一个投资人朋友给我发了一条消息，大意是说他现在最头疼的一件事，是每次看AI创业项目，创始人讲的故事都差不多，「基于大模型做垂直行业应用」，壁垒是「行业know-how加专有数据」，但他越听越觉得这些壁垒没他们说的那么牢固。

先面对一个不太舒服的事实。大模型能力的同质化速度比大多数人预期的快。两年前，GPT-4在推理和代码能力上远超其他模型，「在哪个模型上开发」是一个实质性的技术选择。现在，头部的几个模型在大多数通用能力上的差距已经小到大部分应用场景都感知不到了。更重要的是，开源模型的能力在快速追上闭源模型，这意味着任何基于闭源大模型API构建的应用，都可能被竞争对手用更低的成本复制出来。

在这种情况下，如果一家AI创业公司的核心价值主张是「我们使用了更好的大模型」或者「我们的提示词工程更好」，那这个护城河基本上是纸糊的。

最常被引用的壁垒说法是「专有数据」。逻辑是这样的——我们在特定行业积累了大量的标注数据，这些数据竞争对手没有，所以我们能训练出更好的模型，随着用户越来越多，数据越来越丰富，形成正向飞轮。

这个逻辑在过去的机器学习时代是非常有力的。但在大语言模型时代，有几个变量需要重新审视。首先，大模型的底层能力来自于海量的预训练，这部分已经把大量的通用知识内化进了模型权重。在很多场景下，你用来微调的行业数据，带来的增量提升其实有限，因为模型本身已经从互联网数据中学到了相当多的行业知识。

其次，数据的门槛随着合成数据技术的进步在降低。今天你可以用大模型生成大量高质量的训练数据，这部分压低了「拥有真实数据」的稀缺性。

不过，有一类数据依然是真正的护城河——那就是「行为数据」，也就是真实用户在使用你的产品过程中产生的交互数据。这类数据竞争对手拿不到，而且直接告诉你用户真实的需求模式和反馈偏好，是提升产品效果最有价值的输入来源。

我观察到的一个规律是，AI创业公司能活下来而且活得好的，往往不是因为模型比别人强，而是因为他们把产品深度嵌入了客户的工作流程里。

举一个例子。有一类AI写作工具，表面上做的是「帮你写内容」，但实际上它深度集成了客户的品牌素材库、内容审批流程、发布渠道，甚至帮助管理内容日历。当这些集成点足够多、足够深的时候，客户换掉这个工具的代价远不止「找个写作更好的替代品」那么简单——他要重新搭整套工作流程，重新迁移品牌素材，重新培训团队。这种切换成本，才是真正的护城河。

这种逻辑在企业软件领域由来已久，AI产品并没有改变这个底层规律。深度工作流整合 = 高切换成本 = 真实护城河，这个等式在AI时代依然成立。

另一个真实的护城河来源，是对特定行业的深度理解。

这里需要做一个区分。「了解行业」和「深度嵌入行业」是两件差距巨大的事情。一家做法律AI的公司，如果只是把通用大模型套上一个法律界面，随便一个技术团队都能做出来。但如果他们的产品支持具体的法律文书格式规范，能处理各地法院的不同要求，能识别特定类型合同条款的风险点，能跟律师事务所的案件管理系统打通——这种深度，不是三个月能做出来的，需要大量的行业专家参与和迭代。

这种深度带来两件事：竞争对手复制的成本高；客户一旦用顺手了，切换意愿极低。

有一件事在AI讨论里被低估了，那就是品牌和分发能力。

AI产品领域里，用户信任感非常关键，特别是在处理敏感数据或者高风险决策的场景里。一个有口碑的品牌，哪怕模型能力不是最顶尖的，也能获得比新进入者更高的转化率和留存率。

分发能力同理。一家深耕某个行业多年的传统软件公司，如果决定把AI能力嵌入他们原有的产品线，他们有现成的客户关系、销售团队和售后体系，这些是纯AI原生创业公司短期内难以复制的。这也是为什么你经常会看到「传统软件公司AI化」这条路反而走得比纯AI创业公司更顺的案例。

如果把上面这些放在一起，我想给出一个不太令人舒适的判断——那些只是把大模型API打包一下就出来卖的产品，护城河确实很薄，而且这个问题随着时间推移只会越来越严重。

真正有护城河的AI公司，要么做到了深度工作流整合，要么在极窄的垂直场景做到了极深的专业化，要么掌握了竞争对手获取不到的特定行为数据，要么有强大的品牌和分发能力作为基础。

这些护城河不是「用AI」本身，而是用AI的过程中建立起来的其他东西。大模型是工具，护城河是用这个工具在特定战场上雕刻出来的地形优势。