複利型資料護城河

資料來源#

• The Founder's Playbook: Building an AI-Native Startup

摘要#

The Founder's Playbook: Building an AI-Native Startup 對其自身論點提出的存在性問題——如果任何人都能打造軟體，護城河是什麼？——給出了答案。Scale 階段的作法，是由三個彼此複利的元件組成護城河：(1) 來自真實使用者在產品內持續精煉工作流程的專有行為資料，(2) 一般型 AI 無法匹敵的領域知識編碼，將產業特有的邊界案例納入產品，以及 (3) 透過整合與客戶自行建立的自動化形成的工作流程鎖定，讓轉換供應商成為營運專案，而不只是產品決策。其機制是具時間鎖定性的防禦力：一個今天才開始、資源充足的競爭者，根本無法複製數千名使用者花費數月在你的特定產品內塑造工作流程所留下的行為指紋。

三個元件#

1. 作為專有資料的行為指紋#

"As users interact with your product, they generate behavioral signals (i.e., which outputs they accept and which they reject), which informs the product roadmap... This is what we mean by compounding value: each improvement makes the product more useful, which drives more usage, which creates more feedback, which drives more improvement."

"This data is time-locked, context-specific, and impossible for a copycat to recreate: you simply can't buy the behavioral fingerprint of thousands of users who've been refining their workflows inside your product."

資料飛輪廣為人知；這份作法的特殊框架，強調其時間鎖定的特性。即使資本無限，也無法加速使用者建立工作流程模式所需的數個曆月。一個較晚進場、擁有更好模型的競爭者，在這個軸線上仍結構性落後，與資源多寡無關。

2. 將領域知識編碼進 AI 情境#

"A generalist AI medical billing tool breaks on 340B drug program claims, for example, but yours has specific logic for them."

創辦人的領域專業——產業術語、法規邊界案例、挫折，以及「為什麼顯而易見的答案行不通」——會被外化為：

• Extended Claude conversations / projects / memory → 結構化、可搜尋的情境
• Skills → 可重複使用的例程，將反覆出現的工作流程編碼（「我如何審核商業租約」、「我如何分流病患初診表」）
• MCP integrations with niche industry systems competitors haven't heard of
• 針對從實際經驗辨識出的邊界案例，建立驗證邏輯與提示詞精煉

數月之後，這會變成「任何一般型 AI 都無法匹敵的專有知識基底」。

這份作法的練習是：「找出一個通用型競爭者在你的垂直領域一定會答錯的邊界案例。與 Claude Code 合作，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）。每次出現類似邊界案例，就把它加進去。你的測試套件會成為護城河的地圖。」

這很有意義——它把護城河從敘事轉換成實體成果：測試套件本身就是有文件記錄的垂直領域知識。

3. 透過整合形成工作流程鎖定#

"The longer users run your product inside their daily operations, the more deeply it gets embedded in how they actually work. They've built automations on top of it, trained people to use it, and connected it to their data sources and other tools. The prompts they've developed, the workflows they've refined, and the outputs they've standardized have all been shaped around what your product does and how it does it. At this point, switching goes from product decision to full scale operational project."

三個整合深度層次，每一層都會形成更強的鎖定：

1. 原生整合資料管線與專案管理工具——使用者建立依賴你產品的工作流程
2. API、webhook、SDK——客戶不只是使用你的產品，而是建構在它之上
3. 內部自動化與受訓人員——客戶的組織已圍繞你的產品重新塑形

最深層的鎖定，是客戶已在你的產品上建立了一個平台，而不只是使用某項功能。

這與 Seven Powers Applied to AI 的關係#

複利型資料護城河位於 Boris Cherny 的七大力量分析中的持久型力量之內，但其具體機制是創新的：

七大力量元件	複利型資料護城河的作用方式
網路效應	間接——每名使用者對工作流程的精煉，都會透過產品路線圖訊號改善所有使用者的產品體驗
規模經濟	間接——更多使用量 → 更多資料 → 更低的單位改善成本
掌握的稀缺資源	直接相關——行為指紋確實是被特定方掌握、具時間鎖定性且無法購得的資源
轉換成本	工作流程鎖定是現代版的轉換成本；這份作法的框架是，即使一般型轉換成本正在 AI 下滑，它仍能持續存在
流程力量	部分相關——編碼後的領域知識就是流程力量，但不容易透過逐步爬山取得，因為它需要產生這些知識的現場經驗

Boris 的更廣泛論點是，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。這份作法的反制方式是：把整合深化到代理程式無法移植的程度。建立在產品之上的 API、webhook、SDK 與客戶自建自動化，會創造能夠在遷移工具之外存續的表面積。

時間不對稱#

這份作法最倚重的防禦特性是時間。其中幾個明確的表述包括：

• 「為什麼一個今天才開始、資源充足的競爭者，兩年內無法複製它。」
• 「具時間鎖定性、情境特定，而且模仿者不可能重現。」
• 「將數千個配對過濾到少數值得追蹤的對象之後……」（Kindora——數月的精煉）

論證結構是：即使所有其他護城河都被侵蝕，投入複利累積的曆法時間仍無法購買。Scale 階段的退出問題——「如果資金充足的既有企業今天複製你的產品，你的使用者會留下來嗎？」——就是檢驗這道護城河是否存在的營運測試。

這需要創辦人做什麼#

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：**在上線之前建立衡量框架（以便從第一位使用者開始擷取行為資料）。
• **發布階段：**建立回饋迴路，將使用者訊號轉化為系統性的模型改善。
• Scale 階段：
• 稽核累積的互動資料，找出訊號最高的行為模式，設計能將模式轉化為模型改善的回饋迴路。
• 建立垂直領域邊界案例的測試套件地圖。
• 依整合深度繪製客戶地圖；找出形成最深層鎖定的模式。
• 建立 API／webhook／SDK，讓客戶建構在你的產品之上。

這份作法的處方式練習是：「把產品互動資料的摘要交給 Claude……請它找出其中訊號最高的三個行為模式，並設計一個能將每個模式轉化為系統性模型改善的回饋迴路。接著請它協助你草擬一頁式護城河敘事。」

護城河敘事會成為 Scale 階段的成果，用於投資人對話、GTM 材料與企業銷售。

作法中的案例研究#

• Carta Healthcare——每年處理 22,000 件手術案例的臨床摘要；將摘要時間縮短 66%。護城河：多年編碼在工作流程中的臨床情境模式。
• Anything——非技術背景創辦人建立招募平台；透過 Agent SDK 完成完整建置與編排。潛在護城河：由創辦人塑造的招募領域工作流程。
• Wordsmith——由律師轉任 CTO；為內部法務團隊提供法律科技。護城河：一般型法律 AI 無法匹敵的法律團隊專屬工作流程理解。
• Kindora——非營利組織與慈善資助者配對；將數千個配對過濾為少數值得追蹤的對象。護城河：根據實際非營利組織—資助者配對，花數月精煉配對邏輯。

四個案例的共同模式是：在某個垂直領域中累積深厚的專業情境，隨時間編碼進產品，產生競爭者在結構上無法快速複製的邊界案例處理能力。

相關連結#

• The Verifiability Thesis——可驗證領域讓資料護城河透過可衡量的回饋複利累積
• AI-Native Startup Lifecycle——核心的 Scale 階段目標
• Seven Powers Applied to AI——本概念延伸的框架；透過此機制重新定位轉換成本與流程力量
• Printing Press Software Democratization——創造這道護城河需求的宏觀類比（生產成本崩跌，因此差異化必須來自其他地方）
• Founder as Agent Orchestrator——讓深層垂直知識得以編碼的領域專家創辦人管線
• 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——一般型 harness 會縮小，但邊界案例的垂直領域專屬測試套件，是一種不會向內遷移的 harness（因為模型沒有訊號能從一般資料中學會它）
• AI Employee Framing——透過領域編碼形成的護城河，是「AI 取代領域專業」敘事的解藥；創辦人的領域知識是不可取代的輸入
• MCP and Computer Use——Skills + MCP 與利基產業系統的整合，是建構護城河的技術基底；Kindora 的 MCP 分散式產品是典型案例
• The AI-Native Safe-Choice Inversion——在反轉贏得進場之後，守住擴張的護城河；一旦完成轉換，AI 原生供應商便會累積既有企業欠缺的資料／工作流程鎖定
• Product Velocity as Moat——速度是進場（一台跑步機）；這道複利型護城河是持久的防守，速度必須將其轉化為防禦力（Campfire）
• Production-Sourced Evaluation——同一項具時間鎖定性的專有使用資產，被重新用作評估基底（DRACO 建立於 Perplexity 的生產流量之上）
• Telemetry vs. Survey Measurement——Faros AI 的跨組織 SDLC 遙測資料是複利型資料資產；擁有這條資料流，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 是經編碼、組織專屬的程序情境，會持續複利並被共享；系統化報酬梯度（組織情境越豐富，報酬越高）是一種來自情境的護城河論點
• Organizational Complements to AI——經編碼的程序情境與工作流程重設，是將原始模型能力轉化為實現價值的無形資本互補因素（Brynjolfsson）；資料護城河就是其中一種互補因素
• LLM-as-Compiler Knowledge Base——作為知識儲存庫的護城河：Tan 的「模型品質是租來的，但如果你建立自己的大腦，就擁有那個大腦」——經策展的公司大腦，是超越模型存取權的持久資產
• AI Product Economics Maturation——「模型品質是租來的」的調查版論點：ICONIQ 的建置者使用約 3.3 個可互換供應商（Anthropic 剛在頂端取代 OpenAI），因此切換模型很便宜，持久優勢位於內部工作流程層——Ramp 的 350 個由 Git 版本管理的可重複使用工作流程，就是以內部生產力作為護城河的典範

衍生內容#

• 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：它的重點是將創辦人的判斷編碼進基底，即使表層語言採用擬人化表述，結構上仍是工具框架

開放問題#

• 「兩年複製窗口」的主張在實證上站得住腳嗎，還是只是理想化說法？這份作法沒有引用衡量資料。
• 當基礎模型本身持續快速進步時，這道護城河如何維持？如果 2027 年的一般型模型已內化足夠的垂直領域情境，能原生處理 340B 藥品計畫理賠，垂直領域邊界案例護城河是否會遭到侵蝕？
• SaaS 的資料飛輪論點已經提出 15 年了。AI 原生版本實際上有何不同？可能是：資料除了改善產品，也改善模型；但這份作法沒有精確區分兩者。
• 「客戶在你之上建立 API」的鎖定，在結構上與平台策略（Salesforce AppExchange、Shopify 應用程式）相似。這種護城河類型真的新嗎，還是只是現在精實新創也能取得？

資料來源#

• The Founder's Playbook: Building an AI-Native Startup——Scale Stage 章節（「Claude 如何協助 Scale 階段創辦人」、工作流程鎖定、複利資料章節）＋ Resources 章節案例研究