护城河是给城堡用的：为什么 AI 初创公司应该追求持久性，而非防御力
作者：Ryan Wexler (SignalFire) | 来源：SandHill.io #283
在 LLM 时代，护城河往往是幻觉。真正重要的问题是：你所构建的这一层技术栈，10 年后还会存在吗？
风险投资界对”护城河”的执念，迫使创始人陷入了一种特殊的表演性剧场。
在路演会上，VC 们总是不可避免地问创始人：”是什么让你的公司具备防御性？”而创始人们总是准备好同一张幻灯片，列出那些”惯常嫌疑犯”：专有数据、微调流水线、工作流锁定和垂直行业模型。
长久以来的假设是：如果你无法在第一天就证明你的护城河，那你就没有商业模式。这个框架从根本上就是错误的。大多数 AI 初创公司在早期很少能识别出真正的护城河，过早地试图制造护城河本身就是一个错误。
AI 初创公司的护城河执念更加严重
在种子轮到 A 轮阶段，护城河大多是理论性的，而在今天的 LLM 时代，它们往往只是幻觉。
模型能力的迭代速度太快，任何时间点上的优势都无法持续。今天看起来差异化的产品，往往只是一个提示词、一层包装或一个用户界面层——它们可以被复制，或者被下一次模型发布变得毫无意义。
如果你的价值主张是处理长上下文或减少幻觉，那你实际上就是模型提供商的一个 bug 修复。当 OpenAI 或 Anthropic 发布下一次更新时，你的整个产品路线图就会变成他们下一版本的功能清单。
更重要的问题：这一层还会存在吗？
有一个比防御性重要得多的根本性问题：
这一层技术栈在 10 年后还会存在吗？
一些领域显然是持久的：
- 核心基础设施——计算、存储、网络
- 开发者原语——评估、可观测性、可靠性
- 真正超级差异化的数据——别人完全无法获取的
另一些领域则非常脆弱：
- 模型能力之上的薄包装层
- 针对狭窄任务的一次性 Copilot
- 没有真正系统支撑的提示词抽象
- 依赖当前模型局限性的产品
如果你的产品依赖于某个模型目前在某件事上做得不够好，那你就是在和世界上最聪明的工程师们对赌。
为什么持久性在 LLM 时代会产生复利效应
如果你在一个持久存在的层面上构建，你就获得了极其宝贵的东西：时间。
时间允许你与模型一同进化，而不是被它们取代。当底层模型变聪明 10 倍时，一个持久的企业会为用户变得有效 10 倍。你有时间深度嵌入客户的工作流，以至于移除你需要一次全面的运营重组。
现实是：一个持久层面上的弱护城河，好过一个即将消失的层面上的强护城河。你可以适应模型进步，但你无法在品类崩塌中生存。
护城河实际上是如何在 AI 中形成的
常见的叙事是伟大的 AI 公司从防御性开始，但现实恰恰相反。防御性是在经历多轮模型进步的考验后赢得的。
持久的公司起步时拥有的是：
- 一个真实且持续存在的问题
- 深度融入人们实际工作方式的整合
- 随时间改进系统的紧密反馈回路
- 随着底层模型演进而重建整个技术栈的意愿
在 AI 时代，护城河不是设计出来的——它们是在时间的考验中锻造出来的。
一种更好的构建方式
创始人不应该问”你的护城河是什么”，而应该问：如果模型明天大幅进步，你的产品会变得更有价值还是更没价值？
专注于构建记录系统——瞄准技术栈中处理混乱的、人性化的、监管现实的那些部分。如果你拥有流程和数据，更好的模型只是你汽车的更好引擎。
护城河的存在是为了保护里面有价值的城堡——所以先专注于把城堡建好。
