Det som utlöste det här manifestet var ett bestämt ögonblick. Jag såg en AI bakåtkonstruera en komplex funktion i en av våra produkter — en funktion med omfattande matematik som mänskliga konkurrenter inte hade lyckats återskapa. AI:n hade inte vår källkod. Den studerade gränssnittet, resonerade kring begränsningarna och rekonstruerade angreppssättet. Det var inte perfekt. Men det var nära nog för att få mig att ompröva allt jag trodde om försvarbarhet. Mitt entreprenörshjärta var i lätt chock.
Det här dokumentet är för människor som jag: grundare, byggare, investerare och alla som behöver fatta verkliga beslut om vad som ska byggas och var pengarna ska investeras.
Obs: Full AGI, när AI kan göra allt bättre än människor, ligger sannolikt på medellång eller lång sikt. När den kommer förändras all konkurrenslogik för alla samtidigt. Det här dokumentet handlar om fönstret dessförinnan, där mänskligt omdöme fortfarande spelar roll och kunskapsarbetets fysik fortfarande gäller. Det kan vara det mest avgörande fönstret i företagsbyggandets historia.
1. Vad som faktiskt förändrades
När tillverkningen industrialiserades försvann inte värdet. Det flyttade. Från hantverkarens händer till fabriksdesignerns huvud. Sedan till varumärket. Sedan till distributionsnätet. Varje övergång gjorde det föregående lagret billigare och nästa lager upp mer värdefullt. Mjukvaran gör samma sak nu, komprimerat till år i stället för decennier.
Det AI faktiskt gör är inte begreppsmässigt nytt. Det är samma arbete, utfört i en hastighet där kategorin ändras. En bil i 10 km/h är ett gånghjälpmedel. I 100 km/h är den transport. I 1 000 km/h är den flyg. Samma fysik, annan värld. Mjukvarugenerering gick från veckor av mänskligt arbete till minuter av AI-arbete. Det är ingen ny förmåga. Det är en hastighetsförändring så stor att den blir en kategoriförändring — och plötsligt blir sådant som var för långsamt för att löna sig trivialt.
Men allt blir inte trivialt i samma grad, och det är här de flestas tänkande går fel. Ta rymdfärder. Många kan nå omloppsbana — det är svårt men löst. Att resa till månen är kvalitativt svårare. Mars är svårare ännu. Och vår närmaste stjärna? Det är inte Mars gånger tusen. Det är en helt annan kategori. Den avgörande insikten är hur bränslebehovet växer: exponentiellt. Du behöver bränsle för att bära bränslet som bär bränslet. Varje ytterligare sträcka kräver oproportionerligt mycket mer resurser.
Kunskapsarbete har samma struktur. Vissa problem är omloppsbana — AI löser dem nu. Att bygga ett komplext CRM eller ett utmärkt designverktyg: det är standardmjukvara som en bra AI kan producera på några dagar. Produkter som helt bygger på det här lagret är exponerade. Deras arkitektur är deras produkt. När den väl syns går den att kopiera. Inklusive underliggande algoritmer du trodde var hemligheter.
Men att rangordna en miljard webbsidor så att det bästa resultatet hamnar överst? Eller att bygga ett bedrägeridetekteringssystem som på millisekunder avgör om en transaktion är legitim, tränat på miljarder betalningar hos miljontals handlare? Det är mån- och Marsproblem. Komplexiteten ackumuleras. Varje kvalitetslager kräver exponentiellt mer data, mer lärande, mer samlat omdöme. Google Search och Stripes bedrägerimotor är i stort sett arkitektoniskt kända — men deras kvalitet ligger i det ackumulerade lärandet. År av sekventiell signal på privata data. Det är bränslet en konkurrent inte kan köpa.
Frågan för varje grundare är: bygger du en omloppsbaneprodukt eller en månprodukt? För ekonomin har just gått helt skilda vägar.
2. Den djupaste vallgraven är sekventiellt lärande
Distribution, varumärke och byteskostnader spelar fortfarande roll. Men det finns en kategori av vallgrav som blir viktigare i takt med att genomförandet blir billigare: sekventiellt lärande — sådant som kräver steg N före steg N+1, där varje steg bygger på det föregående och du inte kan hoppa över något.
Tänk på vintillverkning. Du kan köpa de bästa druvorna, den bästa utrustningen, anställa den bästa vinmakaren — men du kan inte spola fram jäsningen. Varje dags kemi beror på dagen innan. En konkurrent med oändligt med pengar kan ändå inte köpa din årgång 2019 år 2020.
Kunskap fungerar på samma sätt. Ett system som har ägnat tolv månader åt att lära sig vilka frågor som spelar roll, vilka mönster som återkommer, vilka beslut som lönar sig — det samlade omdömet kan inte återskapas genom att kasta mer pengar på problemet. Du måste leva igenom sekvensen.
Vallgraven är integralen av din inlärningstakt över tid. Ingen kan köpa den. Ingen kan ta en genväg förbi den.
Men här är den hårdare sanningen: när AI blir bättre på att resonera blir den bättre på att dra slutsatser. En konkurrent behöver inte leva igenom din inlärningssekvens om de kan härleda din destination ur spåren du lämnat. Varje offentlig artefakt läcker signal — hur ditt API beter sig, dina produktbeslut, hur ditt system hanterar specialfall. En tillräckligt kapabel modell behandlar allt det som träningsdata och arbetar baklänges. Frågan är inte bara ”kan de kopiera vår resa?” Den är ”kan de härleda vart vi är på väg genom att se var vi har varit?”
Det betyder att den verkliga vallgraven inte bara är att springa snabbare. Det är att springa i riktningar som är svåra att härleda även om någon kan se var du har varit. Vakta varje signal du läcker. Loppet är inte bara sekventiellt längre. Det är inferentiellt.
Två saker hindrar detta från att kollapsa i förtvivlan. För det första sätter informationsteorin ett hårt golv: ingen mängd resonemangsförmåga kan utvinna signal som inte finns i indata. Komplext kunskapsarbete bygger på privata data som aldrig externaliserats — kundbeteende i dina loggar, operativ verklighet från att driva den faktiska processen, korrigeringar som bara finns i din återkopplingsloop. Inte ens en perfekt resonerare kan härleda det som aldrig fanns där att hitta.
För det andra: även när ett problem går att lösa utifrån sin formulering är tungt kunskapsarbete fortfarande tungt. Raketbränsleproblemet gäller även här: att bearbeta 50 000 kontrakt, integrera två års hamndata, bygga smakmodeller av miljontals surfsessioner — det arbetet kräver verklig beräkningskraft, verkliga data och verklig tid. En vältrimmad kunskapsmaskin gör det snabbare och billigare. När arbetet i sig är genuint stort är din maskins hastighet vallgraven.
3. Hur man förblir privat i en offentlig värld
Du vill att din produkt ska synas, din arkitektur förstås, dina metoder vara kända — men om allt syns kan allt kopieras. Hur bygger man en vallgrav i ett glashus?
Kryptografin löste det problemet för länge sedan. Fältet bygger på en princip från 1883: ett systems säkerhet får bara bero på nyckeln, inte på att konstruktionen hålls hemlig.
Tänk på din internetbank. Krypteringsalgoritmen är publicerad. Programvaran är ofta öppen källkod. Det som håller ditt konto säkert är inte att metoden är hemlig, utan att just din nyckel är hemlig. Konstruktionen är offentlig. Nyckeln är privat. Det räcker.
Samma princip gäller nu för företag. Din försvarbarhet måste bero på dina parametrar — inte på att du döljer hur ditt system fungerar.
4. Parametrar: maskinens inställningar
Varje maskin har inställningar som avgör hur den beter sig. En termostat har en måltemperatur. En bilmotor har en tidpunkt för bränsleinsprutningen. En AI har parametrar — miljontals numeriska värden som tillsammans avgör vad systemet vet, hur det resonerar och vad det producerar. Dessa parametrar konstrueras inte för hand. De lärs in, finjusteras gradvis genom exponering för data och återkoppling, där varje justering bygger på den föregående.
En nyans som spelar roll: om någon får tag i dina parametrar — de faktiska inlärda värdena — kan de kopiera din maskin. Får du vikterna får du systemet. AI-branschen vet det, och det är därför de ledande företagen vaktar sina parametrar så hårt.
Men här är skälet till att vallgraven håller: den försvarbara delen är inte parametrarna vid ett givet ögonblick. Det är kontrollen över loopen som fortsätter förbättra dem. De egna datamängderna. Pipelinen för mänsklig återkoppling. Kundarbetsflödena som genererar ny signal. Förmågan att fortsätta trimma snabbare än någon annan. När någon stjäl dagens ögonblicksbild har du redan gått vidare. Parametrarna är utdata. Inlärningsloopen är tillgången.
AI-branschen har redan bevisat detta i stor skala. Transformer-arkitekturen är helt offentlig — publicerad, öppen källkod, byggbar av vem som helst. Men Anthropic och OpenAI har något de öppna modellerna saknar: ständigt förbättrade parametrar, förfinade genom miljontals interaktioner med mänsklig återkoppling, inbäddade i kundarbetsflöden som genererar ny träningssignal varje dag. Arkitekturen är den publicerade algoritmen. Inlärningsloopen är den hemliga nyckeln.
Detta är inte begränsat till AI-företag. Inom AI kallas det inlärda tillståndet ”parametrar”. På en advokatbyrå är det det samlade omdömet om vilka avtalsklausuler som förutsäger tvister. I ett logistikföretag är det den operativa kunskapen om vilka rutter som faktiskt fungerar. Vokabulären skiljer sig. Strukturen är identisk: en inlärningsloop som ständigt förbättrar hur ditt system fattar beslut.
5. Bygg kunskapsmaskiner, inte produkter
En produkt är en ögonblicksbild — det ditt system levererar i dag. En kunskapsmaskin är processen som avgör vad som ska produceras härnäst, och som blir bättre på det beslutet för varje cykel.
Tänk på det som skillnaden mellan ett bibliotek och en bibliotekarie. Ett bibliotek är en samling — värdefull, men statisk. Bibliotekarien vet vilken bok du behöver innan du frågar, byggt på år av att iaktta vad folk läser, vad de kom tillbaka för, vad de la ifrån sig. Du kan kopiera biblioteket. Du kan inte kopiera bibliotekariens personliga rekommendationer.
Svänghjulet är självförstärkande. Kapital finansierar parameteruppdateringar. Bättre parametrar ger bättre urval. Bättre urval skapar mer värde. Mer värde lockar mer kapital. Varje tillstånd beror på alla tidigare tillstånd. Ingen kan hoppa in mitt i strömmen.
Det leder till en kontraintuitiv affärsmodell: gör din arkitektur öppen med avsikt. Låt folk bygga på ditt format. Öppenhet blir din distributionsstrategi. Ju fler som använder ditt system, desto mer data flödar tillbaka om vad parametrarna bör vara härnäst. Licensiera sedan de ständigt uppdaterade parametrarna — rimligt prissatta, eftersom månader eller år av sekventiellt lärande inte går att hoppa över.
6. Hur det ser ut i praktiken
I varje fall nedan är arkitekturen generisk och kopierbar. Inlärningsloopen är det inte.
Juridisk granskning. En byrå bygger ett system som granskar avtal efter specifika risker. Vem som helst kunde bygga samma sak på en vecka. Men efter att ha bearbetat 50 000 avtal om produktansvar inom läkemedel har systemet lärt sig vilka klausulmönster som faktiskt förutsäger tvister och vilka kombinationer av villkor som skapar dold exponering. En konkurrent kan kopiera programvaran över en natt. De kan inte kopiera omdömet som kom ur 50 000 sekventiella granskningar.
Optimering av leveranskedjor. Ett logistikföretag bygger ett ruttsystem. Standardarkitektur. Men efter två års drift i sydostasiatiska hamnar har det lärt sig de verkliga förseningsmönstren jämfört med de officiella tidtabellerna, vilka tullombud som snabbar på saker, hur monsunsäsongen verkligen påverkar olika rutter. En konkurrent kan kopiera algoritmen på en helg. De kan inte kopiera två års operativ kunskap.
E-handelskuratering. En återförsäljare bygger en rekommendationsmotor. Men efter ett år av att följa inte bara vad folk köper utan hur de surfar — vilka attribut som faktiskt driver beslut, vilka kombinationer som leder till returer respektive nöjdhet — lär sig systemet en smakmodell som förutsäger preferenser bättre än någon enkät. Rekommendationsalgoritmen är standardvara. Smaken är det inte.
7. 95/5-regeln
Scenariot som borde skrämma folk är inte massarbetslöshet. Det är en snabb urholkning av mitten. De som kan se struktur och styra AI blir extraordinärt produktiva. Alla andra blir billigare. Och billigare fort.
Men AI-system är strukturellt trasiga på specifika sätt: de hallucinerar, de saknar omdöme i tvetydiga fall och de kan inte veta vad de inte vet. De system som faktiskt fungerar i produktion behöver människor — inte som en eftergift utan som ett arkitektoniskt krav.
AI gör 95 % av arbetet. Människor gör de återstående 5 %. Men de 5 procenten är ratten och pedalerna, och de 95 procenten är motorn. Utan styrning är kraft bara brus.
De 95 procenten är volym: generera, bearbeta, skriva utkast, beräkna. De 5 procenten är omdöme: att välja rätt fråga, fånga det felaktiga svaret, veta när det självsäkra svaret är självsäkert fel. Skala utan omdöme producerar skräp i skala. Omdöme utan skala producerar insikt för långsamt för att spela roll. Kombinationen är det som fungerar.
Det spelar roll av tre skäl. Det är bra för resultaten — mänsklig tillsyn fångar fel som annars ackumuleras. Det är bra för mänskligheten — människor behåller meningsfulla roller. Och det är bra för införandet — organisationer rör sig snabbare när systemet gör deras människor mäktigare, inte mer utbytbara.
Maskinen gör det tunga arbetet. Människan ger den avgörande styrningen. Tillsammans är de kunskapsmaskinen.
8. Spelboken
Om jag var tvungen att komprimera allt ovan till driftsprinciper:
Gamla mjukvaruvallgravar är döda. Utgå från att allt som avger tillräckligt med signaler om sin inre mekanik kommer att bakåtkonstrueras och kopieras.
Känn din höjd. Bygger du en omloppsbaneprodukt eller en månprodukt? Om ditt värde ligger i det synliga lagret kommer kopieringshastigheten att äta upp dig. Bygg där komplexiteten ackumuleras.
Sluta skydda din arkitektur. Öppna den. Låt den bli en standard. Din försvarbarhet kommer från din inlärningsloop, inte från din design.
Bygg kunskapsmaskiner, inte produkter. En produkt är det ditt system levererar i dag. Värdet är urvalsfunktionen som valde den.
Optimera för sekventiellt lärande. Allt som kräver steg N före steg N+1 är försvarbart. Allt som kan hoppas över är det inte.
Vakta din signal. Varje offentlig utdata läcker information om ditt inre tillstånd. Bygg där gapet mellan det som syns och det som är värdefullt är som störst.
Tillämpa 95/5-regeln. Låt AI göra volymarbetet. Håll människor på omdömesarbetet. Kombinationen är strukturellt bättre än någondera ensam.
9. Den verkliga frågan
För fyrtiotre år sedan satte jag mig vid ett tangentbord och började skriva kod, för det var så man byggde saker. Att producera mjukvara är nu gratis. Det är både skrämmande och underbart.
De grundare som kommer att definiera nästa era är inte de som skriver den bästa koden eller levererar de smartaste funktionerna. Det är de som bygger kunskapsmaskiner — system som lär sig vad som ska skapas, förbättrar det omdömet för varje cykel och växer snabbare än någon kan kopiera.
Arkitekturen är öppen. Designen är känd. Vårt jobb är att veta hur den ska trimmas.
Det här manifestet skrevs på det sätt det beskriver: en människa som styr två ledande AI-modeller, en som hjälper till att skriva, en som kritiserar. 95/5-regeln i praktiken i en liten kunskapsfabrik.