Moat kinh doanh theo nghiên cứu mới nhất：AI đa năng và các agent AI chuyên biệt tạo ra những rào cản cạnh tranh nào

Lời mở đầu

Khi nhu cầu lớn và có thể sử dụng các công nghệ phức tạp, số lượng dịch vụ cạnh tranh sẽ ít (cung ứa ít), do đó lợi nhuận của dịch vụ sẽ lớn hơn. Tuy nhiên, theo thời gian, do sự thay đổi của nhu cầu theo biến đổi môi trường bên ngoài và sự gia tăng của các dịch vụ cạnh tranh do sự phổ biến hoặc lạc hậu của công nghệ, tỷ suất lợi nhuận sẽ giảm dần, gần tiếp cận trạng thái của thị trường cạnh tranh hoàn toàn nơi lợi nhuận (lợi nhuận kinh tế) bằng 0 (doanh thu và chi phí gần như trùng nhau).

Để duy trì mức lợi nhuận cao của dịch vụ hoặc duy trì khoảng thời gian tỷ suất lợi nhuận cao, chúng tôi thiết kế và xây dựng Moat (hàng rào kinh tế) của dịch vụ. Khi nhìn vào các công ty đã phát triển đến quy mô hàng đầu thế giới trong một thế hệ (Microsoft, Amazon, Google, NVIDIA, v.v.), ngoài việc có sản phẩm xuất sắc, việc xây dựng một cấu trúc mà các công ty khác không thể tham gia trong một khoảng thời gian dài là yếu tố chính dẫn đến sự tăng trưởng nhanh chóng. Buffett đã so sánh cấu trúc này với "hàng rào" bảo vệ lâu đài, gọi nó là Moat, và đặt nó vào trung tâm của các quyết định đầu tư của mình.

Ở đây, dựa trên các nghiên cứu học thuật gần đây và quan điểm của các chuyên gia thực tiễn, chúng tôi sắp xếp Moat thành 5 danh mục và 19 mục. Chúng tôi cũng bao gồm thông tin về Moat của AI đa năng gần đây và AI Agent chuyên biệt theo chiều dọc.

Định nghĩa của Moat

Về khái niệm Moat là gì, nó được hiểu như sau trong nghiên cứu và thực tiễn.

• Yếu tố cấu trúc cản trở những người tham gia mới cạnh tranh dưới cùng điều kiện với các công ty hiện có：Porter đã sắp xếp 7 yếu tố sau đây làm rào cản tham gia: nền kinh tế quy mô, sự khác biệt của sản phẩm, vốn, chi phí chuyển đổi, kênh phân phối, ưu thế chi phí, chính sách của chính phủ (Porter, 1980)。

• Điều kiện tạo ra lợi tức cao hơn liên tục so với các công ty cạnh tranh và không thể bắt chước：Helmer định nghĩa Moat (trong thuật ngữ của ông là Power) là "thứ thỏa mãn cả lợi ích (benefit) và rào cản (barrier)". Nếu chỉ có lợi ích thì chỉ là một điểm mạnh, nếu chỉ có rào cản thì là sự phòng thủ không có lợi nhuận, và chỉ khi cả hai cùng có mặt thì mới tạo thành Moat (Helmer, 2016)。

• Tài nguyên thỏa mãn "giá trị, độc đáo, khó bắt chước, khai thác tổ chức"：Trong Resource-Based View (RBV), chỉ các tài nguyên thỏa mãn 4 điều kiện VRIO mới mang lại lợi thế cạnh tranh bền vững (Barney, 1991)。

• Từ góc độ nhà đầu tư là "sự bền vững của ROIC cao"：Trong thực tiễn, sự có/không có Moat được đo lường bằng cách tính xem có thể duy trì ROIC (tỷ suất lợi nhuận trên vốn đầu tư) vượt quá chi phí vốn trong bao lâu (Mauboussin & Callahan, 2024; Morningstar/VanEck, 2025)。

Do đó, Moat có thể được định nghĩa là "một cơ chế cản trở cấu trúc những nỗ lực bắt chước/tham gia của các công ty cạnh tranh, và duy trì lợi tức vượt trội trong thời gian dài".

Các loại Moat và ví dụ cụ thể

Moat dựa trên cấu trúc chi phí

Đây là rào cản tạo ra tình trạng những người tham gia mới không thể vận hành kinh doanh với cùng chi phí như các công ty hiện có.

• Nền kinh tế quy mô：Khi quy mô sản xuất, mua hàng, và vận chuyển mở rộng, chi phí trên một đơn vị giảm, và những người tham gia muộn không thể đưa ra cùng mức giá (Porter, 1980; Helmer, 2016)। Ví dụ: Amazon với mạng lưới vận chuyển toàn cầu lớn nhất và quy mô AWS, những người tham gia muộn không thể tái tạo cùng giá và tốc độ giao hàng.

• Đầu tư ban đầu khổng lồ (rào cản vốn)：Sự tham gia yêu cầu đầu tư ban đầu khổng lồ, và rủi ro hoàn vốn làm những người tham gia mới do dự (Porter, 1980)। Ví dụ: Một nhà máy chip tiên tiến của TSMC yêu cầu hơn 2 nghìn tỷ yên trên một tòa nhà, và hầu như không có công ty có tài chính để theo kịp. Phát triển mô hình nền tảng cho AI generative cũng đang trở thành rào cản tương tự thông qua đầu tư hàng trăm tỷ yên vào tài nguyên tính toán (Azoulay et al., 2024)।

• Ưu thế chi phí không liên quan đến quy mô (đường cong kinh nghiệm, tài nguyên độc quyền)：Sự thành thạo từ sản lượng tích lũy, nguyên vật liệu độc quyền, vị trí, ưu đãi, v.v., là những ưu thế chi phí mà tiền bạc không thể mua được (Porter, 1980)। Ví dụ: SpaceX thông qua kinh nghiệm tích lũy tái sử dụng tên lửa (thu hồi thân tên lửa đã phóng lên, bảo dưỡng và phóng lại), đã thực hiện chi phí phóng ở mức chỉ bằng một vài phần của các đối thủ cạnh tranh.

• Chính sách, quy định, giấy phép của chính phủ：Giấy phép, chế độ, sóng vô tuyến, phê duyệt dược phẩm, v.v., bản thân chế độ sẽ hạn chế số lượng những người tham gia (Porter, 1980)। Ví dụ: Các nhà cung cấp viễn thông được bảo vệ bởi giấy phép sóng hữu hạn, và các quốc gia vẫn duy trì độc quyền thực tế của vài công ty.

Moat thông qua khóa khách hàng

Đây là rào cản tạo ra tình trạng khách hàng "muốn chuyển đổi nhưng không thể chuyển đổi".

• Chi phí chuyển đổi：Khách hàng không thể chuyển sang công ty khác mà không gặp sự đau đớn từ di chuyển dữ liệu, tái học tập, gián đoạn kinh doanh (Klemperer, 1995; Helmer, 2016)। Ví dụ: Cơ sở dữ liệu ứng dụng chính của Oracle có rủi ro di chuyển quá lớn, vì vậy nó không bị hủy bỏ trong nhiều chục năm mặc dù giá cao.

• Nhúng vào quy trình công việc và quy trình làm việc：Sản phẩm của chính mình được tích hợp vào lõi của các quy trình công việc hàng ngày của khách hàng, và "nếu tháo gỡ sẽ làm gián đoạn kinh doanh" (tình trạng). Ví dụ: Salesforce được tích hợp vào toàn bộ quy trình công việc của tổ chức bán hàng, do đó nó không bị thay thế bằng so sánh đơn giản về các tính năng. a16z đã nêu "sâu sắc của quy trình làm việc" này là một trong những nguồn gốc của Moat của các ứng dụng AI trong báo cáo năm 2026 (a16z, 2026)।

• Thương hiệu và sự khác biệt của sản phẩm：Tài sản tâm lý mà khách hàng mua theo tên không có so sánh giá (Porter, 1980; Masters & Thiel, 2014)। Ví dụ: Apple được chọn với giá cao hơn cùng thông số kỹ thuật của các công ty cạnh tranh, và chiếm phần lớn lợi nhuận của ngành điện thoại thông minh.

• Hợp đồng dài hạn, chứng chỉ, yêu cầu thành tích：Như một thủ tục đấu thầu trong ngành, hợp đồng dài hạn, chứng chỉ, và yêu cầu thành tích là bắt buộc, và những người tham gia mới không thể nằm trên sàn đấu giá (tình trạng). Ví dụ: Trong ngành hàng không và thiết bị y tế, việc lấy chứng chỉ mất vài năm, do đó các công ty hiện có có kinh nghiệm tiếp tục nhận đơn đặt hàng hầu như vĩnh viễn.

Moat thông qua Mạng lưới và Nền tảng

Đây là rào cản trong đó giá trị tăng lên khi số lượng người dùng tăng lên, và nhu cầu tự sinh sản và tập hợp với các công ty tiên phong.

• Hiệu ứng mạng (trực tiếp)：Khi số lượng người dùng tăng lên, giá trị của chính sản phẩm tăng lên, và nhu cầu tự sinh sản và tập hợp với người tiên phong (Katz & Shapiro, 1985; Masters & Thiel, 2014)। Ví dụ: Facebook thông qua hiệu ứng mạng trực tiếp là "sử dụng vì bạn bè ở đó", và đã vượt qua các SNS sau này có tính năng tốt hơn.

• Hiệu ứng mạng hai mặt (nền tảng)：Một vòng lặp nơi phía cung cấp (nhà phát triển, người bán) và phía nhu cầu (người dùng) gọi lẫn nhau (Parker & Van Alstyne, 2005)। Ví dụ: Windows duy trì thị phần OS trên 90% thông qua vòng lặp hai chiều "người dùng nhiều nên phần mềm được tạo, phần mềm nhiều nên người dùng tăng", và ngay cả trong vụ kiện độc quyền của Mỹ, "rào cản ứng dụng" này được công nhận là cốt lõi của độc quyền.

• Hệ sinh thái và sự bao quanh của các hàng hóa bổ sung：Một hệ sinh thái của công cụ, nhân tài, giáo dục, và các sản phẩm xung quanh được phát triển xung quanh sản phẩm của chính mình, và tổng thể trở thành không thể chuyển đổi (Azoulay et al., 2024)। Ví dụ: CUDA của NVIDIA đã trở thành kỹ năng và tài sản mã của các nhà phát triển AI trên toàn thế giới, và nó đã trở thành rào cản vượt quá cạnh tranh hiệu suất GPU đơn lẻ.

• Tích lũy dữ liệu và vòng lặp học tập：Khi được sử dụng, dữ liệu độc quyền tích lũy và độ chính xác của sản phẩm tăng lên, và sự chênh lệch so với những người tham gia muộn tự động mở rộng (Hagiu & Wright, 2023)। Ví dụ: Tìm kiếm Google tiếp tục nâng cao độ chính xác bằng dữ liệu hành vi tìm kiếm từ hàng chục năm, và những người tham gia muộn không thể đạt được cùng chất lượng. Tuy nhiên, như được mô tả dưới đây, nghiên cứu gần đây đã làm rõ rằng bản chất của dữ liệu không phải là "số lượng giữ lại" mà là "vòng lặp học tập có đang hoạt động hay không".

Moat thông qua Tài sản Vô hình

Đây là rào cản do các tài sản vô hình như luật pháp và khả năng tổ chức.

• Công nghệ độc quyền / Bằng sáng chế (ưu thế gấp 10 lần)：Sở hữu công nghệ độc quyền tốt hơn hơn gấp 10 lần so với các phương pháp thay thế hiện có về chi phí hoặc thời gian thực hiện, hoặc Moat thông qua bằng sáng chế cấm bắt chước về mặt pháp lý (Masters & Thiel, 2014)। Ví dụ: Các công ty phát triển thuốc có thể thu được doanh thu hàng năm là hàng nghìn tỷ yên từ một loại thuốc duy nhất trong thời kỳ bằng sáng chế dưới sự độc quyền pháp lý.

• Sự chiếm đoạt các tài nguyên hiếm / Nhân tài (Cornered Resources)：Tình trạng mà chỉ có công ty của chính mình mới có tài nguyên, nguồn cấp, và nhân tài không thể thiếu cho kinh doanh (Helmer, 2016)। Ví dụ: ASML là công ty duy nhất trên thế giới sản xuất thiết bị EUV lithography, và cả ngành công nghiệp bán dẫn không thể tránh khỏi sự phụ thuộc vào công ty này (độ khó của công nghệ cao, đầu tư ban đầu khổng lồ, độc quyền chuỗi cung ứng, v.v.). Trong AI generative, sự chiếm đoạt các nhà nghiên cứu hàng đầu và tài nguyên tính toán quy mô lớn (nhân tài hàng đầu, GPU, và các hợp đồng khổng lồ với đám mây) đang hoạt động như một Moat cùng loại (Azoulay et al., 2024)।

• Quyền lực quy trình (Khả năng tổ chức)：Quy trình kinh doanh được cải thiện trong nhiều năm và thấm vào tổ chức, không thể bắt chước ngay cả khi được lập tài liệu (Helmer, 2016; Barney, 1991)। Ví dụ: Phương pháp sản xuất Toyota được công khai thậm chí bao gồm cả tham quan nhà máy, nhưng sau hàng chục năm, các công ty khác vẫn không thể tái tạo được cùng mức độ.

Moat thông qua Cấu trúc thị trường và Chiến lược

Đây là trường hợp trong đó cách chọn thị trường và thiết kế mô hình kinh doanh chính nó trở thành rào cản.

• Độc quyền tiên phong trên thị trường hẻo lánh：Chiến lược chiếm lĩnh sớm một thị trường quá nhỏ để các công ty lớn tham gia, nhưng nếu tự mình kiểm soát, nó sẽ trở thành điểm khởi đầu để mở rộng (Masters & Thiel, 2014)। Ví dụ: Amazon lần đầu tiên hoàn toàn kiểm soát thị trường "bán sách trực tuyến" hẹp, sau đó mở rộng sang tất cả các danh mục sản phẩm.

• Định vị ngược：Mô hình kinh doanh mà các công ty lớn hiện có "không thể theo kịp vì nó sẽ phá hủy kinh doanh hiện tại của chính mình" (Helmer, 2016; Christensen, 1997)। Ví dụ: Netflix với dịch vụ đăng ký định mức, Blockbuster có lợi từ phí quá hạn không thể theo kịp.

• Chiếm giữ kênh phân phối：Kiểm soát lộ trình tiếp cận khách hàng (kệ, đại lý, cửa hàng ứng dụng, kết quả tìm kiếm), và những người tham gia muộn không thể tiếp cận khách hàng (Porter, 1980)། Ví dụ: Coca-Cola kiểm soát máy bán hàng, nhà hàng, và kệ bán lẻ trên toàn thế giới, vì vậy các sản phẩm sau này không thể được nhìn thấy bởi khách hàng trước khi so sánh hương vị.

• Chồng chập Đổi mới (Moat phức hợp)：Thay vì một thủ thuật đơn lẻ, xây dựng một "gói" của nhiều đổi mới bổ sung cho nhau, tạo ra tình trạng mà sự bắt chước một phần không hoạt động (McKelvey, 2020)। Ví dụ: Square (một dịch vụ cho phép các cửa hàng và mạng lưới thanh toán dễ dàng bằng thẻ tín dụng bằng điện thoại thông minh và trình đọc chuyên dụng) đã chiến thắng thậm chí sự tham gia của Amazon thông qua một gói khoảng mười đổi mới bổ sung cho nhau như phần cứng độc quyền, cấu trúc phí, và phê duyệt tức thì.

• Xây dựng cơ sở hạ tầng tự làm trên thị trường mới nổi：Chiến lược xây dựng thanh toán, vận chuyển, v.v. tự làm trên thị trường có cơ sở hạ tầng không đầy đủ, và bản thân nó trở thành bức tường với những người tham gia muộn (Hoffman & Yeh, 2018)। Ví dụ: Mercado Libre đã xây dựng mạng lưới thanh toán và mạng lưới vận chuyển tự làm ở Nam Mỹ, làm cho nó trở thành rào cản mà ngay cả Amazon cũng không dễ dàng giải quyết.

Moat của kinh doanh AI

Moat của AI đa năng (mô hình nền tảng)

Các mô hình nền tảng (foundation model) dùng chung được phát triển bởi OpenAI, Anthropic, Google và những công ty khác đang hoạt động trong môi trường cạnh tranh gay gắt, nơi mà "hiệu suất của chính mô hình không dễ trở thành Moat" (Bornstein et al., 2023). Điều này là do các mô hình được huấn luyện với kiến trúc tương tự và dữ liệu tương tự nên hiệu suất dễ dàng hội tụ, đồng thời sự theo kịp của các mô hình mã nguồn mở cũng rất nhanh. Theo phân tích của kinh tế học đổi mới, Moat của AI dùng chung không nằm ở mô hình mà nằm ở các "tài sản bổ sung" xung quanh nó (Azoulay et al., 2024).

• Đầu tư ban đầu khổng lồ (rào cản vốn): Huấn luyện các mô hình tiên tiến đòi hỏi khoản đầu tư cơ sở hạ tầng tính toán ở quy mô hàng trăm tỷ đến hàng nghìn tỷ yên, điều này chính là rào cản vốn truyền thống (Azoulay et al., 2024). Ví dụ: chỉ có vài công ty trên thế giới có thể đảm bảo được cụm GPU để huấn luyện các mô hình tiên tiến, và cả khả năng tài chính lẫn mạng lưới cung cấp đều trở thành bức tường.

• Kinh tế quy mô: Càng có nhiều người sử dụng thì tốc độ sử dụng cơ sở hạ tầng suy diễn càng cao và chi phí đơn vị càng thấp, do đó trong cuộc cạnh tranh giá, những người tiên phong có lợi thế. Ví dụ: các công ty nền tảng hàng đầu có thể cung cấp suy diễn có hiệu suất tương đương với chi phí rẻ hơn những công ty sau đó, và họ có thể dẫn cuộc cạnh tranh giảm giá API vào trận đấu sức mạnh.

• Tích lũy dữ liệu và vòng lặp học tập: Cấu trúc trong đó phản hồi từ đối thoại với người dùng (như RLHF, v.v.) được quay lại để cải thiện mô hình là một ứng cử viên Moat kiểu vòng lặp dữ liệu học tập. Tuy nhiên, bài báo NBER đánh giá một cách thận trọng rằng liệu vòng lặp này có thực sự tạo ra hiệu ứng mạng dữ liệu bền vững hay không vẫn "chưa có thể khẳng định được" (Azoulay et al., 2024).

• Phân biệt thương hiệu và sản phẩm: Vị trí mà "AI = sản phẩm này" trong tâm trí của người tiêu dùng là một Moat thương hiệu cổ điển. Ví dụ: ChatGPT đã trở thành từ đồng nghĩa với AI sinh tạo, ngay cả khi hiệu suất được so kịch với các sản phẩm khác, nó vẫn nắm giữ sự nhớ lại đầu tiên của người dùng.

• Chiếm giữ kênh phân phối: Nếu chiếm giữ được vị trí chuẩn được cài đặt trên hệ điều hành, trình duyệt hoặc phần mềm kinh doanh (vị trí mặc định), những công ty sau sẽ không thể tiếp cận người dùng trước khi vấn đề hiệu suất phát sinh. Ví dụ: Google nhúng AI của riêng mình vào Android và tìm kiếm, Microsoft nhúng vào Windows và Office, những kênh hiện có của họ, làm cho khả năng phân phối trở thành chính bức tường.

• Bao vây hệ sinh thái và tài sản bổ sung: Khi tài sản của các nhà phát triển bên ngoài tích lũy trên đỉnh của một nhóm API, công cụ và plugin, việc chuyển đổi mô hình có nghĩa là di chuyển toàn bộ hệ sinh thái. Ví dụ: Như CUDA của NVIDIA đã chỉ ra, sự tích lũy kỹ năng và tài sản code của các nhà phát triển trở thành một bức tường vượt quá hiệu suất đơn lẻ.

• Chiếm giữ nguồn lực hiếm và nhân tài (tài nguyên góc): Các nhà nghiên cứu tiên tiến trên thế giới chỉ có khoảng vài trăm người và là hiếm, việc chiếm giữ họ tương ứng với tài nguyên góc mà Helmer nói đến (Helmer, 2016; Azoulay et al., 2024). Ví dụ: các phòng thí nghiệm AI chính cung cấp cho các nhà nghiên cứu mức thù lao hàng trăm triệu yên để bao vây nhân tài.

• Chính sách chính phủ, quy định và giấy phép: Cơ chế tuân thủ quy định AI của các quốc gia và xây dựng mối quan hệ với chính phủ đang trở thành chi phí tham gia đối với những công ty sau. Ví dụ: Trên các thị trường tài chính, y tế và chính phủ nơi quy định nghiêm ngặt, các công ty đã chuẩn bị sẵn cơ chế kiểm toán và tuân thủ pháp luật sẽ được lựa chọn.

Moat của AI dùng chung không phải là "trọng lượng mô hình" mà là một bó các tài sản bổ sung như rào cản vốn, kinh tế quy mô, vòng lặp dữ liệu, thương hiệu, phân phối, hệ sinh thái và nhân tài, về mặt cấu trúc, cùng một động lực (Moat cũ) với cuộc chiến bá chủ OS và đám mây trong quá khứ đang hoạt động (Azoulay et al., 2024).

Moat của các tác nhân AI chuyên biệt (chuyên biệt theo ngành, dọc)

Các tác nhân AI chuyên biệt thay thế công việc kinh doanh ở các ngành cụ thể như luật pháp, y tế, xây dựng, tài chính đối mặt với rủi ro bị "nuốt chửng" bởi sự cải thiện hiệu suất của các mô hình dùng chung (vấn đề được gọi là GPT wrapper), nhưng phân tích của các chuyên gia thực tế cho thấy rằng bằng cách đặt nguồn gốc của phòng thủ bên ngoài mô hình, họ có thể thực sự xây dựng một Moat mạnh hơn SaaS (a16z, 2026; VC Cafe, 2026).

• Nhúng vào công việc và quy trình làm việc: Khi chuyển các thủ tục kinh doanh, xử lý ngoại lệ và điều phối các bên liên quan cụ thể của ngành vào sản phẩm, giá trị sẽ nằm không phải ở "mô hình" mà ở "quy trình làm việc", do đó ngay cả khi mô hình nền tảng được cập nhật, nó không thể bị bắt chước (a16z, 2026). Ví dụ: Harvey, một AI pháp lý, đã từ bỏ phát triển mô hình độc lập và chuyển sang chiến lược cạnh tranh dựa trên độ sâu của sự nhúng vào quy trình làm việc của các công ty luật.

• Tích lũy dữ liệu và vòng lặp học tập: Dữ liệu cụ thể ngành tích lũy thông qua xử lý công việc không tồn tại trong dữ liệu huấn luyện của các mô hình dùng chung, và nếu vòng lặp "sử dụng → tích lũy → cải thiện độ chính xác → sử dụng thêm" quay, nó sẽ trở thành một Moat bền vững (Hagiu & Wright, 2023). Ví dụ: Một sản phẩm mà tỷ lệ tự động hóa và độ chính xác trong công việc được cải thiện liên tục thông qua vòng lặp học tập là một bức tường mà thời gian để những công ty sau đó đạt được độ chính xác tương tự.

• Định vị đối lập: Tác nhân chuyên biệt cạnh tranh với ngân sách chi phí nhân công hơn là ngân sách công nghệ thông tin, đó là "Dịch vụ như Phần mềm", và các công ty SaaS lớn nắm giữ chính sách doanh thu theo ghế không thể chuyển sang tính phí dựa trên kết quả như "công việc hoàn thành, giờ làm việc tiết kiệm" mà không phá hủy mô hình doanh thu của riêng họ (Helmer, 2016; VC Cafe, 2026). Ví dụ: Những gì các công ty luật trả cho EvenUp, một công ty chuyên về các vụ kiện tổn hại cá nhân, không phải là phí giấy phép mà là giá trị của các sản phẩm của nhân viên phó luật sư, và tính phí được kết nối với giờ làm việc tiết kiệm sẽ khiến hiệu quả trên P/L của khách hàng và doanh thu của riêng mình phù hợp, tạo ra khả năng chịu đựng áp lực giảm giá.

• Chi phí chuyển đổi (chi phí thay đổi): Nếu có thể tích lũy dữ liệu kinh doanh chính (Hệ thống bản ghi) của chính mình, việc chuyển đổi có nghĩa là di chuyển toàn bộ cơ sở hạ tầng kinh doanh, vượt quá chức năng tác nhân, trở thành chính nền tảng dữ liệu của ngành. Ví dụ: Trong lịch sử SaaS dọc, các công ty nắm giữ bản ghi chính của thanh toán và bảng cân đối (Toast, Veeva, v.v.) đã xây dựng Moat bền vững nhất, và người ta kỳ vọng rằng các tác nhân chuyên biệt sẽ đi theo cùng một con đường.

• Hợp đồng dài hạn, xác thực và yêu cầu kinh nghiệm: Trong các ngành có quy định, chi phí tham gia không liên quan đến công nghệ như tuân thủ kiểm toán, trách nhiệm bồi thường, mối quan hệ với hiệp hội chuyên ngành và kinh nghiệm triển khai rất lớn, điều này trở thành phòng thủ cho những công ty chuyên biệt. Ví dụ: Để được sử dụng trong thực tế của y tế, xây dựng và tài chính, tuân thủ các quy định pháp luật cụ thể ngành và kinh nghiệm phải được tiền đề, và việc mở rộng theo chiều ngang của ứng dụng dùng chung không thể vượt qua được.

• Độc quyền tiên phong thị trường ngách: Con đường chiếm bị thị trường ngách nhất định ở ngành cụ thể và công việc cụ thể trước, quá hẹp để các công ty lớn tham gia, sau đó mở rộng thành công việc ngoại vi, chính là độc quyền tiên phong ngách mà Thiel nói đến (Masters & Thiel, 2014). Ví dụ: Legora, một AI pháp lý, tập trung vào ngành luật pháp và đạt ARR 100 triệu đô la trong 18 tháng, và Bessemer đánh giá nó là sự tăng trưởng nhanh nhất trong lịch sử phần mềm doanh nghiệp.

Thị trường vốn cũng bắt đầu tính đến Moat này. Theo quan sát của các chuyên gia thực tế, các tác nhân chuyên biệt có dữ liệu quy trình làm việc độc lập được định giá ở mức 15-20 lần ARR, trong khi các ứng dụng dùng chung có thể trở nên lỗi thời trong một đêm do cập nhật mô hình chỉ đạt 3-4 lần (VC Cafe, 2026).

Sắp xếp các quan điểm của các nhà nghiên cứu và chuyên gia thực tế gần đây

Những nghiên cứu về Moat gần đây tiến triển theo bốn hướng lớn.

Nghiên cứu thực chứng: Moat có thực sự duy trì lợi nhuận không?

• Moat loại tài sản vô hình duy trì lợi suất lâu hơn: Một nghiên cứu phân tích dữ liệu từ hơn 25.000 công ty khoảng 60 năm từ 1963 đến 2023 cho thấy các ngành với Moat loại tài sản vô hình và loại mạng lưới có thể duy trì tỷ suất lợi nhuận từ vốn đầu tư cao (ROIC) trong thời gian dài với ít đầu tư bổ sung. Ngoài ra, các công ty chồng lên nhiều Moat có lợi thế bền vững hơn những công ty phụ thuộc vào một Moat duy nhất (Mauboussin & Callahan, 2024).

• Kết quả đầu tư của "Moat" được hỗ trợ có điều kiện: Một loạt nghiên cứu xác nhận các công ty được Morningstar công nhận là "rộng moat" cho thấy tính bền vững của lợi suất kinh doanh (ROIC) của các công ty có Moat được xác nhận một cách nhất quán, trong khi lợi suất vượt trội trong giá cổ phiếu chỉ được hạn chế khi "thị trường chưa tính đến Moat" (Boyd, 2005; VanEck, 2025). Cần lưu ý rằng chất lượng kinh doanh và lợi suất đầu tư là những vấn đề riêng biệt.

Nền tảng kỹ thuật số và chính sách cạnh tranh

• "Xây dựng Moat" đã trở thành một vấn đề chính thức của chính sách cạnh tranh: Ủy ban Cạnh tranh của OECD đã sắp xếp rằng thị trường nơi Moat như kinh tế quy mô hoặc hiệu ứng mạng lưới sâu sắc là những nơi các công ty chiếm lĩnh dễ dàng duy trì quyền lực thị trường lâu dài, và chiến lược xây dựng và phòng thủ Moat có chủ ý bởi các nền tảng chiếm lĩnh (entrenchment) được định vị như một mục tiêu mà cơ quan quản lý nên giám sát (OECD, 2024). Đối với người kinh doanh, Moat có tính nhị nguyên là mục tiêu giám sát của cơ quan quản lý.

• Mối quan hệ của chi phí chuyển đổi và hiệu ứng mạng lưới quyết định cạnh tranh: Trong các nghiên cứu lý thuyết cạnh tranh nền tảng, mô hình hóa cho thấy lợi thế của công ty hiện có bền vững khi chi phí chuyển đổi của người dùng tương đối mạnh hơn hiệu ứng mạng lưới, và khả năng đảo ngược của những công ty sau khi nó yếu hơn (He & Li, 2023). Nói cách khác, khi chi phí chuyển đổi mạnh hơn hiệu ứng mạng lưới, ngay cả khi công ty sau đó đưa ra sản phẩm tốt hơn với giá rẻ hơn, người dùng không di chuyển vì nỗi đau di chuyển cá nhân. Ví dụ bao gồm cơ sở dữ liệu cơ bản, tài khoản ngân hàng và ERP. Ngược lại, khi hiệu ứng mạng lưới tương đối mạnh hơn và chi phí chuyển đổi cá nhân nhẹ, nếu công ty sau đó sử dụng trợ cấp hoặc tính năng mới để cắt một phần quần thể (ví dụ như thế hệ trẻ hoặc các cộng đồng cụ thể) để tạo chân đế, một sự đảo ngược kỳ vọng xảy ra, tức là "mọi người đang chuyển sang nơi kia", và toàn bộ thị trường có thể lật ngược trong một lần nước rút. Sự di chuyển từ MySpace sang Facebook, từ Facebook ở thế hệ trẻ sang TikTok là tiêu biểu, và vì SNS chỉ là tạo tài khoản mới nên chi phí di chuyển của cá nhân nhẹ, các lực lượng lở xuống dễ xảy ra.

• Những tiến bộ thực chứng trong việc đo lường "cường độ" của hiệu ứng mạng lưới: Các nghiên cứu sử dụng thí nghiệm tự nhiên của việc sáp nhập nền tảng để ước tính định lượng cường độ hiệu ứng mạng lưới và nghiên cứu đo lường trên mạng xã hội đã xuất hiện. Chúng ta nên đánh giá hiệu ứng mạng lưới bằng "nó có hay không có" mà bằng "nó mạnh đến mức nào", một giai đoạn đã tới (Chen et al., 2021; Gregory et al., 2021).

Cuộc tranh luận về Moat ở thời đại AI sinh tạo

• Phát sinh vấn đề rằng "không có Moat có hệ thống trong AI sinh tạo": Năm 2023, a16z phân tích thị trường AI sinh tạo và chỉ ra rằng "các ứng dụng đều sử dụng cùng một mô hình nên sự khác biệt yếu, các mô hình được huấn luyện bằng dữ liệu tương tự nên sự khác biệt lâu dài không rõ ràng, và thậm chí phần cứng được sản xuất tại cùng một nhà máy" và kết luận rằng hiện tại không có Moat có hệ thống nào được tìm thấy (Bornstein et al., 2023). Cân nhắc này trở thành điểm khởi đầu của cuộc tranh luận về Moat ở thời đại AI.

• Kinh tế học đổi mới đã hệ thống hóa "Moat cũ cũng có hiệu lực với mô hình mới"：Bài báo NBER của các nhà nghiên cứu MIT và Harvard phân tích môi trường cạnh tranh của AI sinh tạo thông qua khung phân tích cổ điển: "khả năng chiếm hữu (có thể độc quyền hóa kiến thức hay không)" và "tài sản bổ sung (các tài sản cần thiết để tham gia như tài nguyên tính toán, dữ liệu, mạng lưới phân phối mà các công ty hiện tại nắm giữ)", đồng thời lập luận rằng mặc dù việc bắt chước chính bản thân mô hình là dễ dàng, nhưng tài sản bổ sung như tài nguyên tính toán, dữ liệu riêng, và điểm tiếp cận khách hàng trở thành Moat thực chất (Azoulay et al., 2024)。

• "Ảo tưởng về Moat dữ liệu" và bản chất của vòng lặp học tập：Casado và các nhà phân tích a16z đã cảnh báo rằng chính dữ liệu có thể được sao chép và giá trị giảm nhanh, do đó "lượng dữ liệu" không trở thành Moat như mọi người nghĩ (Casado & Lauten, 2019)。Nghiên cứu lý thuyết cũng xác nhận điều này, cho thấy rằng học tập thông qua dữ liệu chỉ trở thành Moat trong trường hợp vòng lặp "sử dụng → tích lũy dữ liệu → cải thiện sản phẩm → sử dụng tiếp" tiếp tục hoạt động (Hagiu & Wright, 2023)。

• Moat của ứng dụng AI chuyển sang "Quy trình công việc, bối cảnh, và hệ sinh thái"：a16z trong báo cáo năm 2026 đã hệ thống hóa rằng khi mô hình trở thành hàng hóa thông dụng, Moat của ứng dụng AI xuất phát từ: ① nhúng sâu vào hoạt động kinh doanh của khách hàng (quy trình công việc), ② tích lũy bối cảnh và dữ liệu riêng của khách hàng, ③ tích hợp với hệ sinh thái (a16z, 2026)。Các Moat cơ bản không phải đến từ cuộc cạnh tranh hiệu suất mô hình, mà từ chi phí chuyển đổi cổ điển và xây dựng tích hợp đang được đánh giá lại.

• "Tính bền vững hơn là Moat" - ý kiến phản đối của các chuyên gia thực hành：SignalFire (công ty đầu tư mạo hiểm) cho rằng thị trường AI thay đổi quá nhanh khiến cách suy nghĩ về "chứng minh Moat ngay từ ngày đầu" không còn hiệu lực, và Moat được hình thành sự kiện sau khi kinh doanh tiếp tục, do đó đề xuất tối ưu hóa cho "tồn tại liên tục bằng cách giải quyết các vấn đề của khách hàng" hơn là khả năng phòng vệ (SignalFire, 2025)。Trong khung của Helmer, các Moat có thể được xây dựng cũng khác nhau tùy theo giai đoạn kinh doanh (giai đoạn cất cánh là chiến lược phản đối vị trí, giai đoạn trưởng thành là sức mạnh quá trình, v.v.), phù hợp với quan điểm này (Helmer, 2016)。

Hệ thống hóa như lý thuyết chiến lược

• Từ 7 rào cản của Porter sang 7 Powers của Helmer：Tương phản với 7 rào cản tham gia ở cấp độ ngành của Porter (1980) - kinh tế quy mô, phân biệt sản phẩm, vốn, chi phí chuyển đổi, phân phối, lợi thế chi phí, chính sách chính phủ - Helmer (2016) đã tái tổ chức lợi thế cạnh tranh bền vững ở cấp độ công ty thành 7 loại (kinh tế quy mô, tác động mạng, chiến lược phản đối vị trí, chi phí chuyển đổi, thương hiệu, tài nguyên góc, sức mạnh quá trình), và đã giới thiệu trục thời gian "Moat nào có thể được xây dựng ở giai đoạn kinh doanh nào".

• RBV (Quan điểm dựa trên tài nguyên) cung cấp nền tảng lý thuyết：Tính bền vững của Moat được giải thích bởi việc liệu tài nguyên có đáp ứng các điều kiện VRIO (giá trị, sự hiếm hoi, khó khăn bắt chước, sử dụng tổ chức) hay không (Barney, 1991)。Đã được biết rằng các Moat có "tính mơ hồ nhân quả" như năng lực tổ chức khó bị bắt chước hơn so với các rào cản pháp lý như bằng sáng chế.

Kết luận

Trong số 19 mục Moat được liệt kê ở đây, các kinh doanh không có cái nào dù thành công cũng dễ bị bắt chước và lợi nhuận sẽ biến mất. Kinh doanh xuất sắc chồng chất nhiều Moat, ví dụ NVIDIA là "hệ sinh thái + công nghệ riêng + quy mô", Amazon là "quy mô + khóa Prime + kênh phân phối" kết hợp lại. Các nghiên cứu thực tiễn cũng cho thấy các công ty chồng chất nhiều Moat có lợi thế bền vững hơn (Mauboussin & Callahan, 2024)।

Thông thường không có Moat nào tồn tại tại thời điểm khởi nghiệp, và Moat không phải được chứng minh ngay từ ngày đầu mà được hình thành qua những năm tháng giải quyết các vấn đề. Đặc biệt trong thời đại AI, chính hiệu suất mô hình không dễ trở thành Moat (quá trình hàng hóa hóa nhanh chóng), tâm điểm của Moat đã chuyển sang vòng lặp học tập dữ liệu riêng theo ngành, tích hợp sâu vào quy trình công việc khách hàng, và tài sản bổ sung như tài nguyên tính toán và mạng lưới phân phối. Đồng thời, trong các thị trường thay đổi nhanh chóng, thay vì tìm kiếm Moat ngay từ ngày đầu, thiết kế trục thời gian để chồng chất dần dần nhiều Moat trong khi tiếp tục giải quyết các vấn đề của khách hàng - cái mà Thiel gọi là "thiết kế thông minh" - trở thành bản chất của vấn đề.

Tài liệu tham khảo

• a16z (Andreessen Horowitz). (2026). Where the moats are: AI application report.（Báo cáo thực hành hệ thống hóa các Moat của ứng dụng AI thành 3 điểm: quy trình công việc, dữ liệu bối cảnh, hệ sinh thái, dựa trên tiền đề là mô hình trở thành hàng hóa thông dụng）

• Azoulay, P., Krieger, J. L., & Nagaraj, A. (2024). Old moats for new models: Openness, control, and competition in generative AI. NBER Working Paper 32474.（Phân tích môi trường cạnh tranh của AI sinh tạo thông qua khung phân tích cổ điển về khả năng chiếm hữu và tài sản bổ sung, lập luận rằng tài nguyên tính toán, dữ liệu và điểm tiếp cận khách hàng trở thành Moat thực chất）

• Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.（Bài báo cơ bản về quan điểm dựa trên tài nguyên giải thích lợi thế cạnh tranh bền vững từ giá trị, sự hiếm hoi, khó khăn bắt chước, sử dụng tổ chức (VRIO) của tài nguyên）

• Bornstein, M., Appenzeller, G., & Casado, M. (2023). Who owns the generative AI platform? Andreessen Horowitz.（Phân tích chuỗi giá trị của AI sinh tạo và chỉ ra rằng "hiện tại không có Moat hệ thống", bài viết này đã trở thành điểm khởi đầu của cuộc tranh luận về Moat trong thời đại AI）

• Boyd, D. (2005). Financial performance of wide-moat companies.（Nghiên cứu thực tiễn sớm nhất xác minh hiệu suất tài chính của nhóm công ty được Morningstar công nhận là có "rào cản rộng"）

• Casado, M., & Lauten, P. (2019). The empty promise of data moats. Andreessen Horowitz.（Bài viết cảnh báo rằng lượng dữ liệu không dễ trở thành Moat, và bản chất nằm ở đường cong kinh tế quy mô và thiết kế vòng lặp học tập）

• Chen, T., et al. (2021). Measuring network effects using a digital platform merger. NBER Working Paper 28047.（Bài báo thực tiễn sử dụng thí nghiệm tự nhiên từ sáp nhập nền tảng kỹ thuật số để định lượng ước tính cường độ tác động mạng）

• Christensen, C. M. (1997). The innovator's dilemma. Harvard Business School Press.（Tác phẩm cổ điển cho thấy các công ty xuất sắc không thể theo dõi được công nghệ phá vỡ, trở thành nền tảng lý thuyết cho chiến lược phản đối vị trí）

• Gregory, R. W., Henfridsson, O., Kaganer, E., & Kyriakou, H. (2021). Data network effects. HBS Working Paper 21-086.（Nghiên cứu cố gắng đo lường cường độ tác động mạng trong các mạng xã hội）

• Hagiu, A., & Wright, J. (2023). Data-enabled learning, network effects, and competitive advantage. RAND Journal of Economics, 54(4).（Bài báo lý thuyết hệ thống hóa khi nào học tập thông qua dữ liệu trở thành lợi thế cạnh tranh bền vững (Moat)）

• He, S., & Li, M. (2023). Switching cost, network externality and platform competition. International Review of Economics & Finance, 84, 428-443.（Bài báo mô hình hóa cách cường độ tương đối của chi phí chuyển đổi và tác động mạng quyết định lợi thế của công ty hiện tại trong cạnh tranh nền tảng）

• Helmer, H. (2016). 7 Powers: The foundations of business strategy. Deep Strategy LLC.（Sách chiến lược định nghĩa Moat là "sự kết hợp của lợi ích và rào cản", phân loại lợi thế cạnh tranh bền vững thành 7 loại quyền lực và sắp xếp thời gian xây dựng cho từng giai đoạn kinh doanh）

• Hoffman, R., & Yeh, C. (2018). Blitzscaling. Currency.（Tác phẩm thảo luận chiến lược tăng trưởng nhanh chóng trong thị trường "thắng tất cả" và cách xây dựng cơ sở hạ tầng riêng ở các nước mới nổi trở thành Moat）

• Katz, M. L., & Shapiro, C. (1985). Network externalities, competition, and compatibility. American Economic Review, 75(3), 424-440.（Bài báo cơ bản trở thành điểm khởi đầu của phân tích kinh tế về tác động mạng ngoài）

• Klemperer, P. (1995). Competition when consumers have switching costs. Review of Economic Studies, 62(4), 515-539.（Bài báo đại diện của kinh tế học hệ thống hóa ảnh hưởng của chi phí chuyển đổi đối với cạnh tranh thị trường và tham gia）

• Masters, B., & Thiel, P. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business.（Tác phẩm dành cho những người khởi nghiệp trình bày 4 yếu tố của độc quyền (công nghệ riêng, tác động mạng, kinh tế quy mô, thương hiệu) và chiến lược chiếm hữu ngách đầu tiên）

• Mauboussin, M. J., & Callahan, D. (2024). Measuring moats. Morgan Stanley Counterpoint Global Insights.（Báo cáo thực tiễn quy mô lớn phân tích mối quan hệ giữa loại Moat và tính bền vững của ROIC từ dữ liệu 60 năm, hơn 25,000 công ty）

• McKelvey, J. (2020). The innovation stack. Portfolio.（Tác phẩm của người sáng lập Square thảo luận quá trình "chùm đổi mới" không thể bắt chước đã đánh bại thậm chí cả sự tham gia của Amazon）

• OECD. (2024). Monopolisation, moat building and entrenchment strategies. OECD Competition Policy Papers.（Báo cáo hệ thống hóa "xây dựng Moat" và cố định quyền lực thị trường trên thị trường kỹ thuật số từ góc độ chính sách cạnh tranh）

• Parker, G. G., & Van Alstyne, M. W. (2005). Two-sided network effects: A theory of information product design. Management Science, 51(10), 1494-1504.（Bài báo nền tảng lý thuyết hóa các hiệu ứng mạng hai chiều và thiết kế nền tảng）

• Porter, M. E. (1980). Competitive strategy: Techniques for analyzing industries and competitors. Free Press.（Tác phẩm kinh điển về lý thuyết chiến lược cạnh tranh, hệ thống hóa năm yếu tố cạnh tranh và bảy rào cản gia nhập）

• SignalFire. (2025). Moats are for castles: A new argument for permanence over defensibility in AI startups.（Bài luận của nhà đầu tư mạo hiểm cho rằng trong thị trường AI thay đổi nhanh chóng, cách tiếp cận chứng minh Moat từ ngày đầu không hiệu quả, và nên ưu tiên tối ưu hóa tính bền vững lâu dài của kinh doanh）

• VanEck. (2025). What makes a moat? Morningstar's five sources of moat.（Sách trắng tổng hợp mối quan hệ giữa năm loại Moat của Morningstar（tài sản vô hình, chi phí chuyển đổi, hiệu ứng mạng, lợi thế chi phí, quy mô hiệu quả）và kết quả đầu tư）