AI 产品即数据管理

基本判断：LLM 是"合成机器"（synthesis machine）、"无限的信息吞噬者"——但它只知道训练时的内容和你此刻喂给它的内容，一毫秒后就忘。所以 LLM 的上限 = 你给它的数据的质量 × 新鲜度。给得越多越好（大体如此）。

信息衰减率：任何信息（客户反馈、竞品动作）对决策的价值都衰减得非常快。所以喂给 LLM 的数据不仅要多、要好，还要及时。

价值分层（做 AI 产品时）：

• 模型：大概率可替换，不是差异化来源
• Prompt：有价值，值得持续投入，但不是根本
• Context/数据：真正的答案。90% 的力气（calories）花在这里——如何拿到好数据、高质量数据、及时数据、结构良好的数据，并送到 LLM 面前

例子（HCM bot 思想实验）：假如在 Workday 做 AI 助手，聪明程度取决于：员工信息 + 福利信息 + 该员工所在国家的法律现状 + 公司政策流程——这些数据的链接与跳转，而不是模型本身。

佐证（Lenny 转述 Mike Krieger 在 Anthropic 的经验）：Anthropic 内部两类产品团队——做用户体验的和做模型研究侧的——复盘发现成功几乎都来自模型/数据侧的工作，于是把更多产品人力压到那一侧，而不是调 UX 和按钮。

给创业者的推论：有第一方数据但用不上=没用；数据到处都是，稀缺的是"对的数据、对的时间、对的位置"；能形成第一方数据网络效应最佳。