#模型时代# YC访谈：AI创业不需要纠结有没有护城河，你要先有城堡才谈得上挖沟

刚刷了一期Y Combinator的Lightcone播客（10月3日）。主持人Diana、Jared、Harj等人讨论了一个比较有趣的问题：很多大学生不敢创业，是因为觉得自己的商业模式没有护城河（比如觉得可能只是ChatGPT套壳）。所以，AI初创企业到底有没有护城河？节目以Hamilton Helmer 2016年出版的《七种力量，商业战略的基础》一书为框架，重新审视这些经典的护城河理论在AI时代是否依然有效。

书中的案例多来自2000年代的互联网公司（Oracle、Facebook、Netflix），但护城河的本质并未改变。

TL; D 关键要点：

Q1，护城河真的那么重要吗？
A，在自由市场中，护城河是对抗无限竞争的唯一方式。没有护城河，利润率就会被压到零，企业最终会死掉。

Q2，AI初创企业应该什么时候考虑护城河？
A，别一开始就想护城河。护城河是防御性的，你得先有东西值得防御。初创企业唯一真正的护城河就是速度。

Q3，哪种护城河在AI时代最有效？
A，前置部署工程（Forward Deployed Engineering）和反向定位（Counter Positioning）在AI时代特别强大，因为它们利用了现有企业的惯性和不愿意。

七种力量到底是什么

Hamilton Helmer在书中总结了企业可能拥有的七种护城河。
1.规模经济，固定成本高但边际成本低，用户越多越便宜，训练大模型就是典型。
2.网络效应，用户越多产品越有价值，社交网络是经典案例。
3.反向定位，你的创新会损害现有企业的商业模式，他们明知更好也不敢跟进。
4.转换成本，客户换到竞争对手的代价很高，企业软件常用这招。
5.品牌，消费者认可你的名字愿意为此付溢价。
6.垄断资源，你独占了某种关键资源比如矿产、专利或者独特数据。
7.流程优势，通过不断重复和优化，你做同样的事情比别人更快更好。

这七种力量是商业世界中护城河的基本类型，几乎所有成功企业的竞争优势都可以归入其中。但在AI时代，它们的表现形式和重要性发生了微妙的变化。

一、护城河悖论，没有城堡就别挖沟

防御的前提是有东西值得防御。Diana开篇就抛出了一个反直觉的观点，护城河本质上是一种防御机制。但如果你连城堡都没建起来，挖再深的沟也没意义。

Jared接着说，很多创业者一开始就纠结，"我们是垄断资源还是不是？"这种想法完全错了。你应该先问自己，有没有找到一个真实的人,他有一个非常痛苦的问题？不是那种"哎，要是能这样就好了"的小痛点，而是"今年升不了职可能要被炒"那种让人不想上班的痛苦。

他特别强调了"存在级痛点"这个概念。如果你的产品能解决那种"公司可能倒闭"或者"明年我们能全面接管市场"级别的问题，那才是真正值得做的事。先从零到一把这个做出来，护城河的事情以后再说。

这里有个深刻的洞察，初创企业在早期阶段，速度本身就是最强大的护城河。这甚至不在《七种力量》那本书里。当你什么都没有的时候，你唯一的优势就是比所有人都快。快速找到痛点，快速验证，快速迭代。大公司有资源、有品牌、有网络效应，但他们慢。

二、前置工程师，深入客户现场才是真护城河

真正的技术壁垒往往不在代码里。Diana提到了Forward Deployed Engineering这个概念，翻译过来就是"前置部署工程"，但本质上说的是，把工程师直接派到客户那里，帮他们解决具体问题。

Palantir是这方面的典型。他们的工程师不是坐在办公室里写代码，而是常驻五角大楼、中情局这些地方，天天跟客户泡在一起。Diana解释说，你得真正理解客户的工作流程，知道他们每天面对什么问题，数据是什么样子的，才能做出真正有用的产品。

这种模式为什么能成为护城河？因为你学到的东西竞争对手学不到。你的工程师在客户现场待了一年，积累的领域知识、对业务的理解、甚至和客户建立的信任关系，这些都无法复制。别人可能抄你的代码，但他们抄不走你的理解。

Harj补充了一个有趣的例子。Scale AI的做法类似，他们派人去客户现场，真正弄明白客户需要什么样的训练数据。这不是你坐在办公室里能想出来的。很多AI公司觉得自己的护城河是算法，但其实真正的护城河是对客户业务的深度理解。

这种护城河特别适合AI初创企业。你没有大公司的品牌和资源，但你可以比他们更灵活，更愿意深入一线。大公司的销售见客户，但工程师不会去。而你可以让工程师直接去，这就是你的机会。

三、别再混淆流程优势和规模经济了

很多人把Process Power（流程优势）和Scale Economies（规模经济）混为一谈，但它们完全不同。Diana花了不少时间解释这个区别，因为理解它对AI公司太重要了。

流程优势说的是，你通过不断优化内部流程，做事的效率越来越高。典型的例子是丰田的生产系统。关键不是你做得多，而是你通过重复实践，把流程打磨得越来越好。就像你做饭，做一次和做一千次，效率完全不同。

规模经济则不同。它说的是你的固定成本很高，但一旦分摊到足够多的用户身上，单位成本就降下来了。训练一个大语言模型要花几亿美元，但一旦训练好，服务一百万用户和服务一千万用户的边际成本几乎为零。

Jared举了个很形象的例子。Netflix早期租DVD的时候，他们的物流系统就是流程优势。通过不断优化，他们能比Blockbuster更快地把DVD送到用户手里，而且成本更低。但后来Netflix转型流媒体，护城河就变成了规模经济，制作内容的固定成本很高，但用户越多，分摊下来就越便宜。

对AI初创企业来说，这个区别至关重要。如果你是在做Agent应用，你的护城河更可能是流程优势。你帮客户部署，解决他们的具体问题，这个过程让你越来越擅长解决这类问题。但如果你在训练基础模型，那你玩的就是规模经济的游戏，需要巨额资本投入。

Diana特别提醒，不要一开始就想着玩规模经济。那是大公司的游戏，需要几亿美元的投入。初创企业应该聚焦在流程优势上，通过服务客户积累know-how，这才是你能建立的护城河。

四、反向定位的残酷真相，AI会让人失业

Counter Positioning（反向定位）可能是七种力量里最有深度的一个。它说的是，有时候新技术明明更好，但现有企业就是不愿意采用，因为那会损害他们现有的商业模式。

Diana用了一个经典例子，Vanguard推出指数基金的时候，传统的主动管理基金公司明明知道这是更好的产品，但他们不能跟进。为什么？因为他们靠收高额管理费赚钱，如果也推指数基金，自己的收入就会大幅下降。这就是反向定位的力量，不是对手不知道你在做什么，而是他们知道但就是做不了。

但讨论到AI的时候，气氛变得严肃起来。Harj说，对很多公司来说，采用AI Agent意味着什么？意味着裁员。这不是什么隐晦的事情，很多AI初创企业的卖点就是"帮你减少人力成本"。比如有个公司做客服AI，明确告诉企业，用我们的产品，你可以少雇十个客服。

Jared补充说，这带来了一个道德困境。作为投资人和创业者，他们当然希望技术能让世界变得更好。但现实是，很多AI应用的直接效果就是让人失业。一个SDR（销售开发代表）Agent能替代原本需要五个人做的工作。这不是未来可能发生的事，这是现在正在发生的事。

Diana的观点更加坦率，她说这就是技术进步的现实。历史上每次重大技术革命都会带来劳动力的转移。工业革命让很多手工业者失业，但最终创造了更多新的工作机会。AI也会是这样，虽然短期内会有阵痛，但长期来看会创造出我们现在想象不到的新职业。

但这个"短期"可能持续很多年。他们都承认，对于那些被替代的个人来说，这不是一个抽象的经济学问题，而是关乎生计的现实问题。社会需要建立更好的再培训机制，政府需要考虑社会安全网，这些都不是技术公司能单独解决的。

有趣的是，正是因为现有企业意识到这个残酷现实，他们才会在采用AI上犹豫不决。没有哪个CEO愿意站出来说"我们要裁掉一半员工"。这种不愿意，恰恰给了初创企业机会。新公司可以从零开始，用更少的人做更多的事，而老公司被自己的组织结构束缚住了。

访谈还讨论了几个有意思的话题。

关于转换成本，他们提到很多AI公司其实转换成本很低，因为集成很简单。但如果你能深入客户的工作流，让他们依赖你的系统，转换成本就会变高。品牌在AI领域还不算强大的护城河，因为这个行业太新了，但OpenAI已经开始建立品牌，当人们想到"AI"就想到ChatGPT。

而网络效应在应用层很难建立，但如果你做的是平台，比如AI Agent的市场，网络效应就会非常强。规模经济主要存在于模型层面，训练大模型需要巨额资本，只有少数公司玩得起。Exa是个好例子，他们爬取整个网络建立搜索索引，这个固定成本很高，但一旦建成，服务更多客户的边际成本很低。

最后他们一致认为，初创企业最该关注的不是这七种力量，而是速度和找到真实的痛点。