AI-Native 護城河如何承受前沿模型進步的考驗

答案#

前沿模型的進步是護城河的壓力測試。它會摧毀那些仰賴通用工作流程知識、提示詞鷹架、遷移摩擦，或單純宣稱「我們用了更好的 AI」所建立的優勢。但它不會自動重造歷經時間累積的客戶歷史、外部網絡、獨占資源、規模經濟，或既有業者不願自我蠶食的心態。

因此，能在 AI-native 時代存續的護城河包括：

外部結構性力量：來自 Seven Powers Applied to AI 的網絡效應、規模經濟與獨占資源。
受時間限制的專有行為資料：Compounding Data Moat，也就是實際使用者隨著日曆時間推移，在產品內不斷精煉工作流程。
領域邊界案例產物：根據真實客戶使用情況建立的垂直領域專屬評測、測試、整合與例外情況對照表，而非通用的領域描述。
深度嵌入工作流程／平台：客戶圍繞產品建置自動化、API、webhook、訓練過的例行流程與作業程序。
對抗既有業者的反向定位：The AI-Native Safe-Choice Inversion：由於既有業者若要可信地轉型為 AI-native，就得重新訓練、重建並蠶食自身業務，「傳統既有業者」反而成了不安全的選擇。

較弱的護城河包括：

產品速度：Product Velocity as Moat 有助於贏得信任並吸引客戶，但若沒有轉化為資料、工作流程、網絡或平台鎖定，就只是不斷奔跑的跑步機。
狹窄切入點：Narrow Wedge into a Legacy Market 是高槓桿的進場策略，不是最後一道防線。
客製模型／最佳 AI 宣稱：只有與專有資料、專有工作流程分發，或成本／延遲經濟效益相連時才持久。若宣稱只是「我們的模型比較好」，前沿模型的進步就會讓它變成商品。
通用轉換成本與流程力量：Seven Powers Applied to AI 指出，這些優勢會逐漸消退，因為代理程式可以移植資料、重建整合並逐步改進流程。

存續表#

護城河	能否抵抗模型進步？	原因
網絡效應	很能	更好的模型不會重造使用者的網絡、市集流動性或生態系參與度。
規模經濟	很能	更好的模型可能降低營運成本，但不會消除資本密集度、使用率優勢或固定成本分攤。
獨占資源	很能	AI 不會賦予人獨家合約、專有資料流、監管地位或稀缺人才的存取權。
受時間限制的行為資料	能，若資料真實	競爭者可以複製功能，卻無法買到已在產品內產生、累積數月的客戶工作流程歷史。
領域邊界案例產物	部分能	若以罕見、在地且因客戶而異的例外情況為基礎，就能存續。若只是下一個前沿模型能內化的公開垂直領域知識，就會逐漸消退。
工作流程／平台嵌入	能，若夠深入	通用轉換成本會消退；客戶建置的 API、自動化、訓練過的例行流程與作業程序，較難由代理程式乾淨地移植。
反向定位	能，但有時限	當既有業者無法可信地轉型為 AI-native 時，優勢會增強。一旦該類別規模最大的 AI-native 廠商成為新的安全選擇，或既有業者取得可信的 AI 能力，優勢就會減弱。
產品速度	單獨看來較弱	它能促成交易並傳達可信度，但前沿模型會讓所有人都變快。它必須累積成另一種護城河。
狹窄切入點	單獨看來較弱	它能聚焦攻勢並帶來學習，但它是切入點，不是城牆。
客製基礎模型	未定	只有在模型編碼了獨占資料、工作流程訊號或成本結構時才持久。否則前沿實驗室會追上。
流程力量	單獨看來不行	更好的模型能推斷並逐步改進工作流程。流程必須依附於規模、資料、網絡或外部權利。
通用轉換成本	單獨看來不行	代理程式可移植資料、重建整合並重新產生設定，降低遷移痛苦。

真正的資料結構#

不佳的說法：「AI-native 公司因為使用 AI，所以有護城河。」

更好的說法：AI-native 護城河是由不同有效期限的層次組成：

層次	功能	耐久性
敘事反轉	讓買方願意轉換	中等，取決於類別週期
狹窄切入點	找出第一個能接受產品尚未完整的客群	低，屬於 GTM 機制
速度	讓切入點的擴張速度超越客戶複雜度的增加	低至中等，視競爭者而定
行為資料	將使用情況轉化為專有學習	若取自真實工作流程，則高
領域產物	將通用模型會漏掉的邊界案例編碼	若屬私有／在地資訊，則中至高
平台嵌入	讓產品成為客戶營運的一部分	若客戶在其上建置，則高
外部力量	網絡、規模、獨占資源	最高

前三層負責贏得進場，後四層負責守住擴張成果。把速度、AI 品牌或切入點視為護城河，就是把進場策略誤認成防禦能力。

Campfire 案例解讀#

Campfire 是很有參考價值的案例，因為其中同時包含持久與脆弱的主張。

持久的堆疊：

The AI-Native Safe-Choice Inversion：董事會與高階主管如今會為財務買方選擇 AI-native ERP，而非 NetSuite 提供支持。
Narrow Wedge into a Legacy Market：Campfire 不必滿足 NetSuite 的所有需求；只要成為快速成長、正超越 QuickBooks，且只使用 NetSuite 一小部分功能的科技公司的最佳選擇即可。
Product Velocity as Moat：客戶買的是發展軌跡——「你們會和我們一起成長」——不只是今天的功能組合。
Compounding Data Moat：多實體會計工作流程、財務營運模式與整合，能成為專有的行為歷史與工作流程鎖定。

脆弱的主張：

「最佳 AI」與「客製基礎模型」並非自動持久。若客製模型只是比較好的模型，前沿模型的進步就會直接攻擊它。若它編碼了 Campfire 專屬的財務工作流程資料、邊界案例、代理程式平台行為與客戶互動軌跡，就會成為 Compounding Data Moat 或獨占資源。

因此，Campfire 的答案不是「客製基礎模型能存續」。答案是：只有當客製模型承載專有工作流程訊號時，它才存續；只有當產品速度能在競爭者追上之前創造出該訊號時，它才存續。

模型進步實際侵蝕什麼#

Harness Shrinkage as Models Improve 說明了其中的機制：過去需要鷹架的能力，會逐漸轉移到模型裡。對企業而言，對應的影響是：

提示詞技巧不再形成差異；
通用 AI 工作流程不再形成差異；
可由代理程式移植的整合不再形成差異；
「我們可以快速推出產品」在 AI-native 同業間成為基本門檻；
能從公開範例推斷的流程知識不再形成差異；
若垂直軟體的優勢只在於「既有業者操作笨重」，那麼當所有新進業者都成為 AI-native 後，這種急迫性就會消失。

這就是為什麼 Seven Powers Applied to AI 是合適的分析框架。模型進步並非一概有利或有害。對於護城河位於模型之外的公司而言，這是好事；對於護城河只是暫時模型能力落差的公司而言，這是壞事。

實務測試#

評估任何被提出的 AI-native 護城河時，請問：更強大的前沿模型推出的那一天，會發生什麼事？

如果更強的模型讓競爭者能更快複製優勢，這種護城河就很弱：

通用流程力量；
提示詞鷹架；
廣泛追趕功能；
遷移摩擦；
沒有專有訊號支撐的「我們的 AI 比較好」。

如果更強的模型讓既有業者的處境更差，護城河可能會增強：

既有業者的舊技術堆疊與組織無法順利吸收新模型時，反向定位便有利；
產品速度能對抗既有產品的回歸風險範圍；
在既有業者重新組織之前，擴大狹窄切入點。

如果更強的模型無法取得底層資產，護城河就能存續：

網絡效應；
規模經濟；
獨占資源；
專有行為資料；
客戶建置的工作流程嵌入。

如果公司擁有競爭者缺乏的私有回饋迴路，而更強的模型因此能改善產品，護城河就會累積增厚：

被接受／拒絕的輸出；
客戶專屬的工作流程軌跡；
垂直領域邊界案例測試套件；
與利基系統的整合；
客戶建置其上的 API 與自動化。

結論#

能抵抗前沿模型進步的護城河不是「AI」護城河，而是以 AI-native 的客戶取得方式與累積迴路重新打造的傳統結構性護城河。

持久的模式是：

運用 The AI-Native Safe-Choice Inversion、Narrow Wedge into a Legacy Market 與 Product Velocity as Moat 贏得客戶；運用 Compounding Data Moat 和 Seven Powers Applied to AI 中持續存在的力量，讓競爭者難以複製這些客戶關係。

其他做法大概都只是在跑步機上奔跑。