Dónde Vive el Moat Cuando el Modelo Es un Commodity

El modelo de fundación dejó de ser un moat el instante en que la inferencia empezó a caer 10x al año. 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 versión corta. El modelo es el motor alquilado. El moat es aquello a lo que el motor está 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 volvió commodity porque la inferencia se abarató más rápido que casi cualquier tecnología de la historia. Según a16z, para un LLM de desempeño equivalente el costo cae 10x cada año, un factor de 1.000 en tres años. La calidad nivel GPT-3 pasó de US$ 60 por millón de tokens a fines de 2021 a cerca de US$ 0,06. Rastreadores independientes de Epoch AI confirman la dirección, con algunas tareas cayendo 40x al año.

Una caída de 10x al año, disponible para todos, es la definición de una utilidad. Entonces la pregunta estratégica ya no es qué modelo usa usted. Es qué se acumula alrededor del modelo que un competidor con el mismo modelo y más dinero no pueda replicar para el próximo trimestre. Tres mecanismos pasan esa prueba. Léalos en orden de durabilidad, y vea cómo se conectan en /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 corrección más afilada al hype del dato como moat sigue siendo el texto de a16z The Empty Promise of Data Moats, que argumenta que en general no existe un efecto de red inherente por solo tener más 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 único 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 precisión en un dominio de alto riesgo tiene que alimentar un loop de uso y feedback. Un dataset que un rival también puede comprar o raspar es una línea de costo, no un moat. Tener una pila de datos es una ventaja de salida. El moat es lo que mantiene la pila creciendo más rápido 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, así que el activo se reabastece más rápido de lo que se deprecia. NFX, en su 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 tecnología.

La salvedad importa, y es donde la mayoría de los fundadores se engaña. El loop solo cuenta cuando más uso mejora el producto de forma medible en una dimensión 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 sí.

• 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 de Hamilton Helmer define el Process Power como excelencia operacional más histéresis, la resistencia que mantiene un proceso difícil de copiar incluso cuando sus resultados están 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 genérico no tiene workflow que anclar. Un producto vertical que vive dentro de un proceso licenciado, auditado y denso en regulación ancla profundo y se queda.

Mapeándolo sobre los 7 Powers

El framework de Helmer es útil aquí justamente porque obliga a ser honesto sobre qué 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.

Según Insignia Ventures, la IA hizo el construir más fácil y el defender exponencialmente más difícil, con software llegando a US$ 1 millón de ARR más rápido 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 más de 160 puntos de dato por vehículo. Un prestamista combina un ERP propietario con financiamiento y sostiene 3% de morosidad contra 20 a 30% del sector en una recesión. Un banco digital convierte una licencia regulatoria escasa en distribución que ningún 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 qué no es un moat es la mitad del playbook. Un wrapper delgado sobre una API pública renta la capacidad que todo competidor renta, agrega un prompt y no es dueño de ningún dato que componga. Ninguno de los poderes de Helmer se le aplica. Un dataset propietario que un rival puede comprar o raspar es una línea de costo vestida de moat.

Los otros modos de falla son más silenciosos. La escala de dato se confunde con un efecto de red de datos, cuando más 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 caída de 10x al año 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 días.

Cómo Avante ingeniería el moat

Avante Ventures es un venture studio que construye empresas AI-native en Brasil y América Latina. El método 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 composición.

El studio despliega US$ 500K-1.5M por venture en un sistema de seis etapas, con 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 afirmación sobre el retorno propio de Avante. Las mecánicas operacionales completas están en cómo funcionan las economías de socio operativo.

La razón de que esto funcione en LATAM es estructural. Los servicios representan cerca de 70% del PIB brasileño con baja penetración de software, exactamente la superficie donde un producto vertical puede volverse el sistema de registro. Sume operadores de dominio que cargan más de 10 años de cicatriz de mercado brasileño, 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 abaratándose. El moat es todo lo que usted construye para que eso deje de importar. Vea cómo operamos en /principles.