AI创业公司最强大的七道护城河

摘要

本文是Y Combinator旗下播客"Light Cone"的一期深度讨论，围绕Hamilton Helmer的经典著作《七种力量》（The Seven Powers）展开，并将其框架重新映射到2025年AI创业的语境中。四位YC合伙人——Jared、Diana、Gary和Harj——逐一剖析了七种商业护城河：流程力量（Process Power）、垄断资源（Cornered Resource）、转换成本（Switching Costs）、反向定位（Counterpositioning）、品牌（Brand）、网络经济（Network Economy）和规模经济（Scale Economies），并在书中原有案例的基础上，补充了大量AI时代的真实案例，如Cursor、Windsurf、Casa、Greenlight、Happy Robot、Salient、Exa等。此外，他们还提出了"书中未列但至关重要"的第八道护城河——速度（Speed），并反复强调：早期创始人不应因看不到远期护城河而放弃创业，而应先找到痛点、解决问题，护城河会在过程中自然浮现。整场讨论既有战略高度，又有实操深度，为AI创业者提供了一份清晰的防御性思维地图。

正文

开场：为什么护城河在AI时代被讨论得更多

节目开场，主持人将护城河比作城堡外的壕沟——你的创业公司就是那座小城堡，外面所有的公司都想来抢你的午餐。Jared指出，在他们最近走访大学校园时，很多聪明的大学生提出了一个共同的疑问：他们看不出那些新兴的AI代理（AI Agent）公司如何拥有护城河。这种疑虑源于"ChatGPT套壳"（ChatGPT Wrapper）的迷因——所有这些公司似乎都很容易被复制，学生能看到如何建立一个有收入的公司，却看不到如何建立一个长久的事业。Jared认为这种看法并不正确，这些公司实际上拥有相当深厚且有趣的护城河，只是不那么显而易见。

《七种力量》：框架的来源与重新解读

Diana介绍了这本书的背景：由Hamilton Helmer撰写，他在斯坦福大学经济学院任教，该书于2016年出版，全名《七种力量：商业战略的基础》（The Seven Powers: The Foundations of Business Strategy）。书中的案例多来自2000年代的互联网公司时代，如Oracle、Facebook、Netflix等，因此他们决定对这个框架进行一次"重启"，探讨它在2025年AI时代的适用性。

Jared指出，书名虽然叫"七种力量"，但更准确地说应该叫"七种护城河"，因为Helmer真正讨论的是企业可以拥有的七类护城河。尽管具体案例已经过时，但框架本身是永恒的——商业护城河的种类是有限的，不会真正改变。即使在AI代理世界中，这些护城河的具体形态有所不同，其类别依然适用。

速度：书中未列的第八道护城河

在深入七种力量之前，讨论者们花大量篇幅强调了一个书中没有但至关重要的护城河——速度（Speed）。Windsurf的Varun曾说过，在创业最早期，创业公司唯一的护城河就是速度。Jared认为这应该被写进书里。

Gary以Cursor为例进行了阐述：大型公司如Google或Anthropic虽然可以构建类似Claude Code的功能来与Cursor竞争，但Cursor凭借不懈的执行力取胜。大型公司需要经过产品经理、运营流程、PRD文档、规格说明等层层流程，发布一个功能的时间远超Cursor。Michael Truel（Cursor创始人）曾在YC分享，他们在2023-2024年间的产品开发冲刺周期只有一天——每天重新开始计时，每天都要发布新功能。这种速度是任何大公司都无法企及的。

护城河的时机：先有东西可守，再谈防守

Gary提出了一个关键观点：这正是为什么YC始终告诉人们先找到有真实问题的人，然后去解决那个问题。世界上到处都是可以用软件——尤其是AI——解决的痛点，而且它们如此普遍和严重，如果你找到并解决了那个问题，你就能创造一个价值十亿、百亿甚至数千亿美元的公司。护城河会在你与客户合作、构建产品、确定所需数据的过程中自然浮现。

Jared补充道，如果有人因为看不到远期护城河而决定不做一个创业想法，那是很愚蠢的。护城河本质上是防御性的，你必须先有东西可守。如果什么都没有，就别操心护城河了——那就像田野里的一滩水洼。

第一种力量：流程力量（Process Power）

流程力量意味着你构建了一个非常复杂的业务，其中包含大量难以复制的内容。书中的经典案例是丰田的装配线。在AI时代，这对应的是一个经过多年精细打磨、在真实世界条件下运行良好的复杂AI代理。

Jared举了几个YC投资公司的例子：Jake Heller的CaseText（法律AI）、Greenlight（为银行做KYC，即"了解你的客户"合规检查）、Casa（为银行做贷款审批）。这些AI代理的"黑客马拉松版本"可以在一个周末做出来，大学生们看到的往往是这个版本，然后觉得"我一周就能做出来，这怎么能有防御性？"但关键在于，黑客马拉松版本对任何人都没有用。如果Casa或Greenlight失败，银行会损失数百万美元——这是关键任务基础设施（Mission-Critical Infrastructure），更像是自动驾驶汽车。

Gary补充了一个深刻的例子——Plaid。Plaid需要支持的金融机构数量达到数千乃至数万家，涉及不同的网站、不同的爬虫，其CI/CD结构之复杂令人难以想象。如果利用最新的代码生成工具（Codegen Tools）来比任何人都快地接入每一个新的金融机构，这就是AI时代流程力量的一种深刻形式。

Diana指出，流程力量可能是现有SaaS公司主要的防御形式。Stripe、Rippling、Gusto之所以有护城河，主要是因为它们构建了大量软件，复制起来极其昂贵和困难。后端逻辑非常深，你无法从着陆页上复制它。

Harj还提到了"苦差事盲区"（Schlep Blindness）的概念：AI工具的黑客马拉松版本比以往更容易搭建，但最后10%——让它在每天数万次KYC请求中可靠运行——是一种特定的、艰苦的、乏味的工作，很多工程师并不愿意做。而且OpenAI的团队也很难对KYC工具的最后5%一致性感到兴奋。

第二种力量：垄断资源（Cornered Resource）

垄断资源是指那些不可套利的、稀缺的、具有独立价值的资产，有时还附带优惠的获取条件。经典案例包括制药公司的专利和FDA批准。在AI时代，Scale AI和Palantir与美国国防部（DoD）的合作是现代案例——要达到那个位置，需要雇佣对的人、花大量时间在华盛顿和兰利，甚至建造专门的安全数据中心（Skiff）。一旦嵌入，政府人员在AI方面的心智资源本身就成了垄断资源。

对于创业公司而言，更贴近现实的垄断资源形式是"前置部署工程师"（Forward-Deployed Engineer）模式。很多极其成功的创业公司正在做的事情就是：走出去，以真实数据和真实工作流的形式获取垄断资源。他们与通常无法获得好软件的客户坐在一起，理解那些可能非常枯燥的流程，然后将其转化为自己的提示词（Prompts）、评估体系（Evals），最终转化为自己的数据集来微调自己的模型。

Character AI也是一个案例——他们拿LLM进行微调，将服务成本降低了10倍，这本身就是一种垄断资源。最好的垄断资源是拥有自己的、能完成特定工作的模型。但Jared也指出，人们曾经以为拥有自己的模型是这个领域唯一的护城河，事实证明并非如此——它只是可能的护城河之一。

Gary提出了一个重要的观察：虽然理想的AI系统可能需要预训练（Pre-training）、后训练（Post-training）、RLHF等大量工作才能达到ChatGPT水平，但我们处于革命的最早期，即使仅靠上下文工程（Context Engineering）就能达到80-90%的效果，那也足够了。Cursor最初并没有做GPT-5的全参数微调，他们只是先做到了"做出人们想要的东西"。

第三种力量：转换成本（Switching Costs）

转换成本是指客户被"困住"的情况——即使其他解决方案可能稍好一些，但切换到新方案在财务、运营时间或精力上都非常痛苦。书中的经典案例是Oracle数据库和Salesforce CRM：当你的所有系统记录和数据都在Oracle中时，数据库迁移是人们不愿触碰的事情；当所有客户记录都在Salesforce中、构建了所有工作流和UI后，重新培训销售团队使用新软件、迁移所有数据的代价极其高昂。

在AI时代，转换成本以一种新形式出现。Diana以Happy Robot和Salient为例说明：这些公司从特定的工作流开始，为每家大型企业进行深度定制。前置部署工程师模式的试点期可能长达六个月到一年，但如果成功，会转化为七位数的合同。Happy Robot与DHL深度合作，整合了其物流运营的大量工作流；Salient为金融行业构建AI语音代理，与银行整合时发现各家银行在贷款合并、债务追收、欺诈监控、风险合规等方面的工作流都各不相同，因为每家公司都构建了内部工具。这些定制工作流一旦建立，大型企业不会再做一次" Bake-off "（竞标对比），因为他们不想浪费巨大时间再试另一个AI语音代理公司。

Jared指出，AI同时也在降低转换成本——如果你能用代码生成工具从老旧系统中提取数据，那么原本依赖转换成本的竞争壁垒可能被降至零。存在两种不同风味的转换成本：老式SaaS时代的数据迁移之痛（LLM可能显著降低这种成本），以及AI时代原生的深度定制逻辑之痛（这在SaaS时代并不真正存在）。

Harj补充，在消费者端，记忆（Memory）正在成为一种转换成本。ChatGPT似乎越来越了解用户的兴趣和偏好，这种个性化随时间推移会形成越来越强的转换成本。

第四种力量：反向定位（Counterpositioning）

反向定位是指做一件对现有竞争者来说很难复制的事情，因为复制会蚕食其自身业务。在AI时代，最突出的表现是SaaS公司的按座位收费（Per-Seat Pricing）模式——几乎所有SaaS公司都按员工数量收费，这是一个战略上的阿喀琉斯之踵（Achilles Heel）：如果他们的AI代理真的做好了自己的工作，客户需要的员工就会减少，工作被AI自动化了，在简单的逻辑下，他们越成功，收入就越低。

Diana认为，创始人控制的公司可能还能自我蚕食（比如Intercom），但非创始人控制的公司则很难有希望——自我蚕食自身收入极其困难。而新型AI创业公司的定价模式围绕"交付的工作量"或"完成的任务量"，这从根本上改变了产品方向——产品必须能够真正完成工作。

Gary提到了Avoka的案例：他们为HVAC（暖通空调）行业做类似ServiceTitan的客户支持软件。ServiceTitan只占HVAC公司总支出的约1%，但Avoka发现他们可以从软件切入，逐步获取更大份额的钱包——客户支持支出占HVAC公司支出的4-10%，而非1%。这意味着新型AI创业公司可能拥有更多增长和更高的钱包份额（Wallet Share），垂直AI SaaS代理可能比传统SaaS大至少10倍。

Harj讨论了第二种反向定位形式——后发者优势。在AI领域，每个垂直市场中往往很早就出现一个"早期赢家"，但后发者可能通过构建更好的产品来反超。Legora对阵Harvey就是一例：Harvey在法律AI领域是早期赢家，专注于微调，但后来发现这可能不是正确的路径，应用层和产品体验才是关键——Legora作为第二 mover 专注于此，效果很好。Giga ML进入客户服务领域，与Sierra和Decagon竞争，其反向定位在于产品开箱即用效果更好，因此销售和入驻流程更快。

Harj还举了Duolingo与Speak的案例：Duolingo是最大的语言学习应用，但越来越被批评更像游戏应用而非真正的语言学习应用；Speak则利用LLM和语音真正帮助用户练习和学会语言，这种反向定位效果显著。

第五种力量：品牌（Brand）

品牌护城河是指当你的品牌如此知名，即使有同等产品，消费者仍然会选择你。书中的经典案例是可口可乐。在AI语境中，品牌对初创公司来说较难直接应用，因为建立品牌需要时间，但其效应已经可见——最令人震惊的例子是OpenAI的ChatGPT：其日活用户数超过Google的Gemini，而任何理解并日常使用这些模型的人都会承认Gemini Pro 2.5和Gemini Flash 2.5是同等水平的模型。Google本就是全球最大的消费品牌之一，但有人从零开始建立了消费者AI应用的品牌，Google却在追赶。

这同时也是反向定位的完美案例——Google拥有需要继续支持广告的商业模式，以及人类历史上最伟大的现金牛，为什么要自我颠覆？即使代价是让人类获取知识的进程倒退几年。ChatGPT的起源故事也再次印证了速度这道护城河——它由一个小团队在几个月内快速发布。

第六种力量：网络经济（Network Economy）

网络经济是指产品价值随用户数量增加而增加，每个人因更多人使用而获得更多价值。书中的案例是Facebook（社交网络效应）和Visa（支付网络效应）。在AI时代，网络效应的形态发生了变化，主要体现在数据层面：AI公司获取的数据越多，定制模型越好，产品越好，形成飞轮效应。

ChatGPT几乎肯定会将大量用户聊天历史反馈到训练中——从ChatGPT 1到5的所有聊天记录都喂入GPT-6，帮助创造下一个模型版本。Cursor的Tab自动补全可能是最好的之一，因为免费版Cursor会在用户注册时说明他们会使用数据，而且几乎每一次鼠标点击和按键都会被喂入模型。开发者使用Cursor越多，产品越好，形成正向循环。

对于面向企业的AI创业公司，当它们与大公司合作时，能获取私有数据——Salient和Happy Robot的客户员工使用产品时产生的大量私有数据使工作流不断改善。评估体系（Evals）是AI创业公司的关键护城河——通过评估工作流成功与否，将结果反馈并迭代改进上下文工程，这个飞轮只有在产品使用量增加时才能实现。

第七种力量：规模经济（Scale Economies）

规模经济是指投入大量资金建设庞大基础设施后，因规模效应而能以更低成本提供服务。经典案例包括UPS、FedEx和Amazon配送网络。在AI世界，规模经济主要体现在模型层而非应用层——训练最先进的大语言模型（LLM）是资本密集型的，只有少数公司能负担得起，一旦完成就能以低成本提供推理服务。

DeepSeek的发布之所以震惊世界，是因为它似乎表明训练前沿LLM的成本可能比人们预想的低得多，这将大大削弱AI实验室的规模经济护城河。但Gary指出关键细节：DeepSeek的RL部分确实更便宜，但他们仍然建立在一个大型基础模型之上，那个基础模型仍然很昂贵——这是媒体搞错的地方。

对于创业公司，Exa是一个规模经济的案例。Exa本质上是为AI代理提供搜索的API，为了提供这项服务，他们需要爬取大量网页，这需要大量固定资本投入，但一旦完成，同一份爬取数据可以复用于多个客户。Exa在代理真正起飞之前就开始了这项投资，甚至在ChatGPT发布之前就在做这件事——他们早期下注，就像实验室公司在Transformer和缩放定律上早期下注一样。在最近一批YC中，Channel 3和Orange Slice也在做类似Exa的事情，爬取大量网页并在自己的服务器上维护，然后让代理在其上运行。

总结：回归速度与痛点

Gary在最后总结中强调：你应该主要关注的是书中都没有列出的第一道护城河——速度。如果你在纠结"我们会不会成为垄断资源"之类的问题，你的思考方向就错了。你应该从"我是否找到了某个有痛点的人，而且这个痛点足够痛苦"开始。不是"如果能这样做就好了"的级别，而是"我今年可能升不了职，甚至可能被解雇，痛苦到不想上班"的级别。如果你能用软件缓解那种存在性的痛苦——业务会倒闭，或者"天哪我们明年可以完全接管一切"——那种感觉才是你要找的。先找到痛点，从零到一，然后护城河自然会出现。