前沿模型進步下的 AI 原生護城河

答案#

前沿模型進步是一場護城河壓力測試。它會摧毀由通用工作流 know-how、提示詞腳手架、遷移摩擦，或單純「我們用了更好的 AI」這類主張構成的優勢。它並不會自動重現已累積的客戶歷史、外部網路、獨佔資源、規模經濟，或既有廠商不願自我蠶食的惰性。

因此，能存活的 AI 原生護城河是：

外部結構性力量：來自 Seven Powers Applied to AI 的網路效應、規模經濟與獨佔資源。
時間鎖定的專有行為數據：Compounding Data Moat——真實使用者在產品內、隨日曆時間精煉工作流程。
領域邊緣案例工件：由實際客戶使用建構的垂直專屬 evals、測試、整合與例外地圖，而非通用領域描述。
深度工作流／平台嵌入：客戶圍繞產品建構自動化、API、webhook、訓練過的 routines 與營運程序。
對傳統既有廠商的反定位：The AI-Native Safe-Choice Inversion——「傳統既有廠商」變成不安全的選擇，因為它無法可信地成為 AI 原生，而不經重新培訓、重建與自我蠶食。

較弱的護城河是：

產品交付速度：Product Velocity as Moat 能贏得信任、拿下客戶，但若未轉化為數據、工作流、網路或平台鎖定，就只是跑步機。
狹窄楔子：Narrow Wedge into a Legacy Market 是高槓桿的進入策略，不是最終防線。
自研模型／最佳 AI 主張：只有綁定專有數據、專有工作流分發，或成本／延遲經濟學時才持久。若主張僅是「我們的模型更好」，前沿模型進步會把它商品化。
通用轉換成本與流程力量：Seven Powers Applied to AI 指出這些會被侵蝕，因為 agent 能搬移資料、重建整合，並對流程進行 hill-climb。

存活表#

護城河	能否在模型進步下存活？	原因
網路效應	強烈肯定	更好的模型無法重現使用者的網路、市集流動性或生態系參與。
規模經濟	強烈肯定	更好的模型可能降低營運成本，但無法消除資本密集度、利用率優勢或固定成本分攤。
獨佔資源	強烈肯定	AI 不會授予獨家合約、專有資料流、監管地位或稀缺人才的存取權。
時間鎖定的行為數據	若真實則肯定	競爭者可複製功能，但買不到已在產品內產生的數月客戶工作流歷史。
領域邊緣案例工件	部分肯定	當基於罕見、在地、客戶專屬的例外時能存活；若只是下一個前沿模型可內化的公開垂直知識則會被侵蝕。
工作流／平台嵌入	若夠深則肯定	通用轉換成本會被侵蝕；客戶自建的 API、自動化、訓練過的 routines 與營運程序較難被 agent 乾淨搬移。
反定位	肯定，但有時限	在既有廠商無法可信成為 AI 原生時增強。一旦該品類最大的 AI 原生廠商成為新的安全選擇，或既有廠商取得可信的 AI，就會弱化。
產品交付速度	單獨則弱	能拿下交易、傳遞信任，但前沿模型讓所有人都更快；必須複合成另一種護城河。
狹窄楔子	單獨則弱	能聚焦攻擊、產生學習，但它是楔子，不是牆。
自研基礎模型	不明	只有當它編碼獨佔數據、工作流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	單獨則否	更好的模型能推斷並對工作流 hill-climb。流程必須附著於規模、數據、網路或外部權利。
通用轉換成本	單獨則否	Agent 透過搬移資料、重建整合與重新產生設定，降低遷移痛苦。

真正的資料結構#

錯誤框架：「AI 原生公司因為用了 AI 就有護城河。」

較好框架：AI 原生護城河是一個半衰期各不相同的堆疊：

層級	功能	耐久性
敘事反轉	讓買家願意切換	中等，取決於品類週期
狹窄楔子	找到可接受不完整的首個區隔	低，GTM 機制
交付速度	讓楔子擴張快於客戶複雜度成長	低到中，相對於競爭者
行為數據	將使用轉化為專有學習	若從真實工作流擷取則高
領域工件	編碼通用模型會漏掉的邊緣案例	若私有／在地則中到高
平台嵌入	讓產品成為客戶營運的一部分	若客戶在其上建構則高
外部力量	網路、規模、獨佔資源	最高

前三層贏得落地。後四層守住擴張。把交付速度、AI 品牌或楔子當成護城河，是把進入動作誤認為防禦力。

Campfire 案例閱讀#

Campfire 之所以有用，是因為它同時包含持久與脆弱的論點。

持久的堆疊：

The AI-Native Safe-Choice Inversion：董事會與高層現在給財務買家「掩護」，可選 AI 原生 ERP 而非 NetSuite。
Narrow Wedge into a Legacy Market：Campfire 不需要整個 NetSuite；它只需在高成長科技公司、已超出 QuickBooks 且只用到 NetSuite 一小部分功能時做到最好。
Product Velocity as Moat：客戶買的是軌跡——「你們會跟著我們一起成長」——而不只是今天的功能集。
Compounding Data Moat：多實體會計工作流、財務營運模式與整合，可成為專有行為歷史與工作流鎖定。

脆弱的論點：

「最好的 AI」與「自研基礎模型」並不自動持久。若自研模型只是更好的模型，前沿模型進步會直接攻擊它。若它編碼 Campfire 專屬的財務工作流數據、邊緣案例、agent 平台行為與客戶互動軌跡，它就成為 Compounding Data Moat 或獨佔資源。

因此 Campfire 的答案不是「自研基礎模型能存活」。答案是：自研模型只有作為專有工作流訊號的載體時才存活；產品交付速度只有能在競爭者追上之前創造該訊號時才存活。

模型進步實際侵蝕什麼#

Harness Shrinkage as Models Improve 給出機制。過去需要腳手架的能力移入模型內部。商業上的等價物是：

提示詞技巧停止差異化；
通用 AI 工作流停止差異化；
可被 agent 搬移的整合停止差異化；
「我們能很快出貨」在 AI 原生同儕之間變成基本要求；
可從公開範例推斷的流程知識停止差異化；
只依賴「既有廠商很笨重」的垂直軟體，一旦所有參與者都是 AI 原生，緊迫感就會下降。

這就是為什麼 Seven Powers Applied to AI 是正確框架。模型進步並非均好或均壞。它對護城河在模型之外的公司有利，對護城河只是暫時模型能力差距的公司不利。

實務測試#

對任何宣稱的 AI 原生護城河，問問：某天一款強得多的前沿模型發布時會發生什麼。

若更強的模型讓競爭者更快複製優勢，護城河就弱：

通用流程力量；
提示詞腳手架；
廣泛的功能追趕；
遷移摩擦；
沒有專有訊號的「我們的 AI 更好」。

若更強的模型讓既有廠商處境更差，護城河可能增強：

既有廠商的舊堆疊與組織無法乾淨吸收新模型的反定位；
相對於傳統回歸面的產品交付速度；
在既有廠商重組之前擴張的狹窄楔子。

若更強的模型無法授予底層資產的存取權，護城河存活：

網路效應；
規模經濟；
獨佔資源；
專有行為數據；
客戶自建的工作流嵌入。

若更強的模型因公司擁有競爭者缺乏的私有回饋迴路而改善產品，護城河會複合：

接受／拒絕的輸出；
客戶專屬的工作流軌跡；
垂直邊緣案例測試套件；
與利基系統的整合；
客戶在其上建構的 API 與自動化。

底線#

能在前沿模型進步下存活的護城河，不是「AI」護城河。它們是以 AI 原生獲客與複合迴路重建的舊結構性護城河。

持久的模式是：

用 The AI-Native Safe-Choice Inversion、Narrow Wedge into a Legacy Market 與 Product Velocity as Moat 落地客戶；用 Compounding Data Moat 與 Seven Powers Applied to AI 中的持久力量，讓那些客戶難以複製。

其餘多半是跑步機。