Moat empresarial según la investigación más reciente: qué constituye barreras de entrada para IA general y agentes de IA especializados

Introducción

Cuanto mayor es la necesidad (demanda grande) y se utilizan tecnologías difíciles, menor es la cantidad de servicios competidores (oferta reducida), lo que aumenta la rentabilidad del servicio. Sin embargo, con el tiempo, a medida que cambia la necesidad debido a cambios en el entorno externo y aumentan los servicios competidores debido a la difusión o obsolescencia de la tecnología, la tasa de ganancia disminuye gradualmente, acercándose a un estado similar al de un mercado de competencia perfecta donde la ganancia (ganancia económica) se acerca a 0 (un estado donde los ingresos y los costos casi coinciden).

Para diseñar y construir un Moat (foso económico) del servicio, se mantiene una alta tasa de ganancia del servicio y se sostiene un período de mantenimiento de esa alta tasa de ganancia. Al observar empresas que crecieron a escala de clase mundial en una generación (Microsoft, Amazon, Google, NVIDIA, etc.), además de la excelencia inherente del producto, un factor importante de su rápido crecimiento fue la construcción a lo largo del tiempo de una estructura que impide que otros compitan. Buffett ha llamado Moat a esta estructura, comparándola con el "foso" que protege un castillo, y la ha colocado en el centro de sus decisiones de inversión.

Aquí, basándose en investigaciones académicas recientes y perspectivas de profesionales, se organiza el Moat en 5 categorías y 19 elementos. También se incluye información sobre el Moat de la IA general reciente y agentes de IA especializados verticalmente.

Definición de Moat

Sobre qué es el Moat, en la investigación y la práctica se entiende de la siguiente manera:

• Factor estructural que impide que los nuevos competidores compitan bajo las mismas condiciones que las empresas existentes: Porter organizó siete barreras de entrada: economías de escala, diferenciación de productos, capital, costos de cambio, canales de distribución, ventaja de costos y políticas gubernamentales (Porter, 1980).

• Una condición que genera rendimientos consistentemente más altos que los competidores y no puede ser imitada: Helmer define el Moat (en su terminología, Power) como "algo que cumple tanto con beneficios como con barreras". Si solo hay beneficios es simplemente una fortaleza; si solo hay barreras es una defensa sin ganancias; solo cuando ambas están presentes se convierte en un Moat verdadero (Helmer, 2016).

• Los recursos cumplen con "valor, escasez, dificultad de imitación y utilización organizacional": En la Resource Based View (RBV), solo los recursos que cumplen con las 4 condiciones VRIO proporcionan ventaja competitiva sostenible (Barney, 1991).

• Desde la perspectiva del inversor es "sostenibilidad de alto ROIC": En la práctica, la presencia de Moat se mide por cuánto tiempo se puede mantener un estado donde la tasa de retorno sobre el capital invertido (ROIC) supera el costo del capital (Mauboussin & Callahan, 2024; Morningstar/VanEck, 2025).

Por lo tanto, el Moat puede definirse como "un mecanismo que obstaculiza estructuralmente la imitación y entrada de competidores, sosteniendo rendimientos por encima del promedio a largo plazo".

Tipos de Moat y ejemplos concretos

Moat basado en estructura de costos

Una barrera que crea un estado donde los nuevos competidores no pueden operar el negocio con los mismos costos que las empresas existentes.

• Economías de escala: Mediante la expansión de la escala de producción, abastecimiento y logística, disminuye el costo unitario, creando una estructura donde los competidores posteriores no pueden ofrecer el mismo precio (Porter, 1980; Helmer, 2016). Ejemplo: Amazon, a través de su red logística mundial más grande y la escala de AWS, hace que sea casi imposible para los competidores posteriores reproducir la misma velocidad de precio y envío.

• Inversión inicial masiva (barrera de capital): La participación requiere una inversión previa masiva, y el riesgo de recuperación de esa inversión disuade a los nuevos competidores (Porter, 1980). Ejemplo: La última fábrica de semiconductores de TSMC requiere más de 2 billones de yenes por edificio, y casi no hay empresas, incluso aquellas con suficiente capital, que la sigan. El desarrollo de modelos base de IA generativa también se está convirtiendo en una barrera similar, requiriendo inversiones en recursos computacionales en el rango de cientos de miles de millones de yenes (Azoulay et al., 2024).

• Ventaja de costos independiente de la escala (curva de experiencia, recursos propios): Destreza mediante volumen de producción acumulada, ventaja de costos únicos en materias primas, ubicación o medidas preferenciales que no se pueden comprar con dinero (Porter, 1980). Ejemplo: SpaceX ha logrado un costo de lanzamiento que es una fracción del de sus competidores mediante la experiencia acumulada en la reutilización de cohetes (recuperar el cuerpo del cohete después del lanzamiento, mantenerlo y volver a usarlo para lanzamientos posteriores).

• Política gubernamental, regulación y licencias: Licencias, aprobaciones, espectro, aprobaciones regulatorias, etc., donde el sistema en sí limita el número de participantes (Porter, 1980). Ejemplo: Los operadores de telecomunicaciones están protegidos por licencias de espectro limitadas, y en cada país continúa un oligopolio de facto de unos pocos operadores.

Moat basado en bloqueo de clientes

Una barrera que crea un estado donde los clientes "no pueden cambiar aunque quieran".

• Costos de cambio: Un estado donde los clientes no pueden cambiar a otros proveedores sin el dolor de migración de datos, reaprendizaje u interrupción de operaciones (Klemperer, 1995; Helmer, 2016). Ejemplo: La base de datos central de Oracle tiene un riesgo de migración tan grande que durante décadas no se ha cancelado a pesar de su alto precio.

• Integración en procesos y flujos de trabajo empresariales: El producto propio se integra en el núcleo de los procesos empresariales diarios del cliente, creando un estado donde "el negocio se detiene si se remove". Ejemplo: Salesforce se integra en el flujo de trabajo empresarial completo de la organización de ventas, por lo que ya no se puede reemplazar simplemente comparando funciones. a16z menciona en su informe de 2026 que la "profundidad del flujo de trabajo" es una de las fuentes del Moat para aplicaciones de IA (a16z, 2026).

• Marca y diferenciación de productos: Un activo psicológico donde los clientes eligen sin comparar precios (Porter, 1980; Masters & Thiel, 2014). Ejemplo: Apple es elegida a un precio más alto que competidores con especificaciones equivalentes, ocupando la mayor parte de las ganancias de la industria de los teléfonos inteligentes.

• Contratos a largo plazo, certificación y requisitos de trayectoria: Un estado donde los contratos a largo plazo, la obtención de certificaciones y la trayectoria de implementación son obligatorios como práctica de adquisición de la industria, impidiendo que los nuevos competidores entren en la licitación (Porter, 1980). Ejemplo: En aviación y equipos médicos, la obtención de certificaciones requiere años, por lo que las empresas existentes con trayectoria continúan ganando contratos casi indefinidamente.

Moat basado en red y plataforma

Una barrera donde el valor aumenta conforme aumentan los usuarios, y la demanda se concentra automáticamente en el pionero.

• Efecto de red (directo): Conforme aumentan los usuarios, el valor del producto en sí aumenta, y la demanda se concentra automáticamente en el pionero (Katz & Shapiro, 1985; Masters & Thiel, 2014). Ejemplo: Facebook, a través de un efecto de red directa de "usar porque tus amigos están aquí", rechazó a las redes sociales posteriores que eran funcionalmente superiores.

• Efecto de red de dos lados (plataforma): Un bucle donde el lado de la oferta (desarrolladores, vendedores) y el lado de la demanda (usuarios) se llaman mutuamente (Parker & Van Alstyne, 2005). Ejemplo: Windows mantiene más del 90% de participación del sistema operativo a través de un bucle de dos lados de "se hace software porque hay muchos usuarios, y aumentan usuarios porque hay mucho software", y en el juicio antimonopolio de EE.UU., esta "barrera de entrada de aplicaciones" fue reconocida como el núcleo del monopolio.

• Captura del ecosistema y bienes complementarios: Un estado donde alrededor del producto propio crece un ecosistema de herramientas, talento, educación y productos periféricos, y el total se vuelve insustituible (Azoulay et al., 2024). Ejemplo: CUDA de NVIDIA se ha convertido en la habilidad y el activo de código de desarrolladores de IA en todo el mundo, convirtiéndose en una barrera que trasciende la competencia de rendimiento de GPU por sí solo.

• Acumulación de datos y bucle de aprendizaje: Una estructura donde conforme se utiliza más, se acumulan datos únicos y aumenta la precisión del producto, ampliando automáticamente la brecha con los competidores posteriores (Hagiu & Wright, 2023). Ejemplo: Google Search continúa mejorando la precisión con datos de comportamiento de búsqueda de décadas, y los competidores posteriores no pueden alcanzar la misma calidad. Sin embargo, como se describe posteriormente, investigaciones recientes han dejado claro que lo esencial es si "el bucle de aprendizaje está funcionando", no la "cantidad de datos posedida".

Moat basado en activos intangibles

Una barrera por activos invisibles como la ley y capacidades organizacionales.

• Tecnología patentada y patentes (ventaja de 10 veces): Poseer tecnología patentada que es 10 veces superior en costo, tiempo de ejecución, etc., en comparación con métodos alternativos existentes, o un Moat basado en patentes que prohíbe legalmente la imitación (Masters & Thiel, 2014). Ejemplo: Las empresas farmacéuticas pueden obtener ingresos anuales de trillones de yenes de un solo fármaco bajo monopolio legal durante el período de vigencia de la patente.

• Ocupación de recursos escasos y talento (cornered resources): Un estado donde solo su empresa es dueña de recursos, proveedores o talento esencial para el negocio (Helmer, 2016). Ejemplo: ASML es el único fabricante de máquinas litográficas EUV en el mundo, y toda la industria de semiconductores no puede evitar depender de la empresa (alta dificultad técnica, inversión inicial masiva, monopolio de la cadena de suministro, etc.). En la IA generativa, la ocupación de investigadores de alto nivel y grandes recursos computacionales (talento superior, GPUs, contratos masivos con la nube) funciona como un Moat similar (Azoulay et al., 2024).

• Process Power (capacidades organizacionales): Procesos empresariales que con el tiempo se han imbuido en la organización mediante mejora continua y no pueden ser imitados aunque se documenten (Helmer, 2016; Barney, 1991). Ejemplo: El sistema de producción de Toyota se hace público hasta el punto de permitir visitas a fábricas, pero incluso después de décadas, otras empresas no han podido reproducir el mismo nivel.

Moat basado en estructura de mercado y estrategia

Casos donde la forma de elegir el mercado y el diseño del modelo de negocio en sí se convierten en una barrera.

• Monopolio pionero en nichos de mercado: Una estrategia de tomar primero un mercado que es demasiado pequeño para que las grandes empresas entren, pero que se convierte en un punto de lanzamiento para la expansión si usted lo domina (Masters & Thiel, 2014). Ejemplo: Amazon primero tomó el control total del "comercio electrónico de libros por internet", un mercado estrecho, luego se expandió a todas las categorías de productos.

• Posicionamiento contrapuesto: Un modelo de negocio que los titulares existentes no pueden imitar porque "destruiría su negocio actual" si lo hicieran (Helmer, 2016; Christensen, 1997). Ejemplo: Blockbuster no pudo seguir la ruta de suscripción plana de Netflix porque sus ganancias provenían de multas por retrasos.

• Ocupación de canales de distribución: Un estado donde se controlan las rutas de acceso a los clientes (estantes, distribuidores, app stores, resultados de búsqueda), impidiendo que los competidores posteriores lleguen a los clientes (Porter, 1980). Ejemplo: Coca-Cola controla máquinas expendedoras, restaurantes y estantes minoristas en todo el mundo, así que las marcas posteriores no llegan a los ojos de los clientes independientemente de la calidad del sabor.

• Stack de innovación (Moat compuesto): En lugar de un único ingenio, construir un "paquete" de múltiples innovaciones que se refuerzan mutuamente, creando un estado donde la imitación parcial no funciona (McKelvey, 2020). Ejemplo: Square (un servicio que permite pagos fáciles con tarjeta de crédito en tiendas y en línea a través de teléfonos inteligentes y lectores especializados) rechazó incluso la entrada de Amazon a través de un paquete de decenas de innovaciones que incluyen hardware propietario, estructura de tarifas y revisión instantánea.

• Construcción de infraestructura propia en mercados emergentes: Una estrategia de construir pagos, logística, etc. por cuenta propia en mercados con infraestructura insuficiente, y esa construcción en sí se convierte en una barrera para los competidores posteriores (Hoffman & Yeh, 2018). Ejemplo: Mercado Libre construyó redes de pagos y logística por su cuenta en América Latina, creando una barrera que ni siquiera Amazon puede conquistar fácilmente.

Moat en negocios de IA

Moat de IA general (modelos base)

Los modelos fundamentales de propósito general desarrollados por OpenAI, Anthropic, Google y otros operan en un entorno competitivo muy severo donde "el rendimiento del modelo en sí no se convierte fácilmente en un Moat" (Bornstein et al., 2023). Esto se debe a que tienden a converger en rendimiento al ser entrenados con arquitecturas similares y datos similares, y porque los modelos de código abierto avanzan rápidamente. El análisis de la economía de la innovación ha llegado a la conclusión de que el Moat de la IA de propósito general no reside en el modelo, sino en los "activos complementarios" que lo rodean (Azoulay et al., 2024).

• Inversión inicial masiva (barrera de capital): El entrenamiento de modelos de última generación requiere inversiones en infraestructura de cómputo del orden de cientos de miles de millones a billones de yenes, lo que constituye una barrera de capital tradicional en sí misma (Azoulay et al., 2024). Ejemplo: Solo un pequeño número de empresas en el mundo pueden asegurar clústeres de GPU capaces de entrenar modelos de última generación, y tanto el poder financiero como la cadena de suministro se convierten en barreras.

• Economías de escala: Cuantos más usuarios haya, mayor es la tasa de utilización de la infraestructura de inferencia y menor es el costo unitario, lo que otorga ventaja al pionero en la competencia de precios. Ejemplo: Las grandes empresas de modelos fundamentales pueden proporcionar inferencia de rendimiento similar a un costo menor que los retrasados, y pueden llevar la competencia de precios de API a una guerra de poder.

• Acumulación de datos y bucles de aprendizaje: La estructura en la que la retroalimentación obtenida del diálogo con los usuarios (RLHF, etc.) se retroalimenta en la mejora del modelo es una candidata potencial para un Moat tipo bucle de aprendizaje de datos. Sin embargo, el documento de NBER evalúa cautelosamente que "aún no se puede afirmar con certeza" si este bucle realmente genera efectos de red de datos sostenibles (Azoulay et al., 2024).

• Diferenciación de marca y producto: El posicionamiento en la mente del consumidor de "IA = este producto" es un Moat de marca clásico. Ejemplo: ChatGPT se ha convertido en sinónimo de IA generativa, y aunque el rendimiento se iguale, mantiene el primer recuerdo entre los usuarios.

• Ocupación de canales de distribución: Si se controla la instalación estándar (posición por defecto) en sistemas operativos, navegadores y software empresarial, los retrasados no pueden llegar a los usuarios antes que nada sobre el rendimiento. Ejemplo: Google integra su IA en Android y búsqueda, Microsoft en Windows y Office, convirtiendo el poder de distribución en sí en una barrera.

• Encierro del ecosistema y activos complementarios: Cuando los activos de desarrolladores externos se acumulan sobre un grupo de API, herramientas y complementos, cambiar de modelo significa migrar todo el ecosistema. Ejemplo: Como lo demostró CUDA de NVIDIA, la acumulación de habilidades y código de los desarrolladores se convierte en una barrera que supera el rendimiento individual.

• Ocupación de recursos escasos y talento (Cornered Resources): Los investigadores de vanguardia en el mundo son escasos, numerando solo algunos cientos, y su ocupación corresponde a lo que Helmer denomina cornered resources (Helmer, 2016; Azoulay et al., 2024). Ejemplo: Los principales laboratorios de IA ofrecen a los investigadores compensaciones del orden de cientos de millones de yenes, encerrando el talento en sí.

• Política gubernamental, regulación y licencias: La conformidad con la regulación de IA en cada país y la construcción de relaciones con el gobierno se están convirtiendo en un costo de entrada para los retrasados. Ejemplo: En mercados altamente regulados como finanzas, medicina y gobierno, se favorece a las empresas que establecieron primero sistemas de auditoría y cumplimiento normativo.

El Moat de la IA de propósito general no es "los pesos del modelo", sino un conjunto de activos complementarios como barreras de capital, economías de escala, bucles de datos, marca, distribución, ecosistema y talento, y estructuralmente funcionan las mismas dinámicas (Moats antiguos) que en las guerras de supremacía pasadas de sistemas operativos y computación en la nube (Azoulay et al., 2024).

Moat de agentes de IA especializada (por industria, vertical)

Los agentes de IA especializada que reemplazan operaciones en industrias específicas como derecho, medicina, construcción y finanzas corren el riesgo de ser "engullidos" por mejoras en el rendimiento de modelos generales (el llamado problema del wrapper de GPT), pero existe junto a él. Sin embargo, el análisis de profesionales muestra que colocando la fuente de defensa fuera del modelo, podría construirse un Moat incluso más fuerte que el SaaS (a16z, 2026; VC Cafe, 2026).

• Integración en operaciones y flujos de trabajo: Cuando se replican en el producto procedimientos operativos específicos de la industria, manejo de excepciones y coordinación entre partes interesadas, el valor reside no en el "modelo" sino en el "flujo de trabajo", por lo que no se imita aunque se actualice el modelo fundamental (a16z, 2026). Ejemplo: Harvey, un IA jurídica, abandonó el desarrollo de modelos propios y cambió su estrategia a competir por la profundidad de integración en los flujos de trabajo de los despachos de abogados.

• Acumulación de datos y bucles de aprendizaje: Los datos específicos de la industria acumulados a través del procesamiento de operaciones no existen en los datos de entrenamiento de modelos generales, y si el bucle de "usar → acumular → mejorar precisión → usar más" se pone en marcha, se convierte en un Moat sostenible (Hagiu & Wright, 2023). Ejemplo: Un producto donde la tasa de automatización y precisión en operaciones mejore continuamente con el bucle de aprendizaje se convierte en barrera en sí el tiempo que tarda en que un retrasado alcance la misma precisión.

• Contraposicionamiento: Los agentes especializados son "Software como Servicio" que compiten no con presupuestos de TI sino con presupuestos de nómina, y los grandes proveedores de SaaS existentes que facturan por número de asientos no pueden pasar a facturación basada en desempeño de "operaciones completadas o horas reducidas" sin destruir su propio modelo de ingresos (Helmer, 2016; VC Cafe, 2026). Ejemplo: Lo que los despachos de abogados pagan a EvenUp para litigios de lesiones personales no es una tarifa de licencia sino una contraprestación por los productos de trabajo de los asistentes legales, y la facturación vinculada a horas reducidas alinea el efecto en el P/L del cliente con los ingresos propios, generando resistencia a presiones de precios.

• Costos de cambio (switching costs): Si se logra acumular en la empresa el registro maestro de datos operacionales (System of Record), cambiar significa migrar toda la base operativa, y el agente se convierte en la propia base de datos de la industria más allá de su función de agente. Ejemplo: En la historia del SaaS vertical, las empresas que controlaron la verdad en pagos y registros (Toast, Veeva, etc.) construyeron el Moat más sólido, y se espera que los agentes especializados sigan el mismo camino.

• Contratos a largo plazo, certificación y requisitos de antecedentes: En industrias reguladas, los costos de entrada no relacionados con la tecnología son grandes —conformidad de auditoría, responsabilidad por indemnización, relaciones con organismos profesionales, historial de implementación—, y esto se convierte en defensa de los especializados. Ejemplo: Para uso en operaciones de medicina, arquitectura y finanzas se requieren como requisito previo conformidad con regulaciones específicas de la industria e historial, algo que no puede superarse con expansión horizontal de aplicaciones genéricas.

• Dominio monopólico temprano de un nicho de mercado: Dominar primero un mercado demasiado estrecho para que los grandes entren —una industria y operación específicas— y luego expandirse a operaciones adyacentes es exactamente lo que Thiel llama nicho de monopolio temprano (Masters & Thiel, 2014). Ejemplo: Legora, un IA legal, se concentró en la industria legal y alcanzó ARR de 100 millones de dólares en 18 meses, y Bessemer lo evaluó como el crecimiento más rápido en la historia del software empresarial.

Los mercados de capital también están comenzando a incorporar la presencia o ausencia de este Moat. Según las observaciones de profesionales, los agentes especializados con flujos de datos de flujo de trabajo propio se valúan en 15-20 veces el ARR, mientras que las aplicaciones genéricas que pueden quedar obsoletas de un día para otro con actualizaciones de modelos se mantienen solo en 3-4 veces (VC Cafe, 2026).

Síntesis de la investigación y perspectivas de profesionales más recientes

La investigación reciente sobre Moat avanza en cuatro direcciones principales.

Investigación empírica: ¿Realmente los Moats sustentan ganancias?

• Los Moats de activos intangibles mantienen retornos más sostenibles: Un estudio que analizó datos de más de 25,000 empresas durante 60 años (1963-2023) mostró que las industrias con Moats de activos intangibles y tipo red pueden mantener tasas de rendimiento del capital invertido (ROIC) altas con inversión adicional menor durante períodos largos. Además, las empresas con múltiples Moats superpuestos tienen ventaja más sostenible que aquellas que dependen de un Moat único (Mauboussin & Callahan, 2024).

• El desempeño de inversión del "Moat" se apoya condicionalmente: Una serie de estudios que verificaron empresas certificadas con "amplio Moat" por Morningstar confirmó consistentemente la sostenibilidad del retorno empresarial (ROIC) en empresas con Moat, pero mostró que el exceso de retorno de precio de acciones está limitado a "casos donde el mercado aún no ha incorporado el Moat" (Boyd, 2005; VanEck, 2025). Es necesario notar que la calidad del negocio y el retorno de inversión son cuestiones separadas.

Plataformas digitales y política de competencia

• La "construcción de Moat" se convirtió en un tema formal de política de competencia: El comité de competencia de la OCDE organizó que cuanto más profundos sean los mercados con Moats como economías de escala y efectos de red, más fácilmente las empresas dominantes mantienen poder de mercado a largo plazo, y posicionó las estrategias de construcción y defensa deliberadas de Moat (entrenchment) por plataformas dominantes como objeto de vigilancia por autoridades regulatorias (OECD, 2024). El Moat para un negociante es, por un lado, un objeto de vigilancia para un regulador.

• La relación de fuerzas entre costos de cambio y efectos de red decide la competencia: La investigación teórica de competencia de plataformas modeló que cuanto más fuerte sea relativamente el costo de cambio del usuario respecto a efectos de red, más se sostiene la ventaja de la empresa existente, y cuanto más débil, más puede ocurrir una inversión de retrasados (He & Li, 2023). Es decir, cuando los costos de cambio son más fuertes que los efectos de red, aunque los retrasados saquen un producto mejor a menor precio, los usuarios no se mueven por el dolor de migración individual. Ejemplos incluyen bases de datos centrales, cuentas bancarias y ERP. Por el contrario, cuando los efectos de red son relativamente más fuertes y el costo individual de cambio es ligero, si un retrasado corta un grupo (por ejemplo, gente joven o una comunidad específica) con subsidios o nuevas funciones, ocurre una "inversión de expectativas" de que "todos se están yendo hacia allá", y el mercado completo puede volcarse de un golpe. Los movimientos de MySpace a Facebook y de Facebook a TikTok entre usuarios jóvenes son típicos; como las redes sociales solo requieren recrear una cuenta, el costo de migración individual es ligero, facilitando avalanchas.

• Avanza la evidencia empírica midiendo la "intensidad" de efectos de red: Apareció investigación que usa experimentos naturales de fusiones de plataformas para estimar cuantitativamente la intensidad de efectos de red, e investigación de medición en redes sociales. Se ha entrado en una etapa donde los efectos de red deben evaluarse no por "presencia o ausencia" sino por "cuán fuertes" (Chen et al., 2021; Gregory et al., 2021).

Controversia sobre Moat en la era de la IA generativa

• Planteamiento de que "la IA generativa no tiene Moats sistemáticos": a16z analizó en 2023 el mercado de IA generativa y señaló que "como las aplicaciones usan el mismo modelo, la diferenciación es débil; como los modelos se entrenan con datos similares, la diferenciación a largo plazo es unclear; e incluso el hardware se fabrica en la misma fábrica", concluyendo que no se encuentran Moats sistemáticos en este momento (Bornstein et al., 2023). Este análisis se convirtió en el punto de partida de la controversia sobre Moat en la era de la IA.

• La economía de la innovación sistematiza "los Moats antiguos funcionan en nuevos modelos": Un artículo de NBER de investigadores del MIT y Harvard analiza el entorno competitivo de la IA generativa mediante el marco clásico de "apropiabilidad (¿se puede monopolizar el conocimiento?)" y "activos complementarios (¿controlan las empresas existentes los recursos necesarios para la entrada, como poder de cálculo, datos y canales de distribución?)", argumentando que aunque la imitación del modelo en sí es fácil, los activos complementarios como recursos computacionales, datos propios y puntos de contacto con clientes se convierten en Moats reales (Azoulay et al., 2024).

• La ilusión del "Moat de datos" y la esencia del aprendizaje iterativo: Casado y otros de a16z advirtieron que los datos en sí son copiables y pierden valor rápidamente, por lo que la "cantidad de datos" no es un Moat tan fuerte como se pensaba (Casado & Lauten, 2019). La investigación teórica también lo respalda, mostrando que el aprendizaje a través de datos genera un Moat solo cuando el ciclo "uso → acumulación de datos → mejora del producto → mayor uso" continúa girando (Hagiu & Wright, 2023).

• El Moat de aplicaciones de IA se traslada a "flujo de trabajo, contexto y ecosistema": a16z sistematizó en su reporte de 2026 que, mientras los modelos se comoditizan, el Moat de aplicaciones de IA surge de: ① integración profunda en las operaciones del cliente (flujo de trabajo), ② acumulación de contexto y datos específicos del cliente, ③ integración con el ecosistema (a16z, 2026). Se reevalúan el costo de cambio clásico y la construcción de integración, en lugar de la competencia de rendimiento en modelos base.

• "Permanencia sobre Moat", una contrargumentación de profesionales: SignalFire, un VC, sostuvo que en un mercado de IA que cambia demasiado rápido, la idea misma de probar el Moat desde el primer día está rota, y que el Moat se forma retroactivamente mientras se continúa el negocio, proponiendo optimizar por "seguir existiendo mientras se resuelven los problemas del cliente" antes que por defensibilidad (SignalFire, 2025). El marco de Helmer también sostiene que los Moats construibles varían según la fase del negocio (posicionamiento contario en fase de despegue, poder de proceso en fase madura, etc.), alineado con esta perspectiva (Helmer, 2016).

Sistematización como teoría estratégica

• De las 7 barreras de Porter a los 7 Poderes de Helmer: Frente a las barreras de entrada a nivel de industria de Porter (1980) —economías de escala, diferenciación de producto, capital, costos de cambio, distribución, ventaja de costo, política gubernamental—, Helmer (2016) reorganizó la ventaja competitiva sostenida a nivel empresarial en 7 tipos —economías de escala, efectos de red, posicionamiento contario, costos de cambio, marca, recursos acorralados, poder de proceso—, introduciendo un eje temporal de "qué Moat puede construirse en cada fase del negocio".

• La Visión Basada en Recursos (RBV) proporciona la base teórica: La persistencia del Moat se explica por si los recursos cumplen con las condiciones VRIO (valor, rareza, dificultad de imitación, aprovechamiento organizacional) (Barney, 1991). Se sabe que los Moats con "ambigüedad causal" como capacidades organizacionales son menos imitables que barreras legales como patentes.

Conclusión

Se considera que los negocios sin ninguno de los 19 Moats enumerados aquí, incluso si tienen éxito, tienden a ver que las ganancias desaparecen cuando son imitados. Los negocios excelentes superponen múltiples Moats; por ejemplo, NVIDIA combina "ecosistema + tecnología propia + escala", Amazon combina "escala + bloqueo de Prime + canal". La investigación empírica también muestra que las empresas que superponen múltiples Moats mantienen ventajas más sostenibles (Mauboussin & Callahan, 2024).

Los Moats normalmente no existen en el momento de la fundación; no se prueban el primer día sino que se forman después de años de resolver problemas. Especialmente en la era de la IA, el rendimiento del modelo en sí es poco probable que sea un Moat (la comoditización es rápida), y el centro del Moat se ha desplazado hacia bucles de aprendizaje de datos específicos de la industria, integración profunda en flujos de trabajo de clientes, y activos complementarios como poder de cálculo y canales de distribución. Simultáneamente, en mercados que cambian rápidamente, el diseño del eje temporal (lo que Thiel llama Diseño Inteligente) de no exigir demasiado el Moat desde el primer día, sino ir acumulando múltiples Moats gradualmente mientras se continúa resolviendo los problemas del cliente, se vuelve esencial.

Referencias

• a16z (Andreessen Horowitz). (2026). Where the moats are: AI application report. (Reporte práctico que sistematiza el Moat de aplicaciones de IA en tres puntos —flujo de trabajo, datos de contexto, ecosistema— asumiendo la comoditización de modelos)

• Azoulay, P., Krieger, J. L., & Nagaraj, A. (2024). Old moats for new models: Openness, control, and competition in generative AI. NBER Working Paper 32474. (Analiza el entorno competitivo de IA generativa mediante el marco clásico de apropiabilidad y activos complementarios, argumentando que recursos computacionales, datos y puntos de contacto con clientes se convierten en Moats reales)

• Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120. (Artículo fundacional de la Visión Basada en Recursos que explica la ventaja competitiva sostenida desde el valor, rareza, dificultad de imitación y aprovechamiento organizacional (VRIO) de los recursos)

• Bornstein, M., Appenzeller, G., & Casado, M. (2023). Who owns the generative AI platform? Andreessen Horowitz. (Análisis de la cadena de valor de la IA generativa que señaló "actualmente no hay Moats sistemáticos", convirtiéndose en punto de partida del debate sobre Moats en la era de la IA)

• Boyd, D. (2005). Financial performance of wide-moat companies. (Investigación empírica temprana que verificó el desempeño financiero del grupo de empresas certificadas como "fosos amplios" por Morningstar)

• Casado, M., & Lauten, P. (2019). The empty promise of data moats. Andreessen Horowitz. (Argumentación que advierte que la cantidad de datos en sí es poco probable que sea un Moat, y que la verdadera esencia es la curva de economías de escala y el diseño del bucle de aprendizaje)

• Chen, T., et al. (2021). Measuring network effects using a digital platform merger. NBER Working Paper 28047. (Artículo empírico que estimó cuantitativamente la fuerza de los efectos de red usando un experimento natural de fusión de plataforma)

• Christensen, C. M. (1997). The innovator's dilemma. Harvard Business School Press. (Clásico que demostró la estructura en la que las empresas excelentes no pueden seguir la tecnología disruptiva, proporcionando base teórica para el posicionamiento contario)

• Gregory, R. W., Henfridsson, O., Kaganer, E., & Kyriakou, H. (2021). Data network effects. HBS Working Paper 21-086. (Investigación que intentó medir la fuerza de los efectos de red en redes sociales)

• Hagiu, A., & Wright, J. (2023). Data-enabled learning, network effects, and competitive advantage. RAND Journal of Economics, 54(4). (Artículo que sistematizó teóricamente cuándo el aprendizaje a través de datos se convierte en ventaja competitiva sostenida (Moat))

• He, S., & Li, M. (2023). Switching cost, network externality and platform competition. International Review of Economics & Finance, 84, 428-443. (Artículo que modeló que la fuerza relativa de costos de cambio y efectos de red determina la ventaja del incumbente en competencia de plataformas)

• Helmer, H. (2016). 7 Powers: The foundations of business strategy. Deep Strategy LLC. (Libro de estrategia que definió Moat como "coincidencia de beneficio y barrera", clasificó la ventaja competitiva sostenida en 7 poderes y sistematizó cuándo construir cada uno según la fase del negocio)

• Hoffman, R., & Yeh, C. (2018). Blitzscaling. Currency. (Obra que discute estrategia de crecimiento rápido en mercados de ganador total y cómo la construcción de infraestructura propia en mercados emergentes se convierte en Moat)

• Katz, M. L., & Shapiro, C. (1985). Network externalities, competition, and compatibility. American Economic Review, 75(3), 424-440. (Artículo fundacional que se convirtió en el punto de partida del análisis económico de externalidades de red)

• Klemperer, P. (1995). Competition when consumers have switching costs. Review of Economic Studies, 62(4), 515-539. (Artículo representativo de la economía que sistematizó el impacto de los costos de cambio en la competencia de mercado y la entrada)

• Masters, B., & Thiel, P. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business. (Obra para emprendedores que presenta los 4 elementos del monopolio (tecnología propia, efectos de red, economías de escala, marca) y estrategia de ocupación de nicho para obtener monopolio)

• Mauboussin, M. J., & Callahan, D. (2024). Measuring moats. Morgan Stanley Counterpoint Global Insights. (Gran reporte empírico que analizó la relación entre tipo de Moat y persistencia de ROIC a partir de datos de 60 años y más de 25,000 empresas)

• McKelvey, J. (2020). The innovation stack. Portfolio. (Obra en la que el fundador de Square discute cómo un "paquete de innovación" imposible de imitar rechazó incluso la entrada de Amazon)

• OECD. (2024). Monopolisation, moat building and entrenchment strategies. OECD Competition Policy Papers. (Reporte que sistematizó "construcción de Moat" y fijación de poder dominante en mercados digitales desde la perspectiva de política de competencia)

• Parker, G. G., & Van Alstyne, M. W. (2005). Two-sided network effects: A theory of information product design. Management Science, 51(10), 1494-1504.（Artículo fundamental que teoriza los efectos de red en mercados de dos lados y el diseño de plataformas）

• Porter, M. E. (1980). Competitive strategy: Techniques for analyzing industries and competitors. Free Press.（Obra clásica de la teoría de estrategia competitiva que sistematiza los cinco factores competitivos y siete barreras de entrada）

• SignalFire. (2025). Moats are for castles: A new argument for permanence over defensibility in AI startups.（Análisis de un VC que argumenta que en mercados de IA de rápido cambio, la búsqueda de prueba de Moat desde el primer día no es funcional, y se debe priorizar la optimización hacia la permanencia del negocio）

• VanEck. (2025). What makes a moat? Morningstar's five sources of moat.（Documento técnico que organiza la relación entre las cinco categorías de Moat de Morningstar（activos intangibles, costos de cambio, efectos de red, ventaja de costos, escala eficiente）y los resultados de inversión）