分发是氧气，耐力是护城河
本文信息来源：Simon Wu
AI 时代的耐力核心支柱
一些 AI 初创公司可以在数周内实现数百万的营收。但快速生长并不意味着你能长久。当任何人都能访问相同的模型，并在数小时内推出新产品时，真正的优势来自可持续积累的能力——你在客户工作流中嵌入得有多深，是否能快速学习，以及在平台发生变化时依然能够存活。
在 AI 领域，产品发布已经成为灭绝级事件。
十年前，Apple 的 WWDC 和 Google I/O 激励开发者在平台之上构建。如今，当 OpenAI 举办 Dev Day 或 Anthropic 发布新模型时，整个产品品类可能一夜之间消失——平台正在构建于初创公司之上。
创始人们打趣说：“能挺过一次模型发布，才算是新的产品市场匹配。”但速度往往掩盖了一个更深层的挑战：耐力。速度并不稀缺；而安全性、利润率和差异化才是稀缺的。
围绕 AI 护城河的更广泛讨论——从分发到势能——已被大量探讨。一些投资人对此总结得很好：
“从一到十五再到一百，已经成为如今的门槛。”（GC）
“只有当它能够持续复利时，势头才有意义。”（a16z）
模型访问已被商品化，基础设施变得廉价，分发速度快如一条推文。生长已不再像过去那样是奇迹，耐力才是。随着软件的构建变得更便宜、更容易，其他人也注意到了类似的转变，但更深层的问题在于：当底层工具不断趋同时，真正能够复利的究竟是什么。
对创始人而言，目标已从获取用户转向成为其工作方式的一部分。真正的护城河，是客户对你的依赖深入到 “ 你一停，工作就停 。” 这才是能够长久存在的价值。
那么，究竟是什么在构建耐力？在观察了数百个 AI 产品的兴衰之后，有四种模式反复出现。接下来，我们将分两部分展开讨论：
- 第一部分：将分发转化为持久优势的支柱
- 第二部分：在 AI 世界中依然奏效的防御
第一部分：AI 中耐久性的核心支柱
支柱一：利润池与购买时刻
AI 的采用在已有痛点和预算存在的地方黏性最高。分发可以放大需求，但无法凭空创造需求。
在医疗领域，像 Abridge 和 Nabla 这样的工具之所以能够规模化，是因为它们将节省下来的时间转化为可计费工时。在法律领域，Harvey 和 Ivo 缓解了重复性的起草与研究工作，保护了利润率。在小企业服务领域，像 Avoca 和 Netic 这样的语音工具把错过的来电转化为即时收入。
这些产品之所以奏效，是因为它们切入了现有预算，并且能够快速展示 ROI。当利润空间微薄时，采用往往在演示之后就会消退。创始人应优先切入已有资金支持的痛点，再在之后创造新的预算。 利润池而非炒作，是留存的锚点，因为预算会续期，而注意力不会。
支柱二：嵌入式执行
软件比以往任何时候都更容易构建。真正的持久力来自于被构建进工作本身。
Palantir 的企业模型树立了早期范例。其前线部署的工程师通过深度融入顾客工作流，使软件变得不可或缺。如今，大多数 AI 初创公司都在走这条路，将自动化与人工参与相结合，以保证结果，然后把可重复的部分进一步自动化。
这种模型之所以有效，是因为它替代或放大了人类工作的效率，从而带来快速的 ROI，并形成难以改变的使用习惯。起初成本很高，但它在建立利润率之前先建立了可信度。它只在高毛利行业，或劳动力替代成本高的场景中才能规模化。聪明的团队把它视为一座跨越，到桥接出可重复的工作流，日后再进行自动化。
耐久性取决于两个特质：
- 集成： 你已成为日常工作流程的一部分
- 适应性： 随着模型、数据和基础设施的演进，你依然能够持续运作。
最具韧性的 AI 产品会随着其依赖项共同进化，而不是在其变化下崩溃。
支柱三：全栈学习与垂直领域掌控
Tesla 证明了全栈集成的优势，在这种模式下，数据与控制相互强化。同样的逻辑也驱动着当今的垂直 AI 运营商。
法律领域的 Crosby 以及财富管理领域的 Range，都是 AI 原生型运营商，而非工具供应商。比如，Range 的 RAI agent 将专有的客户数据转化为反馈循环，从而提升准确性并扩大利润空间。在物理世界中，像 Hadrian 和 Mariana 这样的工业与国防运营商，也将相似的全栈逻辑应用于制造和挖矿。
全栈模式在工作流闭环、可重复且高利润率的场景中表现最佳，包括医疗、法律、财富管理以及先进制造业。在低利润行业中，它们往往会失败，因为深度带来的成本会压垮单位经济。很少有团队能在早期负担全栈模式，因为这要求同时掌控数据、交付和需求。创始人只有在能够同时拥有反馈循环和利润空间的垂直领域，才应选择走向纵向整合。
相比之下，会计、人力资源或企业销售等开放式领域迄今为止仍然抗拒完全自动化。人类的细微差别、信任建立和时机把握使这些工作呈现出异步特性，且难以训练。这些正是自治式 AI 的失效模式。在这样的空间里，那些增强而非取代人的轻量级横向工具，反而可能更具持久性。护城河来自于放大人类工作的能力，并捕获其产生的反馈。
支柱四：平台引力
下一代具备持久性的 AI 公司，将存在于那些平台难以轻易触及的工作流之中。平台压缩的概念——即基础型提供商吸收其上层构建的功能——早已被广泛讨论，但在 AI 时代，其发生速度前所未有。
当模型提供商推出原生智能体或功能时，整个市场可能一夜之间萎缩，类似于云计算时代 AWS 捆绑创业公司功能的情形。幸存者，如 Datadog 和 Atlassian，要么深度嵌入运营流程，要么横跨多个生态系统。
监管与合规正日益界定这些生存边界。在医疗、金融和政府领域，诸如 HIPAA、SOC 2、FINRA 或 FDA 等验证要求带来了平台难以快速解决的摩擦。当合规不再只是文书工作，而是内嵌信任之时，它就会成为护城河。它减缓了同质化进程，并为专业化参与者在受保护的工作流程中学习争取时间。
同样的挤压如今也影响到语音和视频领域。即便是大型服务商，也在模型提供方向这些应用层面进军时面临压力。例如，ElevenLabs 据报道已超过 2 亿美元的经常性收入，但模型原生的语音和视频能力将考验即便已规模化的既有厂商。真正的防御性仍取决于对工作流程和数据的掌控，而非品牌。
我们已经看到这一进程在展开：OpenAI 的医疗健康合作以及 Anthropic 在金融推理方面的实验 ，都展示了基础模型一旦获得牵引力，便会多快地向价值链上游攀升。AI 基础设施厂商同样面临这一现实：他们必须通过生态系统或应用来证明其价值，展示为何他们的技术栈至关重要。
平台引力是不可避免的，但合作往往胜过替代。压缩周期如今以月为单位发生，而不是以年计。能否生存取决于你是否足够有价值，让平台更愿意与你合作，而不是取代你，并且要建立深到一旦将你移除就会破坏合规或生产的信任。
AI 领域的耐力并非来自于跑赢平台，而是来自于比它们学得更快、集成得更深，并在它们无法同样迅速行动的地方建立信任。速度让你被注意到，而耐力才会不断复利。能够同时掌握两者的创业者，将定义未来十年的 AI。
第二部分：在 AI 世界中仍然有效的防御力
防御力始于演示结束之处。许多 AI 初创公司把早期的增长误认为是真正的产品–市场契合。每一种失败模式，都源于将快速采用误当作嵌入式（持久）价值。
质疑与失败模式
- 短暂收入： 试点项目看似增长，但在续约时就会消失。真正的收入应当通过多年期合同、席位扩张，以及能够在模型更新后依然存续的工作流依赖来持续。来得越快，去得也越快，创始人最先感受到这种波动性。
- 合成黏性： 看似深度整合，实则只是 API 层面的浅整合。
- 中间件海市蜃楼： 连接器和编排器最终会被其下层的平台所吸收。
- 虚假数据护城河： 只有访问权限而缺乏反馈回路，无法形成任何防御。
- 速度幻觉： 势头确实有帮助，但更重要的是学习速度——结果改善得有多快。
试点与生产之间的界线正在模糊。交易的签署速度，已经接近上一轮实验的节奏；即便切换成本依然很低，使用情况看起来也可能很强劲。我们信任使用数据，但当迁移变得容易时，这种信任是善变的。真正能证明持久性的，只有在续约前就反复出现、并能证明自身不可或缺性的使用行为。
学习速度如今是最清晰的防御性信号。在准确率、延迟，或减少人工干预方面的提升，比单纯的收入增长更能预测留存率。当模型质量逐渐收敛时，竞争优势从“谁构建得更快”转向“谁能用每一美元推理成本学到更多”。真正的防御性体现在行为上，而不是签约额上——当客户只会在出现好上十倍、且摩擦成本接近于零的替代方案时才选择切换。
重新定义护城河
传统的护城河建立在代码、品牌或分发之上。在 AI 时代，防御性更像是一个通过反馈、嵌入式执行和信任不断复利运转的系统。
可以将其理解为两个轴： 深度 × 反馈循环强度。
- 深度衡量的是你在一个工作流中有多么不可或缺。
- 反馈强度衡量的是你的产品在使用过程中变得更聪明的程度。
最深度、学习速度最快的系统会持续复利增长；静态系统在下一个模型到来时就会迅速衰退。
基础设施层和应用层的复利方式不同。基础设施的护城河通过生态系统、开发者信任以及性能或成本优势形成；应用层的护城河则通过工作流依赖和用户学习闭环建立。优秀的操盘者清楚自己所在的层级，并构建与之匹配的反馈系统。
大多数团队需要先选择一个轴心：要么先做深，再快速学习；要么先快速学习，再逐步加深。过早深入会导致过拟合，长期停留在浅层则会被商品化。
Atlassian 深度嵌入开发者工作流，紧密到成为团队的协同协调层。Datadog 在基础设施领域做了同样的事情，将可观测性数据转化为不断复利的洞察飞轮。二者都从工具起步，最终演进为平台。AI 公司也将沿着同样的路径前行，从“有用”走向“不可或缺”，一轮又一轮反馈循环不断叠加。
对于创始人和投资者而言，这一转变的信号非常清晰：
- 留存曲线在约 120% 的净收入留存率之上趋于平缓。
- 单席位使用频率以及自动化深度会随着时间的推移不断提升。
- 试点客户转化为多年期续约。
- 客户开始围绕产品进行构建，而不仅仅是使用它。这时，切换成本就演变为企业文化。
投资人的防御性审计
- 深度： 移除它是否会导致工作停滞？
- 学习： 是否每一次使用都会变得更聪明？
- 信托： 是否满足其他人无法达到的监管或运营门槛？
- 韧性： 即使平台下场，这项业务是否仍能持续增长？
AI 的防御力与其说来自高墙，不如说来自引力——当竞争者追赶上来时，仍有多少价值围绕着你的产品运转。对创始人而言，防御力不在于抗拒变化，而在于引导变化，构建比市场变化更快学习的闭环。对运营者来说，挑战在于把这些闭环嵌入到数据与资金汇聚的地方。即便对投资人而言，随着模型与基础设施不断融合，用于衡量 AI 防御力的框架也仍在演进之中。
护城河不是某个功能或模型；而是在你不再关注时仍能持续自我改进的系统。要假设平台终将构建你的功能或你的模型。真正的考验在于，把你移除是否会破坏整个工作流。 分发为你带来空气流动，而执行力与学习能力则将其转化为持久的企业价值。
