सॉफ़्टवेयर मर नहीं रहा, बल्कि विकसित हो रहा है

• AI की वजह से code generation सस्ता हो गया है, इसलिए "पहले फीचर बना लिया" वाला moat टूट रहा है, और केवल ढेर सारे फीचर जोड़ते आए सॉफ़्टवेयर का मूल्य रीयल-टाइम में फिर से तय (repriced) किया जा रहा है
• अब रक्षा-क्षमता फीचर की गति से नहीं, बल्कि उच्च-सटीकता workflows, proprietary data, और गहरे systems of record से आती है, और 'असल कंपनी' माने जाने का मानदंड भी ऊँचा हो गया है
• "मैंने वीकेंड में Claude से CRM vibe coding कर लिया" जैसी बातें code generation और mission-critical services चलाने के अंतर को नज़रअंदाज़ करती हैं; कंपनियाँ code नहीं बल्कि trust खरीदती हैं
• एजेंट apps को replace नहीं करेंगे, बल्कि vertical applications के भीतर layered होंगे; data model, permissions, और audit trail के मालिक applications ही sales और renewal के केंद्र बने रहेंगे
• हाल में legacy software के market cap से 285 अरब डॉलर गायब होने के बाद SaaS के अंत की बातें तेज़ हुईं, लेकिन AI की मांग अब भी supply से अधिक है और यह वास्तविक revenue पर आधारित बाज़ार है

---

bubble बहस गलत सवाल है

• पूरे AI को देखें तो यह bubble नहीं है। demand लगातार supply से आगे है, और कुछ portfolio कंपनियाँ तो computing की कमी के कारण सभी ग्राहकों को onboard भी नहीं कर पा रही हैं
  • इस demand से केवल user count नहीं, बल्कि दसियों अरब डॉलर के वास्तविक revenue जुड़े हैं; bubble आमतौर पर इस रूप में नहीं दिखता
• हाँ, जहाँ bubble की आशंका है, वह अलग क्षेत्र है: late-stage valuation में पूंजी खींचने वाला humanoid robotics
  • backflip या dance moves दिख रहे हैं, लेकिन आर्थिक रूप से मूल्यवान काम करने वाले robots अभी नहीं हैं
  • LLMs खुले इंटरनेट जैसे training corpus की वजह से काम कर पाए, लेकिन robotics के पास वैसा समान data corpus नहीं है,
    इसलिए training data का स्रोत अब भी अस्पष्ट research problem बना हुआ है (और research timeline, venture timeline से मेल नहीं खाती)
• यानी "AI bubble" का जवाब क्षेत्र के हिसाब से बदलता है, और software (SaaS) के बारे में भी सीधे "मर गया" कहने के बजाय हर दावे को अलग-अलग परखना चाहिए

सॉफ़्टवेयर की मौत पर 4 दावे (सबसे खराब से सबसे बेहतर क्रम में)

• #4: हर कोई अपना सॉफ़्टवेयर खुद vibe coding से बना लेगा

  • दावा यह है: "Salesforce को पैसे क्यों दें, वीकेंड में Claude से खुद CRM vibe coding कर लो"
  • लेकिन codebase बनाना और mission-critical service चलाना दो बिल्कुल अलग काम हैं
    • जिसने vibe coding की, उसके चले जाने पर codebase maintenance की समस्या खड़ी हो जाती है
    • code generation SOC2 compliance और hallucination control की समस्या हल नहीं करता
    • 1998 में लिखी SQL database integration, या सुबह 4 बजे dashboard बंद पड़ने पर uptime की जिम्मेदारी भी यह नहीं संभालता
  • कंपनियाँ code नहीं, trust खरीदती हैं; AI ने code equivalence आसान कर दी है, लेकिन trust equivalence अब भी कठिन है

• #3: Claude·ChatGPT जैसे एजेंट enterprise apps को निगल जाएंगे

  • यह vibe coding वाले तर्क से बेहतर दावा है, लेकिन जहाँ गलती की लागत बहुत अधिक हो ऐसे workflows में इसके काम करने पर संदेह है
  • LLM systems non-deterministic हैं और hallucination के प्रति संवेदनशील हैं
    • सामान्य software bugs reproduce किए जा सकते हैं, लेकिन agent failures ऐसे unstable tests जैसे होते हैं जो 98% बार पास हों और निर्णायक क्षण में फेल हो जाएँ
  • email draft, document summary, marketing copy जैसे कम-जोखिम वाले कामों के लिए यह उपयुक्त है
    • लेकिन यदि एजेंट कोई required field छोड़ दे या contract amount गलत दर्ज कर दे और छह अंकों की deal हाथ से निकल जाए, तो rules enforce करने वाला system चाहिए होगा
  • pure-agent workflow teams अंततः फिर से validation layer, approval steps, rollback, और audit logs बनाती हैं
    • यह सब जोड़ने पर असल में एजेंट के चारों ओर SaaS app फिर से बना लिया जाता है
    • नतीजा यह कि apps को replace नहीं किया जाता, बल्कि vertical application के भीतर एजेंट को layered किया जाता है
    • data model, permissions, audit trail, और customer relationship application के पास रहते हैं; बिकता, support होता और renew होता वही envelope है
  • model reliability बेहतर होने पर तस्वीर दिलचस्प हो सकती है, लेकिन हम अभी वहाँ नहीं पहुँचे हैं

• #2: seat-based pricing के खत्म होने से SaaS model टूट जाएगा

  • पारंपरिक SaaS तीन परतों से बना होता है: data, business logic, और UI; अब इनके ऊपर चौथी agentic layer बन रही है
    • पहले 50 human seats बेची जाती थीं, लेकिन अगर दो agents UI के बिना वही काम कर दें, तो pricing power का सवाल खड़ा होता है
  • अगर agents ज़्यादा काम करते हैं और ग्राहक को ज़्यादा value मिलती है, तो यह अस्तित्व का संकट नहीं बल्कि pricing और packaging की समस्या है
    • जो vendor token, outcomes, और hybrid usage models के साथ value-based pricing (price to value) बना पाएँगे, वे बचेंगे
    • जो vendor प्रति seat pricing से चिपके रहेंगे, वे तब टूटेंगे जब ग्राहक seats को automate कर देंगे
  • पूरी तरह outcome-based pricing हर category में साफ़-सुथरे तरीके से लागू नहीं होती, इसलिए अगले कुछ वर्षों तक hybrid models (usage + outcomes) के हावी रहने की संभावना है (मूल लेख के अनुसार)

• #1: code सस्ता होने से feature moat टूट रहा है

  • यह सबसे गंभीरता से लेने लायक दावा है
  • SAP·ServiceNow·Salesforce का moat दशकों से जमा हुआ engineering labor था
    • हर feature, integration, और report ऐसे codebase में समा गए थे जिन्हें startup के लिए पकड़ पाना मुश्किल था, लेकिन AI ने उस timeline को नाटकीय रूप से छोटा कर दिया है
  • अगर आपका product मूलतः workflow layer है और आपकी defense बस यह थी कि "हमने पहले बना लिया", तो आप मुश्किल में हैं
    • business intelligence और creative content generation इस समय सबसे उथले moat वाले क्षेत्र हैं, क्योंकि LLMs वही काम बहुत अच्छी तरह करते हैं

अब moat कहाँ मौजूद है

• तीन रक्षा-तत्व

  • ऐसे high-accuracy workflows जहाँ error budget लगभग शून्य हो: जैसे financial infrastructure, healthcare, और regulatory compliance
    • vibe coding HIPAA audit या settlement mismatch नहीं झेल सकती; यहाँ गलती की लागत खुद moat बन जाती है
  • proprietary data feedback loops: ग्राहक के उपयोग से product सार्थक रूप से बेहतर होता है, और competitor वही foundation model लेकर उसे copy नहीं कर सकता
    • asset model नहीं, data है
  • गहरे systems of record: legacy operations में embedded होकर source of truth पर मालिकाना रखते हैं और high switching cost पैदा करते हैं
    • इन कंपनियों को AI से बचना नहीं, बल्कि उसे आक्रामक रूप से अपनाना चाहिए; agent layer data की value को और बढ़ाती है

AI stack की वर्तमान स्थिति: कहाँ निवेश करना है, कहाँ नहीं

• "हम AI में निवेश करते हैं" कहना अब 2012 में "हम software में निवेश करते हैं" कहने जितना गैर-विशिष्ट हो गया है
• चार layers मौजूद हैं, और सबमें एक जैसा capital allocation नहीं होना चाहिए

• 1. hardware

  • computing इस cycle का binding constraint बना हुआ है
  • Neolabs जैसी कंपनियाँ उन purchase orders का इंतज़ार कर रही हैं जिन्हें महीनों पहले process हो जाना चाहिए था
  • demand वास्तविक है, लेकिन supply अटकी हुई है; winners ज़्यादातर listed companies हैं या पहले से scale पर हैं — seed investment से नतीजा नहीं बदलता

• 2. models

  • frontier models venture business नहीं बल्कि capital-intensive (capex) business हैं
  • इन्हें ठीक से train करने की लागत छोटे देशों के GDP के बराबर पहुँच जाती है, और OpenAI·Anthropic·Google पहले से यह खेल खेल रहे हैं
  • सीधे मुकाबले वाले model startups गलत लड़ाई चुन रहे हैं
  • Sciforium जैसी केवल कुछ कंपनियों में निवेश किया जाता है, जो नई architecture, training/inference methods, या problem framing के जरिए अलग रास्ता खोजती हैं
    • अगर यह ऐसा outflanking approach हो जिसे अपनाने के लिए incumbents को अपने core business को cannibalize करना पड़े, तभी वह दिलचस्प है

• 3. infrastructure

  • यही वह जगह है जहाँ AI, पुराने SaaS assumptions को सबसे रोचक ढंग से तोड़ता है
  • पारंपरिक SaaS read-heavy था: एक row store करो और उसे लाखों बार query करो
    • AI workloads इस मॉडल को उलट देते हैं; training pipelines, agent memory, vector stores, और evaluation harnesses write-heavy और update-heavy हैं, और ऐसे data shapes पर काम करते हैं जिनके लिए legacy systems design नहीं किए गए थे
  • दोनों दिशाओं में सक्रिय निवेश हो रहा है
    • data layer itself: PlanetScale, Greybeam — ये इस workload pattern के लिए OLTP और OLAP database primitives को फिर से बना रहे हैं
    • data generation layer: Preference Model, Moody Pines, Terac — computing bottleneck हल होने के बाद असली bottleneck बनने वाले cleaned, structured, labeled data की supply पर काम

• 4. applications

  • अभी अधिकतर capital यहीं जा रही है, क्योंकि यही वह layer है जहाँ value वास्तविक buyers तक पहुँचती है
  • medical coding, freight optimization, legal review, sales motions, और clinical operations जैसे पहले मुश्किल workflows अब AI से संभव हो रहे हैं, इसलिए surface area बहुत बड़ा है
  • competition तीव्र है और pricing pressure भी है, लेकिन यह बड़े demand वाले layer की सामान्य विशेषता है
  • winners वे होंगे जो AI-native workflows को high-accuracy environments, proprietary data loops, या deep systems of record में से किसी एक के साथ जोड़ेंगे

इस बाज़ार में startup बनाने वालों के लिए

• hardware और models नए entrants के लिए लगभग बंद हैं, जब तक उनके पास कोई structural advantage न हो
• infrastructure व्यापक रूप से खुला है, अगर आप यह समझते हैं कि "AI workload, chatbot जोड़ देने वाला SaaS workload नहीं है"
• applications वह क्षेत्र है जहाँ मात्रा सबसे अधिक है और baseline सबसे तेज़ी से ऊपर जा रही है

• seed·Series A चरण के लिए सलाह

  • "हम जल्दी ship करते हैं" को moat बताना बंद करें — अब यह baseline requirement है
  • दिखाइए कि आपके पास ऐसा data है जो किसी और के पास नहीं हो सकता और जिसे केवल आपने इकट्ठा किया है
  • ज़ोर दीजिए कि आपने ऐसा workflow absorb कर लिया है जिसे ग्राहक मनमर्जी से निकाल नहीं सकता
  • उन environments में आपके system की accuracy को pitch कीजिए जहाँ errors भारी नुकसान का कारण बनते हैं
  • अगर आपका feature दो बड़े applications के बीच फँसा है, तो समझिए कि आप dead zone में हैं
• सॉफ़्टवेयर मर नहीं रहा, लेकिन फूला हुआ utility-type software रीयल-टाइम में repriced हो रहा है, और उसकी जगह लेना model API से बनाए गए weekend project से कहीं अधिक कठिन काम है — असल कंपनियों की baseline अब ऊँची हो गई है