Ukuta wa Kisasa

Generative AI has pushed the marginal cost of producing software toward zero, collapsing the traditional software moat, just as China's manufacturing cluster collapsed the hardware moat in the 2000s and 2010s, according to a new report. Sustainable advantage now lies in tightly integrating at least three of four key components—specialized hardware, specialized software, earned relationships, and unique data—to deliver guaranteed outcomes while accumulating closed-loop data. The report argues founders must abandon the conventional software vendor model and instead operate like a principal owning a physical workflow end-to-end.

Ukuta wa Kisasa Table of Contents Muhtasari wa Haraka Ukuta wa biashara unaofafanua karne ya 21, programu tupu, unaporomoka kwa kasi kadiri AI ya Kizazi inavyosukuma gharama ya msimbo hadi sifuri, kwa kuiga jinsi mkusanyiko wa viwanda wa China tayari ulivyoharibu ukuta wa vifaa tupu. Kwa sababu ugumu mtupu wa uzalishaji hauilindi tena biashara katika kikoa chochote, faida endelevu imehamia katika mishono tata kati ya biti na atomi. Ili kujenga kampuni yenye ulinzi leo, waanzilishi lazima waache mtindo wa kawaida wa muuzaji wa programu na badala yake wafanye kazi kama mkuu anayemiliki mtiririko halisi wa kazi wa kimwili mwanzo hadi mwisho. Kwa kuunganisha kwa ukaribu angalau vipengele vitatu kati ya vinne muhimu vifaa maalum, programu maalum, uhusiano uliopatikana, na data ya kipekee , biashara ya kisasa inaweza kutoa matokeo yaliyohakikishwa huku ikikusanya kimyakimya data ya kitanzi kilichofungwa ambacho kinakuwa ukuta wa kweli, kwa sababu mshindani anayeanza leo hafuatilii uongozi uliowekwa bali ule unaopanuka kila mara kazi inapokamilika. Dibaji na Madhumuni Ripoti hii ni upanuzi wa dai moja ambalo kila kitu kingine katika nadharia yangu ya ukuta hutegemea: programu tupu si tena ukuta unaoweza kujilinda, na vifaa tupu viliacha kuwa hivyo mara China ilipopanua utawala wake wa utengenezaji. Mambo hayo mawili mara nyingi hutupwa kama kauli mbiu. Ninachotaka kufanya hapa ni kuondoa kauli mbiu na kuweka utaratibu. Nataka kueleza, katika kiwango cha uchumi halisi, kwa nini kila kuporomoka kulitokea, dhana zipi mahsusi zilivunjika kimya kimya, jinsi maporomoko hayo mawili yanavyolishana, na faida endelevu bado inaweza kukamatwa wapi. Niliandika hili ili lisimame lenyewe, ili msomaji wa baadaye, au modeli ya baadaye, aweze kupata hoja nzima bila mazungumzo yaliyozalisha hoja hiyo. Huu hapa ni msimamo mkuu, ukiwa umetajwa mara moja na kwa usahihi kadiri ninavyoweza kuuweka. Kwa takriban miaka thelathini, mkakati wa teknolojia uliidhani dunia ya kidijitali inazalisha faida endelevu, yenye ukingo mkubwa, na inayoweza kujilinda, ilhali dunia ya kimwili ilizalisha pato jembamba, lisilotofautishwa, na lenye ukingo mdogo la bidhaa za kawaida. Mishtuko miwili haikuwasili pamoja. Mkusanyiko wa viwanda wa China uliuvunja kwanza ulinzi wa vifaa unaotegemea uzalishaji, hasa katika miaka ya 2000 na 2010. AI ya Kizazi inaivunja baadaye ulinzi wa programu unaotegemea uzalishaji, katika miaka ya 2020. AI ya Kizazi ilisukuma gharama ya pembezoni ya kuzalisha programu kuelekea sifuri , jambo lililofuta vizuizi vilivyofanya programu iwe na ulinzi. Mkusanyiko wa viwanda wa China ulisukuma gharama na ucheleweshaji wa marudio ya kimwili kushuka hadi gharama na ucheleweshaji wa programu , jambo lililofuta vizuizi vilivyofanya vifaa viwe na ulinzi. Kwa hiyo wala biti peke yake wala atomi peke yake haviwezi tena kuilinda biashara. Faida endelevu ilihama kutoka katika mwelekeo mmoja wa pekee na kuingia katika kuunganishwa kwa karibu kwa vyote viwili, pamoja na uhusiano na data ya kipekee. Hati hii ina sehemu mbili: Uchambuzi. Ukuta ni nini hasa, kwa nini kila kikoa kilikuwa na ulinzi zamani, msuguano upi kila mshtuko uliondoa, na nini kimesalia. Sehemu hii ni uchambuzi wa kiuchumi na inaacha pale uchambuzi unapomalizikia. Ukuta wa kisasa. Ulinzi ni nini hasa sasa kwa kuwa wala biti wala atomi havikulindi peke yake, na kampuni iliyojengwa juu yake inaonekanaje kwa vitendo. Uchambuzi: Jinsi Kuta Zote Mbili Zilivyoporomoka Sehemu ya Kwanza: Ukuta Ni Nini Hasa Kabla sijaeleza jinsi kuta zilivyoporomoka, ninahitaji kuwa sahihi kuhusu ukuta ni nini, kwa sababu matumizi ya hovyo ya neno hilo ndiyo chanzo cha mawazo mengi mabaya ya kimkakati niliyoyaona. Ukuta si bidhaa nzuri. Ukuta si uongozi wa muda. Ukuta si kuwa wa kwanza. Ukuta ni sifa ya kimuundo ya soko inayoruhusu kampuni kupata mapato juu ya gharama yake ya mtaji kwa muda mrefu bila mapato hayo kushindaniwa na kutoweka. Katika lugha ya uchumi wa viwanda, ukuta ni chanzo endelevu cha ukodishaji wa kiuchumi https://en.wikipedia.org/wiki/Economic rent . Ukodishaji wa kiuchumi ni ziada ambayo kampuni hupata juu ya kiwango cha chini ambacho ingekubali kubaki wazi, na katika soko lenye ushindani wa kweli ziada hiyo hushuka hadi sifuri. Chini ya ushindani mkamilifu https://en.wikipedia.org/wiki/Perfect competition , bei husukumwa chini hadi gharama ya pembezoni, kampuni hupata tu gharama yake ya mtaji, na faida ya ziada haidumu. Kila fremu kazi kuhusu ulinzi ni nadharia kuhusu jinsi kampuni fulani inavyokwepa mvutano huo kuelekea bei ya gharama ya pembezoni na faida sifuri. Orodha ya kawaida inatokana na Michael Porter https://en.wikipedia.org/wiki/Porter%27s five forces analysis , ambaye fremu yake ya nguvu tano imekuwa chombo cha kawaida kwa hili tangu 1979, baadaye ikachujwa zaidi na kundi la wawekezaji wa thamani. Inatoa idadi ndogo ya vyanzo halisi, endelevu vya ukodishaji: Vizuizi vya kuingia vinavyowaweka washindani wapya nje Gharama kubwa za kubadili zinazowazuia wateja waliopo kuondoka Madhara ya mtandao , ambako bidhaa inazidi kuwa na thamani kadiri watu wengi zaidi wanavyoitumia Uchumi wa kiwango unaowaruhusu walioko sokoni kushusha bei dhidi ya wanaoingia Miliki ya kipekee au ulinzi wa udhibiti unaowazuia kisheria waigaji Udhibiti wa ingizo adimu au njia ya usambazaji ambayo wapinzani hawawezi kufikia Kila Chanzo cha Ukodishaji Ni Msuguano Hapa ndipo ufahamu ambao ripoti hii yote unategemea ulipo. Kila chanzo kati ya hivyo vya ukodishaji ni msuguano. Ukuta ni kweli ni aina tu ya msuguano ambao washindani hawawezi kupita kwa gharama ndogo: - Gharama kubwa za kubadili ni msuguano katika kutoka kwa mteja . - Vizuizi vya kuingia ni msuguano katika kuwasili kwa mshindani . - Madhara ya mtandao ni msuguano katika uratibu unaohitajika kwa watumiaji kuhamia mahali pengine pamoja . - Kiwango cha utengenezaji ni msuguano katika mtaji na muda ambao mgeni lazima azamishe kabla ya kufikia gharama ya kitengo shindani. Uundaji huu upya ni muhimu sana, kwa sababu unakuambia kwa usahihi kitu kama AI ya Kizazi, au kitu kama msongamano wa viwanda wa China, hufanya nini hasa kwa soko. Nguvu hizi hazishambulii bidhaa. Zinashambulia msuguano. Ni teknolojia zinazofuta msuguano. Na teknolojia inayofuta msuguano ni, kwa ufafanuzi, teknolojia inayofuta ukuta. Hoja nzima ya ripoti hii inabanwa katika sentensi moja: kuta za programu na vifaa ziliporomoka kwa sababu msuguano mahususi uliotengeneza ukodishaji wao ulikuwa msuguano huohuo ambao AI na mkusanyiko wa viwanda wa China kwa bahati ulikuwa mzuri sana kuondoa. Sehemu ya Pili: Ukuta wa Kihistoria wa Programu na Kwa Nini Biti Zilichapisha Pesa Ili kuelewa kuporomoka, lazima kwanza uelewe kwa nini programu kihistoria ilikuwa muundo bora zaidi wa biashara ambao ubepari umewahi kuupata, kwa sababu kuporomoka ni kinyume tu cha mambo yaliyoifanya iwe kubwa. Programu ilikuwa na muundo wa gharama karibu wa kipekee. Iliunganisha gharama kubwa ya kudumu ya kutengeneza nakala ya kwanza na gharama ya pembezoni iliyo karibu na sifuri ya kuzalisha na kusafirisha kila nakala baada ya hapo . Kuandika toleo la kwanza la programu tata kulihitaji kundi adimu, ghali, na la muda mrefu kufunzwa la wahandisi wakifanya kazi kwa miezi au miaka. Lakini mara ilipoandikwa, nakala ya milioni moja iligharimu kimsingi chochote kidogo sana kutengeneza na chochote kidogo sana kuwasilisha. Uwiano huo ulizalisha nguvu kubwa ya utendaji. Programu ya kisasa ya mlalo inaweza kuonyesha ukingo wa jumla katika kiwango cha asilimia themanini, kama Atlassian ilivyoongoza kwa Q2 FY2025 https://www.businesswire.com/news/home/20250130093810/en , kwa sababu mapato yanakua pamoja na watumiaji ilhali gharama ya bidhaa zinazouzwa haiongezeki sana. Lakini kauli hiyo si ya ulimwengu wote kama ilivyokuwa zamani kadiri programu yenye matumizi makubwa kama Snowflake ilivyokuwa karibu na asilimia 67 ya ukingo wa jumla katika FY2025 https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/ , kwa sehemu kwa sababu miundombinu ya wingu ya wahusika wengine imo ndani ya gharama ya mapato. Kwa maana ya kiuchumi, programu ilifanya kazi kama bidhaa ya taarifa https://en.wikipedia.org/wiki/Information good tupu, na bidhaa za taarifa huvunja uhusiano wa kawaida kati ya uzalishaji na gharama unaotawala bidhaa za kimwili. Lakini gharama ya chini ya pembezoni pekee haileti ukuta. Ikiwa mtu yeyote anaweza kutengeneza bidhaa hiyo kwa gharama ndogo, gharama ya chini ya pembezoni inakupa ushindani wa kuangamiza, si ukodishaji. Programu ilipata ukodishaji kwa sababu gharama kubwa ya kudumu ya nakala ya kwanza ilifanya kazi kama kizuizi cha kuingia, na kwa sababu msuguano mwingine kadhaa uliwekwa juu yake: Uhaba wa vipaji vya uhandisi. Kujenga programu isiyo ndogo kulihitaji watu waliokuwa ghali, wagumu kuajiri, na wagumu kuratibu, hivyo washindani wengi waliowezekana hawakuweza hata kuunda timu ya kujenga nakala inayoaminika. Muda. Hata mshindani aliyefadhiliwa vizuri alihitaji miezi mingi ya kurudufu uhandisi, kuandika maelezo, kujenga, kujaribu, na kusafirisha bidhaa pinzani, na katika miezi hiyo mtoa huduma aliye tayari alikuwa na ukiritimba wa muda wa kukusanya watumiaji, mapato, na kina zaidi cha bidhaa. Gharama ya kubadili. Mara mteja alipohamisha data yake ndani ya mfumo, akafundisha wafanyakazi wake kwenye kiolesura hicho, na kuukatia mfumo katika kila kitu kingine kupitia miunganisho maalum, kuondoka kulikuwa ghali kupita kiasi hata kama kitu bora na cha bei nafuu kingeonekana. Hesabu ya kujenga dhidi ya kununua. Kwa sababu kujenga programu ya ndani iliyobinafsishwa pia ilikuwa ghali na hatari, kampuni zilikuwa na mantiki ya kununua bidhaa za kawaida zilizotengenezwa tayari badala ya kujenga zao, jambo lililohakikisha soko kubwa kwa wauzaji wa programu zilizofungashwa. Madhara ya mtandao na data ya kipekee inayokusanyika , iliyowekwa juu ya yote hayo katika hali bora. Udhaifu wa Kimuundo Angalia kile orodha hiyo imeundwa nacho. Ni msuguano mmoja tu kati ya hiyo mitano, madhara ya mtandao, ambao ni wa ndani kwa upande wa mahitaji wa bidhaa. Nne nyingine, uhaba wa vipaji, muda wa kujenga, gharama ya kubadili, na adhabu ya kujenga dhidi ya kununua, zote ni msuguano wa upande wa uzalishaji . Ni mabaki ya jinsi programu ilikuwa ngumu, ya polepole, na ya gharama kutengeneza na kuibadilisha. Huo ndio udhaifu. Biashara ambayo uwezo wake wa kujilinda unategemea hasa jinsi ilivyo vigumu kutengeneza kitu hicho inaweza kujilinda tu mradi uzalishaji unaendelea kuwa mgumu. Wakati gharama ya kutengeneza na kubadilisha programu inaporomoka, nguzo nne kati ya tano pia zinaanguka, na ni athari ya mtandao upande wa mahitaji pekee ndiyo inayobaki imesimama. Kuporomoka huko ndiko hasa ambako AI generative ilileta. Sehemu ya Tatu: Mshtuko wa AI na Kuvunjika kwa Moat ya Programu Njia sahihi ya kuiga kile AI generative ilifanya kwa uchumi wa programu ni kuichukulia kama mshtuko kwa kazi ya uzalishaji ya programu . Katika uchumi wa msingi, gharama ya kutengeneza chochote ni kazi ya gharama ya pembejeo zake. Kwa programu, pembejeo kuu daima imekuwa kazi ya akili ya binadamu yenye ujuzi, hasa kazi ya kubadili hitaji la biashara kuwa msimbo sahihi, uliopimwa, na unaoweza kusambazwa. Kazi hiyo ndiyo pembejeo adimu, ghali iliyounda kizuizi cha kuingia. AI generative na mawakala wa kuandika msimbo kwa kujitegemea hushambulia pembejeo hiyo moja kwa moja. Wanaweza kuzalisha, kuunda upya, kutatua hitilafu, kuandika nyaraka, na kusambaza msimbo kwa sehemu ndogo sana ya gharama ya kihistoria katika kazi nyingi. Jaribio lililodhibitiwa la GitHub Copilot https://arxiv.org/abs/2302.06590 lilibaini kwamba wasanidi walikamilisha kazi ya uandishi wa msimbo iliyofungwa asilimia 55.8 haraka zaidi, na utafiti wa uga kwa wasanidi 4,867 https://mit-genai.pubpub.org/pub/v5iixksv ulibaini asilimia 26.08 zaidi ya kazi zilikamilishwa. Athari ni halisi, lakini si sawa kila mahali, kwani jaribio la nasibu la 2025 la METR https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ lilibaini wasanidi wazoefu wa chanzo huria wakifanya kazi katika hifadhi za msimbo zilizozoeleka na zilizopevuka walikuwa asilimia 19 polepole zaidi wakiwa na zana za awali za AI za 2025, huku wakiamini kuwa walikuwa wa haraka zaidi. Hitimisho salama si kwamba AI hufanya kila mhandisi awe haraka katika kila mazingira. Ni kwamba AI inapunguza gharama ya kutengeneza msimbo, hasa kwa kazi zilizofungwa, za kijani kibichi, na zenye uzoefu mdogo. Pembejeo adimu inafanywa kuwa nyingi zaidi. Wakati bei ya pembejeo muhimu adimu inaposhuka, kizuizi cha kuingia kilichojengwa juu ya adimu hiyo hubomoka nacho. Utaratibu huo mmoja husambaa kupitia nguzo zote nne za upande wa usambazaji. Mabadiliko hayo yanaonekana katika zana ambazo wasanidi hutumia kwa kweli. Kwanza zilikuja copilot za asili za IDE kama Cursor https://cursor.com/ . Kisha zilikuja mawakala wa kuandika msimbo wa asili wa terminal kama 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/ , na OpenCode https://opencode.ai/docs/cli/ , ambapo modeli husoma hifadhi ya msimbo, huhariri faili, huendesha amri, na hurudia dhidi ya mazingira yale yale kama mhandisi. Sasa tabaka la tatu linaibuka kuhusiana na uratibu wa mawakala wengi, huku zana kama Conductor https://www.conductor.build/ , Superset https://superset.sh/ , na Hermes Agent https://hermes-agent.nousresearch.com/ zikiratibu mawakala kadhaa katika miradi na mazingira. Msururu huo uko wazi. Umehamia kutoka kukamilisha kiotomatiki, kwenda kwa mawakala huru, hadi kuratibu mawakala wengi kwa wakati mmoja, na hili litaongezeka tu. Kazi ya kidijitali itakuwa rahisi zaidi kugeuzwa kiotomatiki kila mwaka, na zana ambazo leo zinahitaji mwendeshaji mwenye ujuzi zitakuwa kesho zikihitaji uingiliaji mdogo na mdogo wa binadamu. 1. Kuporomoka kwa Kizuizi cha Kuingia Kuzindua bidhaa ya programu yenye uaminifu zamani kulihitaji mtaji halisi wa awali, ambao sehemu kubwa yake ilienda kuajiri wahandisi waliotakiwa kujenga MVP. Mahitaji hayo ya mtaji yalichuja soko. Ni miradi tu iliyoweza kukusanya fedha na kuvutia vipaji ndiyo iliyowahi kusafirisha bidhaa, na uhaba wa washindani uliotokana na hilo ulikuwa sehemu ya ulinzi wa aliyekuwa tayari ameingia sokoni. Wakati msanidi mmoja mwenye zana nzuri za AI anaweza kubuni, kujenga, na kuzindua programu iliyosafishwa na inayofanya kazi kwa sehemu ndogo sana ya muda na gharama za zamani, kichujio hicho hutoweka. Soko hufurika waingiaji wapya. Kwa istilahi za ushindani, mnyororo wa usambazaji wa vipengele vya programu husogea kwa kiasi kikubwa kuelekea nje, na nadharia ya msingi ya bei inakuambia nini hutokea baadaye bila utata wowote. Wakati usambazaji wa bidhaa inayoweza kubadilishwa unapanuka kwa nguvu dhidi ya mahitaji ambayo yamebaki karibu sawa, bei hushuka kuelekea gharama ya pembezoni, na kwa kuwa gharama ya pembezoni ya programu iko karibu na sifuri, bei nayo huvutwa kuelekea sifuri. Uwingi uliopitiliza wa usambazaji wa programu ni, kimakanika, uharibifu wa uwezo wa programu kuweka bei. 2. Kuporomoka kwa Faida ya Muda Hii huenda ndiyo moat muhimu zaidi ya programu zote za jadi. Mantiki yote ya kusafirisha haraka na kurudia ilitegemea kipengele kilichozinduliwa kikipa mtengenezaji wake miezi ya uongozi wa kipekee kabla mtu mwingine hakuweza kukinakili. Muda huo wa uongozi ulikuwa dirisha ambapo athari za mtandao, chapa, na wateja zilianza kujengwa. AI inapunguza mzunguko wa kuiga kutoka miezi hadi saa. Mshindani anaweza kuangalia kiolesura cha bidhaa, kueleza tabia yake kwa wakala wa kuandika msimbo, na kupata nakala inayofanya kazi karibu mara moja, bila hata kuona msimbo wa chanzo wa asili, kwa sababu thamani haikuwa kamwe kwenye msimbo mahususi. Ilikuwa kwenye maelezo ya mahitaji, na maelezo hayo sasa ni ya bei nafuu sana kuyatekeleza. Wakati ucheleweshaji wa kuiga unapokwenda sifuri, ukiritimba wa muda ulihalalisha ubunifu wa haraka hutoweka. Ubunifu bado hutokea, lakini unaacha kulipwa kwa malipo ya kudumu, kwa sababu tuzo ya kubuni ubunifu inakabidhiwa mara moja kwa waiga. Hii ni kesi ya kitabu cha kiada ya kile David Teece https://en.wikipedia.org/wiki/David Teece alichokiita tatizo la appropriability katika karatasi yake ya 1986 kuhusu kupata faida kutokana na ubunifu wa kiteknolojia. Ubunifu hulipa wenyewe tu wakati mtengenezaji bunifu anaweza kunasa sehemu ya kutosha ya thamani inayounda kabla ya kuigwa na kushindaniwa mbali. AI inaendesha appropriability ya ubunifu safi wa programu kuelekea sifuri. 3. Kuvunjika kwa Gharama za Kubadilisha Hii ndiyo ilikuwa imara zaidi kati ya moat za jadi za programu, kwa sababu ilifanya kazi hata wakati bidhaa pinzani ilikuwa bora waziwazi. Lakini gharama za kubadilisha zilikuwa zenyewe zimeundwa na msuguano, kuhamisha data kutoka skimu moja kwenda nyingine, kujenga upya miunganisho ya kawaida, na kuwafundisha upya wafanyakazi juu ya kiolesura kisichofahamika. Kila kimojawapo kati ya hivyo ni hasa aina ya kazi ya kutafsiri ya kuchosha, inayotegemea mifumo, ambayo AI huifanyia vizuri. Ulinganifu wa data unaoendeshwa na AI unaweza kupokea, kusawazisha, na kuhamisha hifadhidata changamano kutoka muundo wa mfumo mmoja kwenda mwingine haraka na kwa bei nafuu. Kiolesura cha lugha ya asili hupunguza gharama ya mafunzo upya, kwa sababu watumiaji increasingly huingiliana kupitia mazungumzo badala ya kukariri mti wa menyu wa umiliki, jambo ambalo linamaanisha ujuzi uliokusanywa uliokwama katika kiolesura cha mtoa huduma mmoja haufanyi kazi tena kama adhabu ya kubadilisha. Kadiri gharama ya kuondoka inavyoshuka, thamani ya maisha ya mteja aliyeshikiliwa hushuka pia, gharama ya kupata mteja huongezeka ikilinganishwa na thamani hiyo ya maisha inayopungua, na uchumi wa kitengo wa modeli nzima ya usajili huharibika. Moat iliyojengwa juu ya kutoweza kwa mteja kuondoka huyeyuka wakati kuondoka kunapokuwa rahisi. 4. Kugeuzwa kwa Kujenga Dhidi ya Kununua Hii kwa utulivu huharibu soko linaloweza kushughulikiwa lenyewe. Makampuni yalikuwa yakinunua programu zilizofungashwa kwa sababu kujenga zana za ndani maalum ilikuwa ghali sana, polepole sana, na hatari sana kuhalalishwa kwa chochote isipokuwa mahitaji yao yaliyotofautishwa zaidi. Adhabu hiyo ya kujenga ndani ndiyo hasa iliyohakikishia wauzaji soko kubwa. Wakati mawakala wa AI wanapowawezesha timu za ndani, hata zisizo za kiufundi, kutengeneza programu maalum zinazolingana na mtiririko wao wa kazi, adhabu ya kujenga hutoweka, na chaguo la kimantiki hubadilika kutoka kununua usajili wa kawaida kwenda kuzalisha zana ya kibinafsi inayofaa kikamilifu na haina leseni ya kujirudia. Hii haifanyi tu ushindani kati ya wauzaji kuwa mkali zaidi. Inapunguza ukubwa wa jumla wa soko linaloweza kushughulikiwa ambalo wauzaji wanashindania , kwa sababu sehemu inayokua ya mahitaji ya programu inaridhishwa ndani na haifikii soko la nje kabisa. Thamani huhama kutoka kwa wauzaji wa programu wa nje kwenda uwezo wa uendeshaji wa ndani, yaani, huacha kuwa soko na kuwa ufanisi wa gharama wa ndani. Hili ni jambo lile lile nililoliita Kujiinua kwa Programu ya Ndani katika uandishi wangu, The Barbell of Software Value https://mehmetmhy.com/posts/barbell theory/ , likionekana kutoka upande wa muuzaji badala ya upande wa mnunuzi. Matokeo na Kile Kisichoporomoka Ukiweka pamoja taratibu hizo nne unapata ubadilishaji wa bidhaa wa programu safi. Sekta inaingia katika uwingi uliopitiliza wa programu, ambapo programu za kazi zina gharama nafuu kuzitengeneza, kunakiliwa papo hapo, na zinazidi kuzalishwa ndani kwa mahitaji. Katika hali hiyo msimbo wenyewe huacha kuwa chanzo cha kodi, kama vile bidhaa yoyote huacha kuleta kodi mara inapokuwa nyingi na inayoweza kubadilishwa. Thamani inajitenga na msimbo. Kuwa mkweli kunahitaji kusema wazi kile kisichoporomoka, kwa sababu kupindukia katika hili kungeifanya iwe kosa. AI generative hushambulia msuguano wa uzalishaji wa upande wa usambazaji. Yenyewe, haishambulii msuguano wa upande wa mahitaji na wa kiwango cha mfumo. Athari za mtandao zinasalia , kwa sababu AI inaweza kunakili programu ya mtandao wa kijamii katika alasiri moja lakini haiwezi kunakili watumiaji, na watumiaji ndio rasilimali. Moat za data za umiliki zinasalia na kwa kweli zinakuwa na nguvu zaidi , kwa sababu AI hufanya msimbo uwe nafuu zaidi kuzalisha huku ikifanya data adimu inayoufanya kufunzwa kuwa ya thamani zaidi. Usambazaji na chapa zinasalia , kwa sababu umakini na uaminifu hubaki kuwa adimu hata vipengele vinapokuwa bure. Vizuizi vya udhibiti na utiifu vinasalia , kwa sababu wakala wa kuandika msimbo hawezi kuzalisha leseni ya benki, idhini ya kifaa cha matibabu, au uthibitisho wa anga. Kuunganishwa kwa kina katika uhalisia wa kimwili au uliodhibitiwa wa uendeshaji kunasalia , kwa sababu msimbo ni nafuu, lakini kusakinisha sensa, kupata uaminifu, na kuendesha chini ya idhini ya udhibiti si nafuu. Jambo basi dai sahihi si kwamba biashara zote za programu hufa. Ni kwamba moat maalum, iliyowahi kutawala, ya programu safi, huru, iliyofungashwa, iliyolindwa na ugumu wa kuandika na kubadilisha msimbo, imeharibiwa. Kinachobaki ni programu iliyofungwa kwenye kitu ambacho AI haiwezi kuiga kwa bei nafuu: mtandao, mkusanyiko wa data, nafasi ya udhibiti, njia ya usambazaji, au uendeshaji wa kimwili. Programu inayojitenga huru na vyote hivyo sasa ni bidhaa ya kawaida. Sehemu ya Nne: Moat ya Kihistoria ya Vifaa na Kwa Nini Atomu Zilikuwa Ngumu Hoja ya vifaa inafuata nidhamu ileile. Kwanza thibitisha kwa nini vifaa vilikuwa na ulinzi, kisha onyesha ni zipi kati ya zile kinga ambazo mfumo wa utengenezaji wa China uliyeyusha. Vifaa vilikuwa na ulinzi kwa sababu karibu zilikuwa kinyume kabisa na zile za programu, na masoko ya mitaji yaliwatendea hivyo kama vinzani. Ambapo programu ilikuwa na gharama ya chini sana ya pembezoni, vifaa vilikuwa na gharama kubwa na ngumu ya pembezoni, kwa sababu kila kipande cha kimwili kilimeza vifaa, nishati, kazi, na muda wa mashine. Ambapo programu ilisafirishwa papo hapo na bila kikomo, vifaa vilifungwa na fizikia ya utengenezaji na usafirishaji. Sifa hizo ziliifanya vifaa kuwa biashara mbaya zaidi kwenye pembezoni, lakini pia, kwa njia ya ajabu, ziliifanya iwe na ulinzi kwa namna maalum, kwa sababu ugumu wa uzalishaji wa kimwili ulifanya kama kizuizi ambacho kinalinda kampuni ya vifaa iliyoendeshwa vizuri dhidi ya kuigwa kwa urahisi. Msuguano mahsusi uliolinda vifaa ulikuwa huu: - Mtaji wa zana. Kutengeneza bidhaa ya kimwili kwa kiwango kikubwa kulihitaji zana maalum, hasa mifumo ya ukungu wa sindano na viunzi vya kumimina vilivyotumiwa kuunda sehemu za plastiki na chuma, na zana hizo ziligharimu makumi au mamia ya maelfu ya dola na kulazimisha kiasi cha chini cha oda kuwa kikubwa. Hilo lilikuwa ukuta mgumu wa mtaji ambao waingiaji wengi hawakuweza kuupanda, na uliwalinda walio tayari waliokuwa wamekwisha kulipia zana zao. - Ucheleweshaji wa marudio. Kuboresha muundo wa kimwili kulimaanisha kukata zana mpya, kurekebisha uvumilivu, na kuendesha majaribio ya kimaumbo, mzunguko ambao ulichukua wiki au miezi kwa kila zamu na kugharimu sana kila mara, hivyo bidhaa za kimwili ziliboreshwa polepole na mshindani alihitaji kampeni ndefu na ya gharama kubwa ili kufikia kiwango hicho. - Uunganishaji wa msururu wa ugavi. Bidhaa ya kimwili ni orodha ya vifaa vinavyopatikana kutoka kwa wasambazaji wengi maalum, na wasambazaji hao zamani walitawanyika kati ya kampuni, maeneo, na nchi, hivyo kuunganisha msururu wa ugavi unaofanya kazi kulimaanisha kujadiliana na wauzaji waliotengwa, kukubali muda mrefu wa usambazaji, na kusimamia vifaa tata vya usafirishaji. - Uimara wa usahihi na maarifa ya mchakato. Ujuzi uliokusanywa, mara nyingi usioandikwa wazi, unaohitajika ili kweli kutengeneza muundo kwa kiwango cha mavuno kinachokubalika. Hauhamishiwi kutoka kwenye mchoro. Lazima ujifunze kwa kuufanya. - Usambazaji. Uhitaji wa kuifikisha bidhaa ya kimwili mbele ya wanunuzi kupitia wauzaji reja reja, wasambazaji, na nafasi za rafu ambazo zenyewe zilikuwa haba na zenye walinzi wa lango. Tazama tena muundo wake, sawa na kwa programu. Moat ya vifaa ilikuwa kwa kiasi kikubwa seti ya msuguano wa uzalishaji na usafirishaji: mtaji wa zana, ucheleweshaji wa marudio, uunganishaji wa msururu wa ugavi, mavuno ya mchakato, na usambazaji wa kimwili. Ililindwa na jinsi ilivyokuwa vigumu, polepole, na ghali kugeuza muundo kuwa kitu cha kimwili kilichosafirishwa. Na hasa kama programu, kinga iliyojengwa juu ya ugumu wa uzalishaji inadumu tu ilimradi uzalishaji ubaki mgumu. Lakini mchango wa China kwa historia ya kiuchumi ulikuwa kuufanya uzalishaji wa kimwili, katika aina kubwa sana ya bidhaa, usiwe mgumu tena. Sehemu ya Tano: Mshtuko wa China, Mkusanyiko wa Viwanda, na Mwisho wa Moat ya Vifaa Kutoelewa kunakozoeleka zaidi kuhusu utawala wa utengenezaji wa China ni kwamba ni hadithi kuhusu kazi ya bei nafuu. Hilo lilikuwa kweli kwa sehemu katika awamu ya kwanza na sasa kwa kiasi kikubwa si kweli, na kulikosea kunaongoza moja kwa moja kwenye hitimisho lisilofanikiwa kwamba kurudisha uzalishaji nyumbani, au kuhamisha uzalishaji kwenda nchi inayofuata yenye mishahara midogo, kutarejesha mpangilio wa zamani. Ufafanuzi wa kweli ni kwamba China ilijenga, kwa msongamano na ukubwa ambao hakuna aliyeuona kabla, jambo ambalo Alfred Marshall https://en.wikipedia.org/wiki/Alfred Marshall alieleza zaidi ya karne moja iliyopita kama mkusanyiko wa viwanda https://en.wikipedia.org/wiki/Economies of agglomeration . Mkusanyiko huo, si ununuzi wa tofauti za mishahara, ndio uliotenganisha moat ya vifaa. Tofauti hii ndiyo hoja nzima ya sehemu hii, na mimi si wa kwanza kuisema. Andrew “bunnie” Huang ameandika toleo la Shenzhen lake kwa uzoefu wa moja kwa moja kwa zaidi ya muongo mmoja katika The Hardware Hacker https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf . Nyaraka za Marshall za Nje za Kiuchumi Mkusanyiko wa viwanda ni msongamano wa kijiografia unaojilisha wenyewe wa sekta zinazohusiana, wasambazaji wa vipengele, watengenezaji wa mikusanyiko midogo, wasindikaji wa malighafi, watengenezaji wa zana, watengenezaji kwa mkataba, watoa huduma za usafirishaji, na wafanyakazi wenye ujuzi maalum, vyote vikiwa vimejaa ndani ya eneo lilelile. Marshall alitambua kwa nini makundi hayo yanazalisha manufaa ambayo kampuni iliyotengwa haiwezi kuyalinganisha: - Yanaunda ghala kubwa la pamoja la wafanyakazi wenye ujuzi maalum. - Yanasaidia wasambazaji wa ndani maalum ambao kamwe wasingeweza kuishi kwa kumhudumia mteja mmoja wa mbali lakini hustawi kwa kuhudumia kundi lenye msongamano la wateja kama hao. - Yanazalisha miondoko ya maarifa , ambapo maboresho ya mchakato husambaa haraka kupitia kundi kwa sababu watu wanaohusika wako karibu kimwili na huhama-hama. Nguvu hizo tatu ndizo nyaraka za Marshall za nje za kiuchumi, na zinamaanisha kampuni iliyo ndani ya kundi hupata gharama za chini, marudio ya haraka, na taarifa bora kuliko kampuni inayofanana iliyo nje yake, bila kujali kampuni ya nje hiyo ni yenye ufanisi kiasi gani peke yake. Gharama za Muamala Zinaporomoka Katika Delta ya Mto Pearl, na hasa Shenzhen, mkusanyiko ulifikia msongamano ambao haujawahi kuwepo kihistoria. Matokeo ya kivitendo ni rahisi zaidi kuyaona kupitia uchumi wa gharama za muamala wa Ronald Coase. Coase alieleza kwamba mpaka na kasi ya shughuli za kiuchumi huongozwa na gharama za muamala, gharama ya kutafuta wasambazaji, kujadiliana masharti, na kuratibu uzalishaji kati ya kampuni. Katika msururu wa ugavi uliotawanyika gharama hizo ni kubwa sana, na ndizo maudhui halisi ya msuguano wa tatu wa moat ya vifaa. Katika kundi lenye msongamano mkubwa sana, gharama za muamala hushuka karibu hadi sifuri. Msururu mzima wa ugavi wa vifaa vingi vya elektroniki na vya kimitambo uko ndani ya eneo dogo, hivyo kutafuta, kupata, kujadiliana, na kuratibu ambako zamani kulichukua wiki katika mabara mbalimbali sasa kunachukua saa ndani ya wilaya. Mbunifu anaweza kubainisha kifaa, apate kila kipengele ndani ya eneo hilo siku hiyohiyo, apate bodi ya mzunguko maalum itengenezwe na ijazwe usiku kucha, na ashike mfano unaofanya kazi asubuhi inayofuata. Hii si kazi ya bei nafuu. Huu ni ukaribu wa karibu kabisa wa gharama za muamala na ucheleweshaji wa marudio, jambo ambalo ni tofauti kimsingi na lenye nguvu zaidi sana. Kutokana na msongamano huo, taratibu nne zilivunja moat ya vifaa, zikiakisi zile nne ambazo AI ilitumia dhidi ya programu. 1. Kuanguka kwa Ucheleweshaji wa Marudio Hili ni toleo la vifaa la programu kupoteza faida yake ya muda. Katika msururu wa ugavi wa Magharibi uliotawanyika, zamu moja ya muundo wa kimwili ilichukua wiki na iligharimu sana, hivyo vifaa viliboreshwa polepole na uongozi wa uboreshaji wa aliyekuwepo uliendelea. Ndani ya kundi, marudio ya kimwili yanakaribia kasi ya marudio ya programu. Ukungu hubadilishwa, mipangilio ya bodi hurekebishwa, na batches za majaribio huendeshwa kwa siku. Matokeo ya kimkakati ni makali. Muundo wowote wa vifaa ulioanzishwa Magharibi unaweza kuzingatiwa, kubainishwa kwa kurudia, kuboreshwa kwa urahisi wa utengenezaji, na kuzalishwa kwa wingi ndani ya kundi haraka zaidi kuliko kampuni ya Magharibi iliyoanzisha inaweza kumaliza mfano wake wa pili. Muda wa mbele wa mwanzilishi, ambao ulikuwa chanzo cha kodi yake ya faida, ni hasi. Mingiiri husafirisha toleo bora na la bei nafuu kwanza. 2. Kuanguka kwa Mtaji wa Zana Hili ni toleo la vifaa la kizuizi cha kuingia cha programu kikishuka. Makumi ya maelfu ya dola na kiasi kikubwa cha chini cha oda ambacho zamani vilifunga uzalishaji wa kimwili sasa vimeboreshwa ndani ya kundi kupitia uchakataji wa kasi unaodhibitiwa na kompyuta, misingi ya kawaida ya moduli za ukungu ambazo hupangwa upya badala ya kukatwa upya kutoka mwanzo, na maduka ya zana yenye ushindani mkali ya uzalishaji wa juu. Vifaa vya batch ndogo, vilivyobinafsishwa sana sasa vinaweza kuzalishwa kwa muundo wa gharama ambao zamani ulikuwa unapatikana tu kwa mashirika makubwa ya kimataifa. Ukuta wa mtaji uliokuwa ukichuja waingiaji wa vifaa umeanguka kwa kiasi kikubwa, kama ule uliokuwa ukichuja waingiaji wa programu, na soko hufurika kwa shinikizo lilelile linalotarajiwa la kushuka kwa bei. 3. Mzunguko wa Uzoefu, Ukichangiwa na Uendeshaji wa Kiotomatiki Hii utaratibu ndio unaofunga uongozi wa gharama kwa kudumu, na ndio sababu faida hiyo haiwezi kuondolewa kwa uarbitrishaji kwa kuhamia sehemu nyingine. Sheria ya Wright https://en.wikipedia.org/wiki/Experience curve effects , iliyoelezwa kwanza na Theodore Wright mwaka 1936 kutokana na data za uzalishaji wa ndege na baadaye kujumlishwa na Boston Consulting Group kama mkondo wa uzoefu, ni mojawapo ya kanuni za majaribio zinazotegemeka zaidi katika uchumi wa viwanda. Inasema kwamba kwa bidhaa nyingi, gharama ya kitengo hushuka kwa asilimia thabiti kila mara kiwango cha uzalishaji wa jumla kinapoongezeka mara mbili, kwa sababu shirika hujifunza, kupitia kufanya kilichokusanywa, jinsi ya kutengeneza kwa ufanisi zaidi. Kwa sababu mkusanyiko huo unazalisha sehemu kubwa sana ya ujazo wa jumla wa kimataifa katika makundi mengi yasiyohesabika ya bidhaa, uko mbali chini kwenye mkondo wa uzoefu ambao mgeni yeyote mpya, akiwa na ujazo mdogo wa jumla, huanza juu yake. Utengenezaji wa kisasa wa China kisha huongeza zaidi faida hiyo ya ujifunzaji kwa kutumia uendeshaji wa kiotomatiki unaohitaji mtaji mkubwa, roboti za hali ya juu, ukaguzi wa macho wa kasi ya juu wa kiotomatiki, na ujumuishaji wima unaofika hadi kurudi nyuma kwenye malighafi. Hii ndiyo nukta halisi ambapo maelezo ya gharama ya kazi hufa. Faida ya kisasa si mishahara midogo. Ni ujifunzaji uliokusanywa pamoja na kiwango kikubwa cha kiotomatiki pamoja na msongamano wa wasambazaji , na mgeni hawezi kuiga mchanganyiko huo kwa kitendo chochote cha muda mfupi, iwe mshahara wa juu au mshahara wa chini, kwa sababu huwezi kununua mara moja uzoefu wa miaka mingi wa uzalishaji uliokusanywa au mfumo wa wasambazaji unaouzunguka. 4. Kuanguka kwa Msuguano wa Usambazaji Huu ndio toleo la vifaa la AI linalopunguza hitaji la kupita kupitia njia za programu zilizopo. Masoko ya kidijitali ya kimataifa na usafirishaji wa vifurushi wenye ufanisi wa hali ya juu huwaruhusu watengenezaji ndani ya mkusanyiko kuruka kabisa wasambazaji wa Magharibi, wauzaji wa jumla, na nafasi za rafu za rejareja, wakiweka bidhaa moja kwa moja kwenye majukwaa ya kimataifa na kusafirisha hadi mlangoni mwa mtumiaji ndani ya siku chache. Msuguano wa mwisho unaolinda chapa ya maunzi iliyopo, udhibiti wake wa rafu na njia za usambazaji, hupitwa. Kifaa chenye usawa wa kiutendaji kinafika kwa mteja yuleyule kwa sehemu ndogo ya bei ya chapa bila kugusa kamwe mfumo wa usambazaji wa aliyekuwepo. Jumuia ya Viwanda & Kwa Nini Kurudisha Uzalishaji Nchini Ni Kazi Ngumu Sana Matokeo muhimu zaidi ya haya yote, na lile linalopuuzwa mara nyingi zaidi, linahusu kurudisha uzalishaji nchini, na hapa ndipo wazo la jumuia ya viwanda linapokuwa muhimu. Gary Pisano na Willy Shih walilitaja hili katika Restoring American Competitiveness https://hbr.org/2009/07/restoring-american-competitiveness PDF https://dailyreporter.com/files/2012/11/restoring-american-competitiveness.pdf mwaka 2009. Uangalizi wao ulikuwa kwamba uwezo wa utengenezaji si sifa ya kampuni binafsi. Ni sifa ya mfumo ikolojia, msingi wa pamoja wa kienyeji wa wasambazaji, watengenezaji wa zana, wahandisi wa mchakato, na maarifa yasiyoandikwa. Wakati nchi inapohamisha uzalishaji nje, haipotezi viwanda tu. Baada ya muda inapoteza pia jumuia inayozunguka, kwa sababu wasambazaji, watengenezaji wa zana, na wahandisi wenye ujuzi wa mchakato hudhoofika au kuhamia mahali pengine mara tu hakuna tena mahitaji ya kienyeji yanayowafanya waendelee kuwepo. Jumuia hiyo ikiondoka, hakuna kampuni moja wala ruzuku moja inayoweza kuijenga upya haraka, kwa sababu kiwanda kimoja kilichorudishwa nyumbani hakina wasambazaji wa kienyeji, hakuna watengenezaji wa zana wa kienyeji, hakuna kundi la kienyeji la wahandisi wa mchakato wenye uzoefu, na hivyo hakina chochote cha uwezo wa ziada wa Marshall ulioufanya mkusanyiko huo uwe na ufanisi hapo mwanzo. Ndiyo sababu kurudisha nyumbani aina ya maunzi ya bidhaa ya kawaida ni kazi ngumu sana na ya gharama kubwa sana. Faida ambayo anayerejesha uzalishaji nyumbani anajaribu kuiunda upya haikuwa ndani ya kiwanda kamwe. Ilikuwa kwenye mfumo ikolojia unaozunguka kiwanda, na mfumo huo ikolojia haupo tena nyumbani. Lindi la kinga halikuhamia China kwa sababu kampuni za Kichina ni bora kibinafsi. Lilisogea kwa sababu jumuia ilihamia, na jumuia ni mali ya pamoja ambayo hatua binafsi haziwezi kuijenga upya. Hitimisho la kiwango cha juu kwa maunzi linafanana kabisa na lile la programu. Dakika ambapo sifa za bidhaa ya kimwili zinajulikana, mfumo ikolojia wa utengenezaji wenye msongamano mkubwa unaweza kuiga, kuiboresha kwa ajili ya utengenezaji, na kuisambaza moja kwa moja kwa muundo wa gharama unaoangamiza faida ya aliyebuni awali. Maunzi ya kujitegemea, yakilindwa tu na ugumu wa uzalishaji wa kimwili, yamegeuzwa kuwa bidhaa ya kawaida, kwa sababu ugumu huo, kwa wigo mpana wa bidhaa, haupo tena. Sehemu ya Sita: Kuanguka Mfululizo na Matokeo Yake ya Kimkakati Watu kwa kawaida huchambua anguko hilo maradufu kwa kutenganisha, na kwa mpangilio wa muda inapaswa kuwa hivyo. Kuanguka kwa maunzi kulitangulia. Mkusanyiko wa China ulifanya ulinzi wa maunzi unaotegemea uzalishaji kuwa dhaifu katika vifaa vya watumiaji na bidhaa nyingi za ugumu wa kati miaka mingi kabla zana za uandishi wa AI zenye kuzalisha zingeleta maana. Kuanguka kwa programu kulitokea baadaye. Tukio halisi kwa mwanzilishi leo si kwamba vilianza pamoja. Ni kwamba hali zote mbili sasa zipo sokoni. Enzi za awali bado zilitoa njia ya kutoroka. Programu ilipokuwa ya ushindani, mtaji ungeweza kuelekea kwenye maunzi yenye ulinzi. Maunzi yalipokuwa ya ushindani, mtaji ungeweza kuelekea kwenye programu yenye ulinzi. Vikoa hivyo viwili vilikuwa makazi yanayopokezana. Mzunguko huo haufanyi kazi tena. Atomi tupu tayari zilipoteza lindi lao la uzalishaji, na biti tupu sasa zinapoteza lao. Hakuna tena kimbilio la biti tupu na hakuna tena kimbilio la atomi tupu. Hii ndiyo maana ya kina ya the barbell niliyoandika kuihusu mwaka jana https://mehmetmhy.com/posts/barbell theory/ . Kati, mahali ambapo kampuni ilitegemea mwelekeo mmoja kuwa mgumu, imepigwa hollow kutoka pande zote mbili. Matokeo ya Kwanza ya Moja kwa Moja: Shinikizo la Jumla la Kuingiza Bei Chini Wakati gharama ya pembeni ya programu inakaribia sifuri na gharama halisi ya nakala ya kimwili inakaribia sakafu yenye ufanisi mkubwa ya mkusanyiko, ushindani unasukuma bei katika nyanja zote mbili chini kuelekea sakafu hizo. Hiyo ni ya kupunguza mfumuko wa bei kwa watumiaji na ya kuharibu kwa wazalishaji wasio na lindi la kinga, na inaeleza fumbo ambalo watu wengi huliona, kwamba maendeleo makubwa ya kiteknolojia yako sambamba na kukandamizwa kwa faida za kampuni zinazofanya uzalishaji wenyewe. Maendeleo yanachukuliwa na watumiaji na waigaji badala ya wavumbuzi , hasa kwa sababu uwezo wa kuyakusanya faida uliporomoka katika vikoa vyote viwili. Matokeo ya Pili ya Ngazi ya Pili: Kodi Inahamia Kando ya Mkondo wa Tabasamu Stan Shih https://en.wikipedia.org/wiki/Stan Shih , mwanzilishi wa Acer, alipendekeza mkondo wa tabasamu https://en.wikipedia.org/wiki/Smiling curve karibu mwaka 1992. Chora thamani iliyoongezwa dhidi ya hatua za uzalishaji katika mnyororo wa thamani wa utengenezaji na unapata umbo kama tabasamu. Ben Thompson ame uubadili kwa uchapishaji https://stratechery.com/2014/publishers-smiling-curve/ , jambo linalostahili kusomwa kwa sababu linaonyesha kwamba mkondo huo kwa kweli si kuhusu utengenezaji hata kidogo. Huu hapa ndio wa awali: Hatua za Shih ni hizi: Thamani ya juu upande wa mwanzo , maana yake usanifu, uwekaji chapa, na umiliki wa kiakili Shimo refu katikati , maana yake uunganishaji wa kimwili na utengenezaji, hatua inayogeuzwa kuwa bidhaa ya kawaida kwa urahisi zaidi Thamani ya juu upande wa mwisho , maana yake usambazaji, huduma, na uhusiano na mteja Kupanda kwa China kulilainisha na kugeuza kuwa bidhaa ya kawaida katikati ya mkondo huo kwa maunzi. AI inayozalisha sasa inageuza kuwa bidhaa ya kawaida sehemu ya katikati inayolingana kwa programu, ambayo ni tendo lenyewe la kuandika msimbo. Maagizo yanayofuata ni sawa katika kesi zote mbili: acha sehemu ya kati iliyogeuzwa kuwa bidhaa ya kawaida na uhamie kwenye ncha za tabasamu. Lakini ncha hizo ni hasa upande wa mahitaji na mali za ngazi ya mfumo ambazo wala AI wala msongamano wa utengenezaji haviwezi kuiga kwa gharama ndogo. Upande wa mwanzo maana yake data za umiliki, utafiti halisi, na maarifa ya kweli ya usanifu. Upande wa mwisho maana yake chapa, imani, usambazaji, nafasi ya udhibiti, na umiliki wa uhusiano na mteja pamoja na matokeo ya uendeshaji. Matokeo ya Tatu ya Ngazi ya Tatu: Kodi Inahamia Kwenye Mishono Huu ndio matokeo unaounganisha uchambuzi na mkakati. Kodi endelevu imehama kutoka kwenye mwelekeo mmoja wowote na kwenda kwenye muunganisho kati ya mielekeo, na kwenye mali zinazokaa nje ya uzalishaji kabisa. Kama msimbo safi ni bure na atomi safi ni za bei nafuu, basi msuguano ambao bado huzalisha kodi ni ule unaoishi kwenye mishono: Usanifu-shirikishi wa karibu wa maunzi maalum na programu maalum , ili hakuna kimoja kinachomfaa mwigaji bila kingine. Data ya umiliki inayozalishwa kwa kuendesha mtiririko halisi wa kazi wa kimwili au uliodhibitiwa , ambao ni haba hasa kwa sababu ni zao la kufanya kazi hiyo badala ya kitu kinachoweza kunakiliwa. Mahusiano ya kina, yanayochukua muda kujenga na ithibati za udhibiti katika sekta za kihafidhina, ambako nakala ya bei nafuu hufungiwa nje kabla mtu yeyote hata hajaipima. Nafasi ya mkuu , ambapo kampuni haiuzi zana inayoweza kugeuzwa kuwa bidhaa ya kawaida bali badala yake inamiliki operesheni, inachukua dhima, inahakikisha matokeo, na inachukua pamoja kundi lote la faida na moshi wa data wa kipekee. Haya ni masuguano ambayo AI na mkusanyiko wa China hawawezi kimuundo kuyavunja, kwa sababu si msuguano wa uzalishaji hata kidogo. Ni msuguano wa imani, wa upatikanaji wa kimwili, wa udhibiti, wa uchunguzi halisi wa ulimwengu uliokusanywa, na wa umiliki wa uendeshaji. Sehemu ya Saba: Mipaka, Hoja za Kupinga, na Kuwa Mwaminifu Kuihusu Suala hili pana linapaswa kupimwa dhidi ya pingamizi zake zenye nguvu zaidi, kwa sababu mkakati uliojengwa juu ya msingi uliokuzwa kupita kiasi hushindwa hasa mahali ambapo msingi ulikuwa na nguvu mno. Pingamizi la 1: Programu Inayozalishwa na AI Bado Sio ya Kiwango cha Mstari wa Mbele Pingamizi la kwanza ni kwamba programu inayozalishwa na AI bado hailingani na programu iliyobuniwa na wataalamu kwa mifumo iliyo changamano zaidi, yenye kutegemeka zaidi, au iliyo mpya kweli, na kwamba bado kuna mpaka wa kweli wa ubora unaotenganisha uzalishaji wa kawaida na uhandisi wa mstari wa mbele. Hili ni kweli na ni muhimu. Hoja ya kuwa bidhaa za kawaida zinafanana zaidi hutumika kwa nguvu zaidi kwa wingi mkubwa wa programu za kawaida za matumizi ambazo mantiki yake tayari imekwisha kutembelewa vizuri. Katika mstari wa mbele halisi, katika algoriti mpya, katika mifumo inayohitaji kutegemeka au usalama wa hali ya juu, na katika matatizo yasiyo na mfano wowote katika data ya mafunzo, hukumu ya kitaalamu ya binadamu bado ina thamani ya ziada. Kwa hiyo, dai sahihi ni kwamba AI inapunguza kinga ya ushindani kwa sehemu kubwa inayoweza kuwa bidhaa ya kawaida ya programu, si kwamba inafuta thamani yote ya programu. Lakini mwelekeo wa safari ni muhimu kimkakati, kwa sababu mstari wa mbele unaobaki unaweza kulindwa ni mwembamba, unahama kila mara, na ni msingi mbaya kwa biashara ya kudumu isipokuwa umefungamanishwa na moja ya kinga zisizo za uzalishaji zilizotajwa hapo juu. Pingamizi la 2: Utawala wa China Si Sawa na Unapingwa Kisiasa Pingamizi la pili ni kwamba utawala wa China katika utengenezaji si sawa katika makundi yote na sasa unakabiliwa na nguvu kubwa za kisiasa zinazopingana nao, ikiwa ni pamoja na ushuru, udhibiti wa mauzo nje, kurudisha uzalishaji nyumbani kunakochochewa na usalama wa taifa, na “friend shoring” ya makusudi ya minyororo muhimu ya ugavi. Hili nalo ni kweli. Hoja ya bidhaa za kawaida ni yenye nguvu zaidi kwa vifaa vya kielektroniki vya watumiaji, bidhaa za kiufundi, na makusanyiko ya ugumu wa kati, na dhaifu zaidi katika sehemu ya juu kabisa ya rundo la teknolojia, hasa utengenezaji wa semikondakta wa hali ya juu, ambako mtaji mkubwa kupindukia na idadi ndogo ya wasambazaji wasioweza kubadilishwa hujenga kinga zao wenyewe. Sera pia inaweza kurejesha kwa bandia msuguano ambao mkusanyiko uliondoa, kupitia ushuru unaopandisha gharama ya mfuasi anapowasili sokoni au udhibiti wa mauzo nje unaomnyima vifaa vya kuingiza. Lakini nguvu hizo zinazopingana kwa kweli zinaimarisha hitimisho kuu badala ya kulidhoofisha, kwa sababu kinga iliyosalia ya semikondakta na kinga ya kurudisha uzalishaji nyumbani inayoongozwa na sera ni, tena, si kinga za maunzi safi. Ni kinga za ukubwa uliokithiri wa mtaji, wa nafasi isiyoweza kubadilishwa ya msambazaji, na wa uhusiano wa udhibiti na wa kijiografia. Hizo ndizo haswa msuguano wa baada ya uzalishaji, wa uhusiano na wa nafasi ambao ripoti hii inasema kodi ya ziada ya faida imehamia huko. Pingamizi la 3: Kwa Nini Wale Wakubwa Walioko Sasa Bado Wanafaida Sana? Pingamizi la tatu ni la kina zaidi. Ikiwa programu na maunzi yote yamekuwa bidhaa za kawaida, kwa nini washika nafasi wakubwa zaidi wa teknolojia bado wana faida isiyo ya kawaida? Jibu ni kwamba washika nafasi hao hawakulindwa kamwe na programu safi au maunzi safi pekee. Kinga zao halisi ni athari za mtandao, udhibiti wa usambazaji na umakini, data ya umiliki katika kiwango cha ustaarabu, kufungamana kwa mfumo ikolojia, na katika baadhi ya matukio kujikita kwa udhibiti. Mporomoko unaoelezwa hapa hautishii lolote kati ya hayo, na kwa njia kadhaa unayaimarisha, kwa sababu uzalishaji safi unapokuwa bidhaa ya kawaida, thamani ya uwiano ya mali zisizo za uzalishaji ambazo washika nafasi tayari wanamiliki huongezeka. Hili linaendana kikamilifu na nadharia hii. Ukomeshaji wa bidhaa ya kawaida katika uzalishaji hausawazishi faida zote. Unasambaza upya faida kutoka kwa kampuni ambazo faida yake pekee ilikuwa kuwa uzalishaji ulikuwa mgumu, kuelekea kwa kampuni zinazomiliki msuguano ambao uzalishaji hauwezi kugusa. Washika nafasi wanaendelea kuishi kwa sababu hawakuwa kamwe biashara za kipengele kimoja. Hicho ndicho fundisho, si ubaguzi. Sehemu ya Nane: Ujumlisho na Daraja Kuelekea Kinga ya Kisasa Mporomoko miwili katika ripoti hii, kimsingi, ni utaratibu ule ule unaojirudia katika maeneo mawili, si ratiba moja ya pamoja. Katika visa vyote viwili darasa la biashara lilipata kodi ya kudumu kwa sababu uzalishaji ulikuwa mgumu, wa polepole, na wa gharama kubwa. Katika visa vyote viwili nguvu ya kuyeyusha msuguano, AI generative katika eneo la kidijitali na mkusanyiko wa viwandani wenye msongamano mkubwa kupita kiasi katika la kimwili, ilifanya uzalishaji uwe rahisi, wa haraka, na wa bei nafuu. Katika visa vyote viwili kodi iliyolindwa na ugumu wa uzalishaji ilitoweka mara tu uzalishaji ulipoacha kuwa mgumu. Ulinganifu huu ni kamili, na kuutambua kunastahili zaidi kuliko nusu yoyote peke yake, kwa sababu unaweka wazi sheria ya jumla iliyo chini ya yote mawili: Kila kinga ya ushindani inayoundwa tu na ugumu wa kutengeneza kitu ni ya muda, na hudumu hasa hadi mtu anapogundua jinsi ya kutengeneza kitu hicho kwa urahisi. Hitimisho la kimkakati linatokana moja kwa moja. Kwa kuwa wala bits peke yake wala atoms peke yake haviwezi kulinda biashara, ulinzi wa kudumu lazima ujengwe kutokana na msuguano uliosalia baada ya mporomoko wote miwili: Ujumuishaji wa karibu, uliofungwa wa maunzi maalum na programu maalum , ili mfumo usiweze kutenganishwa na kuigwa kipande kwa kipande. Data ya umiliki, inayosasishwa kila wakati, inayozalishwa kama bidhaa ya pembeni ya kuendesha mtiririko halisi wa kazi , ambayo haiwezi kunakiliwa kwa sababu lazima ipatikane kupitia uendeshaji. Mahusiano ya kina, uaminifu, na hadhi ya kiudhibiti ya tasnia za kihafidhina , ambayo hakuna wakala wa upangaji msimbo wala kiwanda cha mikataba kinaweza kuzalisha. Uamuzi wa kuendesha kama mkuu badala ya muuzaji , kumiliki mtiririko wa kazi na matokeo yake ili bwawa lote la faida na mabaki yote ya data yabaki yakikamatwa badala ya kuuzwa nje. Kampuni ya kisasa ya kiwango cha ubia ni yenye ulinzi wa kudumu kwa kiwango haswa inachounganisha msuguano kadhaa kati ya hizo zilizosalia kuwa mfumo mmoja wa uendeshaji uliounganishwa ambao unazidi kuwa bora kadri unavyoendeshwa. Kila kitu ambacho hapo awali kilikuwa kinga kwa sababu ilikuwa vigumu kujenga sasa ni bidhaa ya kawaida kwa sababu ni rahisi kujenga. Kinachobaki kuwa na ulinzi wa kudumu ni kile ambacho ni kigumu kufikia, kigumu kuingizwa ili kuaminiwa, kigumu kuingia kwa njia ya kanuni, na kigumu kuchunguza bila kufanya kazi halisi. Kinga ya baadaye haijatengenezwa kwa bits, wala haijatengenezwa kwa atoms. Inatengenezwa kwa nyufa kati yao, na kwa mahusiano na data iliyopatikana kwa juhudi ambayo hakuna anayeweza kuizalisha upya bila kusimama mahali unaposimama wewe. Hitimisho la Uchanganuzi Paradigma ya miaka thelathini iliyotazama programu kama injini ya kuaminika ya faida yenye ulinzi na maunzi kama bidhaa ya kawaida yenye faida ndogo haikubadilika tu. Mawazo yake mawili ya msingi yali batilishwa kwa mfululizo . Mkusanyiko wa viwanda wa China ulibatilisha dhana kwamba maunzi ni magumu kurudia na kutengeneza kwanza. AI generative inabatilisha dhana kwamba programu ni ngumu kuzalisha na kubadilisha sasa. Kwa kuwa kinga zote mbili zilijengwa hasa juu ya ugumu wa uzalishaji, na kwa kuwa ugumu huo ndio ulikuwa shabaha mahsusi ya nguvu zote mbili zinazoyeyusha msuguano, kinga zote mbili zilianguka. Kodi ya ziada ya faida ambayo zamani ilienda kwa yeyote aliyeweza kujenga bits au kuunda atoms sasa inapita kwa watumiaji na waiga, isipokuwa kampuni imejifungamanisha na msuguano ambao mporomoko wa uzalishaji hauwezi kufikia. Msuguano huo uliosalia, ujumuishaji, data ya kiutendaji ya umiliki, mahusiano ya kuaminika, nafasi ya kiudhibiti, na umiliki kama mkuu wa mtiririko halisi wa kazi, ndio mahali ambapo thamani ya kudumu ilienda. Kujenga kampuni yenye ulinzi wa kudumu katika enzi hii kunamaanisha kukataa kutegemea kipengele kimoja chochote kuwa kigumu, kwa sababu chochote ambacho ni kigumu tu kukitengeneza hakibaki na ulinzi wa kudumu mara utengenezaji wake unapokuwa rahisi. Kinga ya Kisasa Yote yaliyo hapo juu ni utambuzi wa tatizo. Inaweka wazi kodi ya ziada ya faida ilienda wapi na kwa nini, lakini inaishia katika kiwango cha kanuni, na kanuni haikuelezi kampuni iliyojengwa juu yake inaonekanaje kwa kweli. Sehemu hii ni jibu . Inashughulikia kile kinga ya kudumu imetengenezwa nacho sasa, na inaonekanaje ikiwa imekusanywa kuwa biashara halisi. Barbell Kabla ya sheria za ujenzi, inasaidia kuifanya barbell iwe wazi, kwa kuwa uchambuzi uliendelea kuielekeza bila kutaja ncha zake. Nilieleza hili mwaka 2025 katika The Barbell of Software Value https://mehmetmhy.com/posts/barbell theory/ , ambapo nililinganisha Internal Software Leverage Theory yangu dhidi ya nadharia ya wingi. Ambapo hitimisho lilikuwa kwamba thamani ya programu inagawanyika kuwa makundi mawili huku sehemu ya kati ikiporomoka. Katika ncha moja hukaa viungo vikubwa vya msingi kabisa, mifano ya msingi, miundombinu ya kompyuta, majukwaa ya wingu, chips, na miundombinu ya msingi ya AI. Hivi vinalindwa na ukubwa wa mtaji, uchumi wa kiwango, na mkusanyiko wa utafiti kwa kiwango ambacho ubia mpya kimsingi hauwezi kufikia. Huu si fursa ninaoelezea. Ni mazingira ambamo inafanya kazi. Google https://en.wikipedia.org/wiki/Google ni mfano wa dari. Inachanganya mifano ya LLM, TPUs https://cloud.google.com/tpu , miundombinu ya wingu, Search, Android, YouTube, Maps, Chrome, usambazaji chaguo-msingi, na data ya umiliki kwa kiwango ambacho karibu hakuna mtu anayeweza kugusa. Hiyo haifanyi iwe muundo wa kuanza. Inaifanya iwe ncha ya juu ya barbell iliyotekelezwa kikamilifu. Huwezi kuanzia hapo. Kile Google inachothibitisha ni utaratibu, kwamba uzalishaji unapokuwa wa bei nafuu, thamani ya kudumu huhamia katika kompyuta, usambazaji, miundombinu, data, na nafasi ya mfumo ikolojia ambayo mgeni mpya hawezi tu kuingia kwa urahisi. Pia ona kikomo. Google inaendesha mnada. Kwa kawaida haiimiliki matokeo ya mtangazaji. Hiyo ndiyo sababu Waymo, si Search, ni mfano safi zaidi wa nafasi ya mkuu baadaye. Katika ncha nyingine hukaa leverage binafsi yenye umaalum mkubwa. Umiliki wa kina wa mtiririko wa kazi, otomatiki ya ulimwengu halisi, taratibu za udhibiti, uingizwaji wa kazi ya kitaalamu, data ya kiutendaji ya umiliki, na umiliki wa matokeo. Ncha hii inaweza kufikiwa, na inalindwa na msuguano haswa usio wa uzalishaji ambao uchambuzi ulibainisha kuwa ulibaki. Hatari ya kati ni programu ya kawaida. Hii ni programu ya wavuti, dashibodi, zana ya CRUD, msimamizi wa mtiririko wa kazi, na kifungashio chembamba juu ya API ya modeli. Inabanwa kutoka juu na vipengele vya msingi, ambavyo vinaendelea kufyonza uwezo wa jumla ndani yake, na kutoka chini na kuporomoka kwa gharama ya kujenga chochote cha kawaida kabisa. Bidhaa iliyo katikati ni rahisi kujenga, rahisi kuiga, rahisi kwa mchezaji aliyekuwepo tayari kuimeza kama kipengele, na kwa kawaida inamiliki sehemu ndogo sana ya mnyororo wa thamani wa mteja kiasi cha kushindwa kutetea bei. Handaki Nne ya Ustahimilivu Ulinzi wa kisasa leo hautokani na ukuta mmoja mrefu. Unatokana na kuunganishwa kwa faida nyingi. Nguzo nne tofauti hudumu katika kuporomoka mara mbili kwa uzalishaji wa vifaa na programu. Kampuni ya kisasa yenye kudumu inahitaji njia ya kuaminika ya kufikia angalau tatu kati ya hizo. Sio moja. Tatu. Vipimo vya pekee havimkingi tena mtu yeyote, na havitafanya hivyo kuendelea mbele. Vifaa Vikuu Vifaa vikuu haimaanishi kuvumbua vifaa vya ajabu. Hakika haimaanishi kuuza kifaa cha werevu kwa faida ndogo. Kifaa kinachoonekana, kinachoweza kuigwa, na kinachouzwa kando ndicho hasa ambacho vikundi vya utengenezaji huharibu kwa haraka zaidi. Vifaa hupata nafasi yake pale ambapo si bidhaa yenyewe, bali chombo . Kinampa kampuni ufikiaji wa kimwili wa kipekee kwa mchakato ambao mshindani hawezi kuuona kutoka nje. Huhisi ulimwengu wa kimwili, hukusanya data ya umiliki, hutekeleza vitendo vya kimwili, na husawazisha mtiririko wa kazi, na hivyo kufanya programu iliyo juu yake iwe ngumu zaidi kuiga. Jaribio ni rahisi. Je, vifaa vinaweza kutolewa na kuuzwa peke yake? Ikiwa vinaweza, basi ni kifaa na vitawekewa bei sawa na bidhaa za kawaida. Ikiwa havina maana bila programu, data, na operesheni iliyoizunguka, basi vinafanya kazi ya handaki ya ulinzi. Programu Maalum Kuu Programu maalum kuu si SaaS ya kawaida wala si kiolesura kizuri zaidi. Hufanya kazi ndani ya mchakato mahsusi wa kimwili au wa udhibiti, huendesha kiotomatiki maamuzi yanayobeba uzito halisi wa kiuchumi, huratibu kazi au mashine, na hunasa marekebisho na hali za pembeni zinapotokea. Angalia kinachofanya iwe na ulinzi. Sio msimbo , ambao uchambuzi ulionyesha sasa ni wa bei rahisi, bali utegemezi wake kwa ufikiaji wa kiutendaji, data ya umiliki, na maarifa ya kina ya mtiririko wa kazi ambayo mshindani hawezi kupata kwa kuiga kiolesura. Programu ni ngumu kuiga kwa sababu vitu ilivyounganishwa navyo ni vigumu kufikia, si kwa sababu programu yenyewe ni ngumu kuandika. Mahusiano Bora Mahusiano bora ni miongoni mwa handaki za ulinzi zinazodumu zaidi katika viwanda vigumu. Yanastahimili kabisa kuporomoka kwa urahisishaji wa vifaa na programu. Yanajumuisha idhini ya udhibiti, imani ya mteja, ufikiaji wa usambazaji kwa wanunuzi wa kihafidhina, na ushirikiano wa muda mrefu wa kiutendaji. Unaona hili katika sekta kama ulinzi, huduma za afya, ujenzi, na miundombinu. Wanunuzi katika masoko hayo hawachagui muuzaji kwa sababu programu ni bora kidogo tu, na katika hali nyingi, hata kama ni bora mara 10. Hununua kwa msingi wa uaminifu na rekodi ya utekelezaji, uaminifu wa kutegemewa, dhima, utii wa kanuni, na uthibitisho. Nakili ya bei nafuu kwa kawaida hukataliwa kabla yeyote hajaitathmini. Mahusiano huchukua muda, sifa, na rekodi ya utekelezaji halisi. Wala mawakala wa AI wala kiwanda cha kuunganisha bidhaa cha Shenzhen haviwezi kuzalisha uaminifu usiku mmoja. Data ya Kipekee Data ya kipekee ndiyo muhimu zaidi kati ya hizo nne na ndicho kitu ambacho watu hukosea mara nyingi zaidi. Sio data yote yenye thamani, na data ya kawaida iliyokusanywa kutoka mtandaoni sasa ni karibu haina thamani kama handaki ya ulinzi. Data inayohusika ni ya faragha, ya dhahiri tu katika uzoefu, na ya kiwango cha mtaalamu, ya kimwili na mahsusi kwa mtiririko wa kazi, inayozalishwa kutokana na operesheni halisi, na iliyojaa hali za pembeni, marekebisho, na kushindwa ambako hakutokei katika mkusanyiko wowote wa hadhara. Huwezi kununua aina hii ya data, na huwezi kuikwaruza kutoka mtandaoni. Huzalishwa pekee kama matokeo ya pembeni ya kuendesha operesheni hai kupitia mzunguko uliofungwa wa hatua nne : Uchunguzi Uamuzi Kitendo Matokeo Mzunguko huu pia ndipo mambo manne huanza kuimarishana. Vifaa hutazama na kutenda, programu huamua na kuratibu, mahusiano hutoa ufikiaji wa mtiririko wa kazi, na data ya kipekee hukua kwa kujumlishwa kutoka katika matokeo. Kampuni nyingi hunasa tu hatua ya kwanza ya mtiririko huu wa data. Handaki ya ulinzi inahitaji zote nne, ikimaanisha unajua si tu kilichotokea, bali pia uamuzi gani uliotolewa kujibu, kitendo gani kilichochukuliwa kweli, na kama matokeo yalifanya kazi. Hatua hiyo ya nne, matokeo yaliyothibitishwa, ndiyo inayofanya data iweze kufunzwa na ndiyo inayofanya faida ijumulike. Kila kazi iliyokamilishwa huiboresha mfumo unaofanya kazi inayofuata, ambayo ndiyo aina pekee ya faida katika hati hii yote ambayo inakua badala ya kupungua. Wakati Mizunguko Hujumlishika & Wakati Hujikwamisha Mzunguko uliofungwa unasikika kana kwamba ni wa lazima kidhana. Kivitendo, majaribio mengi ya kuujenga hushindwa. Mzunguko ni dai, si sheria, na una njia mahususi za kushindwa ambazo ni muhimu kuelewa kuliko hali ya mafanikio. - Data hufikia kiwango cha kujaa: Thamani ya data iliyokusanywa hufuata mkondo wa mapato yanayopungua. Katika ujifunzaji wa kina, Sun et al. waligundua kuwa utendaji kwenye kazi za kuona ulikua kwa kiwango cha logarithimu na kiasi cha data ya mafunzo https://openaccess.thecvf.com/content ICCV 2017/papers/Sun Revisiting Unreasonable Effectiveness ICCV 2017 paper.pdf , jambo linalomaanisha kila kuongezeka maradufu kwa mkusanyiko wa data kunanunua ongezeko jingine, si muujiza mwingine. Maelfu ya kwanza ya utekelezaji hukufundisha zaidi. Makumi ya maelfu yanayofuata hufundisha kidogo zaidi. Mamia ya maelfu yanayofuata karibu hayaleti kitu kipya. Mshindani anayeanza baadaye mara nyingi anaweza kufikia asilimia 90 ya utendaji wako kwa sehemu ndogo tu ya data ya kihistoria, akifunga pengo haraka kuliko nambari ghafi zinavyopendekeza. - Data inaweza isiwe yako kuitumia: Unazalisha data ya umiliki kupitia mtiririko wa kazi, lakini ikiwa mkataba wako unasema mteja anamiliki data hiyo na huwezi kuiunganisha katika matumizi ya pamoja kati ya usambazaji, basi una vizimba hamsini tofauti vya data, si gurudumu moja la kujijenga lenyewe. Katika kiwango cha jukwaa, 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/ , na Google Vertex AI https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance zote huambia wateja wa biashara kuwa pembejeo na matokeo yao hayatumiwi kufunza modeli za msingi kwa chaguo-msingi. Hilo ni zuri kwa wateja na ni onyo kwa wauzaji. Kujifunza kati ya wateja hujipatia faida ya kujumlishwa tu ikiwa mkataba unaruhusu. Sheria ya faragha inaongeza kikwazo kingine, kwa sababu ukomo wa kusudi chini ya GDPR https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , haki za kufuta https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , kanuni za HIPAA za kutotambulisha https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html , na kanuni za CCPA/CPRA kuhusu kushiriki kwa ajili ya utangazaji wa kitabia kati ya miktadha https://leginfo.legislature.ca.gov/faces/codes displaySection.xhtml?lawCode=CIV§ionNum=1798.140 vyote hufanya matumizi ya pili ya data kuwa magumu zaidi. Hili huua handaki nyingi zaidi za AI za ulimwengu halisi kuliko ushindani unavyofanya. - Mtiririko wa kazi hubadilika haraka zaidi kuliko modeli inavyoboreshwa: Katika nyanja za uendeshaji zinazobadilika haraka, data ina nusu-maisha inayopimika. Kama Valavi et al. walivyoonyesha katika utafiti kutoka Harvard Business School https://www.hbs.edu/ris/Publication%20Files/21-016 d5cc4876-c029-4540-8092-16a23778d86f.pdf , hifadhi kubwa ya kihistoria ya data huunda kizuizi cha kuingia ambacho kwa kushangaza ni dhaifu. Mwingiaji aliye na mtiririko mdogo wa data mpya na wa hivi karibuni mara nyingi anaweza kujenga modeli sahihi zaidi kuliko kampuni iliyokaa juu ya miaka mingi ya data ya urithi, hasa wakati data ya zamani inashusha usahihi kwa makusudi. Utafiti mmoja wa informatiki ya kliniki https://pubmed.ncbi.nlm.nih.gov/28495350/ ulionyesha hili moja kwa moja, ambapo nusu-maisha ya data ya ubashiri wa maagizo ya wagonjwa waliolazwa ilikuwa takriban miezi minne, na mwezi mmoja wa data ya hivi karibuni ulizidi miezi kumi na miwili ya data ya zamani. Katika utengenezaji, mgeuko wa vihisi, uchakavu wa zana, uundaji upya wa mchakato, na mabadiliko ya skimu humaanisha modeli zilizofunzwa kwenye data ya kihistoria ya kiwanda zinatoa hoja kuhusu kiwanda ambacho hakipo tena. Hili si la ulimwenguni pote. Michakato inayotawaliwa na fizikia, jedwali za kitakwimu za hatari, data ya kijiolojia, na nyanja nyingine zinazobadilika polepole zinaweza kuifanya data ya zamani ibaki na thamani kwa muda mrefu. Ikiwa mtiririko wa kazi unabadilika haraka kuliko modeli inavyoboreshwa, data yako ya kihistoria inakuwa mzigo uliopitwa na wakati badala ya faida. - Gharama ndiyo kizuizi, na kizuizi ni gharama: Kumiliki mtiririko wa kazi halisi wa ulimwengu ni jambo la mtaji mkubwa, la kazi kubwa, na la faida ndogo kuliko programu safi. Tesla iliripoti jumla ya faida ya jumla ya GAAP karibu asilimia 18 mwaka 2025 https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf licha ya ujumuishaji wa wima. Intuitive Surgical iliripoti msingi uliowekwa wa da Vinci wa mifumo 11,106 na faida ya jumla isiyo ya GAAP ya asilimia 67.6 mwaka 2025 https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/ , baada ya miongo ya mtaji, mafunzo ya madaktari wa upasuaji, na ujazo wa taratibu. Gharama inayowaweka washindani nje pia ndio inayowazuia wengi wa wanaoingia kujenga kitu chenye thamani ya kutetea. Majaribio mengi hushindwa katika uchumi wa kitengo kabla hata mzunguko haujajumlishika. Ni nini hutenganisha mizunguko inayojumlishika kweli na ile inayokuwa handaki za ulinzi bandia: - Data hiyo imefungamana na matokeo, ikimaanisha unajua kama matokeo yalikuwa sahihi au si sahihi badala ya kukusanya ishara tu. - Data hiyo ni yako kikanuni kutumia katika usambazaji wote. - Mtiririko wa kazi ni thabiti vya kutosha kiasi kwamba data ya kihistoria inabaki kuwa muhimu. - Kila utekelezaji huzalisha kwa kweli visa vipya vya makali, si zaidi ya yale yale. - Marudio ni ya juu vya kutosha kwa ujifunzaji kujikusanya kabla mtiririko wa kazi haujabadilika. Nadharia hii ni ya makosa ikiwa yoyote kati ya yafuatayo ni kweli: - Mshindani anaweza kupata data sawia kupitia kukwangua, uzalishaji bandia, ujifunzaji wa uhamishaji, au ununuzi wa mara moja. - Mteja anamiliki data kikanuni na huwezi kuikusanya pamoja katika usambazaji wote. - Mtiririko wa kazi hubadilika haraka zaidi kuliko modeli inavyoboreshwa, hivyo data iliyokusanywa inaelezea mfumo ambao haupo tena. - Thamani ya data hujaa ndani ya utekelezaji wa kwanza wa N, ikimaanisha faida ni thabiti, si inajikusanya. - Gharama ya kumiliki mtiririko wa kazi inazidi thamani ya data inayozalisha. Ikiwa masharti hayo yanatimia, kitanzi hicho si moat. Ni mradi wa uhandisi wa gharama kubwa wenye uongozi wa muda. Kama a16z ilivyodai mwaka 2019 https://a16z.com/the-empty-promise-of-data-moats/ , faida nyingi za data ni athari za kiwango zenye mapato yanayopungua, si athari za mtandao za kichawi. Hilo lilikuwa kweli kabla ya wimbi la sasa la AI. Bado ni kweli sasa. Miundo ya Biashara Iliyojengwa juu ya Moat ya Kisasa Sababu nne zinaeleza moat imeundwa na nini. Swali linalofuata ni aina gani ya modeli ya biashara inaweza kweli kuikamata. Kwa vitendo, jibu linaelekeza mbali na kuuza zana na kuelekea kumiliki mtiririko wa kazi wenyewe. Asili, Siyo Muuzaji Uamuzi mmoja wenye mnolezo mkubwa zaidi katika mfumo mzima ni kukataa nafasi ya muuzaji. Mbinu ya muuzaji inamaanisha kuuza zana kwa shirika ambalo tayari linamiliki mtiririko wa kazi. Inaonekana kuvutia kwa sababu inahitaji mtaji mdogo na inaweza kupanuka kwa nadharia, lakini humkabidhi mteja kila chanzo cha mnolezo. Mwendeshaji hubaki na uhusiano wa mteja, mchakato wa kimwili, data ya uendeshaji, bajeti, dhima, na matokeo ya mwisho. Muuzaji hubaki na tabaka la programu lililo juu ya yote hayo. Kampuni changa inakamata sehemu ndogo ya thamani inayoiumba, mteja hudai miunganisho maalum hadi bidhaa ipotoke kuelekea huduma, mwendeshaji anaweza kuona zana ikifanya kazi kisha akaibadilisha na ujenzi wa ndani ambao sasa ni wa bei nafuu sana kuzalisha, na kwa kuwa mwendeshaji ndiye anamiliki data bora, modeli ya muuzaji haijikusanyi kamwe. Margini hubaki zimewekewa kikomo. Hili ni hatari hasa katika viwanda vya kimwili, ambapo wauzaji wa programu kwa kutegemeka hushuka hadi kuwa washauri waliokuzwa tu. Nafasi yenye nguvu zaidi ni kuwa asili , kumiliki operesheni, uwajibikaji, ithibati, mtiririko wa kazi, au dhima yenyewe. Badala ya kuuza programu kwa yeyote anayetekeleza kazi, kampuni hufanya kazi hiyo au huhakikisha matokeo yake. Hilo hubadili kinyume kila hasara iliyo hapo juu. Kampuni inakamata margini kamili badala ya sehemu ya leseni, inamiliki matokeo ya mteja na hivyo uhusiano, na inamiliki data kwa sababu operesheni zake zenyewe huzalisha data hiyo. Haiwezi kutenganishwa na mwendeshaji kwa sababu ndiyo mwendeshaji, na inajenga utaalamu wa kweli wa uendeshaji badala ya ufahamu wa mkono wa pili. Kanuni hiyo inafupishwa kuwa agizo moja: Usiuze zana. Uuze matokeo yaliyokamilika. Kwa vitendo hili hujitokeza kama uundaji upya wa mara kwa mara wa wazo lolote la muuzaji kuwa toleo lake la asili: | Muundo wa muuzaji | Muundo wa asili | |---|---| | Uza programu ya ukaguzi | Kuwa wakala wa ukaguzi | | Uza programu ya mtiririko wa kazi wa maabara | Miliki mtiririko wa kazi wa upimaji | | Uza dashibodi ya uzingatiaji | Toa uzingatiaji uliothibitishwa | | Uza zana za makadirio | Toa makadirio | | Uza uchanganuzi wa matengenezo ya ubashiri | Zuia muda wa kupungua, au miliki matokeo ya matengenezo | Uamuzi huu ni muhimu kuliko mwingine wowote katika mfumo, kwa sababu unaamua nani anamiliki data, na umiliki wa data huamua kama faida inajikusanya au inaoza. Huduma kama Huduma Nafasi ya asili inaashiria modeli ya utoaji inayofanana tofauti na programu ya kawaida, na inafaa kuiita kwa jina, kwa sababu mwanzoni inaonekana kama biashara duni zaidi kwa yeyote aliyefunzwa kwenye margini za SaaS. Modeli hii ina majina machache yanayotumiwa. YC https://www.ycombinator.com/ , a16z, na wengine wameiita huduma-kama-programu, na nadharia ya AI-enabled rollup ni ndugu wa karibu. Napendelea huduma kama huduma kwa sababu inaweka msisitizo kwa kile mteja anapokea kweli. Mteja hapaswi kulazimika kutumia programu ili kazi ikamilike. Kampuni inapaswa kutumia programu, AI, kazi ya binadamu, maunzi, na operesheni pamoja ili kuwasilisha kazi iliyokamilika. Programu ni mnolezo wa ndani, si bidhaa. Mfuatano ni wa makusudi. Anza kwa kufanya kazi kwa mikono, au na binadamu ndani ya kitanzi. Tumia programu kufanya kazi hiyo ya binadamu iwe ya haraka zaidi, thabiti zaidi, na inayopimika zaidi. Nasa kila ingizo, uamuzi, marekebisho, kisa cha makali, na matokeo. Kisha tumia data iliyokusanywa kugeuza sehemu zaidi na zaidi ya mtiririko wa kazi kuwa otomatiki, ukielekea kwenye mtoa huduma wa kiotomatiki mwenye margini na ulinzi ambao programu ya kawaida haiwezi kufikia. Hii inatofautiana na ushauri kwa njia moja ya maamuzi. Ushauri huuza kazi ya maalum kwa kila mteja milele, na kila ushirikiano huacha nyuma kitu kisichoweza kutumiwa tena. Huduma kama huduma hutumia kwa makusudi kazi ya binadamu ya awali kama chombo cha kujenga mfumo wa otomatiki , na kila ushirikiano huacha nyuma data inayofanya ule unaofuata kuwa wa bei nafuu zaidi. Lakini lazima uwe makini na utazame mtego katika aina hii ya modeli. Ikiwa kila mteja mpya anahitaji miunganisho maalum, usafishaji maalum wa data, ramani maalum ya mtiririko wa kazi, na urekebishaji maalum wa modeli, kampuni ni ushauri ambao bado haujakiri hilo. Awamu ya binadamu ndani ya kitanzi ni sawa, na mara nyingi ni lazima, lakini tu kwa sharti kwamba inazalisha data ya kipekee na kuelekea kwenye otomatiki inayoweza kupanuka. Ikiwa binadamu bado wanafanya kazi ileile kwa gharama ileile kwa kila kitengo baada ya kazi hamsini, modeli imeshindwa. Stargate kwa Data AI inasogea kutoka kizuizi cha compute hadi kizuizi cha data. Kampuni za AI zenye thamani zaidi katika kipindi kijacho hazitakuwa zile zenye data ya jumla zaidi, ambayo ni tele na hivyo hailipi kodi ya matumizi, kwa mantiki hiyo hiyo ya nusu ya kwanza. Zitakuwa zile zinazomiliki data adimu, ya faragha, ya ubora wa juu ya uendeshaji ambayo haiwezi kupatikana kwa njia yoyote isipokuwa kwa kufanya kazi hiyo. Neno Stargate for Data limekopwa kutoka kwa OpenAI’s Stargate https://openai.com/index/announcing-the-stargate-project/ , ujenzi wa compute uliotangazwa wenye thamani ya mamia ya mabilioni ya dola, na ukopaji huo ndio hoja. Ikiwa rasilimali adimu ya mzunguko uliopita ilihalalisha miundombinu iliyopangwa kwa kiwango hicho, basi ile inayofuata inastahili matibabu sawa. Lengo si kukusanya seti ya data. Ni kujenga mashine inayotengeneza data ya kipekee mfululizo kama bidhaa ya pembeni ya kutoa huduma. Tofauti muhimu katika kesi hii ni kwamba lengo si kukusanya data kwa ajili yake yenyewe, jambo ambalo huzalisha mabwawa ya gharama kubwa ya nyenzo zisizoweza kutumika. Lengo ni kumiliki kitanzi cha uendeshaji kinachozalisha data hasa inayohitajika ili kugeuza kitanzi hicho kuwa otomatiki. Kompyuta ya Atomu Sababu nne zinaeleza muundo. Kompyuta ya atomi inaeleza muundo huo ni kwa ajili ya nini , na ni maono ya muda mrefu yanayofanya jitihada hii nzima kustahili kufanywa. Sikuja na wazo hili na nataka kuwa wazi kuhusu hilo mapema. Uundaji huo ni wa Travis Kalanick https://en.wikipedia.org/wiki/Travis Kalanick . Baada ya kusukumwa nje ya Uber https://en.wikipedia.org/wiki/Uber mwaka 2017 alitumia miaka minane akijenga City Storage Systems https://en.wikipedia.org/wiki/CloudKitchens kwa siri, na Machi 2026 alilibadilisha jina kuwa Atoms na kuchapisha barua ya maono https://atoms.co/vision ikiweka kila kitu. Ufafanuzi wake ni kwamba unakaribia matatizo ya ulimwengu wa kimwili kama ambavyo ungekabiliana na matatizo ya programu, na kwamba rasilimali kuu za kompyuta zina vielelezo vya kimwili ambapo CPU ni utengenezaji, uhifadhi ni mali isiyohamishika, na mtandao ni usafirishaji. Katika hafla ya uzinduzi ya a16z https://www.youtube.com/watch?v=r8qKNFeBPXE , Kalanick alifafanua kampuni hiyo kuzunguka AI ya viwandani , akitumia programu, sensa, roboti, na AI kugeuza otomatiki operesheni katika sekta nzima za viwanda, kuanzia chakula, uchimbaji, na usafirishaji. Soma barua yake. Ni bora kuliko muhtasari wangu wake, na baadhi ya hitimisho lake hufika katika sehemu ileile ambayo hati hii hufika kutoka mwelekeo tofauti. Kadiri AI inavyokuwa na uwezo zaidi, kizuizi chake cha kuzuia kinabadilika. Kikomo si tena ubora wa hoja tu. Ni mwingiliano na uhalisia wa kimwili. Modeli inaweza kutoa maandishi, msimbo, picha, na mipango ya ubora wa ajabu na bado ishindwe kufanya kitu chochote kwa kuaminika katika mazingira ya ulimwengu halisi yenye fujo, yasiyo na muundo, na yenye madhara. Kompyuta za kitamaduni ziliipa akili substrate ya kudhibiti biti. Fursa sasa ni kujenga substrate inayolingana kwa atomi, kuunda mifumo inayohisi ulimwengu wa kimwili, kutafsiri hali za ulimwengu halisi zenye fujo, kuamua, kutenda, kuthibitisha matokeo, na kujifunza kutokana na mrejesho, yote chini ya vizuizi halisi vya kimwili, kisheria, na kiuchumi. Kifungu hicho cha mwisho ndicho kigumu, na ndicho kinachofanya hili kuwa fursa ya biashara badala ya mradi wa utafiti. Kufanya kazi chini ya kizuizi cha kisheria na kiuchumi ndicho hasa kisichoweza kunakiliwa, na ndicho hasa kinachozalisha data ya kitanzi kilichofungwa ambacho sababu ya nne inahitaji. Kwa jambo moja Kalanick na mimi tunakubaliana kikamilifu, na yeye analisema vizuri zaidi kuliko nilivyolieleza mimi. Neno lake ni roboti walioajiriwa kwa tija , likimaanisha mashine maalumu zilizo na kazi mahsusi ya uzalishaji, kinyume na binadamu-roboti waliotengenezwa kuiga sisi. Mfano wake ni kwamba ikiwa unahitaji kutengeneza chapati elfu moja kwa saa, binadamu-roboti anayezizungusha kwa shida ni muundo mbaya zaidi unaowezekana na mashine iliyotengenezwa mahsusi kwa kazi hiyo ndio iliyo dhahiri. Kwa hiyo njia sahihi sio kujenga roboti ya matumizi ya jumla. Ni kutafuta kabari nyembamba ambako mzunguko wa kuhisi, kuamua, kutenda unaweza kupelekwa ndani ya mtiririko mmoja halisi wa kazi wenye thamani ya wazi ya kiuchumi ya haraka, na kuufanya mzunguko huo ufanye kazi kuanzia mwanzo hadi mwisho kabla ya kupanuliwa. Kampuni ya muda mfupi inapaswa kuwa nyembamba kiasi cha kuonekana kana kwamba haina tamaa kubwa. Dari la muda mrefu ndilo sababu ya kukubali unyembamba huo. Mfano Uliofanyiwa Kazi Mfumo huu ni wa kufikirika, kwa hiyo inasaidia kupitisha wazo moja ndani yake. Huu ni mfano tu wa vigezo vinavyotumika, si hitimisho moja ambalo mfumo huu unalazimisha. Chukua ukaguzi maalumu wa ujenzi na upimaji wa nyenzo. Toleo la muuzaji huuza programu kwa mashirika na maabara ambazo tayari zinamiliki mtiririko wa kazi. Toleo la mhusika mkuu linakuwa shirika na maabara. Linashikilia ithibati, linafanya ukaguzi, na linabeba wajibu wa kisheria wa udhibiti. Ndani yake, linatumia programu, vifaa, na AI kutoa matokeo yaliyoidhinishwa kwa haraka zaidi, kwa gharama ndogo zaidi, na kwa kuaminika zaidi kuliko waliokuwapo awali. Umbo hilo linafikia vipengele vyote vinne. Ni la kimwili, kwa sababu linahusika na maeneo, sampuli, vyombo, na vipimo vya ulimwengu halisi. Lina vizuizi vya uhusiano na udhibiti, kwa sababu wateja wanahitaji matokeo yanayokubaliwa na mamlaka zenye mamlaka ya kisheria, si dashibodi nzuri zaidi. Linamiliki matokeo, kwa sababu huuza matokeo yaliyoidhinishwa badala ya zana. Na linazalisha data ya kipekee ya utendaji kama zao la kazi hiyo, ikijumuisha matokeo ya majaribio, njia za kushindwa, sifa za nyenzo, masahihisho ya wataalam, na viungo kati ya hali za kimwili na matokeo ya mwisho. Pia linaanza kwa upana mdogo, jambo linalofuata mantiki ya kawaida ya waanzilishi Paul Graham https://paulgraham.com/ds.html na YC https://www.ycombinator.com/ waliyoendelea kusisitiza kwa miaka. Anza na kabari kali, lakini hakikisha kabari hiyo inahusu tatizo kubwa na lenye uchungu. Hakuna haja ya kugeuza ukaguzi wa ujenzi kuwa sekta nzima siku ya kwanza. Kiingilio kinaweza kuwa aina moja ya ukaguzi, jaribio moja la nyenzo, jiografia moja, au mtiririko mmoja wa utiifu wa sheria. Kutoka hapo, programu husawazisha kazi, binadamu huzalisha data ya kwanza, na uotomatiki huongezeka tu pale ambapo mzunguko huo kweli hujikusanya. Hatari ni zile zile ambazo mfumo huu unatabiri. Ratiba za ithibati huzuiapato, shughuli ni nzito kabla ya uotomatiki kukomaa, na mtego wa huduma ni halisi ikiwa kila mradi unaishia kuwa wa kipekee kabisa. Hapo ndipo ulipo umuhimu wa mfumo huu. Haaufanyi biashara iwe rahisi. Unakuambia sehemu ngumu zinapaswa kuwa wapi. Kampuni Ambazo Tayari Zinafanana na Hili Ni rahisi zaidi kuamini mfumo huu ikiwa unaeleza mambo ambayo tayari yapo badala ya mambo ambayo ningependa yawepo tu. Anduril ni nne kati ya nne. Vifaa maalumu katika ndege zisizo na rubani, minara ya vihisi, vizuiaji, na magari ya chini ya bahari. Programu maalumu katika Lattice https://www.anduril.com/news/anduril-s-lattice-a-trusted-dual-use-commercial-and-military-platform-for-public-safety-security , ambayo kila kipande cha vifaa hivyo kinaendeshwa juu yake. Mahusiano na msimamo wa kisheria ambao hakuna wakala wa uandishi wa msimbo anayeweza kuunda, kwa kuwa mteja ni serikali ya Marekani na washirika wake. Data ya kiutendaji kutoka kwa mifumo iliyotumwa ambayo hurudi kwenye programu. Maelezo mawili ni muhimu zaidi kuliko orodha ya bidhaa. Inafadhili utafiti na maendeleo yake yenyewe na hujenga bidhaa kabla ya kuiuza kwenye mstari uliopo wa bajeti, ikigeuza kinyume modeli ya gharama pamoja na faida ambayo makampuni makubwa ya ulinzi ya kawaida hutumia. Anduril ni kampuni binafsi na haitoi takwimu zilizokaguliwa za faida ya jumla, lakini makadirio ya pili yanaweka faida yake ya jumla karibu asilimia 40 hadi 45 https://www.sacra.com/c/anduril/ . Hilo ni la juu isivyo kawaida kwa vifaa vya ulinzi, ambapo makampuni ya anga na ulinzi wastani wao wa faida ya jumla ni takribani asilimia 17.5 https://pages.stern.nyu.edu/~adamodar/New Home Page/datafile/margin.html katika data ya sekta ya NYU Stern. Nambari sahihi ina umuhimu mdogo kuliko muundo. Mtindo uliounganishwa wima, wa bei ya kudumu, uliofafanuliwa na programu unaonekana kupata uchumi bora kuliko ujumuishaji wa jukwaa wa jadi wa gharama pamoja na faida. Intuitive Surgical ni toleo la zamani zaidi na tulivu zaidi la muundo huo huo. Mfumo wa da Vinci https://www.intuitive.com/en-us/products-and-services/da-vinci unachanganya vifaa visivyo na thamani bila programu yake, idhini za FDA https://www.fda.gov/ ambazo mshindani hawezi kurukia njia fupi, miongo miwili ya mahusiano na hospitali, na data ya taratibu kutoka mamilioni ya upasuaji https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf . Unafikia nne kati ya nne, hujikusanya kila mara, na umekuwa ukitekeleza mpango huu tangu idhini yake ya awali mwaka 2000 https://www.intuitive.com/en-us/about-us/company/history , muda mrefu kabla ya mtu yeyote kuuita AI ya kimwili. Kraken Robotics ndiyo ninayoiona kuwa ya kufundisha zaidi, kwa sehemu kwa sababu wachache nje ya teknolojia ya baharini wanaijua. Inatengeneza sonar ya tundu la awali ya usanisi, jukwaa la kuvutwa la KATFISH https://www.krakenrobotics.com/products/katfish/ , betri za chini ya bahari, na LiDAR https://en.wikipedia.org/wiki/Lidar ya chini ya maji. Hakuna vifaa hivyo vyenye manufaa bila programu ya umiliki ya upigaji picha iliyofungashwa karibu navyo. Wateja wake ni pamoja na majini yanayolingana na NATO https://en.wikipedia.org/wiki/NATO . Hiyo ni imani na udhibiti katika kiwango cha juu kabisa, kwa sababu jeshi la majini halitabadilisha wauzaji wa sonar kwa nakala ya bei nafuu. Muhimu zaidi, Kraken haiuzi tu vifaa. Inaendesha tafiti kama huduma, maana yake kila kazi huzalisha taarifa za sakafu ya bahari ambazo hakuna mwingine anazomiliki. Uamuzi huo wa mwisho ndio mfumo mzima kwa ufupi. Kampuni ya vifaa iligundua kuwa data ilikuwa ya thamani zaidi kuliko boksi, na ikahamia kwenye nafasi ya mhusika mkuu ili kuibakiza. SpaceX & Waymo ni miradi safi ya mhusika mkuu. SpaceX haiuzi roketi. Huuza mizigo iliyowasilishwa. Waymo hailicensi programu ya uhuru kwa makampuni ya magari. Huuza safari zilizokamilishwa. Katika hali zote mbili, kampuni ilikataa nafasi ya muuzaji, ikachukua dhima ya kiutendaji, na ikaweka data. Waymo pia hubeba kizuizi cha kisheria ambacho hufika eneo moja la mamlaka kwa wakati mmoja https://tesorb.com/robotaxi-regulatory-map-2026/ . Upanuzi huo ni wa polepole, jambo ambalo hasa ndilo linaloufanya uwe na ulinzi. Carbon Robotics ni kesi muhimu ya sehemu. LaserWeeder https://carbonrobotics.com/laserweeder yake huua magugu kwa kutumia maono ya kompyuta na leza zenye nguvu kubwa. Mnamo Februari 2026, kampuni ilieleza kwamba Large Plant Model yake ilifundishwa kwa zaidi ya mimea milioni 150 iliyowekewa lebo https://www.businesswire.com/news/home/20260202630325/en/ , iliyokusanywa katika takribani mashamba mia moja katika nchi kumi na tano. Huo ndio injini ya data ikifanya kazi kama ilivyoelezwa, ikizalishwa kama zao la kiutendaji badala ya mpango tofauti. Lakini ningetaja pia udhaifu wa mpangilio huu. Carbon huuza vifaa kwa wakulima, ikibaki kuwa muuzaji badala ya mhusika mkuu. Inafanikiwa kwa sababu data bado hurudi kwenye modeli yake kuu, na kufanya nafasi ya muuzaji iweze kuvumilika. Ikiwa wakulima wangeimiliki data ya kundi hilo la vifaa, kizuizi kingetoweka. Nokia ni onyo la kihistoria na pia kesi ya majaribio inayojitokeza. Mwaka 2007, ilidhibiti karibu asilimia 50 ya soko la simu mahiri duniani https://www.bbc.com/news/technology-23947212 ikiwa na vifaa bora zaidi, ukubwa wa utengenezaji, na mnyororo wa usambazaji katika simu za mkononi. Iliendesha vizuri zaidi kuliko yeyote aliye hai katika kipimo kimoja, na ikaanguka kwa sababu ilikosa jukwaa la programu. Nokia ya leo inajaribu mpango huu huo huo wa vipengele vingi ulioelezwa hapa. Kama Michael Sikand https://www.linkedin.com/in/michaelsikand anavyoeleza katika uchambuzi huu wa video https://www.youtube.com/watch?v=1v-yx HVeZU , kampuni ilitumia zaidi ya muongo mmoja ikihama kutoka vifaa vya watumiaji ili kuunganisha silicon ya macho iliyounganishwa wima, mahusiano yaliyokita mizizi na watoa huduma na ulinzi, na kompyuta pembeni iliyowezeshwa na AI. Nokia ya zamani ilithibitisha kwamba vifaa vilivyotengwa ni uongozi wa muda. Naam, Nokia mpya inajaribu kuthibitisha kwamba vifaa vikichanganywa na imani ya taasisi na miundombinu ya programu huunda kizuizi cha kudumu. Hakuna kati ya kampuni hizi linalofanana kwa mtazamo wa nje, lakini zote zinaelekeza kwenye somo lile lile. Biashara zenye kudumu zaidi zilipata kitu cha polepole, kama ithibati, kundi la vihisi lililotumwa, uaminifu wa madaktari wa upasuaji, imani ya majini, idhini ya udhibiti, au muongo wa data ya utendaji. Hakuna hata moja iliyofika hapo kwa kuandika msimbo bora tu, na hakuna hata moja inayoweza kufikiwa na mtu anayefanya hivyo. Unyembamba Ndiyo Sharti la Kuingilia Mereka juga semua memulai dari kecil. Perusahaan yang menang tidak memulai dengan mencoba memiliki seluruh lingkaran, dan mencoba melakukannya adalah kesalahan yang paling umum. Lingkaran itu hanya berlipat ganda jika Anda cukup dalam di satu alur kerja untuk menghasilkan data yang terhubung dengan hasil yang tidak dapat diperoleh pesaing dengan cara lain apa pun. Paparan dangkal terhadap banyak alur kerja menghasilkan data dangkal yang cepat jenuh. Pola itu berlaku di seluruh operator di atas dan melampaui mereka. Anduril dimulai dengan perlindungan pasukan dan sistem anti-drone sebelum meningkatkan produksi dan kapabilitas yang berdekatan. Intuitive Surgical dimulai dengan prosedur laparoskopi tertentu dan membangun pelatihan ahli bedah serta volume prosedur selama beberapa dekade sebelum berkembang lintas spesialisasi. SpaceX dimulai dengan satu kendaraan peluncur yang dapat digunakan kembali sebelum berkembang ke Starlink https://en.wikipedia.org/wiki/Starlink . Tesla https://en.wikipedia.org/wiki/Tesla, Inc. dimulai dengan irisan EV premium yang sempit Roadster https://en.wikipedia.org/wiki/Tesla Roadster first generation mobil sport dan menggunakan armada untuk data serta pembelajaran manufaktur sebelum bergerak ke model volume, energi, dan otonomi. Palantir https://en.wikipedia.org/wiki/Palantir dimulai dengan alur kerja intelijen tertentu untuk lembaga tertentu sebelum berkembang ke komersial. Dalam setiap kasus, masuknya yang sempit bukanlah kompromi. Itu adalah mekanisme yang membuat lingkaran menjadi berlipat ganda. Titik masuknya sengaja dibuat sempit. Satu alur kerja, satu jenis pelanggan, satu aliran data yang sulit direplikasi. Anda membangun lingkaran di sekitar alur kerja itu sampai data berlipat ganda dan hubungan menjadi semakin dalam, lalu Anda berkembang ke alur kerja yang berdekatan di mana data yang sama, hubungan yang sama, dan disiplin operasional yang sama memberi Anda keunggulan yang tidak dapat ditandingi oleh pendatang baru. Memulai secara luas adalah bagaimana Anda berakhir dengan tumpukan data yang tidak berlipat ganda. Seorang pesaing yang memulai hari ini tidak sedang mengejar keunggulan yang tetap. Mereka mengejar keunggulan yang memanjang setiap kali sebuah pekerjaan selesai, tetapi hanya jika pekerjaannya cukup sempit, cukup dalam, dan cukup berulang sehingga data itu benar-benar berarti. Kesimpulan Paruh pertama dokumen ini menetapkan sebuah hukum umum. Setiap moat yang hanya terdiri dari kesulitan membuat suatu benda bersifat sementara, dan bertahan tepat sampai seseorang membuat benda itu mudah dibuat. Aglomerasi industri Tiongkok melakukan ini pada perangkat keras dengan meruntuhkan biaya transaksi dan latensi iterasi di dalam klaster yang sangat padat. AI generatif melakukan ini pada perangkat lunak dengan meruntuhkan biaya input langkanya. Perangkat keras runtuh lebih dulu dan perangkat lunak menyusul kemudian, tetapi bagi pendiri yang membangun hari ini, tidak satu pun perlindungan itu dapat diandalkan. Paruh kedua mengubah hukum itu menjadi jawaban. Jika kesulitan produksi tidak lagi melindungi apa pun, maka daya lindung harus disusun dari friksi yang tidak dapat dijangkau oleh keruntuhan produksi. Itu termasuk akses fisik, data operasional loop tertutup, posisi regulatori, kepercayaan yang diperoleh, dan kepemilikan atas hasil itu sendiri. Itulah mengapa empat faktor meminta tiga dari empat alih-alih satu, mengapa posisi prinsipal lebih penting daripada keputusan tunggal lainnya, dan mengapa data harus menjadi produk sampingan operasional alih-alih aset yang dikumpulkan. Itu memadat menjadi satu kalimat inti. Di era AI, perusahaan terbaik bukanlah alat perangkat lunak generik atau produk perangkat keras yang dapat disalin. Mereka akan menjadi bisnis prinsipal yang sempit, berorientasi pada hasilyang menggabungkan perangkat lunak, alur kerja fisik, hubungan tepercaya, dan data operasional milik sendiri untuk mengotomatisasi pekerjaan dunia nyata bernilai tinggi. Bagi seorang pendiri, pertanyaannya bukan lagi “perangkat lunak apa yang bisa saya bangun?” melainkan hasil dunia nyata yang bernilai apa yang bisa saya miliki, lakukan, ukur, dan otomatiskan? Peluang terkuat berada di tempat perangkat lunak bertemu atom, kepercayaan, regulasi, dan data milik sendiri. Mereka dimulai dengan satu alur kerja yang sempit dan menyakitkan, menggunakan manusia bila perlu. Mereka menangkap data operasional sebagai produk sampingan dari pekerjaan, mengotomatisasi langkah demi langkah, dan berlipat ganda menjadi sistem yang sulit digantikan. Keunggulan itu tahan lama justru karena diperoleh melalui operasi fisik alih-alih ditulis dalam kode. Tujuan akhirnya bukan membangun produk. Tujuannya adalah membangun perusahaan operasi dengan skalabilitas seperti perangkat lunak, daya lindung dunia fisik, dan data milik sendiri yang menjadi lebih baik dengan setiap pekerjaan yang diselesaikan. Segala sesuatu yang dulu menjadi moat karena sulit dibangun sedang menjadi komoditas. Membangun sesuatu kini lebih mudah daripada sebelumnya, dan seiring kemajuan AI dan rantai pasok global, itu hanya akan menjadi semakin mudah. Yang tetap defensif adalah apa yang sulit diakses, sulit untuk mendapatkan kepercayaan ke dalamnya, sulit untuk masuk melalui regulasi, dan sulit untuk diamati tanpa melakukan pekerjaan nyata. Kutipan & Sumber Saya ingin menjelaskan dengan tegas dari mana bagian-bagian yang dipinjam berasal, karena banyak dari dokumen ini adalah saya menghubungkan karya orang lain daripada menemukan sesuatu yang baru. Hal-hal yang benar-benar akan saya klaim sebagai milik saya adalah aturan empat faktor, standar tiga dari empat, dan argumen spesifik bahwa dua keruntuhan itu berbagi mekanisme dasar yang sama meskipun terjadi secara berurutan. Angka-angka bergerak, jadi periksalah sebelum mengutip saya. Milik saya, dari tulisan sebelumnya Barbel Nilai Perangkat Lunak https://mehmetmhy.com/posts/barbell theory/ 2025 , tempat saya pertama kali menguraikan tengah yang runtuh dan Teori Leverage Perangkat Lunak Internal. Paruh kedua di sini adalah versi operasional dari tulisan itu. Komputer atom - Travis Kalanick, Visi https://atoms.co/vision , Urusan yang Belum Selesai https://atoms.co/unfinished-business , dan Bagaimana AI Akan Mengubah Dunia Fisik https://www.youtube.com/watch?v=r8qKNFeBPXE , Atoms dan a16z, 2026. Pembingkaian komputer berbasis atom, pemetaan CPU/penyimpanan/jaringan ke manufaktur/real estat/transportasi, lingkaran memahami-memprediksi-mengendalikan, AI industri, dan robot yang dipekerjakan secara menguntungkan semuanya adalah miliknya. Bagian itu adalah ringkasan saya atas idenya, bukan ide saya. - Ben Horowitz dan Alex Danco, Travis Kembali https://a16z.com/travis-is-back/ , a16z, 2026. Ekonomi - Atlassian, hasil Q2 FY2025 https://www.businesswire.com/news/home/20250130093810/en , untuk margin kotor SaaS horizontal yang matang di kisaran delapan puluhan persen rendah. - Snowflake, hasil FY2025 https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2025/ , untuk contoh tandingan bahwa perangkat lunak yang sangat bergantung pada konsumsi dapat berjalan jauh di bawah margin kotor SaaS klasik. - Michael Porter, lima kekuatan https://en.wikipedia.org/wiki/Porter%27s five forces analysis , 1979, untuk taksonomi sumber sewa dalam Bagian Satu. - David Teece, , 1986, untuk masalah appropriability di Bagian Tiga. Mendapatkan Keuntungan dari Inovasi Teknologis - Alfred Marshall, Prinsip-prinsip Ekonomi , 1890, untuk ekonomi eksternal dan aglomerasi https://en.wikipedia.org/wiki/Economies of agglomeration di Bagian Lima. - Ronald Coase, , 1937, untuk biaya transaksi di Bagian Lima. Sifat Firma - Theodore Wright, 1936, dan Boston Consulting Group, untuk kurva pengalaman https://en.wikipedia.org/wiki/Experience curve effects di Bagian Lima. - Stan Shih, kurva tersenyum https://en.wikipedia.org/wiki/Smiling curve , sekitar 1992. Diagram aslinya https://commons.wikimedia.org/wiki/File:Smiling Curve.svg ada di Wikimedia Commons, dan Penerbit dan Kurva Tersenyum https://stratechery.com/2014/publishers-smiling-curve/ karya Ben Thompson adalah perluasan terbaik darinya yang pernah saya baca. - Gary Pisano dan Willy Shih, Memulihkan Daya Saing Amerika https://hbr.org/2009/07/restoring-american-competitiveness , Harvard Business Review, 2009, untuk industrial commons dan mengapa reshoring itu sulit. - Andrew “bunnie” Huang, The Hardware Hacker https://someplace-else.neocities.org/books/The%20Hardware%20Hacker.pdf , untuk catatan langsung tentang seperti apa rasanya bekerja di dalam kepadatan Shenzhen yang sebenarnya. - WTO, Aksesi: Tiongkok https://www.wto.org/english/thewto e/acc e/a1 chine e.htm , untuk latar belakang integrasi Tiongkok ke dalam sistem perdagangan global. - World Bank, nilai tambah manufaktur https://data.worldbank.org/indicator/NV.IND.MANF.CD?locations=CN-US , untuk latar belakang skala manufaktur Tiongkok relatif terhadap Amerika Serikat. Mekanika startup - Paul Graham, Lakukan Hal-hal yang Tidak Skala https://paulgraham.com/ds.html dan Cara Mendapatkan Ide Startup https://paulgraham.com/startupideas.html , untuk irisan yang sempit. - Tesla, Rencana Induk Rahasia Tesla Motors https://www.tesla.com/blog/secret-tesla-motors-master-plan-just-between-you-and-me , 2006, untuk logika irisan Roadster ke mobil terjangkau. - Palantir, pernyataan pendaftaran S-1 https://www.sec.gov/Archives/edgar/data/1321655/000119312520230013/d904406ds1.htm , 2020, untuk pola ekspansi dari pemerintah ke komersial. - Sejarah perusahaan SpaceX dan pengungkapan Starlink, melalui SpaceX https://www.spacex.com/ dan Starlink https://www.starlink.com/ , untuk peluncuran sebagai irisan awal sebelum infrastruktur ruang angkasa yang lebih luas. Pengodean AI dan produksi perangkat lunak - GitHub, Kuanzisha GitHub Copilot https://github.blog/news-insights/product-news/introducing-github-copilot-ai-pair-programmer/ , 2021, na upatikanaji wa jumla wa GitHub Copilot https://github.blog/news-insights/product-news/github-copilot-is-generally-available-to-all-developers/ , 2022, kwa mwanzo wa vitendo wa msaada wa kibiashara wa upangaji programu kwa AI. - OpenAI, Ripoti ya Kiufundi ya GPT-4 https://arxiv.org/abs/2303.08774 , 2023, na Anthropic, Claude 3.5 Sonnet https://www.anthropic.com/news/claude-3-5-sonnet , 2024, kwa muktadha wa kasi ya uwezo wa modeli. - Peng na wenzake, Athari za AI juu ya Uzalishaji wa Wasanidi Programu https://arxiv.org/abs/2302.06590 , 2023, kwa matokeo yaliyodhibitiwa ya GitHub Copilot ambapo wasanidi programu walikamilisha kazi iliyofungiwa ya upangaji programu asilimia 55.8 kwa kasi zaidi. - Cui na wenzake, Athari za AI ya Kuzalisha juu ya Kazi za Wenye Ujuzi wa Juu https://mit-genai.pubpub.org/pub/v5iixksv , 2025, kwa matokeo ya utafiti wa uwanjani katika wasanidi programu 4,867 yakionyesha kazi zilizokamilishwa zaidi kwa asilimia 26.08. - METR, Kupima Athari za AI ya Mwanzoni mwa 2025 juu ya Uzalishaji wa Wasanidi Programu Wenye Uzoefu wa Vyanzo Wazi https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ , 2025, kwa mfano kinzani ambapo wasanidi programu wenye uzoefu walikuwa asilimia 19 polepole zaidi na zana za AI katika hazina zilizokomaa. 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/ , na OpenCode https://opencode.ai/docs/cli/ , kwa mabadiliko kutoka kukamilisha kiotomatiki hadi ufikiaji wa mawakala kwa hazina na terminal. Conductor https://www.conductor.build/ , Superset https://superset.sh/ , na Hermes Agent https://hermes-agent.nousresearch.com/ , kwa tabaka la uratibu juu ya zana za upangaji programu za wakala mmoja. Njia za kushindwa za moat ya data - Sun na wenzake, Kuchunguza Tena Ufanisi Usio wa Kawaida wa Data katika Enzi ya Deep Learning https://openaccess.thecvf.com/content ICCV 2017/papers/Sun Revisiting Unreasonable Effectiveness ICCV 2017 paper.pdf , ICCV 2017, kwa ugunduzi wa kimajaribio kwamba utendaji wa kazi za maono huimarika kwa kiwango cha logaritimu kadri kiasi cha data ya mafunzo kinavyoongezeka. - Martin Casado na Peter Lauten, Ahadi Tupu ya Moats za Data https://a16z.com/the-empty-promise-of-data-moats/ , a16z, 2019, kwa hoja kwamba athari za kiwango cha data kawaida huchakaa badala ya kujilimbikiza. - Valavi na wenzake, Wakati na Thamani ya Data https://www.hbs.edu/ris/Publication%20Files/21-016 d5cc4876-c029-4540-8092-16a23778d86f.pdf , Karatasi ya Kazi ya Harvard Business School 21-016, 2021, kwa utofauti kati ya hifadhi ya data na mtiririko wa data, na ugunduzi kwamba data iliyochakaa inaweza kudhuru usahihi wa modeli. - Chen na wenzake, Kupungua kwa umuhimu wa data ya kliniki kuelekea maamuzi ya baadaye katika seti za maagizo ya kliniki za wagonjwa wa ndani zinazoendeshwa na data https://pubmed.ncbi.nlm.nih.gov/28495350/ , International Journal of Medical Informatics, 2017, kwa nusu-uhai ya takriban miezi minne ya data ya utabiri wa kliniki. - OpenAI Faragha ya Biashara https://openai.com/enterprise-privacy/ , Anthropic Masharti ya Kibiashara https://www.anthropic.com/legal/commercial-terms , Microsoft Azure OpenAI faragha ya data https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/openai/data-privacy , AWS Bedrock Maswali Yanayoulizwa Mara kwa Mara https://aws.amazon.com/bedrock/faqs/ , na Google Vertex AI utawala wa data https://cloud.google.com/vertex-ai/generative-ai/docs/data-governance , kwa ahadi chaguomsingi za kutofunza kwenye ingizo na matokeo ya wateja wa biashara. - Bodi ya Ulinzi wa Data ya Ulaya, Maoni 28/2024 kuhusu modeli za AI https://www.edpb.europa.eu/system/files/2024-12/edpb opinion 202428 ai-models en.pdf , Kifungu cha 5 na Kifungu cha 17 cha GDPR https://eur-lex.europa.eu/eli/reg/2016/679/2016-05-04/eng , kanuni za kutotambua utambulisho za HIPAA https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html , na kanuni za CCPA/CPRA https://leginfo.legislature.ca.gov/faces/codes displaySection.xhtml?lawCode=CIV§ionNum=1798.140 , kwa vizuizi vya sheria za faragha juu ya matumizi ya sekondari ya data, kufuta, kutotambua utambulisho, na kushiriki. - Lathrop GPM, Kusimamia Umiliki wa AI katika Makubaliano ya Leseni za Kibiashara na IP https://www.lathropgpm.com/insights/navigating-ai-ownership-in-commercial-and-ip-license-agreements-key-considerations-for-tech-providers-and-customers/ , 2026, kwa mvutano wa kimkataba kati ya ahadi za kutofunza na haki zilizobaki za matumizi ya jumla au zisizotambulisha utambulisho. Picha - Mkusanyiko wa tabasamu wa Stan Shih, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Smiling Curve.svg , CC BY-SA. - Huaqiangbei katika makutano ya Shennan, picha na Charlie fong, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Huaqiangbei%26Shennan Cross2021.jpg , CC BY-SA. - Die ya kufinyanga kwa kudunga, picha na Wizard191, Wikimedia Commons https://commons.wikimedia.org/wiki/File:Injection molding die side A.JPG , CC BY-SA 3.0. - Bei za moduli za sola PV dhidi ya uwezo uliosakinishwa kwa jumla, Dunia Yetu katika Data https://ourworldindata.org/grapher/solar-pv-prices-vs-cumulative-capacity , CC BY 4.0. Chati ilitengenezwa upya kwa ndani kutoka kwenye seti ya data iliyochapishwa. Mifano ya kampuni - Makadirio ya ukingo wa faida ya Anduril kupitia Sacra https://www.sacra.com/c/anduril/ . Anduril ni ya binafsi na haichapishi ukingo uliokaguliwa wa hesabu, kwa hiyo hili linachukuliwa kama makadirio badala ya takwimu iliyoripotiwa. Kigezo cha sekta kwa ukingo wa faida ya jumla wa anga na ulinzi takriban asilimia 17.5 kimetolewa kutoka kwenye seti ya data ya ukingo ya NYU Stern ya Aswath Damodaran https://pages.stern.nyu.edu/~adamodar/New Home Page/datafile/margin.html . - Muktadha wa Alphabet na Google kupitia Fomu 10-K ya FY2025 ya Alphabet https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm , ikiambatana na United States v. Google LLC https://www.justice.gov/atr/case/us-and-plaintiff-states-v-google-llc kwa mikataba ya usambazaji wa chaguomsingi wa utafutaji, faida za kiwango cha utafutaji, na muktadha wa kutokuaminiana. - Modeli Kubwa ya Mimea ya Carbon Robotics na mimea milioni 150 iliyowekewa lebo kupitia tangazo la kampuni la Business Wire la Februari 2026 https://www.businesswire.com/news/home/20260202630325/en/ , pamoja na TechCrunch https://techcrunch.com/2026/02/02/carbon-robotics-built-an-ai-model-that-detects-and-identifies-plants/ kama uthibitisho. - Historia ya Intuitive Surgical na idhini ya FDA ya 2000 kupitia Historia ya Kampuni ya Intuitive https://www.intuitive.com/en-us/about-us/company/history . Kiasi cha taratibu kupitia Ripoti ya Athari ya Kampuni ya Intuitive ya 2025 https://www.intuitive.com/en-us/-/media/ISI/Intuitive/Pdf/2025-Intuitive-Corporate-Impact-Report.pdf , na msingi uliosakinishwa / takwimu za ukingo kupitia tangazo lake la mapato la Q4 2025 https://isrg.intuitive.com/news-releases/news-release-details/intuitive-announces-fourth-quarter-earnings-5/ . - Takwimu za ukingo za Tesla kupitia sasisho lake la Q4 na FY2025 https://assets-ir.tesla.com/tesla-contents/IR/TSLA-Q4-2025-Update.pdf . - Muundo wa upanuzi wa udhibiti wa Waymo kupitia Ramani ya Udhibiti ya Robotaxi ya 2026 ya Tesorb https://tesorb.com/robotaxi-regulatory-map-2026/ na ujumbe wa Electrek kuhusu uidhinishaji wa upanuzi wa CPUC https://electrek.co/2026/08/14/waymo-cpuc-approval-california-expansion-18-counties/ . - Kilele cha Nokia cha 2007 na ratiba ya kushuka kupitia BBC News https://www.bbc.com/news/technology-23947212 na Wikipedia https://en.wikipedia.org/wiki/The Decline and Fall of Nokia , pamoja na utafiti wa Administrative Science Quarterly / INSEAD wa Vuori na Huy https://journals.sagepub.com/doi/10.1177/0001839215606951 kwa mienendo ya shirika iliyo nyuma ya kuporomoka, na mchanganuo wa video wa Michael Sikand https://www.linkedin.com/in/michaelsikand video breakdown https://www.youtube.com/watch?v=1v-yx HVeZU kwa mabadiliko yake ya kisasa ya miundombinu. - Maelezo ya OpenAI Stargate kupitia tangazo la asili la OpenAI https://openai.com/index/announcing-the-stargate-project/ na tangazo la upanuzi wa tovuti https://openai.com/index/five-new-stargate-sites/ . Haya ni ahadi na mipango iliyotangazwa, si uwezo uliotumwa kikamilifu. - Kraken Robotics imetolewa kutoka ufichuzi wa bidhaa na mikataba ya kampuni yenyewe https://www.krakenrobotics.com/ . Insha hii ilitungwa na kuandikwa na mimi. Nilitumia ChatGPT, Claude, Grok, Manus AI, na OpenCode kusaidia katika utafiti wa usuli, kusafisha uandishi, na muundo. Picha ya onyesho la awali na mchoro wa barbell mwanzoni zilitengenezwa na AI kisha zikahaririwa kwa mkono. Picha nyingine zote nilizipata mwenyewe, na nilithibitisha kwa kujitegemea kila chanzo na kila ukweli. Ninabeba jukumu kamili kwa maandishi ya mwisho. Ufichuzi: