AI 商业策略与护城河
回答："OpenAI 明天做了你的产品怎么办？"
防御框架：†ai-startup-defensibility-four-vectors（Mike Krieger 版）、†ai-moat-data-flywheel-workflow（Peter Deng 版）、ai-market-three-segments（Bret Taylor 版）、vertical-vs-horizontal-ai-boundary（Logan 版）、ai-market-defensibility-pattern（Truell：持续做最好产品才是护城河，解释 Copilot 掉队）、stickiness-over-moats（Scott Wu 重新表述问题）、where-to-differentiate-in-ai-stack（Varun）。——五个一线 builder 各给一版，skill 中应并列呈现。
非模型护城河：tight-feedback-loop-as-ai-product-moat、business-rules-are-the-moat（反驳"SaaS 会被克隆冲垮"）、pain-is-the-new-moat、audience-trust-moat-for-data-labeling、mcp-commoditize-complements-strategy（MCP 的战略本质）。
宏观格局：†ai-1997-internet-clock（Benedict Evans 定位当下）、model-labs-pricing-power、commodity-distribution-incumbents、vertical-saas-compression、micro-startup-explosion-vc-implications、yesterdays-competence-cheap。
技术栈选择：foundation-model-custom-model-sandwich（Cursor 三明治架构）、fine-tuned-model-ensembles（Kevin Weil）、model-system-not-single-model、post-training-economics-30b-threshold、build-vs-buy-ai-model、client-side-compute-scaling。
节奏与自我颠覆：cannibalize-every-6-12-months（Varun）、no-roadmap-agility-in-ai-era（Replit 不守路线图）、build-for-the-model-six-months-out（Boris）/build-for-agent-time-horizon-growth（Mann）/build-for-future-capability-curve（Karina）/build-for-next-model-not-current-limits（Logan）/prototype-ahead-of-model-capability（Cat）——五个来源同一共识：为未来模型造产品、model-maximalism（Kevin Weil 同题）、model-threshold-unlocks、updating-ai-priors-arbitrage。
AI 创业防御四维度AI Startup Defensibility Four Vectors
几乎每个 AI 创业者都会被问:"如果 OpenAI/Anthropic 明天自己做了你现在做的事,你怎么办?"这个框架给出四个(在 1-3 年时间尺度内)相对站得住脚的防御位置,帮创业者判断该往哪个方向建立差异化,而不是直接和基座模型公司拼模型能力。
AI 数据飞轮护城河AI Moat Data Flywheel Workflow
在 LLM 之上创业时如何建立护城河：怎样防御基础模型公司下场抢生意，以及怎样击穿有分发优势的巨头。也是 Peter Deng 作为投资人评估 AI 早期项目的清单。
AI 的 1997 互联网时钟AI 1997 Internet Clock
给 AI 当前所处的历史阶段定位，校准预测的置信度：现在该下哪类判断、不该下哪类判断。
AI 市场三段位格局AI Market Three Segments
创始人决定"在 AI 里做什么方向不会被大模型公司碾压"；投资人/从业者判断 AI 市场的结构性格局。
AI 横纵赛道边界Vertical Vs Horizontal AI Boundary
基于大模型API做产品的创业者,如何判断自己的赛道会不会被模型公司自己"顺手"做掉?哪些方向是安全的,哪些方向注定要和OpenAI这类平台正面竞争?
AI市场可防御性模式AI Market Defensibility Pattern
在AI这种"天花板极高、天天有人想弯道超车"的赛道里,该怎么理解护城河?为什么像 Microsoft Copilot 这样的先发大厂,反而可能被后来者反超?
粘性优于护城河Stickiness Over Moats
AI 应用层如何思考防御性：当底层模型人人可租、构建成本骤降时，"护城河"问题应该怎么问、怎么答。
AI 技术栈差异化定位Where To Differentiate In AI Stack
AI 公司该在技术栈哪一层建立差异化？哪些模型该自研、哪些直接用 frontier 模型？什么样的产品注定沦为"套壳"？
紧反馈循环AI护城河Tight Feedback Loop As AI Product Moat
做 AI 产品的团队常把"模型好不好"当成唯一变量，容易忽视一个更朴素但决定性的护城河来源：能不能把用户的实时反应（喜欢/不喜欢、哪里出错）持续、低摩擦地喂回给团队/模型。
业务规则即护城河Business Rules Are The Moat
流行论断："AI 让写软件变得极容易 → B2B SaaS（Salesforce/Jira/Workday）会被克隆冲垮"。Shaun（在 Atlassian 和 Salesforce 两边都干过）认为人们完全搞错了这类应用的价值所在。
痛点即新护城河Pain Is The New Moat
AI 时代实现（implementation）快速贬值，公司和个人的护城河从哪里来。
数据标注信任护城河Audience Trust Moat For Data Labeling
在数据标注/人类反馈这门生意里,新玩家很容易陷入"多招聘人员+多砸广告"的军备竞赛。这个模型解释为什么这条路结构性打不过"已有信任基础的社区/平台",从而帮你判断自己的业务该往哪个方向建护城河。
MCP 互补品商品化战略Mcp Commoditize Complements Strategy
作为"挑战者品牌"(Anthropic 相对 OpenAI/ChatGPT 在消费者心智份额上落后),要不要自己下场把每一个第三方集成都做一遍?这条洞察解释了 Anthropic 选择反过来"把集成能力开放成协议"的战略逻辑,而不是选择自己全部包办。
模型实验室定价权Model Labs Pricing Power
判断 AI 价值链里价值最终沉淀在哪一层：基座模型公司会像 Windows 一样通吃，还是像电信运营商一样沦为低毛利公用事业。对投资、择业、创业选层都关键。
同质品分销与在位者Commodity Distribution Incumbents
当底层产品（模型）是同质品时，竞争的真正战场在哪里；以及怎么评估"AI 让在位者更强还是更弱"。
垂直 SaaS 压缩效应Vertical SaaS Compression
评估垂直/利基 SaaS 在 AI 构建时代的生存前景；企业内部 build vs buy 决策的重新计算。
微创业爆发投资效应Micro Startup Explosion Vc Implications
"一个人靠 AI 做出十亿美元公司"这个流行说法本身很吸引眼球，但如果只停留在这一层，会忽略更值得关注的二阶、三阶效应——这张卡追问：如果这件事真的发生，整个创业和投资生态会连带发生什么变化。
昔日能力贬值机制Yesterdays Competence Cheap
理解每次新模型发布对劳动力价值的实际影响机制，回答"AI jobpocalypse 会不会发生、谁在这个结构里胜出、个人该怎么办"。
基础与定制模型三明治Foundation Model Custom Model Sandwich
一个 AI 产品要不要自己训练模型?什么情况下该用大厂基础模型,什么情况下该自研专用小模型?如何把两者组合起来,既保证质量又控制成本和延迟。
微调模型集成架构Fine Tuned Model Ensembles
两个问题：(1) 公司把 LLM 用进业务时，拿一个通用大模型硬扛所有问题效果不佳；(2) 创业者纠结"OpenAI 会不会做掉我"——哪里是基础模型公司不会去的空间。
模型系统化思维Model System Not Single Model
团队在做技术选型时常纠结"该all in 哪一个大模型"，把问题框成"选哪一个模型"，而不是"该怎么组合多个模型"。这个心智模型给出了另一种框架。
后训练经济学30B门槛Post Training Economics 30b Threshold
企业/团队在纠结"该自己从零训练模型，还是拿现成模型做后训练/微调"时，缺一个经济学上的判断依据。这是作者引用的行业研究结论加上她自己的行业观察，用来判断投资该往哪个环节倾斜。
AI 模型自建或外购Build Vs Buy AI Model
确定要用 AI 后,下一个问题是:自建模型还是用现成模型?公司规模、数据量决定了答案,盲目自建是常见的资源浪费。
端侧计算扩展架构Client Side Compute Scaling
设计要服务海量用户（尤其带慷慨免费层）的 web 产品/AI 产品时，选择计算架构：云端 VM per user 还是端侧计算？
六至十二月自我颠覆法Cannibalize Every 6 12 Months
AI 产品公司如何分配路线图：增量迭代听用户的，还是押注用户没要求的颠覆？先发优势能吃多久？
AI 时代无路线图法则No Roadmap Agility In AI Era
在基础模型能力剧烈跃迁的行业里，严格执行既定季度路线图，可能意味着对刚刚出现的、足以重新定义你产品形态的新能力反应迟钝。这是 Replit 应对这种风险的实际做法，以及一个自己"革自己命"的历史案例。
面向半年后模型构建Build For The Model Six Months Out
AI 产品该按当前模型能力设计，还是按未来能力设计？如何解释和忍受 AI 产品早期 PMF 不佳的阶段。
面向 Agent 时间边界构建Build For Agent Time Horizon Growth
在AI能力快速指数增长的阶段,产品团队该按"今天模型能做到什么"来设计产品,还是该按"未来6-12个月模型能做到什么"来设计?这决定了产品会不会一上线就显得落后。
面向未来能力曲线构建Build For Future Capability Curve
产品团队常常只根据"当前模型能不能做好"来决定要不要投入做一个功能,这条经验提出一个反直觉但被反复验证的做法:提前为"未来模型才能撑起来"的产品构想布局,等模型追上后自然爆发。
面向下一代模型构建Build For Next Model Not Current Limits
每次大模型放出新版本(如GPT-4到GPT-5),市场都会出现两种极端反应:发布时"一切都变了、世界被颠覆了"的狂热,几周后又冷静回归"这就是个还不错的工具"。产品人和创业者该用什么心态规划自己的产品路线图,才不会被这种情绪周期带偏?
超前原型策略Prototype Ahead Of Model Capability
要不要现在就投入做一个"当前模型还做不太好"的功能,团队常常因为"准确率不够"而搁置。这条经验提出一个具体做法:先把produit原型搭起来放着,把"模型能力是否够格"当作可以随新模型发布反复重新测试的变量,而不是一次性判死刑的理由。
模型极致主义Model Maximalism
AI 产品团队/创业者面对"当前模型不够好"的两难：要不要花大力气给模型短板建 scaffolding？产品该瞄着当前能力还是未来能力建？
模型阈值解锁效应Model Threshold Unlocks
判断一个 AI 产品 idea "现在做还是再等等"，以及判断哪些垂直领域的模型能力会进步最快。
过时 AI 先验套利Updating AI Priors Arbitrage
很多人几个月/一年前试过某个 AI 能力（图像生成、推理、数据分析）觉得不行，就此形成固定印象，之后即使模型大幅进步也不再重新尝试。这个反直觉的观察指出：这种"过时的先验"本身就是一个可以被套利的机会。