Как проверить, что заявленный ров будет расти со временем
Ров (economic moat) — устойчивое конкурентное преимущество, которое мешает конкуренту отнять у бизнеса прибыль. Термин Уоррена Баффета: замок ценен настолько, насколько глубок ров вокруг него.
Алексей Кулаков — проектирую цифровые продукты и человеческое взаимодействие с 1992 года: через игры и интерфейсы.
«Самое ценное, что есть у людей, — диалог».
Читать и на связи: Канал «Хороший вопрос» · LinkedIn · Facebook
Ров важен не всем. Сначала проверьте, нужен ли он вам.
Итог: лаборатория — для тех, кто хочет масштабируемый техно-бизнес на чужие деньги. Не «для стартапов вообще» и не для локального или дотационного бизнеса, который этого не хочет.
Что проверяем. Можно построить модель конкурентной защиты с хорошей предсказательной силой: по ранним признакам на старте предсказать, что со временем защита бизнеса будет расти, а не размываться.
Типология ниже — кандидат в такую модель: 14 типов рвов, для каждого набор ранних сигналов и стартовых допущений. Лаборатория проверяет, предсказывают ли они реальный рост защиты.
Модель собрана не из мнений, а по проверяемой процедуре «сначала пойми, кто изучает проблему, — только потом ищи».
Наблюдаемый исход vs прогноз — различение всей работы. «Компания X растёт» — исход. «Этот ров будет держаться» — прогноз. Смешивать их — главная ошибка анализа рвов.
Семь областей, каждая со своим определением «что считать доказательством»:
| Кластер | Тип | Кто именно | Как изучает ров (что считает доказательством) |
|---|---|---|---|
| Стратегия фирмы | Наука | Porter, Barney (RBV), Teece, Rumelt | Теория ренты + эмпирика устойчивости прибыли; доказательство = peer-review, длинные ряды |
| Экономика / IO | Наука | Katz–Shapiro, Rochet–Tirole, Armstrong | Формальные модели рынков; доказательство = модель + эконометрика |
| Инвест-канон | Практика | Helmer «7 Powers», Buffett, Morningstar | Классификация + рейтинг устойчивости прибыли (ROIC); доказательство = персистентность доходности |
| Венчур (defensibility) | Индустрия | a16z, NFX, Sequoia, Tunguz, Gil | Эссе + портфельные паттерны; доказательство = кейс (часто = мнение) |
| Innovation stack | Индустрия | Jim McKelvey (Square) | Нарратив взаимоусиливающихся слоёв; доказательство = один разобранный кейс |
| Дистрибуция / агрегация | Индустрия | Ben Thompson (Stratechery) | Аналитика платформ и каналов; доказательство = структурный разбор |
| AI-эра (фронтир) | Индустрия | a16z, Sequoia, Stratechery, Gil, NFX | Свежие эссе 2024–2026 + отчёты о коммодитизации; доказательство = наблюдаемый рынок vs прогноз |
RBV (resource-based view) — взгляд, что преимущество даёт владение ценным-редким-неповторимым ресурсом. IO (industrial organization) — раздел экономики про структуру рынков и барьеры входа.
Каждый ров описан по единой рамке из 8 полей. Вводим термины:
Lagging vs leading indicators — запаздывающие показатели подтверждают результат постфактум (выручка, отток); опережающие предсказывают его заранее (глубина интеграции, ликвидность сети).
NRR (Net Revenue Retention) — удержание выручки по когорте клиентов за год: сколько платят те же аккаунты спустя год. >100% значит, что существующая база растёт даже без новых продаж; >120% — сильный признак глубокого рва.
Три группы метрик образуют предсказательную цепочку — это и есть гипотеза, проверяемая на лаборатории:
Тест предсказательной силы: взять бизнесы, где допущения выполнены и ранние метрики росли, — и проверить, выросла ли у них защита (целевые метрики) спустя время. Прогноз совпал с исходом → модель предсказательна.
| # | Ров | Механизм | 3 примера | Как работал раньше | Сдвиг за 2 года из-за ИИ | ★ / метка |
|---|---|---|---|---|---|---|
| 1 | Switching Costs · Издержки переключения | Клиенту дорого/больно уходить: данные, обучение, интеграции заперты | SAP ERP · Salesforce · зарплатный проект банка | Лок через данные + интеграции + переобучение, менялся годами | ↓ на уровне модели (агенты сами мигрируют, Cursor/Copilot свопают модели) · ↑ на уровне workflow | ★★ · ослабление наблюдаемо / усиление прогноз |
| 2 | Network Economies · Сетевой эффект | Ценность растёт с числом юзеров; лидер по базе недосягаем | Сеть: eBay, WhatsApp · Мнимая «сеть»: Midjourney, Character.ai | Winner-take-all при single-homing | = / скорее слабее: у AI-продуктов «сети» почти нет, это масштаб или бренд | ★★ в среднем, ★★★ только при настоящем single-homing · скепсис подтверждён данными |
| 3 | Scale Economies · Экономия масштаба | Постоянные издержки на больший объём → ниже удельная себестоимость | TSMC · дата-центры · логистика Amazon | Барьер в hardware/infra/логистике | ↑ на фронтире (тренировка моделей = огромный fixed cost) · ↓ на прикладном слое (инференс −10x/год) | ★★★ фронтир / ★ аппликуха · наблюдаемо |
| 4 | Cornered Resource · Эксклюзивный ресурс | Эксклюзивный доступ к дефицитному активу на выгодных условиях | Патент на лекарство · лицензия на спектр · эксклюзив на датасет | IP, лицензии, редкие месторождения | ↓ на модели (open-weight, DeepSeek −$589B у Nvidia 27.01.2025) · ↑ на компьют+капитал+preference-данные | ★★★ · эрозия и новый фронтир — оба наблюдаемо |
| 5 | Counter-Positioning · Контрпозиционирование | Новая бизнес-модель, копирование которой каннибализирует прибыль инкумбента | Vanguard vs активные фонды · Netflix vs Blockbuster · Dollar Shave Club | Единственный ров против сильного инкумбента | ↑ окно: AI-native (usage-based, «агент вместо seat») бьёт per-seat SaaS (Perplexity vs реклама Google) | ★★★ механизм / прогноз реализации |
| 6 | Process Power · Процессная сила | Встроенные в оргструктуру процессы, воспроизводимые только долгим накоплением | Toyota Production System · yield TSMC · reuse SpaceX | Операционное превосходство, копируется годами | = / медленно: ИИ ускоряет копию софта, но не оргпрактику; смещается в data+ops-петлю | ★★ · прогноз |
| 7 | Branding · Бренд | Доверие → премия без функционального отличия | Apple · «no one got fired for buying IBM» · ChatGPT как generic | Зреет 4–11 лет, платят «вслепую» | ↑ на consumer, но двойственно: 51% B2B стартуют ресёрч в AI-чате (G2, 03.2026); контр-тренд — доверие к AI-first 20%→39%, полезность 82%→54% (Fractl, Q2 2026) | ★★ · сдвиг канала наблюдаемо / «trust=moat» прогноз |
| # | Ров | Механизм | 3 примера | Как работал раньше | Сдвиг за 2 года из-за ИИ | ★ / метка |
|---|---|---|---|---|---|---|
| 8 | Distribution / Channel · Дистрибуция | Дефолт-канал, эмбеддинг, своя аудитория: доступ к клиенту дешевле | Microsoft встраивает Copilot · дефолты Apple · банк продаёт страховки | Не ров сам по себе, а способ выхода | ↑ для инкумбентов, избирательно: убивает тонкие обёртки, но проницаема (Cursor обошёл Copilot → $2B ARR) | ★★ · нарратив сильный / «убийств» мало (Jasper) |
| 9 | Data Feedback Loop · Петля данных | Использование даёт проприетарные данные → продукт лучше → больше юзеров → больше данных | Tesla FSD · клики в поиске · RLHF preference-данные | «Data moat» как маркетинг; академия: убывающая отдача | Расщепление: generic-данные мертвы (синтетика) · closed-loop/preference подорожали (Meta $14.3B за Scale) | ★★ · «generic мёртв» наблюдаемо / «feedback=ров» продан, не доказан |
| 10 | Innovation Stack · Инновационный стек | Серия взаимозацепленных изобретений; копия одного слоя ломает совместимость | Square (14 инноваций) · IKEA · Amazon | Прочнее одиночного рва, но выживший-байес | ↓ для софт-стеков (ИИ копирует слой за часы); прочны только слои, упёртые во время/физику (John Deere) | ★★ · прогноз + кейсы |
| 11 | Integration Depth · Глубина интеграции (new) | Permissions-aware данные + врастание как система-записи; дорого вырвать | Glean ($7.2B) · Harvey (legal) · Sierra | Раньше — обычные enterprise-интеграции | ↑ реальный ров: permissioned knowledge graph, годы на копию; наблюдаемый ARR | ★★★ (conditional) · наблюдаемо (ARR/retention) |
| 12 | Compute & Energy · Доступ к вычислениям и энергии (new) | Контроль дефицитного физического входа: чипы → грид → энергия | Stargate ($500B) · Google TPU · PPA гиперскейлеров | Частично scale economies | ↑ для инкумбентов: чипы коммодитизируются, но грид (очереди ~2290 ГВт, ожидание ~4.5 года) и энергия — прочный ров | ★★★ гиперскейлеры / ★ технологически · узкое место наблюдаемо (LBNL/IEA) |
| 13 | Workflow / Agentic Lock-in · Врастание в процесс (new) | Продукт = ОС для конкретной работы; лок в правах, регламенте, аудите | Cursor (harness) · Harvey/Sierra (system-of-record) · «clearinghouses» | Switching costs, мигрировавший в эпоху ИИ | ↑ потенциал / пока temporary lead: сырой контекст портируем (MCP), но права/governance — дорого | ★★ · прогноз VC (нет churn-данных) |
| 14 | Regulatory / Compliance · Регуляторный ров (new) | Фиксированные издержки соответствия/лицензии режут малых сильнее | EU AI Act (€50–500K/система) · финлицензии · GDPR (малые IT −12.5% vs крупные −7.9%) | Классический барьер в банках, фарме | ↑ риск, но «умышленный захват» спорен: лоббизм (a16z $3.53M, 2025); критики заинтересованы | ★★ · барьер наблюдаемо / «захват» спорно |
| # | Ров | Целевые метрики (ров построен) | Ранние метрики (ров будет построен) | Стартовые допущения (must-be-true) |
|---|---|---|---|---|
| 1 | Switching Costs | NRR >120%, gross churn <5%/год, доля многолетних контрактов, оценка стоимости миграции ($/недели) | Рост числа интеграций на аккаунт, доля процессов в продукте, накопленные данные/юзер | Продукт = система-записи · миграция объективно дорогая · встроен в критичный процесс · нет дешёвого экспорта |
| 2 | Network Economies | Доля single-homing юзеров, виральный k>1, ликвидность (time-to-match ↓), доля матчей внутри | Падение time-to-match с ростом базы, доля повторных взаимодействий, органический приток | Ценность растёт от чужих юзеров (не от объёма данных) · ключевая сторона single-home'ит · есть чем её запереть |
| 3 | Scale Economies | Удельная себестоимость vs конкурент, gross margin при масштабе, выручка/GPU-час | Кривая падения удельных издержек с объёмом, загрузка мощностей, объём растёт быстрее издержек | Fixed costs высоки и неделимы · объём → удельная экономия · спрос наполнит масштаб · нет oversupply-цикла |
| 4 | Cornered Resource | Срок юр. эксклюзивности, доля дефицитного входа, стоимость воспроизведения конкурентом | Заключённые эксклюзивы/лицензии, законтрактованные мощности/данные, найм ключевых людей | Ресурс реально дефицитен и невоспроизводим · доступ закреплён контрактом/патентом · присвоен ниже создаваемой ценности |
| 5 | Counter-Positioning | Gap маржинальности инкумбента, отвоёванная доля без ответа, время «молчания» инкумбента | Инкумбент отрицает/высмеивает модель, переток клиентов, у инкумбента нет зеркального продукта | У инкумбента есть прибыль, которую копия разрушит · модель компании структурно иная · инкумбент не может «отвязать» новое от старого |
| 6 | Process Power | Устойчивый разрыв в операционной метрике (yield, цикл, дефекты) годами | Год-к-году операционная метрика опережает конкурентов, накопление tacit-знания и инструментов | Преимущество в процессе, а не в патенте · требует времени накопления · не копируется наймом одного человека |
| 7 | Branding | Ценовая премия vs дженерик, доля прямого/брендового трафика, share в AI-выдаче | Рост прямого/брендового поиска, NPS/доверие, цитируемость в AI-ответах | Категория, где доверие важно (риск/деньги) · отличие трудно проверить объективно · есть повторная покупка |
| # | Ров | Целевые метрики (ров построен) | Ранние метрики (ров будет построен) | Стартовые допущения (must-be-true) |
|---|---|---|---|---|
| 8 | Distribution | CAC vs конкурент, доля клиентов через свой/дефолт-канал, attach-rate к базе | Доступ к установленной базе, конверсия дефолт-размещения, CAC падает с ростом | У компании есть канал/база, которых нет у конкурента · продукт встраивается без переизобретения UX · не копируется виджетом за месяц |
| 9 | Data Feedback Loop | Прирост качества на удвоение данных (не плато), доля непокупаемых данных, real-time обновление | Объём проприетарных интеракций/нед, темп улучшения от использования, эксклюзивность источника | Данные within-user/feedback, не generic · +данные измеримо лучше продукт (тест «10x → заметно?») · источник не купить · loop самообновляется |
| 10 | Innovation Stack | Число взаимозависимых слоёв, доля слоёв «время/физика» vs софт, стоимость сборки всего стека | Каждый новый слой рождён предыдущей проблемой, слои ссылаются друг на друга, растёт цена частичной копии | Слои реально взаимозависимы · часть упёрта во время/регуляторику/физику · стек не реверс-инженерится по кускам |
| 11 | Integration Depth | Число интеграций с правами/аккаунт, доля данных под управлением, NRR, время на rip-out | Рост подключённых систем на клиента, глубина permission-модели, cross-workflow использование | Продукт = система-записи/прав, не виджет · интеграции с правами и синком (не read-only) · ценность копится с каждым подключением |
| 12 | Compute & Energy | Законтрактованные МВт/ГВт, стоимость энергии/токен, grid-доступ, доля self-supply | Подписанные PPA, места в очереди на подключение, законтрактованные трансформаторы/мощности | Энергия/грид — связывающее ограничение (не чипы) · есть капитал и доступ к гриду · спрос удержит масштаб |
| 13 | Workflow / Agentic Lock-in | Доля критичных процессов в продукте, стоимость миграции прав/регламента, NRR, глубина автономии агента | Рост доли задач, исполняемых агентом; накопление permission/audit-слоя; интеграция в SOP клиента | Лок в правах/регламенте, не в портируемой памяти · продукт исполняет, а не советует · встроен в критичный регулируемый процесс |
| 14 | Regulatory / Compliance | Наличие лицензии/сертификации, доля рынка среди «допущенных», стоимость соответствия конкурента | Полученные сертификации, участие в стандартах, compliance-инфраструктура готова раньше конкурентов | Отрасль реально регулируется/лицензируется · фиксированные издержки соответствия высоки · компания их абсорбирует, малый конкурент — нет |
| # | Ров | Дешевле АТАКОВАТЬ (угроза) | Дешевле СТАВИТЬ (инструмент) | Нетто |
|---|---|---|---|---|
| 1 | Издержки переключения | ИИ-агенты автоматизируют миграцию и переобучение → конкурент обещает «перевезём за ночь» (уйти от SAP/Salesforce дешевле) [правд] | ИИ авто-настраивает продукт под процессы клиента, копит его контекст, персонализирует — переезд дороже [правд] | Качели: кто быстрее — углубление или удешевление миграции |
| 2 | Сетевой эффект | Умный продукт полезен и в одиночку + ИИ бутстрапит холодный старт (seed-контент/ликвидность) [набл] | ИИ ускоряет критическую массу: матчинг, рекомендации, seed — но ускоряет и конкурента [правд] | Угроза: ИИ ослабляет «нужны все остальные» |
| 3 | Экономия масштаба / процесс | ИИ-копилоты передают «набитую руку» → догоняющий берёт опыт дешевле (Amazon/Frito-Lay) [правд] | ИИ ускоряет свою кривую: маршруты, предиктивное ТО, авто-контроль качества → себестоимость падает быстрее [набл] | Окно для тех, у кого объём и данные |
| 4 | Эксклюзивный ресурс | ИИ-субституты обесценивают дефицит: синтетика вместо редких данных, ИИ-модель вместо редкого эксперта (De Beers) [правд] | ИИ раньше находит и контрактует дефицит (разведка, скаутинг); сам актив не создаёт [правд] | Держится, если ресурс физический/юридический (ASML, лицензия) |
| 5 | Контрпозиционирование | Слабо: структурная ловушка инкумбента от ИИ не зависит [—] | ИИ удешевляет запуск модели, которую инкумбенту больно копировать — плата за результат вместо дорогого сервиса [правд] | Окно на постройку |
| 6 | Процессная сила | ИИ кодифицирует часть неявного знания → практику копируют быстрее [правд] | ИИ ускоряет операционное превосходство на ВАШИХ непубличных данных (логика yield TSMC) [правд] | Держится, если процесс завязан на непубличные данные + физику |
| 7 | Бренд | ИИ-выдача выбирает по релевантности, минуя имя; дешёвая ИИ-генерация размывает отличие (AI-slop) [набл] | ИИ масштабирует персонализированный контент и сервис; AEO — видимость в ИИ-ответах [набл частично] | Угроза каналу открытия; окно — в доверии и сервисе |
| # | Ров | Дешевле АТАКОВАТЬ (угроза) | Дешевле СТАВИТЬ (инструмент) | Нетто |
|---|---|---|---|---|
| 8 | Дистрибуция | ИИ-ассистенты и агенты-покупатели переставляют, кто «стоит у клиента»; дефолты смещаются [правд] | ИИ удешевляет персонализированный охват и конверсию — но инкумбент с базой (Microsoft, Coca-Cola) применит быстрее [правд] | Усиливает крупных с готовой базой |
| 9 | Петля данных | Синтетика + фронтир-модели обесценивают generic-данные → конкурент догоняет без вашего архива [набл] | ИИ быстрее превращает «след работы» в улучшение (closed loop) — ров только на непокупаемых within-user данных (Tesla) [набл частично] | Generic мёртв; закрытый цикл — окно |
| 10 | Инновационный стек | ИИ копирует софт-слои за часы → стек из одного софта пересобирается [набл] | ИИ ускоряет сборку взаимозависимых слоёв; прочны только упёртые во время/физику (IKEA, парк+данные) [правд] | Софт-стек — угроза; физ/время-стек — держится |
| 11 | Глубина интеграции | ИИ-коннекторы и стандарты удешевляют интеграции → врастание проще повторить [правд] | ИИ ускоряет построение графа прав и синка с системами клиента → врастаешь глубже [набл частично] | Окно, если данные + права; угроза, если read-only |
| 12 | Вычисления / энергия | Физику ИИ не удешевляет; спрос ИИ поднял цену энергии и подключения к сети [набл] | Это не ИИ-инструмент, а капитал + грид; ИИ лишь повышает КПД потребления [набл] | Ров капитала/инкумбента — не для большинства |
| 13 | Врастание в процесс (agentic) | Портируемая память/контекст → лок слабеет [правд] | ИИ-агенты, исполняющие процесс клиента + права/аудит → лок глубже [правд] | Окно, но лок держится в правах/регламенте, не в памяти |
| 14 | Регуляторный | ИИ удешевляет compliance малым (авто-документация/аудит) → барьер входа ниже [правд] | ИИ ускоряет сертификацию и соответствие → «допущен» раньше конкурента [правд] | Барьер слабеет для входа, держится в регулируемых нишах |
Академия скептична, венчур оптимистичен — спорят о «данных как рве». Вся динамика — во фронтир-кластерах; канон нужен как эталон против хайпа. Отсюда:
1. Нового типа рва не появилось. Ни свежая академия, ни венчур не создали нового фундаментального типа рва; всё «новое» — комбинации из четырёх базовых: издержки переключения + сетевой эффект + эксклюзивный ресурс + экономия масштаба.
2. Технология сама по себе — не ров. Даже сильная модель или фича быстро копируется. Устойчивость даёт не она, а то, что вокруг неё накапливается: канал к клиенту, встроенность в его рабочий процесс, доступ к капиталу и мощностям, закрытый цикл данных.
3. Выжившая типология — 14 механизмов. 10 классических (из экономики стратегии и инвест-канона) + 4, которые ИИ вывел вперёд: глубина интеграции, доступ к вычислениям/энергии, врастание в рабочий процесс, регуляторный барьер. Три из классических — дистрибуция, данные, стек — работают как усилители, а не как самостоятельная защита.
4. Спор о данных разрешён. Объём данных — не ров; непокупаемый цикл их сбора — может быть. Практический тест: (1) если данных станет в 10× больше — продукт заметно улучшится? (2) конкурент купит, скачает или сгенерирует такие же со стороны? «Ров» — только если да на первое и нет на второе.
5. Скепсис как метод. Большинство «AI-рвов» 2024–2026 — прогнозы венчура; наблюдаемые исходы дают практики и рынок. Где числа звучат слишком точно («50k интеракций», «12 месяцев до разрыва») — это чаще всего сконструированная точность.
Что модель уже подсказывает — и что группам предстоит проверить:
Не один сценарий, а набор — каждый проверяет свою грань «модель предсказательна»:
Гипотеза подтверждается, если прогнозы по ранним признакам систематически совпадают с реальным ростом защиты. Опровергается, если ранние сигналы не отличают будущие рвы от temporary leads лучше случайного угадывания.
Канон (высокое доверие, peer-review / первоисточники):
Helmer «7 Powers» (2016) · Barney RBV (1991) · Teece dynamic capabilities (1997) · Katz–Shapiro (1985) · Klemperer (1995) · Rochet–Tirole (2006), Armstrong (2006) · Hagiu–Wright, RAND J. Econ. (2023) · Bajari et al., NBER (2019).
Фронтир 2024–2026 (венчур/индустрия, помечено как мнение, датировано):
a16z «LLMflation» (ноя 2024), «Empty Promise of Data Moats» (2019), «Revenge of the GPT Wrappers» (фев 2025) · Epoch AI, price trends (март 2025) · Sequoia «AI's $600B Question» (июн 2024) · Ben Thompson / Stratechery «DeepSeek FAQ» (янв 2025), «Aggregator's AI Risk» (2024) · NFX «Network Effects Bible», «AI Defensibility» (июл 2025) · Tunguz «What If There Is No Moat Yet?» (июн 2026) · McKelvey «The Innovation Stack» (2020) · IEA «Energy and AI» (2025) · LBNL «Queued Up» (2025) · OpenAI Stargate (янв 2025).
Проверка фактов: DeepSeek −$589B у Nvidia 27.01.2025 (Bloomberg) · Meta $14.3B за 49% Scale AI (июн 2025, Reuters) · human-preference $1–10/промпт (Lambert, RLHF book) · GDPR −12.5%/−7.9% (Frey & Presidente, Oxford, 2022) · «74% веба AI-generated» — искажение (на деле 74% новых страниц содержат какой-то ИИ, чисто-AI 2.5%, Ahrefs).
Далее — по каждому из 14 рвов: механизм, три примера, как работал раньше, что изменил ИИ, целевые и ранние метрики, стартовые допущения.
Механизм. Уйти к конкуренту стоит денег, времени и риска: данные заперты внутри, команда переучена под продукт, вокруг него выстроены интеграции. Чем глубже — тем дороже уход.
Примеры: SAP/ERP (миграция = проект на годы) · Salesforce (данные + процессы) · зарплатный проект банка (менять больно всей компании).
Как работал раньше. Классический прочный ров: лок через накопленные данные, обученный персонал и интеграции; переключение занимало годы. Академически описан Klemperer (1995).
Что изменил ИИ (★★, вектор ↓/↑). Раздвоился. Атаковать ров стало дешевле — это наблюдаемый факт: миграцию, которая раньше была проектом на годы, ИИ-агенты берут на себя. Конкурент теперь обещает «перевезём с SAP/Salesforce за ночь» — вычистить старые данные, переписать интеграции, переучить людей помогает модель, а не армия консультантов. Барьер «уходить слишком больно» просел. Но и строить ров стало дешевле — ИИ авто-настраивает продукт под конкретные процессы клиента, копит его контекст и персонализируется так, что переезд снова дорожает. Кто из двоих быстрее — тот и выигрывает: качели между углублением лока и удешевлением миграции (усиление лока — пока прогноз, доказанного исхода «ИИ отвязал клиента от ERP» на рынке ещё нет).
Целевые метрики: NRR >120% · gross churn <5%/год · доля многолетних контрактов · оценка стоимости миграции для клиента (недели × $).
Ранние метрики: рост числа интеграций на аккаунт · доля рабочих процессов, которые клиент гоняет в продукте · объём накопленных данных на юзера.
Стартовые допущения: продукт становится системой-записи (данные копятся внутри) · миграция объективно дорога · продукт встроен в критичный процесс · у конкурента нет дешёвого one-click импорта.
Механизм. Каждый новый пользователь повышает ценность продукта для остальных. Лидер по размеру базы становится недосягаем: к нему идут, потому что там уже все.
Примеры настоящей сети: eBay (покупатели ↔ продавцы) · WhatsApp (все контакты уже там). Мнимая сеть: Midjourney (Discord ~21 млн — но это multi-homing, см. кейс ниже).
Как работал раньше. Сильнейший ров цифровой эпохи, тяга к winner-take-all — но только при single-homing (когда сторона пользуется одной платформой).
Single-homing vs multi-homing. Single-homing — юзер сидит на одной платформе (тогда конкурент до него физически не достучится → ров). Multi-homing — юзер держит несколько параллельно (Uber+Lyft в одном телефоне → сетевой эффект не запирает, цены давятся к марджинальным). Уточнение из экономики (Rochet–Tirole 2006, Armstrong 2006), которого нет у Хелмера.
Что изменил ИИ (★★, вектор =/↓). Скорее ослабляет — и главным образом со стороны атаки. Классический сетевой ров держался на «без остальных пользователей продукт бесполезен»: маркетплейс пуст без второй стороны, мессенджер — без контактов. ИИ подрывает ровно это условие: умный продукт полезен и в одиночку (рекомендации, автозаполнение, генерация контента не ждут толпы), а холодный старт конкурент теперь бутстрапит машиной — сам засеивает ликвидность, каталог, первые матчи вместо «ждём, пока набежит критическая масса». Порог, за которым «нужны все остальные», ИИ сдвигает вниз, и защищённость лидера-по-базе тает. При этом сам инструмент разгона (матчинг, seed-контент) доступен и атакующему, и обороняющемуся — чистого перевеса «строить» он не даёт. Скептический вывод, что у большинства «AI-сетей» настоящего сетевого эффекта нет, разделяют a16z, NFX, Stratechery, Gil; это наблюдаемо.
Кейс — Midjourney vs Nano Banana (наблюдаемо). Discord Midjourney — лучший кандидат на «AI-сеть». Тест конкурентом: Google Nano Banana (Gemini 2.5 Flash Image, 26.08.2025) собрал за 2 недели 23 млн новых юзеров и 500 млн изображений. Комьюнити не удержало: участники Discord вышли на плато ~21 млн до конкурента и осели до ~19.8 млн (дек 2025); ранг в a16z Top-100 упал с топ-10 до #46 (мар 2026); веб-трафик — 16.8 млн (окт 2025) → ~10.7 млн (весна 2026). Выручку (~$500 млн, растёт) держат бренд и инерция подписок, не сеть; профи используют оба (Midjourney — за стиль, Nano Banana — за правки). Вывод: multi-homing, а не single-homing — сетевого рва нет.
Целевые метрики: доля single-homing юзеров · виральный коэффициент k>1 · ликвидность сети (time-to-match ↓) · доля взаимодействий, замкнутых внутри платформы.
Ранние метрики: падение time-to-match по мере роста базы · доля повторных взаимодействий · органический приток, приведённый существующими юзерами.
Стартовые допущения: ценность реально растёт от других юзеров (а не просто от объёма данных) · ключевую сторону удаётся заставить single-home'ить · есть механизм её запирания (эксклюзивы, издержки переключения).
Механизм. Большие постоянные издержки размазываются на больший объём → удельная себестоимость ниже, чем у меньшего конкурента. Догоняющий вынужден нести убыток, чтобы сравняться.
Примеры: TSMC (фаб стоит десятки $млрд) · облачные дата-центры · логистическая сеть Amazon.
Как работал раньше. Первичный ров в hardware, инфраструктуре и логистике; у Хелмера — одна из 7 Powers.
Что изменил ИИ (★★★ фронтир / ★ аппликуха, вектор ↑/↓). Раздваивает эффект. Атаковать стало дешевле там, где преимущество масштаба держалось на «набитой руке» — ИИ-копилоты переносят накопленный операционный опыт лидера к догоняющему почти даром: маршрутизация, планирование смен, прогноз спроса, контроль качества больше не требуют десятилетий проб. Условный конкурент Amazon в логистике или Frito-Lay в мерчендайзинге получает часть их «объёмного» know-how готовым, не пройдя тот же путь. Но и строить масштаб-ров ИИ помогает быстрее — на своём объёме и своих данных он ускоряет собственную кривую издержек: оптимизирует те же маршруты, ставит предиктивное ТО, авто-контроль качества, и удельная себестоимость у крупного падает раньше, чем догоняющий скопирует опыт (наблюдаемо). Нетто — окно на стороне того, у кого уже есть объём и данные, чтобы кормить эту оптимизацию.
Целевые метрики: удельная себестоимость vs конкурент · gross margin при масштабе · выручка на GPU-час (капэффективность).
Ранние метрики: кривая падения удельных издержек с ростом объёма · загрузка мощностей · объём растёт быстрее издержек.
Стартовые допущения: постоянные издержки высоки и неделимы · объём конвертируется в удельную экономию · спрос достаточен, чтобы наполнить масштаб · не наступит цикл перепроизводства мощностей (capex-bust).
Механизм. Эксклюзивный доступ к дефицитному ценному активу — на условиях лучше рыночных. Актив нельзя быстро воспроизвести: патент, лицензия, редкий талант, регулируемые данные.
Примеры: патент на молекулу лекарства · лицензия на радиочастоты/недра · эксклюзивный контракт на уникальный датасет.
Как работал раньше. IP, лицензии, редкие месторождения; в RBV — частный случай VRIN-ресурса (Barney 1991).
Что изменил ИИ (★★★, вектор ↓/↑, оба наблюдаемо). Разъедает дефицит там, где ИИ умеет сделать субститут. Атаковать дешевле: многие «эксклюзивные» активы обесцениваются заменителем — синтетика вместо редкого закрытого датасета, ИИ-модель вместо редкого эксперта, у которого раньше был монопольный навык. Дефицитность, на которой держалась премия, размывается, если ресурс информационный. Строить дешевле — по краям: ИИ помогает раньше найти и законтрактовать оставшийся дефицит (геологическая разведка, скаутинг талантов, поиск поставщиков), но сам актив не создаёт. Итог: ров держится только там, где дефицит физический или юридический и ИИ его не синтезирует — монополия ASML на EUV-литографию, лицензия на частоты или недра, контролируемое предложение вроде De Beers. «Редкие данные» и «редкий специалист» — уже не сюда.
Целевые метрики: срок юридической/контрактной эксклюзивности · доля контроля дефицитного входа · стоимость воспроизведения ресурса конкурентом.
Ранние метрики: заключённые эксклюзивы и лицензии · законтрактованные мощности/данные · найм ключевых носителей экспертизы.
Стартовые допущения: ресурс действительно дефицитен и невоспроизводим · доступ закреплён (контракт/патент/право) · присвоен на условиях ниже создаваемой им ценности.
Механизм. Компания строит новую бизнес-модель, которую инкумбент не может скопировать, не убив собственную прибыль. Он видит угрозу, но рационально бездействует — копирование каннибализирует его основной бизнес.
Примеры: Vanguard (дешёвые индексные фонды — активные управляющие не могут повторить, не обнулив свои комиссии) · Netflix vs Blockbuster (подписка убивала доход от штрафов за просрочку) · Dollar Shave Club vs Gillette.
Как работал раньше. Оригинальный вклад Хелмера (2016) — единственный ров, который работает против сильного инкумбента и который нельзя «докупить». В базовой 7-строчной типологии его часто нет — пробел для стартап-контекста.
Что изменил ИИ (★★★ механизм / прогноз реализации, вектор ↑). Почти чистое окно на постройку. Сам механизм контрпозиционирования от ИИ не зависит — это структурная ловушка инкумбента, а не технология, поэтому атаковать этот ров ИИ не помогает. Зато строить его стало дешевле: ИИ обрушивает стоимость запуска новой бизнес-модели, копирование которой инкумбенту невыгодно. Раньше «плата за результат вместо дорогого экспертного сервиса» упиралась в то, что результат должны были производить дорогие люди; теперь его производит модель — и претендент может предложить исход по цене, при которой инкумбенту больно перестроиться, не обнулив свою маржу. Классический паттерн (Netflix против штрафов Blockbuster, Vanguard против комиссий активных фондов) ИИ делает доступнее в новых нишах. Пока это ранние кейсы, не доказанный исход.
Целевые метрики: разрыв маржинальности, который защищает инкумбент · отвоёванная доля рынка без ответа инкумбента · длительность «молчания» инкумбента.
Ранние метрики: инкумбент публично отрицает или высмеивает модель · переток клиентов · у инкумбента нет зеркального продукта.
Стартовые допущения: у инкумбента есть прибыль, которую копирование этой модели разрушит · модель компании структурно иная (а не просто дешевле) · инкумбент не может «отвязать» новую модель от старой.
Механизм. Преимущество зашито в процессы организации, которые невозможно скопировать быстро — даже зная рецепт. Требуется долгое накопление практики, культуры и инструментов.
Примеры: Toyota Production System · стабильно высокий yield TSMC · переиспользование ракет SpaceX.
Как работал раньше. Операционное превосходство, воспроизводимое только годами (Хелмер; академически близко к dynamic capabilities Teece 1997 и «causal ambiguity» Rumelt).
Что изменил ИИ (★★, вектор =, прогноз). Затронут умеренно, но с обеих сторон. Атаковать чуть дешевле: ИИ помогает кодифицировать часть неявного (tacit) знания — то, что раньше жило только в головах и мышечной памяти цеха, модель вытаскивает в инструкции и модели, и практику становится проще перенять. Строить дешевле — сильнее: ИИ ускоряет операционное превосходство именно на ваших непубличных данных — там, где у конкурента их просто нет. Логика yield TSMC, режимов линии, рецептур: связка «процесс + проприетарные операционные данные + инструменты» реверс-инженерится не наймом одного человека, а годами накопления, и ИИ этот разрыв скорее расширяет в пользу того, кто уже впереди. Ров держится, пока процесс завязан на закрытые данные и физику, а не на публичный рецепт.
Целевые метрики: устойчивый разрыв в операционной метрике (yield, время цикла, доля дефектов), держащийся годами при известном конкурентам рецепте.
Ранние метрики: улучшение операционной метрики год-к-году опережает конкурентов · накопление неявного (tacit) знания и внутренних инструментов.
Стартовые допущения: преимущество в процессе, а не в одном патенте · требует времени накопления (нельзя купить) · не копируется наймом одного носителя (нужна причинная непрозрачность).
Механизм. Клиент платит премию и выбирает бренд «вслепую» — не потому что продукт функционально лучше, а потому что доверяет имени. Бренд замещает проверку.
Примеры: Apple (премия за логотип) · «никого не уволили за покупку IBM» · ChatGPT как generic-название для ИИ.
Как работал раньше. Медленный ров: зреет 4–11 лет, зато устойчив. У Хелмера — Branding.
Что изменил ИИ (★★, вектор ↑, двойственно). Бьёт по каналу открытия и одновременно даёт инструмент. Атаковать дешевле — наблюдаемо: ИИ-выдача выбирает ответ по релевантности, а не по громкости имени, и покупатель всё чаще не видит бренд на этапе выбора. Дискавери переезжает в чат — 51% B2B-покупателей теперь начинают ресёрч в AI-ответе против 29% годом ранее (G2, март 2026). Плюс дешёвая ИИ-генерация заливает рынок неотличимым контентом (AI-slop) и размывает то самое «функционально не лучше, но узнаваемо». Строить дешевле — частично наблюдаемо: ИИ масштабирует персонализированный контент и сервис под клиента, а видимость бренда в ответах модели стала измеримой целью (появился AEO — Answer Engine Optimization, оптимизация под движки-ответчики). Но противовес того же качества: доля потребителей, для кого агрессивный «AI-first» снижает доверие, выросла 20%→39%, а воспринимаемая польза AI-поиска упала 82%→54% (Fractl/SEL, Q2 2026). Тезис «доверие — новый ров» пока прогноз: прямого замера «бренд победил за счёт доверия в AI-выдаче» нет. Угроза — каналу открытия; окно — в доверии и сервисе.
Целевые метрики: ценовая премия vs дженерик · доля прямого/брендового трафика · доля упоминаний в AI-выдаче (share of model) · unaided recall.
Ранние метрики: рост прямого и брендового поиска · NPS/индекс доверия · цитируемость бренда в AI-ответах.
Стартовые допущения: категория, где доверие критично (деньги, риск, здоровье) · отличие трудно проверить объективно (доверие замещает проверку) · есть повторная покупка (бренд успевает окупиться).
Механизм. У компании есть дешёвый доступ к клиенту, которого нет у конкурента: дефолт-канал, встроенность в популярный продукт, собственная аудитория. Она не платит за привлечение столько, сколько конкурент.
Примеры: Microsoft встраивает Copilot в 365 и раскатывает на установленную базу · дефолты Apple · банк, продающий страховку своим клиентам.
Как работал раньше. Не ров сам по себе, а способ выхода — венчурная надстройка (a16z, Greylock), а не IO-механизм. Работает, только если конвертируется в масштаб, сеть или издержки переключения.
Что изменил ИИ (★★, вектор ↑ избирательно). Скорее усиливает крупных с готовой базой. Атаковать дешевле: ИИ-ассистенты и агенты-покупатели меняют саму развилку, кто «стоит у клиента» в момент выбора — если решение принимает агент, привычные дефолты и полки смещаются, и доступ к клиенту перестаёт быть монополией того, кто владел каналом. Но строить дешевле — сильнее для инкумбента: ИИ удешевляет персонализированный охват и конверсию, и владелец готовой базы применит это раньше и дешевле, чем новичок эту базу набирает. Условный Microsoft раскатывает новую фичу на установленную базу 365; Coca-Cola включает ИИ-персонализацию поверх уже занятой полки и дистрибьюторской сети. Нетто — рычаг у того, у кого канал и аудитория уже есть; тонкие обёртки без своего доступа к клиенту ИИ не спасает.
Целевые метрики: CAC (стоимость привлечения) vs конкурент · доля клиентов через собственный/дефолт-канал · attach-rate к установленной базе.
Ранние метрики: доступ к установленной базе · конверсия дефолт-размещения · CAC падает по мере роста.
Стартовые допущения: у компании есть канал/база, которых нет у конкурента · продукт встраивается без переизобретения UX · ценность не воспроизводима виджетом за месяц.
Механизм. Использование продукта порождает проприетарные данные → они улучшают продукт → приходит больше юзеров → данных ещё больше. Самораскручивающийся маховик (data flywheel).
Примеры: Tesla FSD (feedback реального вождения) · клики в поисковике · RLHF preference-данные (человеческие оценки ответов).
Как работал раньше. Долго был маркетинговым мифом. Академия предупреждала: данные ведут себя как обычный вход с убывающей отдачей (Bajari 2019 на данных Amazon: нулевой эффект от числа товаров; Hagiu–Wright 2023: ров условен, а не автоматичен). a16z «Empty Promise of Data Moats» (2019) — якорь скепсиса.
Что изменил ИИ (★★, вектор — расщепление). Понятие «данные как ров» раздвоилось. Атаковать дешевле там, где данные generic (наблюдаемо): общедоступный или скрейпимый массив перестал давать защиту — конкурент догоняет без вашего архива, потому что фронтир-модель уже проглотила интернет, а синтетика добивает остаток в сотни раз дешевле. Обычному бизнесу это значит: «у нас накоплены годы отраслевых данных» больше не аргумент, если эти данные в принципе воспроизводимы со стороны. Строить дешевле там, где петля закрытая: ИИ быстрее превращает «след работы» клиента в улучшение продукта (closed loop), но ров возникает только на непокупаемых within-user данных, которые рождаются из живого использования и которые модель не нагенерит сама. Канон — Tesla FSD: телеметрия реального вождения флота, которую нельзя ни скачать, ни синтезировать. Тезис «feedback-loop = новый ров» при этом продан, а не доказан — точные пороги вроде «50k интеракций до необратимости» ни один источник не подтверждает (частично наблюдаемо).
Целевые метрики: измеримый прирост качества на удвоение данных (кривая не выходит на плато) · доля данных, которые конкурент не может купить или скрейпить · скорость обновления (real-time > статичный дамп).
Ранние метрики: объём проприетарных интеракций в неделю · темп улучшения модели именно от использования · эксклюзивность источника данных.
Стартовые допущения: данные — within-user/feedback, а не generic scale · тест «10x данных → продукт заметно лучше?» проходит · источник нельзя купить со стороны · петля самообновляется (данные не устаревают быстрее, чем копятся).
Механизм. Не один рычаг, а серия взаимозацепленных изобретений: каждое решение порождает новую проблему, требующую следующего изобретения. Конкурент может скопировать один слой, но не систему, где «всё зависит от всего».
Примеры: Square (14 инноваций от бесплатной регистрации до мгновенного расчёта) · IKEA (дизайн+логистика+самосборка+магазин) · Amazon.
Как работал раньше. Термин Джима Маккелви (2020): Amazon скопировал ридер Square и сбил цену на 30%, но не смог повторить связку целиком и ушёл с рынка. Слабость концепции: это ретро-нарратив с выжившим-байесом — описывает только победителей, не предсказывает.
Что изменил ИИ (★★, вектор ↓ для софт-стеков). Расслаивает стек по признаку «софт или физика». Атаковать дешевле, если слои цифровые (наблюдаемо): ИИ обрушил стоимость копирования софтверных слоёв — интеграции, паритет фич, «водопровод» экосистемы пересобираются с месяцев до часов, и стек, состоящий только из софта, перестаёт быть системой «всё зависит от всего». Строить дешевле — ИИ ускоряет сборку взаимозависимых слоёв, но прочными остаются лишь те, что упёрты во время и физику: живые данные за сезоны, физическая логистика, розничная сеть, регуляторное разрешение, капитал. Канон обычного бизнеса — IKEA (дизайн + собственная логистика + плоская упаковка + самосборка + магазины-склады): один слой ИИ скопирует, но связку из физической цепочки и десятилетий отношений с поставщиками — нет. Софт-стек — угроза; стек, упёртый в физику и время, держится.
Целевые метрики: число взаимозависимых слоёв · доля слоёв, упёртых во «время/физику», а не в софт · стоимость сборки всего стека конкурентом.
Ранние метрики: каждый новый слой рождается из проблемы предыдущего · слои начинают ссылаться друг на друга · растёт стоимость частичной копии.
Стартовые допущения: слои реально взаимозависимы (не просто набор фич) · хотя бы часть слоёв упёрта во время/регуляторику/физику · стек нельзя реверс-инженерить по кускам.
Механизм. Продукт врастает в организацию как система-записи с моделью прав: подключается к десяткам внутренних систем, знает, кому что можно, и держит живой синк. Вырвать его = пересобрать половину IT-контура.
Примеры: Glean (100+ интеграций, permissioned knowledge graph; $200M ARR к дек 2025 — удвоение за 9 мес; оценка $7.2B на Series F, июнь 2025) · Harvey (legal) · Sierra.
Как работал раньше. Раньше это были обычные enterprise-интеграции; как отдельный ров эпохи ИИ оформился именно сейчас.
Что изменил ИИ (★★★ conditional, вектор ↑, наблюдаемо). Работает в обе стороны, но нетто — окно. Атаковать чуть дешевле: ИИ-коннекторы и общие стандарты (единые протоколы обмена) удешевляют подключение к чужим системам, и «мы интегрированы со всем» само по себе повторить проще. Строить — сильнее: ИИ ускоряет построение графа прав и живого синка с системами клиента, и продукт врастает так, что вырвать его = пересобрать половину IT-контура. Ключ — права и запись, а не read-only: там, где интеграция знает, кому что можно, и держит данные под управлением, ров реален и с наблюдаемыми исходами (ARR/retention). Там, где это лишь односторонний просмотр без записи прав, — угроза, ИИ такую «интеграцию» воспроизведёт. Обычному бизнесу это тот же принцип, что делал ERP или биллинг незаменимыми: врастание в систему-записи, а не поверхностный коннектор.
Целевые метрики: число интеграций с правами на аккаунт · доля корпоративных данных под управлением продукта · NRR · оценка времени/стоимости rip-out.
Ранние метрики: рост числа подключённых систем на клиента · глубина permission-модели · использование across-workflow (не в одном узком месте).
Стартовые допущения: продукт становится системой-записи/прав, а не виджетом во вкладке · интеграции с правами и записью (не read-only) · ценность копится с каждым новым подключением.
Механизм. Контроль дефицитного физического входа в ИИ. По мере коммодитизации чипов узким местом становится не кремний, а энергия и подключение к электросети.
Примеры: проект Stargate ($500B, измеряется в гигаваттах) · собственные TPU у Google (дешевле, чем покупать у Nvidia) · долгосрочные энергоконтракты (PPA) гиперскейлеров.
Как работал раньше. Частично покрывался экономией масштаба; отдельным рвом «энергия» стал в эпоху ИИ.
Что изменил ИИ (★★★ для гиперскейлеров / ★ технологически, вектор ↑). Здесь ИИ — не инструмент атаки или постройки, а источник спроса, который сам этот ров и поднял. Физику удешевить ИИ не может: чипы коммодитизируются (a16z прогнозирует даже избыток и обвал цен), но не коммодитизируется грид — очереди на подключение в США ~2290 ГВт активных мощностей, типичное ожидание ~4.5 года (LBNL «Queued Up», 2025); трансформаторы и трансмиссия — 4–8 лет (IEA «Energy and AI», 2025). Это наблюдаемое узкое место. Оговорка: это ров капитала и инкумбента, а не технологии и не большинства обычных бизнесов — выигрывает тот, у кого есть капитал и доступ к сети (гиперскейлеры, государства, энергоёмкие промышленники), а не тот, у кого лучше продукт. И если мощности переполнят рынок — сегодняшний «ров» окажется вершиной капзатратного цикла.
Целевые метрики: законтрактованные МВт/ГВт · стоимость энергии на токен · наличие grid-подключения · доля собственной генерации (self-supply).
Ранние метрики: подписанные PPA (энергоконтракты) · места в очереди на подключение к сети · законтрактованные трансформаторы и мощности.
Стартовые допущения: связывающее ограничение — энергия/грид, а не чипы · есть капитал и доступ к сети · спрос удержит масштаб (нет цикла перепроизводства).
Механизм. Продукт перестаёт быть «чатботом во вкладке» и становится операционной системой для конкретной работы: исполняет задачи, держит права, регламенты, историю и аудит. Лок сидит не в данных, а в governance-слое.
Примеры: Cursor (лок в качестве harness, не в накопленном контексте) · Harvey/Sierra (система-записи + структура прав) · тезис «clearinghouses выиграют эру агентов» (Jamin Ball, июнь 2026).
Как работал раньше. Это, по сути, издержки переключения, мигрировавшие в эпоху ИИ, — но с новым носителем лока.
Что изменил ИИ (★★, вектор ↑ потенциал / пока temporary lead). Расщепляет лок на «портируемое» и «врощённое». Атаковать дешевле: сырой контекст и память стали переносимыми — общие протоколы обмена и «экспорт контекста» позволяют конкуренту забрать накопленную историю, поэтому память сама по себе не ров. Для обычного бизнеса это как если бы клиент мог одним движением вынести всю свою настройку и переехать. Строить дешевле выше по слою: ИИ-агент, который реально исполняет процесс клиента и врастает в его права, регламенты и аудит, углубляет лок — вырвать его дорого не из-за данных, а из-за перестройки governance-слоя. Но всё это — прогноз VC (a16z, Sequoia, Ball); измеренных данных об оттоке, доказывающих лок, ещё нет. Само то, что консенсус хеджирует «ров переезжает с памяти на права», сигналит: старый лок на интерфейсе и накопленном контексте эродирует.
Целевые метрики: доля критичных процессов клиента, исполняемых в продукте · стоимость миграции прав/регламента · NRR · глубина автономии агента (сколько делает без человека).
Ранние метрики: рост доли задач, исполняемых агентом · накопление permission/audit-слоя · встроенность в SOP (регламенты) клиента.
Стартовые допущения: лок сидит в правах/регламенте, а не в портируемой памяти · продукт исполняет, а не советует · встроен в критичный, регулируемый процесс.
Механизм. Фиксированные издержки соответствия и лицензирования ложатся на всех одинаково — а значит, режут маленьких сильнее, чем больших. Кто может их абсорбировать, тот и «допущен».
Примеры: EU AI Act (€50–500K на высокорисковую систему — нижняя граница ~€52K по оценке CEPS/Renda 2021, верхняя — экстраполяция вторичных оценок; обязательства по категории продукта, не по размеру компании) · банковские/финансовые лицензии · прецедент GDPR (прибыль малых IT-фирм −12.5% против −7.9% у крупных; Frey & Presidente, Oxford Martin, 2022).
Как работал раньше. Классический барьер входа в зарегулированных отраслях — банки, фарма, телеком.
Что изменил ИИ (★★, вектор ↑ риск / «захват» спорен). Двигает барьер в обе стороны. Атаковать дешевле — ИИ снижает сам порог входа: авто-документация, авто-аудит, генерация отчётности удешевляют соответствие для малых, и фиксированные издержки комплаенса, которые раньше резали новичков сильнее (прецедент GDPR: прибыль малых IT-фирм −12.5% против −7.9% у крупных, Frey & Presidente, Oxford, 2022), становятся подъёмнее. Строить дешевле — тот же инструмент ускоряет сертификацию: кто прогонит соответствие через ИИ быстрее, тот «допущен» раньше конкурента и захватывает регулируемую нишу. При этом появляется и новый барьер — регулирование самого ИИ (EU AI Act, €50–500K на высокорисковую систему): ~60% стартапов ЕС/UK сообщают о задержках. Механизм барьера наблюдаем и измерим. Но «регуляторный захват» (что инкумбенты умышленно построили правила под себя) — спорен: многое выглядит как неуклюжее перерегулирование, а громче всех о «захвате» кричат заинтересованные стороны (a16z тратит на лоббизм $3.53M в 2025). Нетто: барьер слабеет для входа, но держится в регулируемых нишах.
Целевые метрики: наличие лицензии/сертификации · доля рынка среди «допущенных» игроков · стоимость соответствия для конкурента.
Ранние метрики: полученные сертификации/лицензии · участие в разработке стандартов · compliance-инфраструктура готова раньше, чем у конкурентов.
Стартовые допущения: отрасль реально регулируется/лицензируется · фиксированные издержки соответствия высоки · компания их абсорбирует, а малый конкурент — нет.