数据优势与模型优势之争,以及护城河的真相
一场打磨精良的演示,很容易让人觉得“专有数据还是模型”是AI领域的核心战略问题。但这通常只是一种便利的简化说法。创始人用它来暗示自己拥有护城河。投资人用它来快速筛选项目书。双方都没有问出真正决定公司能否建立持久收入的问题:随着客户的使用,这个系统是否会变得显著更好、更便宜,或者更难被替代?
模型不会自动成为大宗商品。数据也不会自动成为资产。两者都可能具有战略价值,也都可能只是昂贵的表演。真正的区别在于,二者之中是否有任何一个与客户愿意持续付费的产品工作流相连接。
关于“数据优势与模型优势”的争论开始得太晚了
当任务本身的性能表现就是产品时,模型层才真正重要。如果系统必须解读专业文档、识别异常欺诈模式、在严格约束下生成代码,或者做出具有真实运营后果的决策,模型质量就可能决定这个产品是否可用。
但大多数宣称拥有模型护城河的公司,实际上并不拥有它。它们只是对一个容易获取的基础模型做了微调,攒出了一套还算过得去的评测集,然后用一些暗示性的措辞把结果包装起来,仿佛底层能力无法被复制。但它完全可以被复制——有时是被资金雄厚的竞争对手复制,更多时候,是被一个花了六个月时间、对客户问题理解更清楚的、能力过硬的产品团队复制。
模型迭代的速度让这一点变得更加严峻。去年还需要定制架构才能实现的技术优势,下个季度可能就能通过一个API、一次开放权重发布,或者一个更小的垂直供应商轻易获得。这并不意味着模型不再重要,而是说模型层面的优势只有在公司拥有持续领先的理由时才真正站得住脚:罕见的研究人才、规模化带来的成本优势、对算力的独家访问,或者任务本身过于特定,以至于通用型供应商缺乏追逐的动力。
大多数获得风险投资的AI公司都应该假设,基础模型会在自己身边不断进步。它们的战略不能寄托于“自己原地踏步,而所有人都在变得更强”这种侥幸之上。
“专有数据”往往只是一张收据,而非护城河
在投资人的对话中,“专有数据”这个说法承担了过多的解释责任。一家公司可能拥有的数据是私有的、经过许可的、难以收集的、受法律限制的,或在运营层面有价值的——这些是完全不同的情况。把它们混为一谈,正是薄弱的尽职调查沦为自信胡说的根源。
一次性归档的记录即使是专有的,也可能毫无用处。它可能是不完整的,偏向某个狭窄的客户群体,对当前问题而言太过陈旧,或者由于收集时的授权条款限制而无法用于模型训练。数据量再大也无法弥补这些缺陷,只会带来更大的合规账单和一个更精致的借口来掩盖薄弱的产品表现。
更有分量的问题是:在必须做出决策的那一刻,这些数据是否是独一无二的。设想一个工作流平台,它能看到用户在一次高价值运营事件发生前、发生中、发生后所采取的一系列操作。如果这些遥测数据是在获得许可的前提下采集的,经过良好的规范化处理,并与可衡量的结果相关联,它就能改进推荐、自动化工作、并揭示下一个产品机会。这不是一堆数据,而是一个被精心设计的反馈闭环。
即便如此,这条护城河也是有条件的。如果客户能够轻松导出数据,如果竞争对手能通过相邻的工作流收集到等效的信号,或者系统根本没有利用这些数据来改进产品,那么“独占”本身就没有多少商业价值。成为唯一存储某个数据集的公司,和成为唯一能从中创造客户价值的公司,完全是两码事。
真正的资产是不断复利的工作流优势
最持久的AI企业,往往占据的是工作流中的一个位置,而不仅仅是一个模型检查点或一张数据库表。它们存在于工作开始的地方、上下文被创建的地方,以及结果能够被验证的地方。这种位置会形成一个循环,而竞争对手无法仅凭一场演示就复制它。
首先,产品因为解决了一个真实的痛点而赢得采用。然后,它在任务执行过程中捕获结构化的上下文。接着,它利用这些上下文来提升质量、减少人工操作,或让下一步行动更加可靠。更好的结果带来更高的留存率和更广的使用范围。使用量越大,产生的信号就越好。只有当公司在产品设计、权限设置和激励机制上都为此做好铺垫时,这个循环才会真正复利增长。
这就是为什么通用型AI助手很难在企业场景中成长为持久业务。界面也许令人印象深刻,但一个缺乏工作流主导权的界面很容易被替换掉。客户仍然需要验证输出、在系统之间协调、管理各种例外情况,并在工具出错时承担后果。一个巧妙的聊天体验,既不是记录系统,也不是执行系统,更不是采购部门续约的理由。
创始人在这一点上尤其需要谨慎。如果你的项目书说数据护城河要等到规模起来之后才会出现,那就要解释清楚,在那条护城河存在之前,用户为什么会选择你。如果你的答案是模型质量,就要拿出针对任务层面的证据,和买家实际能够接触到的替代方案做比较。如果你的答案是分销渠道,就要展示渠道的经济模型。未来的飞轮效应,代替不了当下的切入点。
资本到位前,尽职调查应当验证什么
对投资人而言,真正有价值的工作不是在一场口号化的争论中选边站队,而是沿着能力、采用、留存收入这条依赖链去追根溯源。
问清楚数据改变了什么
不要只问公司是否拥有独特的数据,而要问这些数据让哪个产品决策变得更好了。管理层能否展示出在准确率、延迟、成本、转化率或人工审核时间方面的可衡量改善?这种改善是在生产环境中可见的,还是仅仅出现在卖方团队精心策划的评测环境里?
然后要问,随着业务规模扩大,这些数据在法律上是否仍然可用。在试点阶段显得含糊不清的数据权利,到了企业采购、收购尽调,或是第一次客户纠纷时,就会变得非常清晰。来源不明的数据集不是护城河,而是一笔穿着护城河外衣的或有负债。
问清楚模型真正拥有什么
如果一家公司宣称自己拥有差异化的模型性能,就要弄清楚这种差异的来源。是训练数据、架构、推理基础设施、领域专用评测,还是单纯的提示词工程?提示词工程可以很有用,但它很少能成为支撑高估值溢价的站得住脚的理由。
真正有意义的对比对象,不是某个抽象的前沿基准模型,而是买家在下一个预算周期内能够获得的、最可信的替代方案。如果竞争对手用一个大宗商品化的模型加上更好的实施就能达到可接受的性能,那么模型层面的优越性并不能保护这家公司。
问清楚“切换”在哪里会变得痛苦
切换成本并不只靠合同条款来创造。它来自嵌入式的工作流、积累下来的配置、已获批准的治理流程、经过培训的团队、历史上下文,以及下游的各种依赖关系。其中有些是健康的,有些则是披着企业软件外衣的“人质绑架”。健康版本其实更简单:客户留下来,是因为离开就意味着放弃真实的运营价值。
留存数据是最诚实的试金石。要留意账户内部使用量的扩张、人工工作量的下降、周期时间的加快,以及产品已经从实验阶段走向日常运营流程的证据。如果试点数量庞大,转化率却很疲软,那恰恰说明了演示证明了什么:人们愿意看这场演示而已。
为可衡量的优势而构建
这背后的战略启示并不是说,每一家AI公司都需要独家数据或自研的基础模型。很多公司并不需要。一家公司完全可以凭借分销渠道、更出色的实施层、值得信赖的领域专长,或者异常高效的产品工作流取胜。仅仅因为“数据护城河”听起来更容易融到资就假装如此,只会浪费时间。
真正的纪律在于:准确说出实际的优势所在,把它量化,并围绕它构建产品。如果优势在于能获取高质量的运营信号,就应该投资于埋点、数据权利和结果标注。如果优势在于专业化的模型性能,就应该投资于评测体系和部署经济性,而不是空洞地宣称自己“更智能”。如果优势在于工作流主导权,就应该先让产品变得不可或缺,再去考虑如何拓展它。
沃创(SproutVest)更青睐那些能够毫不掩饰、不靠一张基准测试图表就能讲清楚这条逻辑链的公司。这个市场不需要再多一份AI叙事——在TAM和团队介绍之间夹一页“专有数据”幻灯片。它需要的是能够改进某人已有工作的系统,能够在生产环境中证明这种改进,并且在下一个模型版本发布时,依然能给客户一个继续付费的合理理由。
这才是真正有意义的检验标准:不在于公司是否拥有数据或模型,而在于它是否拥有一条通往更好客户结果的路径——而且这条路径会随着每一次部署而变得更加强大。
您的领导方式在哪里有效,又在哪里正在消耗公司?
这个博客讨论的多数问题,最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题:约12分钟,即时出结果,自助版免费。
开始藤架领导力诊断 →想了解兼职高管或顾问合作?预约探索性通话 →
