如果细微差别就是护城河？

真正的 AI 竞争优势或许不在模型本身，而在于你对顾客理解的深度。

整个互联网现在都在热衷于 OpenClaw，但它不是一个 LLM，也并不真正拥有任何专有 AI。相反，它找到了让 LLMs 看起来像在发挥作用的方法，更重要的是，让它们看起来像是在为你工作 。

通用化问题

你现在可以做一个耐人寻味的实验。请 ChatGPT 帮你写电子邮件。你会注意到一些奇怪的地方——一种正式程度的幽灵谷现象。它比你与团队相处时要正式得多，但在某些高风险场景下又不如你实际会表现得那么正式。它的冗长让人感觉有些不对劲。

现在把这种情况外推到合规报告、承保备忘录、客户简报要点。有句老话说， 文化不是我们说什么，而是我们做事的方式 。任何存在“文化”的地方，任何公司行事有固定方式的地方，细微差别都能在那里被体现出来。

在这里，LLMs 的问题显露无遗：LLMs 具有惊人的泛化能力。它们抹平棱角，淡化声音，规范化方法。

十亿美元级的问题

大型云服务商吞噬所有人晚餐的风险确实存在。一些风险投资者说“护城河不再重要”。还有人声称“资本就是护城河——胜负将由资产负债表的深度决定。”

但如果护城河完全是另一回事呢？

如果护城河是细微差别怎么办？

想想你组织中那些真正了解事情运作方式的员工。他们不仅熟悉流程，还掌握那些不成文的规则。那些明白你的 CEO 在董事会材料中期望的语气、你的合规团队需要的细节程度、与你的投资委员会产生共鸣的分析风格的员工。这些员工难以替代——不是因为他们的技能稀有，而是因为他们已经吸收了你组织的细微差别。

人工智能也将类似。

QED 投资组合公司 ModelML 自动化了推动顾问、投行和投资分析师日常工作的分析性工作，结合了一套技术上困难且要求高精度的基础技能（比如检查你的幻灯片是否存在内部矛盾）与一个定制化界面，使每个客户能够在不同用户之间保持“制作简报或客户材料的方式”一致。

两类步骤，一个关键接口

任何业务流程都包含确定性和非确定性步骤。确定性：“这家公司上一次融资的金额是多少？”非确定性：“我们会议记录的语气如何？是积极还是消极？”真正的机会——也是真正的护城河——在于管理这两类步骤之间的交互。

例如，Footprint 有一个名为 Percy 的 AI 代理，具备创建动态界面的能力，同时也能调用确定性步骤，比如“如果你对此不确定，就向用户询问更多信息，或者从征信机构拉取我们的分数”。

这就是细微差别复利效应的所在。那些能将 LLM 能力调优到其特定工作流、构建持续执行的产品工程、并吸收并将客户的细微差别制度化的公司——正是那些打造出具有粘性的企业。

提示工程的现实

尽管人工智能取得了诸多进展，但在演示中经常被掩盖的一个事实是：

给一个 LLM 一个通用的提示，即便是详细写明“先做 X，然后做 Y，再做 Z”的提示，随着时间推移它也往往会力不从心。需要付出真正的努力来识别何时需要将任务拆解、何时需要人工介入以及如何将多个步骤串联起来。这种具体的产品导向——构建可靠工作流的那些不光鲜的工程工作——正是小众玩家可以在大型云厂商面前取胜的地方。它或许不性感，但具有防御性。

记账系统的必要性

这对组织内人工智能的定位施加了巨大压力。如果细微差别就是护城河，那么构建记录系统和日常使用的工作站就变得至关重要。你需要融入工作流程，在发生时捕捉上下文，学习决策实际如何做出的模式。因为归根结底，一个对你业务有深入理解的员工很难被替代。深刻理解你业务的人工智能也同样会难以替代。

对建设者和投资者来说，问题不在于人工智能是否会改变你的行业——它会。问题是：谁将捕捉并守护使你的组织独一无二的那些细微差别？