AI · MM · 217
数据标注信任护城河
Audience Trust Moat For Data Labeling · audience-trust-moat-for-data-labeling--garrett-lord
所属簇 AI 商业策略与护城河
解决什么问题
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。
核心内容
- 作者的核心论断:"人类数据这门生意唯一的护城河是触达受众的能力"。
- 典型的行业玩家(包括当时的头部公司)靠 200 名招聘人员在 LinkedIn 一对一私信、每月砸数千万美元做 TikTok/Instagram/Google 效果广告来找专家("能找 200 个物理博士吗?"),这些专家此前从未听说这个品牌,被当作"陌生的低成本国际劳动力"对待(类比"在菲律宾画停车标志边框")。
- Handshake 的结构性优势:十年积累的 1800 万用户、1600 所高校合作、92% 美国前 500 高校覆盖,带来零获客成本——学校本身就是分发渠道,学生天然信任 Handshake 这个品牌。
- 用 CAC/LTV(获客成本/用户终身价值)框架拆解为什么这带来复利优势:因为零 CAC + 高转化率(被信任平台邀请 vs. 陌生广告触达)+ 高留存(被当作专家而非廉价劳动力对待,项目复参率高),LTV 结构性碾压对手,这个差距很难靠砸钱追平。
- 具体表现:客户(实验室)要 200 名物理博士,竞对靠人工地毯式私信+广告,Handshake 靠已有社区高效匹配,响应速度和交付质量都更快。
适用边界
- 这个护城河的前提是"信任积累"本身需要长年经营(作者反复强调"decade of trust"),不是短期能靠融资砸出来的。
- 该模型适用于"人是核心供给"的市场(专家网络、劳务市场),对纯技术/算力驱动的业务不直接适用。
- 竞争对手采用的是"200 名招聘人员+每月数千万美元效果广告"的路径来触达专家群体,而非直接复制 Handshake 的社区信任打法;这条护城河本身仍需假设先发的信任积累优势不会被后来者用其他方式追平,需要持续投入维护(原文未出现"a bunch of companies... have chased after that"这一具体表述,此前版本为误引)。
关键引述 · 原话
Garrett Lord: "We like to say the only moat in human data is access to an audience."
Garrett Lord: "We have such consumer affinity... we have a massive strategic advantage, which is like no customer acquisition costs."
关联卡片
- 与 `generalist-to-expert-labeling-shift--garrett-lord` 互补,共同解释 Handshake 为何能在四个月内从 0 冲到 5000 万 ARR。
被这些卡引用
出处：Garrett Lord (Handshake 联合创始人兼 CEO) · 03-podcasts/garrett-lord.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2+fixed
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2+fixed