複利型資料護城河

資料來源#

• 2026 State of Scaling: The Great Sorting
• DroneDeploy Didn't Win on Hardware. That's Why Procore Just Paid $845 Million.
• The Founder's Playbook: Building an AI-Native Startup

摘要#

The Founder's Playbook: Building an AI-Native Startup 回答了自身論點所引出的生死攸關問題：「如果任何人都能打造軟體，護城河在哪裡？」面向 Scale 階段的策略手冊提出，護城河由三種相互複利的要素構成——(1) 真實使用者在產品中打磨工作流程所產生的專有行為資料、(2) 將產業特有邊緣案例編碼進領域知識，使通用型 AI 難以匹敵，以及 (3) 透過整合與客戶自建自動化形成的工作流程鎖定，讓轉換成為營運專案，而非產品選擇。其機制是受時間鎖定的防禦力：資源充足的競爭者即使今天起步，也無法複製數千名使用者花了好幾個月、在你的特定產品中塑造工作流程所留下的行為指紋。

三項要素#

1. 行為指紋作為專有資料#

「使用者與產品互動時，會產生行為訊號（也就是他們接受哪些輸出、拒絕哪些輸出），這些訊號會影響產品路線圖……這就是我們所說的複利價值：每一次改進都讓產品更實用，帶動更多使用，產生更多回饋，再促成更多改進。」

「這些資料受時間鎖定、依情境而異，模仿者不可能重現：你就是無法買到數千名使用者在你的產品中逐步打磨工作流程所留下的行為指紋。」

資料飛輪早已廣為人知；這本策略手冊特別強調其受時間鎖定的特性。即使資金無限，也無法縮短使用者培養工作模式所需的數個月曆時間。在這個面向上，較晚進場、模型較好的競爭者仍在結構上落後，無論資源多寡。

2. 將領域知識編碼進 AI 脈絡#

「通用型 AI 醫療帳務工具會在 340B 藥品計畫的申報上出錯，例如；但你的工具有處理這類申報的專門邏輯。」

創辦人的領域專業——產業術語、法規邊緣案例、挫折點，以及「顯而易見的答案為何行不通」——會被外化為：

• Extended Claude 對話／專案／記憶 → 結構化、可搜尋的脈絡
• Skills → 可重複使用的慣例，將常見工作流程編碼下來（「如何審核商用租約」、「如何分流病患初診表」）
• MCP 整合，連接競爭者聞所未聞的小眾產業系統
• 根據實際經驗發現的邊緣案例，建立驗證邏輯與提示詞調整

經過數月累積，這會成為「通用型 AI 無法匹敵的專有知識基礎」。

策略手冊中的練習是：「找出一個通用型競爭者在你的垂直領域肯定會答錯的邊緣案例。和 Claude Code 一起，根據你實際見過的情境，為它建立專用測試案例（不是單元測試）。每次遇到類似邊緣案例，就把它加進去。你的測試套件會逐漸成為護城河的地圖。」

這點很有意義——它把護城河從敘事轉成具體產物：測試套件本身就是垂直領域專屬知識的文件化呈現。

3. 透過整合形成工作流程鎖定#

「使用者在日常營運中使用產品的時間越長，產品就越深入地嵌入他們實際的工作方式。他們在產品之上建立了自動化、訓練人員使用它，並將它連接到自己的資料來源與其他工具。他們設計的提示詞、調整過的工作流程，以及標準化的輸出，全都依據你的產品能做什麼、以及它如何做到而塑造。到了這個階段，轉換就從產品決策變成全面的營運專案。」

整合深度分成三層，每一層都會形成更強的鎖定：

1. 與資料管線和專案管理工具的原生整合——使用者建立仰賴你產品的工作流程
2. API、webhook、SDK——客戶不只是使用你的產品，還在它之上打造功能
3. 內部自動化與受訓人員——客戶的組織已隨你的產品改變形態

最深層的鎖定，是客戶在你的產品之上建立了平台，而不只是使用一項功能。

與 Seven Powers Applied to AI 的關聯#

複利型資料護城河屬於 Boris Cherny 七大權力分析中的持久型力量，但其具體機制是新穎的：

Seven Powers 組成要素	複利型資料護城河的作用方式
網路效應	間接——每位使用者對工作流程的調整，都透過路線圖訊號改善所有使用者的產品
規模經濟	間接——使用量越多 → 資料越多 → 單位改進成本越低
稀缺資源	直接相關——行為指紋確實是受時間鎖定、無法購買的稀缺資源
轉換成本	工作流程鎖定是現代版轉換成本；策略手冊的說法是，即使 一般轉換成本正在 AI 下侵蝕，這種鎖定仍能持續
流程權力	部分相關——編碼後的領域知識屬於流程權力，但它不容易靠逐步優化取得，因為這需要產生該知識的實地經驗

Boris 的整體論點是，AI 會侵蝕轉換成本，因為代理程式可以重建整合並移植資料。策略手冊提出的反制方式，是把整合做得更深入，超越代理程式可移植的範圍。API、webhook、SDK，以及客戶在你產品之上建置的自動化，會創造出能在遷移工具出現後仍存續的接觸面。

時間上的不對稱#

策略手冊最倚重的防禦特性是時間。它明確使用了幾種說法：

• 「為什麼資源充足的競爭者即使今天起步，也無法在兩年內複製它。」
• 「受時間鎖定、依情境而異，模仿者不可能重現。」
• 「把數千筆配對篩選到少數值得追蹤的對象之後……」（Kindora——經過數月打磨）

論證的結構是：即使其他所有護城河都被侵蝕，投入複利累積的曆時也無法買到。Scale 階段的退出問題——「如果資金雄厚的既有業者今天複製你的產品，你的使用者會留下來嗎？」——就是檢驗這道護城河是否存在的實際方法。

這對創辦人的要求#

這道護城河不會自動形成；它需要在多個階段刻意建構：

• **MVP 階段：**在推出前建立衡量架構（讓第一位使用者起就開始捕捉行為資料）。
• **推出階段：**建立回饋迴路，將使用者訊號轉化為系統性的模型改進。
• Scale 階段：
• 稽核累積的互動資料，找出訊號最強的行為模式，設計能把模式轉化為模型改進的回饋迴路。
• 建立涵蓋垂直領域邊緣案例的測試套件地圖。
• 按整合深度整理客戶，找出能形成最深層鎖定的模式。
• 建立 API／webhook／SDK，讓客戶在你的產品之上開發。

策略手冊提出的指引練習是：「向 Claude 提供產品互動資料摘要……請它找出資料中訊號最強的三種行為模式，並設計能將各模式轉化為系統性模型改進的回饋迴路。接著請它協助你草擬一頁的護城河敘事。」

這份護城河敘事會成為 Scale 階段的具體產物，用於投資人對話、GTM 材料與企業銷售。

策略手冊中的案例研究#

• Carta Healthcare——每年處理 22,000 例手術病例的臨床摘要；將摘要時間縮短 66%。護城河：多年來累積並編碼進工作流程的臨床脈絡模式。
• Anything——非技術背景的創辦人打造招募平台；透過 Agent SDK 協調完整建置流程。可能的護城河：創辦人塑造的招募領域工作流程。
• Wordsmith——由律師轉任 CTO；為企業法務團隊打造法律科技。護城河：通用型法律 AI 無法匹敵的法務團隊專屬工作流程理解。
• Kindora——非營利組織與慈善資金提供者配對；從數千個配對中篩出少數值得追蹤的對象。護城河：數月來根據實際非營利組織與資金提供者配對打磨媒合邏輯。

四個案例的共同模式是：某個垂直領域深厚的專業脈絡，隨時間編碼進產品，形成競爭者在結構上無法快速複製的邊緣案例處理能力。

在退出時被定價的護城河，以及策略手冊未命名的機制（DroneDeploy，2026 年 7 月）#

以上每個例子都主張企業能持續營運。Kevin Spain 的說法談到 Procore 以 8.45 億美元收購 DroneDeploy（Emergence Capital，2026-07-29，practitioner-opinion），這是資料庫中第一個讓這種護城河帶有退出價格的案例——即使存在利益衝突，仍值得閱讀的原因就在此（Spain 領導了 2015 年 A 輪，並擔任董事；詳見來源說明）。

**主張。**DroneDeploy 沒有投入硬體，而是推出任何無人機製造商都能接入的軟體，並花了多年在現場教育從未操作過無人機的營建領班與能源工程師。A 輪融資後兩年，營收尚未開始就已成交六位數美元的企業合約；十年後，它已成為營建、農業與能源領域的關鍵任務工具，而 Procore——早在成為收購方之前就是合作夥伴——支付了 8.45 億美元。

**本頁缺少的機制。**策略手冊談到時間不對稱，指出競爭者無法買到時間。Spain 提出的說法更尖銳，也在本質上有所不同：

「DroneDeploy 花了近十年時間擷取工地影像，早於任何模型能自動讀取這些影像。等到視覺模型終於夠好時，那些影像檔案早已在那裡……等模型出現後，沒有人能再建出那種資料集。你會開始累積它，是因為你幾年前就相信它終究會派上用場。」

這項資產是潛在資產——在累積的大部分時間裡都沒有經濟價值，因為能讀取它的模型尚不存在。這不同於上文所述的行為指紋飛輪；後者的每一份新增資料都會立即改善產品。這是一項押注未來能力的選擇權，並顛倒了飛輪的誘因結構：飛輪持續產生回報，因此能持續證明自身價值；潛在檔案卻在某項能力按別人的時間表出現前毫無回報，而在建置期間也無法用任何可取得的衡量結果來證明其合理性。策略手冊提出的指引練習——稽核互動資料、找出訊號最強的三種模式、設計回饋迴路——全都預設訊號已經清晰可讀。其中沒有任何一項會告訴 DroneDeploy 要保留影像。

關於兩年的複製窗口。把這個案例視為證據，複製窗口更接近十年而非兩年；而回報是突然出現，不是平順地複利成長（「平台幾乎一夕之間大幅升值」）。它無法解答下方的開放問題——樣本數為 1，由從成果中獲利的投資人講述，也沒有反事實案例說明，當需求已明朗後，2024 年成立的競爭者能多快蒐集出相當規模的影像資料。但這是資料庫中第一個為區間的遠端定出數值的資料點，也暗示起決定作用的變數並非單純的曆時，而是累積是否早於其他人能預見、可將它變現的能力。

**這篇文章不能作為哪些主張的證據。**另外兩項「心得」——成為組裝者（逐一向客戶進行市場教育）以及把生態系視為預設選擇（與硬體製造商合作、整合客戶系統）——都被列為單一成果的成因，卻沒有與敗北的全堆疊無人機公司比較。Spain 點出反事實案例（「許多商用無人機公司都決定打造全堆疊解決方案」），卻從未檢視它。應把組裝論點視為只有一個支持案例的假說，而非研究結果；至於轉換成本的主張（「過去需要工務主管花數小時人工巡查的流程，如今只需幾分鐘」），屬於第 3 節所述的工作流程鎖定，只是提出了主張，並未量化。

護城河轉移了位置，得主親口這麼說（ICONIQ，2026 年 9 月）#

ICONIQ 的 2026 State of Scaling（ICONIQ Venture & Growth，2026 年 9 月，empirical）以兩個不同族群檢視本頁的論點，兩者都得出相同結論，彼此卻未互相引用。

來自面向 AI 的私人企業群體（訪談對象包括 Anthropic、Braintrust、ElevenLabs、Glean 和 Legora 的營運人員）：「防禦力正從模型轉移到產品解決的特定工作流程。」他們提出的機制是本頁的第二項要素，再加上交付團隊——「駐點團隊處理軟體目前還無法解決的問題，因而帶來雙重回報：現在能更快創造營收，也能從真實客戶資料中取得產品洞見並回饋平台」——也就是說，FDE 是把部署經驗轉化為編碼領域知識的工具。這與 AI Product Economics Maturation 從營收端衡量的循環相同，也是企業不願向模型供應商公開的那項資產。

來自公開市場，ICONIQ「高成長公司有哪些共同點」一節將資料護城河列為三項共同特徵之一，並明確表述本頁第三個開放問題所擔心的前提：「當 AI 模型變得可互換，優勢就來自競爭者無法複製的資料與工作流程。」報告列出的案例包括：Samsara——實體營運中的 25 兆個資料點；Shopify——20 年的商務資料；CrowdStrike——每天處理數兆筆安全事件的 Threat Graph。

有兩個理由應審慎看待這些例證，另有一個理由說明它們仍然重要。每個案例都是因為該公司表現出色才被選入，因此「資料護城河 → 表現優異」的因果主張，是從結果反推；列舉的資產都是累積規模，而這是論點中最薄弱的形式——25 兆個資料點只是數字，無法證明競爭者無法建立足夠的替代資料集。新意在於替代性前提：ICONIQ 的推論是，模型日益商品化，因此優勢轉移到資料。相較之下，本頁第四個開放問題問的是 AI 原生飛輪與 SaaS 飛輪究竟有何不同；這裡提供了具體的單一方向答案——遭到取代的差異化要素（模型品質）正是過去的產品本身。

關聯主題#

• The Verifiability Thesis——可驗證的領域能讓資料護城河透過可衡量的回饋複利成長
• AI-Native Startup Lifecycle——Scale 階段的核心目標
• Seven Powers Applied to AI——本概念延伸的架構；此機制重新定位了轉換成本與流程權力
• Printing Press Software Democratization——促成護城河需求的宏觀類比（生產成本崩跌，因此差異化必須另尋來源）
• Founder as Agent Orchestrator——領域專家創辦人的流程，使深厚的垂直領域知識得以編碼
• Claude Code / Cowork / Anthropic——Skills、MCP 整合與 API 是建構這道護城河的介面
• Harness Shrinkage as Models Improve——通用 harness 會縮小，但涵蓋邊緣案例的垂直領域專屬測試套件，是不會往內部遷移的一種 harness（因為模型無法從通用資料中取得學習訊號）
• AI Employee Framing——以領域知識編碼形成的護城河，可化解「AI 取代領域專業」的敘事；創辦人的領域知識是不可取代的投入
• MCP and Computer Use——Skills 加上小眾產業系統的 MCP 整合，是建構護城河的技術基礎；Kindora 透過 MCP 分發的產品是代表性案例
• The AI-Native Safe-Choice Inversion——這道護城河是在反轉成功「落地」之後，守住「擴張」的防線；一旦客戶轉換，AI 原生供應商便累積既有業者所缺乏的資料與工作流程鎖定
• Product Velocity as Moat——速度是「落地」（像跑步機）；這道複利型護城河則是速度必須轉化成的持久「防守」(Campfire)
• Narrow Wedge into a Legacy Market——這道護城河所要防守的切入策略；DroneDeploy 的「適用於任何人硬體的軟體」切口，與 Campfire 的窄功能切口形狀相同，只是分別針對硬體既有業者與軟體既有業者
• Production-Sourced Evaluation——同一種受時間鎖定的專有使用資產，改作評估基礎（DRACO 取材自 Perplexity 的正式環境流量）
• Telemetry vs. Survey Measurement——Faros AI 跨組織的 SDLC 遙測資料是複利型資料資產；掌握資料流才能發布調查無法匹敵的產業報告（也是其結論背後的商業誘因）
• Agentic Work Systematization——自訂 skills 是編碼後、組織專屬的程序脈絡，會複利成長並共享；系統化報酬梯度（組織脈絡越豐富，報酬越高）就是以脈絡形成護城河的論點
• Organizational Complements to AI——編碼後的程序脈絡與工作流程重新設計，是把原始模型能力轉化為實現價值的無形資本補充（Brynjolfsson）；資料護城河就是其中一種補充
• LLM-as-Compiler Knowledge Base——將護城河視為知識庫：Tan 說「模型品質是租來的，但如果你建立自己的大腦，那個大腦就屬於你」——經整理的公司大腦，比模型存取權更持久
• Knowledge-Centric Self-Improvement——「模型品質是租來的」不只是主張，而是經過衡量：凍結在第 10 代的整理後知識資產，在產生它的任務、執行過程與模型家族全都消失後，仍持續提高解題率，而且在每種提供方與接收方配對中都如此。這是資料庫中最接近受控測試的案例，用來檢驗累積的知識產物是否為持久資產
• The 1% Rule for Wedge Selection——在開發前就為這類護城河篩選切入點：Dean 所說的「通用模型在結構上無法看見的資料」（個人資訊、小眾訓練語料）就是同一種資產；從模型端來看，這解釋了為何成功率為 0% 的市場會維持在 0%
• AI and Market Power——把既有業者優勢的論點放到微觀資料上檢驗，結果呈現兩面。**支持護城河：**在產業集中的領域，持有 AI 專利的公司正是銷售領先者（依領先者持有 AI 專利的市場 CR4 為 0.39–0.43），而既有業者收購 GenAI 新創公司的溢價，相對於 7.58% 基準率高出約 21%。**反對護城河：**2001–21 年間，全球 AI 專利集中度在每個指數上都下降（CR1 ≈ −60%、CR100 ≈ −32%）；排名居首的 AI 專利持有者年復一年維持排名的機率僅為 0.48；葡萄牙曝險於 GenAI 程度最高的公司平均只有六名員工。這道護城河呈現於誰收購創新，而非誰創造創新
• Forward-Deployed Engineering as a Delivery Layer——交付團隊是這道護城河的進料閥：ICONIQ 的營運人員表示，駐點團隊「帶來雙重回報」，既增加當下營收，也從真實客戶資料中帶來產品洞見。這就是附加人力的第二項要素，也是企業不願向供應商公開同一資產（內部流程）的爭議所在
• AI Product Economics Maturation——以調查形式呈現「模型品質是租來的」論點：ICONIQ 的建置者使用約 3.3 家可互換的供應商（Anthropic 最近取代 OpenAI 登上首位），因此更換模型成本低，持久優勢位於內部工作流程層——Ramp 的 350 個以 Git 版本控管、可重複使用的工作流程，是以內部生產力形成護城河的典型案例

延伸#

• Owning Your Externalized Cognition——同一道護城河轉移到個人身上：Tan 說「模型品質是租來的，你的資料庫屬於你」，這是本頁架構在個人層級的呈現：累積的行為紀錄是持久資產，前沿模型則是逐漸商品化的投入。它補上一個企業規模防禦力不曾需要回答的問題——人離職時，誰持有程式碼儲存庫？
• Orchestration vs Employee Framing: Reconciling the Founder's Playbook with HBR's Accountability Evidence——指出這道護城河與 HBR 相容：它關乎把創辦人的判斷編碼進基礎層，即使表層語言使用擬人化說法，結構上仍是工具導向

開放問題#

• 「兩年複製窗口」這項主張，在實證上站得住腳嗎？還是僅為理想目標？策略手冊沒有引用任何衡量資料。(部分回答，僅涵蓋最長時間端：DroneDeploy 累積了約十年的資料，直到視覺模型出現後價值才突然實現，最終以 8.45 億美元成交——目前僅此一例，由該公司的投資人講述，也沒有反事實案例說明需求明朗後，新進業者能多快追上。它暗示「兩年」不是合適的單位：起決定作用的變數是累積是否早於變現能力可被預見，而非經過多少曆時。要真正回答，仍需配對比較兩種垂直領域產品：一種在能力出現前已有檔案，另一種沒有，兩者在能力到來後展開競爭。)
• 當基礎模型本身持續快速改進時，這道護城河如何維持？如果 2027 年的通用型模型已內化足夠的垂直領域脈絡，能原生處理 340B 藥品申報，那麼垂直領域邊緣案例護城河是否會受侵蝕？(重新界定，而非回答（2026-09-22）：2026 State of Scaling: The Great Sorting 以和本項疑慮相反的方向提出前提——「當 AI 模型變得可互換，優勢就來自競爭者無法複製的資料與工作流程」——也就是說，快速改進模型被解讀為模型層商品化，因此會強化資料護城河，而不是將其消解。兩種解讀都可能成立，但適用於不同事物：通用能力商品化會提高專有語料的價值，而能內化某個垂直領域邊緣案例的模型，則會摧毀該語料的邊際價值。ICONIQ 沒有提供任何一方的證據，只有經挑選、規模龐大的案例（Samsara 的 25 兆筆資料點、Shopify 的 20 年商務資料、CrowdStrike 的 Threat Graph），而它們全都因為持有者表現優異才獲選。本項疑慮的觸發條件沒有改變，如今可以明確表述：某個垂直領域中，前沿模型的發布可衡量地侵蝕了既有業者的資料優勢。)
• SaaS 的資料飛輪論點已經提出 15 年。AI 原生版本實際上有何不同？可能的差異是：資料除了改善產品，也會改善模型，但策略手冊沒有精確區分這兩者。
• 「客戶在你的產品之上建立 API」所形成的鎖定，在結構上類似平台策略（Salesforce AppExchange、Shopify 應用程式）。這種護城河類型真的新嗎？還是只是瘦身新創現在也能採用？

資料來源#

• The Founder's Playbook: Building an AI-Native Startup——Scale Stage 章節（「Claude 如何協助 Scale 階段的創辦人」、工作流程鎖定、複利資料章節）以及 Resources 區中的案例研究
• DroneDeploy Didn't Win on Hardware. That's Why Procore Just Paid $845 Million.——Kevin Spain，Emergence Capital，2026-07-29（practitioner-opinion，利益衝突：領導 2015 年 A 輪，並擔任董事）：Procore 以 8.45 億美元收購 DroneDeploy、「及早達到大規模部署」一節（在任何模型能讀取前，就累積了十年的工地影像）、軟體優先／生態系論述，以及工務主管巡查的轉換成本主張。收購案與 A 輪融資是可查證的事件；所有因果歸因都是投資人自己的說法，文中雖點名落敗的全堆疊競爭者，卻從未檢視它們
• 2026 State of Scaling: The Great Sorting——ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，經 docling 解析）。本文引用了 Pacesetter 營運人員對工作流程防禦力及 FDE 學習迴路的訪談（第 28 頁），以及上市公司資料護城河案例（第 14 頁）。兩者都是營運資料報告中的 practitioner-opinion 段落：前者來自出版商旗下五家投資組合公司，後者則挑選了表現優異的上市公司，而這正是護城河理應解釋的結果。出版商的利益衝突資訊見 ICONIQ