The post has been translated automatically. Original language: Russian
When a major AI platform ships a feature that used to be someone else's whole product, the usual reaction is to ask whether that company was a "layer" or a "moat." That's the wrong question — it treats a spectrum as a binary. A more useful frame is a radius: a perimeter within which a platform can replicate a capability in a single release cycle. Everything inside tends to get absorbed. Everything outside often gets more valuable, because the platform just made the intelligence sitting on top of it cheaper and better.
This became concrete recently when a major AI lab gave its assistant a native presence inside a popular workplace chat tool — effectively shipping the entire product of several smaller "AI for chat" startups as one feature. The panic that followed was a rational reaction for thin wrapper products. But plenty of businesses positioned right next to that release were made better off by it, not by luck. The difference between the two groups is structural and can be worked out in advance.
What sits inside the radius (and gets absorbed)
- A simple wrapper interface
- A basic connector
- "Memory" that amounts to a rolling summary
None of these require the platform to know anything specific about a given customer — so none are protected by anything except the platform's current attention, and attention is exactly what a release cycle spends.
What sits outside it (and gets more valuable)
- Proprietary, multi-year customer data
- Deep, company-specific domain context
- System-of-record status
These aren't safe because they're hard to build — they're safe because the platform can't reach them. When a platform makes reasoning cheaper, it raises the value of everything that reasoning gets pointed at. A better model isn't a threat to a company that owns unique data — it's a free upgrade, funded by someone else's research budget.
Why "layer or moat" fails as a test
It describes a static position, not a mechanism. Any position describable in one sentence can be copied by a well-resourced competitor in a quarter. What's hard to copy is an advantage that compounds with use — a system that gets measurably better for a specific customer the longer it runs.
Three things separate real compounding from a company simply logging updates:
- Coverage — how much of what the system influences actually comes back with a measured outcome
- Latency — how fast that outcome changes future behavior
- Specificity — whether the improvement is calibrated to one customer's history, or generic and reproducible by any competitor with a similar model
A practical test
Compare a cohort of long-tenured customers to a cohort of new ones, controlling for data volume, on the same task. If the older cohort performs meaningfully better, something is genuinely compounding. If performance is flat across both groups, the product works about the same on day one as it does two years in — which might be a good product, but isn't a moat.
The same logic works in reverse if you're buying AI tools rather than building them. Before committing to a vendor, ask:
- Does this get measurably better for us specifically, or just for everyone generally?
- What happens to our corrections when we override an output — do they feed back in, or vanish into a support ticket?
- If we switch vendors, who owns the accumulated context — the taxonomy, the corrections, the history — or do we start from zero?
👉 Read the full article: The Kill Radius: What AI Platforms Absorb and What They Make More Valuable
Когда крупная платформа искусственного интеллекта выпускает функцию, которая раньше была продуктом другой компании, обычная реакция — спросить себя, был ли ты тонким слоем или защищённой нишей. Это неверный вопрос, потому что он превращает непрерывную шкалу в выбор из двух вариантов. Более полезная модель — радиус поражения: периметр, внутри которого платформа способна воспроизвести возможность за один цикл обновления. Всё внутри этого периметра обычно поглощается. Всё снаружи часто становится ценнее, потому что платформа только что сделала интеллект, направленный на это, дешевле и лучше.
Эта идея обрела конкретность недавно, когда одна из крупных лабораторий искусственного интеллекта дала своему ассистенту прямое присутствие внутри популярного корпоративного чат-инструмента, по сути выпустив как одну функцию весь продукт целого ряда небольших стартапов из категории искусственный интеллект для чатов. Паника, последовавшая за этим, была рациональной реакцией для простых продуктов-обёрток. Но немало компаний, находившихся рядом с тем же обновлением, от него выиграли, и не случайно. Разница между этими двумя группами имеет чёткую структуру и может быть просчитана заранее.
Что попадает внутрь радиуса и поглощается. Простая обёртка-интерфейс. Базовый коннектор. Память, которая по сути является скользящим резюме диалога. Ничто из этого не требует от платформы знания чего-либо специфичного про конкретного клиента, поэтому ничто из этого не защищено ничем, кроме текущего внимания платформы, а внимание — это именно то, что расходуется в каждом цикле обновления.
Что остаётся снаружи и становится ценнее. Уникальные данные клиента, накопленные за годы. Глубокий, специфичный для компании отраслевой контекст. Статус системы, которая считается основным источником достоверных данных. Эти вещи в безопасности не потому, что их сложно построить, а потому, что платформа просто не может до них дотянуться. Когда платформа делает работу с данными дешевле, она повышает ценность всего, к чему эта работа применяется. Более совершенная модель — не угроза компании с уникальными данными, а бесплатное обновление, оплаченное чужим бюджетом на исследования.
Почему разделение на тонкий слой и защищённую нишу не работает как проверка. Оно описывает статичную позицию, а не механизм. Любую позицию, которую можно описать одним предложением, конкурент с достаточными ресурсами скопирует за квартал. Сложно скопировать преимущество, которое накапливается по мере использования, систему, которая становится измеримо лучше для конкретного клиента чем дольше она работает.
Три вещи отличают настоящее накопление преимущества от простого ведения списка обновлений. Охват — какая доля решений, на которые влияет система, реально возвращается с измеримым результатом. Скорость реакции — как быстро этот результат меняет будущее поведение системы. Специфичность — откалибровано ли улучшение под историю одного конкретного клиента, или оно универсально и может быть воспроизведено любым конкурентом с похожей моделью.
Практический тест. Сравните группу клиентов с большим стажем использования и группу новых клиентов, при равном объёме данных, на одной и той же задаче. Если более опытная группа показывает результат заметно лучше, значит что-то реально накапливается. Если результат одинаков в обеих группах, продукт работает примерно одинаково что в первый день использования, что через два года, и это может быть хорошим продуктом, но не защищённой нишей.
Та же логика работает и в обратную сторону, если вы покупаете инструменты на основе искусственного интеллекта, а не строите их сами. Перед выбором поставщика стоит спросить следующее. Становится ли этот инструмент измеримо лучше именно для нас, или он просто становится лучше вообще для всех пользователей. Что происходит с нашими правками, когда мы корректируем результат работы системы: они возвращаются в систему как сигнал для улучшения, или исчезают в обращении в службу поддержки. Если мы решим сменить поставщика, кому будет принадлежать накопленный контекст: таксономия, история правок, накопленный опыт, или нам придётся начинать с нуля.
Читайте полностью здесь.
Share
