pdf , RODO artykuł 5 i artykuł 17 https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , zasady deidentyfikacji HIPAA https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html oraz zasady CCPA/CPRA https://leginfo.legislature.ca.gov/faces/codes displaySection.xhtml?lawCode=CIV§ionNum=1798.140 , dla ograniczeń prawa prywatności dotyczących wtórnego wykorzystania danych, ich usuwania, deidentyfikacji i udostępniania. - Lathrop GPM, Poruszanie się po kwestii własności AI w umowach handlowych i licencjach IP https://www.lathropgpm.com/insights/navigating-ai-ownership-in-commercial-and-ip-license-agreements-key-considerations-for-tech-providers-and-customers/ , 2026, dla napięcia kontraktowego między zobowiązaniami braku treningu a zachowanymi prawami do zbiorczego lub zdeidentyfikowanego wykorzystania. Obrazy - Uśmiechnięta krzywa Stana Shih, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Smiling Curve.svg , CC BY-SA. - Huaqiangbei przy skrzyżowaniu Shennan, zdjęcie autorstwa Charlie fong, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Huaqiangbei%26Shennan Cross2021.jpg , CC BY-SA. - Forma do wtryskiwania, zdjęcie autorstwa Wizard191, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Injection molding die side A.JPG , CC BY-SA 3.0. - Ceny modułów fotowoltaicznych PV versus skumulowana zainstalowana moc, Our World in Data https://ourworldindata.org/grapher/solar-pv-prices-vs-cumulative-capacity , CC BY 4.0. Wykres odtworzony lokalnie na podstawie opublikowanego zbioru danych. Przykłady spółek - Szacunek marży brutto Anduril za pośrednictwem Sacra https://www.sacra.com/c/anduril/ . Anduril jest spółką prywatną i nie publikuje audytowanych marż, więc jest to traktowane jako szacunek, a nie raportowana wartość. Benchmark sektorowy dla marż brutto w lotnictwie i obronności około 17,5 procent zaczerpnięty z zestawu danych marż Aswath Damodarana z NYU Stern https://pages.stern.nyu.edu/~adamodar/New Home Page/datafile/margin.html . - Tło dla Alphabet i Google za pośrednictwem Formularza 10-K Alphabet za rok fiskalny 2025 https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm , połączonego ze sprawą United States v. Google LLC https://www.justice.gov/atr/case/us-and-plaintiff-states-v-google-llc w kontekście umów o domyślną dystrybucję wyszukiwarki, przewag skali wyszukiwania i kontekstu antymonopolowego. - Duży model roślinny Carbon Robotics oraz 150 milionów oznaczonych roślin za pośrednictwem ogłoszenia Business Wire z lutego 2026 roku https://www.businesswire.com/news/home/20260202630325/en/ , z TechCrunch https://techcrunch.com/2026/02/02/carbon-robotics-built-an-ai-model-that-detects-and-identifies-plants/ jako potwierdzeniem. - Historia Intuitive Surgical i zatwierdzenie FDA z 2000 roku za pośrednictwem historii firmy Intuitive https://www.intuitive.com/en-us/about-us/company/history . Wolumen procedur za pośrednictwem raportu o wpływie korporacyjnym Intuitive za 2025 rok https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf , a baza zainstalowana / dane o marży za pośrednictwem komunikatu o wynikach za IV kwartał 2025 roku https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/ . - Dane o marży Tesli za pośrednictwem jej aktualizacji za IV kwartał i cały rok 2025 https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf . - Wzorzec ekspansji regulacyjnej Waymo za pośrednictwem mapy regulacyjnej robotaxi Tesorb z 2026 roku https://tesorb.com/robotaxi-regulatory-map-2026/ oraz relacji Electrek dotyczącej zatwierdzenia ekspansji przez CPUC https://electrek.co/2026/08/14/waymo-cpuc-approval-california-expansion-18-counties/ . - Szczyt Nokia w 2007 roku i oś czasu spadku za pośrednictwem BBC News https://www.bbc.com/news/technology-23947212 oraz Wikipedii https://en.wikipedia.org/wiki/The Decline and Fall of Nokia , z badaniem Vuori i Huy’a Administrative Science Quarterly / INSEAD https://journals.sagepub.com/doi/10.1177/0001839215606951 dotyczącym dynamiki organizacyjnej stojącej za upadkiem oraz rozbiciem wideo Michaela Sikanda https://www.youtube.com/watch?v=1v-yx HVeZU dla jego współczesnego zwrotu infrastrukturalnego. - Szczegóły OpenAI Stargate za pośrednictwem oryginalnego ogłoszenia OpenAI https://openai.com/index/announcing-the-stargate-project/ oraz ogłoszenia o rozbudowie lokalizacji https://openai.com/index/five-new-stargate-sites/ . Są to ogłoszone zobowiązania i plany, a nie w pełni wdrożona zdolność. - Kraken Robotics na podstawie własnych ujawnień produktowych i kontraktowych https://www.krakenrobotics.com/ . Ten esej został przeze mnie pomyślany i napisany. Użyłem ChatGPT, Claude, Grok, Manus AI i OpenCode, aby pomóc w badaniach tła, dopracowaniu tekstu i strukturze. Obraz podglądu i diagram sztangi zostały początkowo wygenerowane przez AI, a następnie ręcznie edytowane. Wszystkie inne obrazy pozyskałem samodzielnie i niezależnie zweryfikowałem każde źródło oraz każdy fakt. Biorę pełną odpowiedzialność za ostateczny tekst. Ujawnienie: