Dónde Vive el Moat Cuando el Modelo Es un Commodity

El modelo de fundacion dejo de ser un moat el instante en que la inferencia empezo a caer 10x al ano. Cuando la capacidad central es una utilidad que cualquier competidor renta de varios proveedores, la defensibilidad tiene que vivir donde la curva de precio no llega. Ese lugar son los efectos de red de datos, el dato propietario y el process power en IA vertical.

Este es un playbook sobre donde reside la ventaja durable una vez que el modelo se vuelve commodity. La version corta. El modelo es el motor alquilado. El moat es aquello a lo que el motor esta sujeto. En Avante Ventures construimos para lo segundo, porque lo primero ya no es algo que se pueda poseer.

El modelo es alquilado, así que el moat se mueve

El modelo se volvio commodity porque la inferencia se abarato mas rapido que casi cualquier tecnologia de la historia. Segun [a16z](https://a16z.com/llmflation-llm-inference-cost/), para un LLM de desempeno equivalente el costo cae 10x cada ano, un factor de 1.000 en tres anos. La calidad nivel GPT-3 paso de US$ 60 por millon de tokens a fines de 2021 a cerca de US$ 0,06. Rastreadores independientes de [Epoch AI](https://epoch.ai/data-insights/llm-inference-price-trends) confirman la direccion, con algunas tareas cayendo 40x al ano.

Una caida de 10x al ano, disponible para todos, es la definicion de una utilidad. Entonces la pregunta estrategica ya no es que modelo usa usted. Es que se acumula alrededor del modelo que un competidor con el mismo modelo y mas dinero no pueda replicar para el proximo trimestre. Tres mecanismos pasan esa prueba. Lealos en orden de durabilidad, y vea como se conectan en [/why-avante](/why-avante).

Dato propietario: un stock que se deprecia

Un dataset propietario obtenido una sola vez es un stock, y los stocks se deprecian. La correccion mas afilada al hype del dato como moat sigue siendo el texto de a16z [The Empty Promise of Data Moats](https://a16z.com/the-empty-promise-of-data-moats/), que argumenta que en general no existe un efecto de red inherente por solo tener mas dato. Peor, el dato choca con rendimientos decrecientes. En su ejemplo de un chatbot de soporte, pasado cerca de 40% de cobertura de las preguntas el costo de agregar dato unico sube mientras el valor de cada nuevo registro baja.

El dato solo es defensible bajo condiciones estrechas. El acceso tiene que ser genuinamente exclusivo, o la precision en un dominio de alto riesgo tiene que alimentar un loop de uso y feedback. Un dataset que un rival tambien puede comprar o raspar es una linea de costo, no un moat. Tener una pila de datos es una ventaja de salida. El moat es lo que mantiene la pila creciendo mas rapido de lo que cualquiera puede copiar.

Efectos de red de datos: el flujo que compone

El efecto de red de datos es el tipo durable porque es un flujo, no un stock. El uso de cada cliente mejora el producto para el siguiente cliente, asi que el activo se reabastece mas rapido de lo que se deprecia. NFX, en su [Network Effects Manual](https://www.nfx.com/post/network-effects-manual), trata los efectos de red como el mecanismo central de defensibilidad y les acredita la mayor parte del valor creado por empresas de tecnologia.

La salvedad importa, y es donde la mayoria de los fundadores se engana. El loop solo cuenta cuando mas uso mejora el producto de forma medible en una dimension que el cliente valora, y cuando un competidor que empieza de cero no puede igualar esa mejora. La escala sola no hace esto. Un loop de feedback si.

• Escala, no moat. Un nuevo entrante con el mismo modelo y mas capital replica su posicion de dato en un trimestre.
• Flujo de verdad. Su producto es estructuralmente mejor cuanto mas tiempo corre, porque el uso alimenta un activo que los rivales no compran.
• La prueba. Si un competidor bien financiado no alcanza su posicion de dato para el proximo trimestre, usted tiene un efecto de red, no solo escala.

Process power y lock-in de workflow

El process power es el moat que compone dentro de workflows regulados. El [7 Powers](https://blas.com/7-powers/) de Hamilton Helmer define el Process Power como excelencia operacional mas histeresis, la resistencia que mantiene un proceso dificil de copiar incluso cuando sus resultados estan a la vista. Va de la mano con los Switching Costs, que surgen cuando un cliente valora la compatibilidad entre compras repetidas a una misma empresa a lo largo del tiempo.

Cuando un producto de IA se vuelve el sistema de registro de un proceso regulado, salir significa revalidar un rastro de compliance, recapacitar al equipo y reintegrar sistemas adyacentes. El costo de salir es el moat. Por eso la IA vertical le gana a la IA horizontal. Un asistente generico no tiene workflow que anclar. Un producto vertical que vive dentro de un proceso licenciado, auditado y denso en regulacion ancla profundo y se queda.

Mapeándolo sobre los 7 Powers

El framework de Helmer es util aqui justamente porque obliga a ser honesto sobre que poder usted de verdad tiene. El modelo no es ninguno de ellos. Es un insumo que todo rival comparte. Los moats durables de IA mapean sobre tres de sus siete poderes, y la evidencia de 2025 lo respalda.

Segun [Insignia Ventures](https://review.insignia.vc/2025/04/15/moats-ai/), la IA hizo el construir mas facil y el defender exponencialmente mas dificil, con software llegando a US$ 1 millon de ARR mas rapido que nunca. Sus estudios de caso de mercados emergentes caen en los mismos tres poderes. Una plataforma de autos usados compone un data flywheel a partir de mas de 160 puntos de dato por vehiculo. Un prestamista combina un ERP propietario con financiamiento y sostiene 3% de morosidad contra 20 a 30% del sector en una recesion. Un banco digital convierte una licencia regulatoria escasa en distribucion que ningun rival iguala.

• Network Economies. El efecto de red de datos, donde cada usuario mejora el producto para el siguiente.
• Process Power. Excelencia operacional mas histeresis, el lock-in de workflow de un sistema de registro.
• Cornered Resource. Una licencia escasa o un feed de datos exclusivo que un competidor no renta ni raspa.
• Switching Costs. El costo de revalidacion, recapacitacion y reintegracion de salir de un workflow regulado.

Los anti-moats: wrappers y dato comprable

Saber que no es un moat es la mitad del playbook. Un wrapper delgado sobre una API publica renta la capacidad que todo competidor renta, agrega un prompt y no es dueno de ningun dato que componga. Ninguno de los poderes de Helmer se le aplica. Un dataset propietario que un rival puede comprar o raspar es una linea de costo vestida de moat.

Los otros modos de falla son mas silenciosos. La escala de dato se confunde con un efecto de red de datos, cuando mas filas sin un loop impulsado por uso es apenas un stock que se deprecia. La dependencia de modelo se disfraza de estrategia, hasta que una caida de 10x al ano y la disponibilidad multi-proveedor la borran. Y un dataset limpio sin canal para desplegarlo pierde ante un dataset peor que ya vive dentro de un workflow que los clientes usan todos los dias.

Cómo Avante ingeniería el moat

Avante Ventures es un venture studio que construye empresas AI-native en Brasil y America Latina. El metodo es un flywheel copilot, dato, capital. Construir un copilot de IA para hacer trabajo real dentro de una vertical, capturar el dato propietario que el trabajo genera, y usar ese activo de dato para captar y desplegar capital. El copilot es la cuna. El efecto de red de datos es el moat. El capital es la composicion.

El studio lanza 3-4 ventures por ano a traves de un sistema de seis etapas. Research, Partner, Build, Traction, Revenue, Compound. El capital por venture es de US$ 500K-1.5M en pre-seed, con economia de co-founder retenida. El modelo esta referenciado en datos de GSSN que muestran un IRR de studio de ~50% frente a ~19% del VC tradicional, cerca de 2.5x, un benchmark del modelo de studio y no una afirmacion sobre el retorno propio de Avante.

La razon de que esto funcione en LATAM es estructural. Los servicios representan cerca de 70% del PIB brasileno con baja penetracion de software, exactamente la superficie donde un producto vertical puede volverse el sistema de registro. Sume operadores de dominio que cargan mas de 10 anos de cicatriz de mercado brasileno, y el dato compone en lugares que los competidores no alcanzan. Los workflows de activos judiciales y el scoring de riesgo en seguros son flujos, no stocks. El modelo va a seguir abaratandose. El moat es todo lo que usted construye para que eso deje de importar. Vea como operamos en [/principles](/principles).