Data Is the Only Moat

Here’s a question I’ve been sitting with lately: if building software keeps getting easier — and it clearly is — then what exactly are we building our businesses on?

Вот вопрос, с которым я последнее время живу: если создавать софт становится всё проще — а это очевидно так, — то на чём именно мы строим свои бизнесы?

Because conversations about the quality of vibe-coded or AI-engineered software aside, it is obvious that with LLM-originated tooling, writing complex software has become significantly easier. It hasn’t become completely solved. It’s still a process that requires an orchestrator — somebody who knows what the thing is going to be. And at this point, that isn’t just a technical capacity. It’s product management and customer development intersecting with engineering. But it’s pretty clear that as these tools get better, the process of creating code bases that, when deployed, become products people can purchase or services people can pay for — that is clearly moving towards a threshold where software engineering and running software businesses as we know them will change quite a bit. It’s still going to be a job that requires insight and capacity, but it doesn’t require ten people anymore to build something meaningful. It might just require three, or two, or maybe just one.

Потому что, оставляя в стороне разговоры о качестве vibe-coded или AI-инженерного софта, очевидно: с инструментами на базе LLM писать сложный софт стало значительно проще. Полностью задача не решена. Это по-прежнему процесс, который требует оркестратора — кого-то, кто знает, чем эта штука должна стать. И на данном этапе это уже не просто техническая компетенция. Это product management и customer development, пересекающиеся с инженерией. Но довольно ясно, что по мере того как эти инструменты становятся лучше, процесс создания кодовых баз, которые после деплоя превращаются в продукты, за которые люди готовы платить, или в сервисы, за которые люди готовы платить, — этот процесс явно движется к порогу, за которым software engineering и ведение софтверного бизнеса в привычном нам виде заметно изменятся. Это всё ещё будет работа, требующая понимания и компетенции, но для создания чего-то значимого больше не нужно десять человек. Возможно, хватит трёх. Или двух. Или вообще одного.

So if it becomes significantly easier to build products, and the act of building a software business is not as expensive anymore because it’s faster and requires fewer resources — then what will be the moats of the future? Of the immediate future, where this change is already happening, and in five or ten years, when AI-generated software products are commonplace and easily built, deployed, and maintained?

Так что если строить продукты становится значительно проще, и сам акт создания софтверного бизнеса больше не такой затратный — потому что он быстрее и требует меньше ресурсов, — то какими будут рвы будущего? Ближайшего будущего, где эти изменения уже происходят, и через пять или десять лет, когда AI-сгенерированные софт-продукты станут обыденностью, легко создаваться, деплоиться и поддерживаться?

Now, there used to be a lot of things we could point to as moats. How hard it is to build a software product reliably and consumably and maintainably. How hard it is to translate your knowledge from an industry into a product that serves that industry. But AI systems are taking over a lot of that now. So what is left over?

Раньше можно было указать на множество вещей в качестве рвов. На то, насколько трудно построить софт-продукт, который надёжен, удобен в потреблении и поддерживаем. На то, как трудно перевести знания в индустрии в продукт, который этой индустрии служит. Но AI-системы сейчас всё это в значительной мере забирают на себя. Так что же остаётся?

I find that the one thing that stands out, no matter how much AI you throw at it, is real-world data — data that is generated by humans, by human brains.

Я обнаруживаю, что единственное, что выделяется — сколько бы AI вы на это ни направили, — это реальные данные. Данные, созданные людьми, человеческими мозгами.

The Great Data Bifurcation

Великая бифуркация данных

Data, all by itself, is now experiencing this bifurcation. On one side, there’s the data made by humans. People recording podcast episodes, people putting videos out there, people actually writing their own social media posts or blog posts — anything that is genuinely human-generated. And then there’s the synthetic side: AI-generated images, synthetic voices from text-to-speech systems, completely AI-made movies or YouTube clips, and of course every single spam email written by agentic systems at this point.

Сами по себе данные сейчас переживают эту бифуркацию. С одной стороны — данные, созданные людьми. Люди записывают эпизоды подкастов, выкладывают видео, на самом деле сами пишут посты в соцсетях или в блогах — всё, что действительно сгенерировано человеком. А с другой — синтетическая сторона: AI-сгенерированные изображения, синтетические голоса из систем text-to-speech, полностью созданные AI фильмы или YouTube-ролики и, конечно, каждое спам-письмо, написанное на сегодняшний день агентными системами.

One side is becoming more and more valuable — the actual signal, the human data. And the other side is becoming more and more commoditized — the AI-generated slop, as you might call it, or even the AI-generated stuff that actually works, which is increasingly available because models get faster, cheaper, and better. AI-generated data can be valuable, but it is a commodity. Human-generated data is valuable just by the sheer fact that it’s not AI-generated, plus it has its own additional inherent value: the creativity, the effort, the expertise, and the exclusivity that went into creating it.

Одна сторона становится всё более ценной — настоящий сигнал, человеческие данные. А другая всё больше превращается в коммодити — AI-сгенерированная жижа, как её можно назвать, или даже AI-сгенерированное, что реально работает, и чего становится всё больше, потому что модели быстрее, дешевле и лучше. AI-сгенерированные данные могут быть ценными, но это коммодити. Человеческие данные ценны уже потому, что они не сгенерированы AI, плюс у них есть собственная дополнительная ценность: креативность, усилия, экспертиза и эксклюзивность, вложенные в их создание.

Human data tends to be only generateable by the person who generated it in the first place, because that person is the only entity that has all the knowledge to create that particular piece of data. And since AI, by definition, cannot generate human-generated data, I believe that data — real-world data, mostly human-generated, validated, and cleaned — is the only reliable moat we have as software founders in the near and mid-term future. Let’s say the next decade or so.

Человеческие данные, как правило, может породить только тот человек, который их породил изначально, потому что только этот человек обладает всем знанием, необходимым для создания этого конкретного куска данных. И поскольку AI по определению не может породить человеческие данные, я считаю, что данные — реальные данные, преимущественно созданные людьми, валидированные и очищенные — это единственный надёжный ров, который есть у нас, основателей софт-компаний, в ближайшем и среднесрочном будущем. Скажем, в ближайшее десятилетие.

What I’m Seeing at Podscan

Что я вижу в Podscan

I’m experiencing this with Podscan right now. The most value that my customers draw from the system is not my capacity to ingest all these RSS feeds or to have an API that responds quickly to their requests. That’s something any minimally instructed agentic system can do. The actual value of the Podscan platform is the fifty million podcast episodes that I have transcribed and had AI systems analyze for content, keywords, themes, and sentiment.

Прямо сейчас я переживаю это в Podscan. Наибольшую ценность мои клиенты извлекают из системы не благодаря моей способности ингестить все эти RSS-фиды или иметь API, который быстро отвечает на их запросы. Это умеет любая минимально проинструктированная агентная система. Реальная ценность платформы Podscan — в пятидесяти миллионах эпизодов подкастов, которые я транскрибировал и пропустил через AI-системы для анализа контента, ключевых слов, тем и тональности.

The value is in the additional work — the transcription work, the transformative work that makes the data accessible to others. I am working on top of existing public data, which is every podcast episode out there, and I put it into a shape and a form where other people can consume it for whatever needs they might have. Maybe they want to track brand mentions. Maybe they want to figure out what people are talking about right now. Maybe they want to see what a particular kind of podcast is discussing so they can sponsor it or place an ad. There are many different ways this data can be used.

Ценность — в дополнительной работе: в работе по транскрипции, в трансформирующей работе, которая делает данные доступными другим. Я работаю поверх существующих публичных данных — а это каждый эпизод подкаста в мире — и привожу их в такую форму, в которой другие люди могут их потреблять для любых своих нужд. Возможно, они хотят отслеживать упоминания брендов. Возможно, хотят понять, о чём люди говорят прямо сейчас. Возможно, хотят увидеть, что обсуждают подкасты определённого типа, чтобы спонсировать их или разместить там рекламу. Этими данными можно пользоваться множеством разных способов.

And I find that the more effort I make to increase my data fidelity — the accuracy, the currentness, the freshness of this data — the more people find value in it. And it doesn’t really matter to them exactly how hard it is to access that data. As long as the data exists, they will find a way to get to it. I can hide it in weird user interfaces. I can make the API clunky and restrictive. Doesn’t matter. They will find a way, because it’s the data that is relevant, not the means of accessing it.

И я обнаруживаю, что чем больше усилий я вкладываю в повышение fidelity данных — точности, актуальности, свежести этих данных, — тем большую ценность люди в них находят. И им, по сути, неважно, насколько трудно к этим данным добраться. Пока данные существуют, они найдут способ до них дотянуться. Я могу спрятать их в странных пользовательских интерфейсах. Могу сделать API неуклюжим и ограничительным. Неважно. Они найдут способ, потому что значение имеют сами данные, а не средства доступа к ним.

Why Transformative Software Is Vulnerable

Почему трансформативный софт уязвим

Now here’s the flip side. If you run a software business that is purely transformative — that takes incoming data, does something to it, and turns the data back out — that will be a problem. Transformative algorithms are something that agentic AI systems are extremely good at. When you say, “Hey, ChatGPT, take this Excel sheet, generate a report, turn it into a PDF, and email it to this account,” it can do this autonomously. Without your input, without anybody else’s input, without needing an external service. It understands how to parse an Excel file, run analytical queries on its contents, render a PDF, and send an email. All of these are tiny steps that somebody has already implemented, or that the system itself can implement on the fly.

А теперь оборотная сторона. Если вы ведёте софт-бизнес, который сугубо трансформативен — берёт входящие данные, что-то с ними делает и возвращает данные обратно, — это будет проблемой. Трансформативные алгоритмы — это то, в чём агентные AI-системы исключительно хороши. Когда вы говорите: «Слушай, ChatGPT, возьми этот Excel, сгенерируй отчёт, преврати его в PDF и отправь на этот адрес», — оно может сделать это автономно. Без вашего участия, без чьего-либо ещё участия, без внешнего сервиса. Оно понимает, как разобрать Excel-файл, выполнить аналитические запросы по его содержимому, отрендерить PDF и отправить письмо. Все эти крошечные шаги кем-то уже реализованы или система может реализовать их на лету.

It is not needed to build a SaaS business around taking in Excel sheets and emailing out reports. The agentic system can do it by itself.

Не нужно строить SaaS-бизнес вокруг приёма Excel-таблиц и отправки отчётов по почте. Агентная система может сделать это сама.

But when it comes to data collection at scale, agents don’t usually do this. It’s the ephemeral nature of the agentic mode, right? If you spawn a Cursor session or a Claude Code instance or have a conversation in your browser with ChatGPT, only during those brief moments of interaction does the agent exist. Everything else is just entries in a database somewhere, just a state in a state machine that’s trying to get you to your results. An agent that constantly scans, constantly does work for you, consumes so many tokens that it becomes almost prohibitively expensive. If you were to spawn an agent that tries to do what Podscan is doing — taking in and transcribing and analyzing fifty thousand podcast episodes a day — that would cost you tens of thousands of dollars in tokens and API calls per day. Whereas in my business, I’ve optimized all these processes so it happens in the background and makes the data available to my potential consumers: API customers, people using the website, or people using the MCP integration so it can be plugged into agents directly.

Но когда речь заходит о сборе данных в масштабе, агенты этим обычно не занимаются. Это эфемерная природа агентного режима, да? Если вы запускаете сессию Cursor или инстанс Claude Code, или ведёте беседу в браузере с ChatGPT, — агент существует только во время этих коротких моментов взаимодействия. Всё остальное — просто записи в какой-то базе данных, состояние state machine, пытающейся довести вас до результата. Агент, который постоянно сканирует, постоянно работает за вас, потребляет столько токенов, что становится почти запретительно дорогим. Если бы вы запустили агента, который пытается делать то же, что делает Podscan, — принимать, транскрибировать и анализировать пятьдесят тысяч эпизодов подкастов в день, — это обошлось бы вам в десятки тысяч долларов токенов и API-вызовов в день. А в моём бизнесе я оптимизировал все эти процессы так, что они происходят в фоне и делают данные доступными для моих потенциальных потребителей: API-клиентов, людей, использующих сайт, или людей, использующих MCP-интеграцию, чтобы данные подключались напрямую к агентам.

Being the system of record, having data that is meaningful — that’s why it’s so valuable to my customers. If all I did was offer the capacity to “give me a URL and I’ll transcribe and analyze it,” then I think Podscan would be two hours away from being completely replaced by a well-written skill inside Claude Code or something similar. But since Podscan collects all this data — freshness data, chart rankings, additional metadata from all over the place, from sources most people don’t even know can be accessed — that is the system-of-record nature. That is pulling together data and making it comprehensive and accessible to other systems.

Быть системой записи (system of record), располагать осмысленными данными — вот почему это так ценно для моих клиентов. Если бы всё, что я предлагаю, сводилось к «дай мне URL, и я его транскрибирую и проанализирую», — думаю, Podscan был бы в двух часах от того, чтобы его полностью заменили хорошо написанным skill внутри Claude Code или чего-то подобного. Но поскольку Podscan собирает все эти данные — данные о свежести, чарт-рейтинги, дополнительные метаданные отовсюду, из источников, о существовании которых большинство даже не подозревает, — это и есть природа системы записи. Это сведение данных воедино и обеспечение их полноты и доступности для других систем.

So when I say “data moat,” I mean you really need to make sure that whatever you offer has its own internal, additional-value data source. And on the other side, you need to actually use that data and make it available. Having data is half the moat. Availing data is the other half.

Поэтому, когда я говорю «data moat», я имею в виду, что вам действительно нужно убедиться, что то, что вы предлагаете, имеет собственный внутренний источник данных с дополнительной ценностью. А с другой стороны, вам нужно эти данные действительно использовать и делать их доступными. Иметь данные — это половина рва. Делать данные доступными — другая половина.

Make Your Business API-First

Сделайте свой бизнес API-first

Making your software business an API-first business is probably one of the smartest things you can do today. You have to ask yourself: is there anything in my application that I could make available through an API? And when I talk about APIs — MCP is just another layer on top of an API usually. Most frameworks that offer MCP capability, I’m thinking about Laravel here, let you set it on top of the REST API you already have. So whether we’re talking about programmatic access, MCP, APIs, webhooks, whatever it might be — it’s the same thing. You make your system reliably connectable to other computers.

Превратить свой софт-бизнес в API-first-бизнес — пожалуй, одна из самых разумных вещей, которые сегодня можно сделать. Нужно задать себе вопрос: есть ли в моём приложении что-то, что я мог бы выставить через API? И когда я говорю об API — MCP обычно это просто ещё один слой поверх API. Большинство фреймворков, предлагающих MCP-возможности — я думаю здесь о Laravel, — позволяют поставить его поверх REST API, который у вас уже есть. Так что говорим ли мы о программном доступе, MCP, API, webhooks, чём угодно — это всё одно и то же. Вы делаете свою систему надёжно подключаемой к другим компьютерам.

What I find more and more interesting, and I see a lot of founders talk about this because they themselves are consumers of other software businesses: people are looking for software where there is near-parity between what you can do in the user interface and what you can do on the API side. The more parity there is — the more people can do the exact same things they do in the interface through the API — the more likely they are to really buy into your product, because it means they can automate anything. And every agent out there wants to allow them to automate whatever they need.

Что мне кажется всё более интересным — и я вижу, как многие основатели говорят об этом, потому что сами являются потребителями других софт-бизнесов, — это то, что люди ищут софт, в котором есть близкий паритет между тем, что можно делать в пользовательском интерфейсе, и тем, что можно делать через API. Чем больше паритета — чем больше людей могут делать через API ровно те же вещи, что и в интерфейсе, — тем выше вероятность, что они действительно «купятся» на ваш продукт, потому что это означает, что они могут автоматизировать что угодно. А каждый агент в природе хочет позволить им автоматизировать всё, что им нужно.

I have this ongoing effort in my system where every couple of days, I run a sub-agent of Claude Code on my code base to update a central file I call my platform parity tracking file. Every single function that I have in the product gets a row in a table, and I note: can I do this in the UI? Can I do this on the REST API? Can I do this through MCP? If it’s available on all three, it’s complete. If not, it’s a candidate to add more work to. It could be something as simple as “search for a podcast” or something as complicated as “configure a keyword alert that automatically adds new mentions of your brand to a list that triggers a webhook.” If I can do it in any part of the platform, it should be possible in each of these systems I offer.

У меня в системе есть постоянная практика: раз в несколько дней я запускаю sub-agent Claude Code по моей кодовой базе, чтобы обновить центральный файл, который я называю своим platform parity tracking file. На каждую функцию в продукте приходится строка в таблице, и я отмечаю: могу ли я сделать это в UI? Могу ли я сделать это через REST API? Могу ли я сделать это через MCP? Если доступно во всех трёх — готово. Если нет — это кандидат на дополнительную работу. Это может быть что-то простое вроде «найти подкаст» или что-то такое сложное, как «настроить keyword alert, который автоматически добавляет новые упоминания вашего бренда в список, триггерящий webhook». Если я могу это сделать в какой-либо части платформы, это должно быть возможно в каждой из этих систем, которые я предлагаю.

Having an agent that can find candidates to implement, to increase my parity — I’m hoping that eventually there will be enough tooling to have these things worked on automatically in the background. That’s a bit wishful thinking at this point. But the principle is important: usage parity between human users, computer users, and agentic users — which are almost a hybrid of the two, a human telling an automated system what to do with semi-autonomous effort to connect to your system. All three of these should be equally well served.

Иметь агента, который умеет находить кандидатов на реализацию ради повышения паритета, — я надеюсь, что в конечном счёте появится достаточно tooling'а, чтобы такие вещи прорабатывались автоматически в фоне. На данный момент это пока несколько благие надежды. Но принцип важен: паритет использования между человеческими пользователями, компьютерными пользователями и агентными пользователями — последние представляют собой почти гибрид первых двух: человек, говорящий автоматизированной системе, что делать, с полуавтономным усилием по подключению к вашей системе. Все три должны быть равно хорошо обслужены.

Your Metadata Is Your Moat

Ваш ров — это ваши метаданные

And this doesn’t have to be podcast data. Whatever your product touches, think about the metadata you collect when people use your platform, or when you observe the consequences of using your product. If you have a tool that lets people post to Twitter or Facebook, it could be the times when most people post, or when most people engage, or what kind of content drives the most engagement. That kind of stuff — that metadata — is your unique data moat.

И это не обязательно должны быть данные о подкастах. Чего бы ни касался ваш продукт, подумайте о метаданных, которые вы собираете, когда люди пользуются вашей платформой, или когда вы наблюдаете последствия использования вашего продукта. Если у вас инструмент, позволяющий публиковать в Twitter или Facebook, это может быть время, когда большинство людей публикует, или когда большинство людей вовлекается, или какой контент вызывает наибольшую вовлечённость. Вот такие штуки — эти метаданные — и есть ваш уникальный data moat.

So figure out what this is for you. Make sure you have it. Make sure you have it connected. And then make sure you make it accessible in ways that improve how people use your product and how they run their own businesses. That’s the data moat.

Так что разберитесь, что это такое именно для вас. Убедитесь, что у вас это есть. Убедитесь, что оно подключено. И затем убедитесь, что вы делаете это доступным так, чтобы это улучшало то, как люди используют ваш продукт и как они ведут собственные бизнесы. Вот это и есть data moat.

Published by Arvid Kahl

Автор: Arvid Kahl

I write about bootstrapping, audience-building, and building in public at The Bootstrapped Founder. Formerly FeedbackPanda (exit/2019) Wrote Zero to Sold, The Embedded Entrepreneur, and made Find your Following. View all posts by Arvid Kahl

Я пишу о bootstrapping, выстраивании аудитории и построении в открытую в The Bootstrapped Founder. Ранее FeedbackPanda (exit/2019). Автор книг Zero to Sold, The Embedded Entrepreneur и проекта Find your Following. View all posts by Arvid Kahl