@joshelman:新的护城河与旧的护城河相同 每隔几年,我们都会迷上闪亮的新技术,而忘记消费者软件的基本物理……

X AI KOLs Timeline 新闻

摘要

文章认为,尽管围绕AI有大量炒作,但消费者软件中持久的竞争护城河仍然是网络效应、市场平台和平台,AI产品必须演进以纳入多用户动态以实现长期留存。

新的护城河与旧的护城河相同 每隔几年,我们都会迷上闪亮的新技术,而忘记消费者软件的基本物理规律。 我们在AI上又重蹈覆辙。 新的护城河根本不新。它们与旧的护城河完全相同:网络效应、市场平台和平台。 目前,消费者AI正在蓬勃发展。 新的代理如Instinct、Bot和Tomo正在带来令人惊叹的体验。底层技术令人难以置信,但今天构建的几乎每个产品都面临着完全相同的挑战: 它们完全是单人游戏。 单人游戏产品100%依赖于价值——在这种情况下,主要是代理:模型性能。 如果竞争对手明天推出一个能更快预订旅行、更好追踪习惯或更可靠处理生活管理的代理,每个人都可以一夜之间切换,因为离开很容易,几乎没有摩擦。特别是当只需新消息就能轻松上手时。 传奇的消费者科技巨头并非因为其底层技术永远保持微小优势而获胜。 它们获胜是因为结构性锁定: 社交网络:如果朋友不在那里,你不会为了更漂亮的UI而放弃WhatsApp。 市场平台:Airbnb、Doordash和Uber将供需紧密锁定在循环中。 平台:Apple和Android为你提供完整设备,以便你利用其上的软件(尽管这也创造了机会) 新颖性带来初始分发。 多用户动态带来长期留存。 如果你的消费者AI产品在用户B加入时,对用户A的价值没有呈指数级增长,那么你就没有护城河,只有一套暂时优越的功能集。 我们在编码代理中看到这一点,人们根据最佳性能从一个工具跳到另一个工具。 但是……一切并非无望。这里有巨大的机会。当更多朋友加入代理并能帮助我们协调和沟通以共同完成更多任务时,代理会变得更好。帮助我们改善和加强习惯的代理,随着我们添加朋友并互相监督,会变得更好。 数据飞轮很棒,但社交和市场飞轮才是构建持久科技巨头的关键。 是时候停止构建孤立的AI工具,开始构建人们连接、交易和协调的平台了。
查看原文
查看缓存全文

缓存时间: 2026/09/09 13:55

新的护城河与旧的并无不同

每隔几年,我们总会沉迷于闪亮的新技术,而忘却了消费级软件的基本规律。

如今,我们正在AI领域重蹈覆辙。

所谓的“新护城河”其实根本不新——它们与旧护城河完全相同:网络效应、平台生态与市场体系。

当前消费级AI正迎来爆发期。 诸如Instinct、Bot、Tomo等新智能体带来了令人惊叹的体验。底层技术确实精妙,但几乎所有当下开发的产品都面临同一个核心挑战:

它们完全是“单机游戏”。

单机产品的价值百分之百依赖于单一维度——在这里主要指智能体的模型性能。

若明天有竞争对手推出能更快预订行程、更精准追踪习惯或更可靠处理生活事务的智能体,用户几乎可以毫无成本地一夜切换。尤其当只需发送新消息就能完成迁移时。

传奇的消费级科技巨头之所以获胜,并非因其底层技术永久保持微弱优势。

而是通过结构性锁定效应取胜: 社交网络:若好友都不在WhatsApp上,你不会因为更美观的界面而迁移; 市场平台:Airbnb、Doordash、Uber将供需两端牢牢锁在闭环中; 生态系统:苹果与安卓提供完整设备,使用户自然承接其上层软件生态(尽管这也创造了新机遇)

新颖性能带来初期用户,但真正的长期留存依赖多用户互动价值。

如果你的消费级AI产品不会因用户B的加入而让用户A获得指数级价值增长,那这护城河只是暂时的功能优势。

我们在编程智能体领域已目睹这种现象——人们随着性能差异不断更换工具。

然而…一切并非无可挽回。其中蕴藏着巨大机遇:当更多朋友使用智能体时,它们能助力协调沟通,创造协同价值;帮助改善生活习惯的智能体,能通过好友加入和互相督促变得更强效。

数据飞轮固然重要,但社交与市场生态飞轮才是真正缔造科技巨头的根基。 是时候停止打造孤立的AI工具,转而构建让人们连接、交易、协同的平台生态了。

相似文章

泛滥时代的护城河(14分钟阅读)

TLDR AI

本文认为,充裕的AI智能不会消除商业护城河,而是会将价值转移至那些通过协调、工作流数据和结构性必要性将AI模型转化为现实成果的企业。

Moats Need Models(6分钟阅读)

TLDR AI

本文认为,AI的可防御性来自于拥有完整的反馈循环——基于专有数据进行后训练的自定义模型,针对特定工作流进行调整,并由用户定义的标准进行评估——而不是从可能随时更改条款的供应商那里租用前沿API。它强调模型定制是实现差异化和利润控制的关键。

蒸馏护城河(6分钟阅读)

TLDR AI

文章认为,AI公司建立在昂贵模型训练之上的竞争护城河很容易被蒸馏(distillation)所削弱——即通过重复API查询来复制模型,行业实践如xAI在OpenAI模型上训练Grok、Anthropic指控中国实验室挖掘Claude等行为都印证了这一点。