R

R02 护城河审计 Checklist

创建 2026-06-07 更新 2026-06-11 0 条双链 AI 产品护城河与商业模式 专题 AI 整理

当你拿到一份 BP、一个竞品、或自家产品的护城河叙事，怎么不靠直觉、不被”数据飞轮+网络效应+成本优势”的清单话术忽悠，在 30 分钟内做出一份可证伪、可打分、能交给投委会/选型会的护城河审计？本节点是 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌 的操作化落地——把 S02 的”可替换栈”判断框架，拆成一套逐项打分 + 被冲垮风险压力测试 + 红队拷问的复现手册。核心方法论一句话:护城河审计不是”数他有几种护城河”，而是”逐条估算对手伪造每一条的成本，再问哪一条一旦失守整栈会塌”。 不会算”伪造成本”的护城河审计，都是营销文案的复读。

§0 为什么用”伪造成本审计”框架，而不是”护城河清单打钩”

业界尽职调查最常见的做法是”护城河清单打钩”——VC 模板里列着 network effects / switching cost / data / brand / scale，逐项打个有/无/强/弱。这个框架对 AI 产品系统性失效，原因有三:

  1. 它把护城河当可累加项。打钩越多看起来越安全,但 S02 已论证五类护城河之间存在挤出效应——把资源全押在”用最好的模型”上就没资源做工作流。清单法奖励”样样都沾”,而样样都沾恰恰是没有承重墙的征兆。
  2. 它没有”抗模型更新冲击度”这一维。传统 SaaS 护城河理论(波特五力、Helmer《7 Powers》——均为本专题 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌 标注的对手框架)假设技术演进是渐进的;AI 产品的底层能力每月迭代,一条在 2025 年成立的护城河可能在一次模型发布后归零。清单法看不见这个维度。
  3. 它不区分”真信号”与”伪造成本低的噪声”。S02 的跨域呼应已用 Spence 信号理论(见 0133信息经济学)证明:护城河的强度 ≈ 对手伪造它的成本。UI、prompt、价格差伪造成本接近零,在信号意义上根本不传递”我不可替代”的信息。

所以本 checklist 的承重设计是:每一条护城河,不打”有/无”,而是估”对手伪造它需要花多少钱、多少时间、绕过多少结构性障碍”——伪造成本越高,护城河越真。 这一步框架级辨析,挡掉了读者脑中”打钩越多越安全”的默认错误框架。

[!note] 与 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌 的分工:S02 是”框架与判断”(为什么能力/成本最弱、工作流/网络可承重);R02 是”工具与流程”(怎么给一个具体产品逐项打分、做压力测试)。R02 不复述 S02 的矩阵推导,只把它变成可执行的审计动作。

§1 审计五步流程总览

graph TD
  A[Step1 拆护城河叙事 提取声称的护城河条目] --> B[Step2 五类逐项打分 0-5分 × 伪造成本估算]
  B --> C[Step3 找承重墙 哪一层拆了整栈塌]
  C --> D[Step4 被冲垮风险压测 3类外生冲击]
  D --> E[Step5 综合评级 + 红队拷问留痕]
  style C fill:#2d6,stroke:#093,stroke-width:3px
  style D fill:#f88,stroke:#900

每一步都有交付物:Step1 出”护城河声明清单”,Step2 出”五维打分表”,Step3 出”承重墙判定”,Step4 出”冲垮风险矩阵”,Step5 出”评级 + 三句话结论”。全程 30–45 分钟,不需要访谈,只需要 BP/官网/定价页/财报。

§2 Step1—Step2:五类逐项打分表(可复制模板)

Step1 动作:把对象的护城河叙事逐句摘出来,翻译成”它声称在哪一类建了护城河”。警惕话术伪装——“行业最先进的模型微调”是能力层伪装成数据层;“和工作流深度集成”要追问到底是浏览器插件(浅)还是 System of Record(深)。

Step2 评分卡(每类 0–5 分,5 = 伪造成本极高/承重墙级):

护城河类型评分问句(打分依据)0–1分(伪造成本≈0)4–5分(伪造成本极高)抗模型更新冲击
数据(飞轮)用户每次交互是否产生与模型优化目标一致的接受/拒绝信号,并自动回流?静态历史数据集、弱信号(浏览/点赞)、人工才能接回闭合反馈+任务特定信号+不可购买不可合成中(条件满足才抗)
工作流(嵌入)是否成为客户业务的记录系统(System of Record),迁走会丢历史/断流程?浏览器插件、可一键卸载、无数据沉淀客户把核心业务数据/流程迁入,切换=停业务高
网络效应第 N+1 个用户是否让前 N 个用户的体验直接变好?”用户多→数据多→模型好”(这是规模效应不是网络)用户间直接产生价值(双边市场/内容生态)高(真网络罕见)
成本你的单位成本优势是否独立于全行业 API 降价?”我们比对手便宜 X%“(下一波降价抹平)几乎不存在 4–5 分的情况极低
品牌在能力同质化时,品牌能否独立支撑默认选择心智?”我们是第一个”(先发≠锁定)C 端默认动词级心智(少数)高
〔对照〕能力你的模型/prompt 领先能维持多久?任何”用了最新 GPT/Claude”(6 个月窗口)不存在(能力是租来的)极低

打分纪律:

  • 不给”潜力分”。审计的是现状,不是 roadmap。“未来会建数据飞轮”= 数据层 0 分。
  • 能力层默认封顶 1 分。除非有 arXiv 可核实的、对手在 6 个月内无法复现的算法资产(对应用层产品几乎从不成立)。Andrew Chen 的观察是”最先进模型与开源版本差距约 6 个月”(来源:Andrew Chen, Revenge of the GPT Wrappers, andrewchen.substack.com)——这就是能力护城河的物理上限。
  • 成本层默认封顶 2 分。推理成本 2023→2025 下降约 80%(来源:techstartups.com, 2025/03);自 2023 年 3 月前沿 LLM 平均输出价格下降约 94.5%(来源:BenchLM, 2025)。成本差是外生变量主导,买时间不买壁垒。

§3 Step3:找承重墙(整个 checklist 的命门)

打完分不是加总求和——护城河审计反对”加权平均”,因为承重墙逻辑是”取决于最关键那一层,而不是平均”。一个工作流 5 分但能力 0 分的产品,远比一个五项各 3 分的产品安全。

承重墙判定规则(对照 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌 §2 的栈结构):

产品类型合格的承重墙危险信号(承重墙落错层)
B 端工具/Copilot工作流(System of Record)承重墙是”能力/成本” → 标红
双边市场/C 端社交真网络效应”网络效应”经不起”第 N+1 用户问” → 标红
自动化 Agent工作流 + 咬合进飞轮的数据一次性调用、无沉淀 → 重估商业模式
C 端默认工具品牌(默认选择心智)品牌无工作流支撑、能力同质 → 黄牌

红线判定:如果一个产品的最高分项落在能力或成本层,无论其他项多好,审计结论都是”无可承重护城河,处于 6 个月窗口期生存”。这是 brief 的核心判断主轴落地——这正是 Jasper 的死法:它把全部赌注押在能力护城河(更好的营销文案 prompt),2022 年 11 月 ChatGPT 发布后用户发现可免费拿到约 80% 等效输出,护城河一夜归零(来源:Quasa.io The Thin Wrapper Trap: Jasper;Turing Post)。Jasper 峰值 $15 亿估值、$1.25 亿融资(Series A, 2022/10,来源:Crunchbase/CNBC)都没救回——估值不是护城河。

§4 Step4:被冲垮风险压测(三类外生冲击)

承重墙找到后,做压力测试——不是问”它现在强不强”,而是问”哪种外部事件会让它塌”。AI 产品有三类传统 SaaS 没有的外生冲击:

冲击一:模型平台追赶/自营(Platform Catch-Up)

  • 测试问句:OpenAI/Anthropic 下一次模型发布或开放新功能,会不会原生覆盖你的核心价值?
  • 历史样本:GPT Store 2023 年 11 月上线,$20/月即可自建 GPT,批量消灭专项 prompt 套壳应用。
  • 高危征兆:你的产品能用一句话向 ChatGPT 描述清楚(说明它就是个 prompt 包装)。

冲击二:能力商品化下沉(Commoditization)

  • 测试问句:开源模型(DeepSeek/Llama)追上你依赖的闭源能力后,用户还有付费理由吗?
  • 历史样本:DeepSeek R1 输入价约为 Claude Opus 的约 1/27(来源:Menlo Ventures, 2025 mid-year LLM update);企业工作流中开源占比变化说明性价比缺口在关闭。
  • 高危征兆:你的付费理由是”我们接入了最好的模型”——这正是被下沉冲垮的靶心。

冲击三:云/平台垂直整合(Vertical Integration)

  • 测试问句:超大云商(AWS/Azure/GCP)会不会把你这层功能捆进基础服务?
  • 历史样本:DataRobot 的 AutoML 被云商原生集成后边缘化(来源:ideaproof.io);Inflection AI 烧 $15 亿做个人 AI 聊天,能力拉不开,2024 被微软 acqui-hire;Adept AI 的 Agent 能力被基础模型实验室内部复制,2024 被亚马逊吸收(来源:ideaproof.io)。
  • 注:Inflection/Adept 更准确的死因是”被平台垂直整合”而非”薄 wrapper”,但对审计的教训一致——单押能力层=把命交给房东。

冲垮风险矩阵(每类冲击 × 该产品承重墙的暴露度):

外生冲击对”能力/成本承重”的产品对”工作流/网络承重”的产品
平台追赶致命(直接归零)低(切换成本/网络抵御)
能力商品化致命(付费理由消失)低(价值不在能力本身)
垂直整合高(被捆绑替代)中(看分发深度)

矩阵读法:承重墙落在能力/成本层的产品,三类冲击全是致命/高危——这就是”无护城河”的结构性表达。 落在工作流/网络层的,才有抵御外生冲击的本钱。

§5 Step5:综合评级 + 数据护城河的”信号纯度”专项审计

为什么单设数据专项:brief 要破除的核心迷思是”有数据就有护城河”——它在 JD 里反复出现却被反复证伪。数据层是五类里最容易给出”潜力分”的陷阱,所以审计要对它单独加一道闸:

数据护城河三闸审计(三闸全过才给 ≥3 分):

  1. 闸一·可访问性:这些数据是否受隐私/合同/监管约束而不可用于训练?多数企业运营数据卡在这一闸(来源:KModels: Unlocking AI for Business Applications, IBM Research, arXiv 2409.05919, 2024)。
  2. 闸二·信号纯度:数据是否与模型优化目标一致(接受/拒绝代码、解决/未解决工单),而非弱信号(浏览/点击)?
  3. 闸三·不可复制性:对手能否通过购买(Scale AI/Appen)、合成数据、迁移学习追平?能追平的就是 a16z 2019 说的”数据规模效应”,不是”数据网络效应”(来源:a16z, The Empty Promise of Data Moats, Casado & Lauten, 2019)。

反例校准:Tesla 宣称数百亿英里数据是最大护城河,但绝大多数是 L2 辅助驾驶里程,与 Waymo 的 L4 纯自动里程在训练价值上不可同日而语(来源:Stratrix, 2025)——数据量大 ≠ 信号纯,这正是闸二要拦的。

最终评级口径(取承重墙等级,不取平均):

  • A 级(可承重):承重墙在工作流/真网络,三闸/三冲击压测通过。参照样本:Cursor 靠 IDE 深度整合 + 跨团队代码库上下文 + 多模型切换,从 wrapper 长成 AI-native,ARR 从 2025 年 1 月 $1 亿到 2026 年 2 月 $20 亿(来源:CNBC、SaaStr)。
  • B 级(半承重):有工作流/数据潜力但信号纯度或采纳深度未验证,处于建墙竞速中。
  • C 级(窗口期生存):承重墙落在能力/成本层,6 个月窗口,三类冲击全暴露。
  • D 级(无护城河):护城河叙事全部经不起伪造成本审计,本质是 thin wrapper。

§6 判断主轴:90% 的人做护城河审计会搞错的四个点

错位症状为什么会错正确做法真实反例
加总求和而非取承重墙五项打分相加,分高就算赢护城河是”最关键那一层决定生死”,平均会掩盖承重墙缺失取承重墙等级,能力/成本承重一律降级五项各 3 分的产品输给工作流 5 分能力 0 分的产品
给”潜力分""未来会建飞轮”算进数据分审计现状不是 roadmap;飞轮没转起来就是 0只看已发生的真实生产用量与回流Lightspeed 调查 63% 公司发了 AI 功能仅 39% 在用(来源:Julie Kainz, medium.com, 2025)
把估值/融资当护城河证据”它估值 $15 亿,肯定有护城河”估值是资本对未来的押注,不是壁垒强度估值与护城河分开审,只信伪造成本Jasper $15 亿估值,能力护城河塌后被迫转型企业 Copilot
漏掉采纳深度审计只看技术壁垒不看有没有人真用数据飞轮/工作流锁定都需要真实生产用量点火把采纳深度当承重墙的”点火器”单独审AI-native 中位 NRR 约 48% vs 传统 SaaS 约 106%(来源:ChartMogul, 2025)

§7 产品 PM 视角补盲:审计要补的三个商业维度

工程视角的审计只查”哪层技术壁垒高”,PM 做审计必须补三个商业盲点:

  1. 护城河类型 ↔ 定价模式的一致性审计。承重墙是工作流→定价应是 seat/平台费(切换成本兜底);承重墙是 Agent 自动完成的数据飞轮→应是 outcome-based(Intercom Fin $0.99/解决对话、Zendesk $1.50–2.00/自动解决,来源:WebSearch 公开定价)。如果一个产品的承重墙和定价模式错配(比如承重墙是工作流却按 token 卖),说明它自己都没想清护城河在哪——这是审计的红旗。

  2. 采纳深度审计 = 护城河的点火检查。这与 0428 组织采纳专题的”采纳决定 LTV”判断显式咬合:采纳不是护城河的可选项,而是数据/工作流两类承重墙的点火器。审计要追问”有多少是真实生产用量,多少是 AI 游客(实验性试用)“——AI 游客问题会让 NRR 虚高后暴跌。〔跨专题”0428 组织采纳系统化专题·总览”仍在 99Archive/_ai_review/ 待归位,basename 未定,此处以普通文本引用,已登记 _待建概念清单.md,归位后补链。〕

  3. 合规边界的”护城河的护城河”审计。法律/医疗的垂直专有数据(Harvey、Nabla)之所以能承重,恰因监管让公开数据不足、让数据不可被合成替代——审计这类产品时,监管壁垒要单列为加分项;反之,纯水平能力产品没有这层加固。

§8 对手框架回应(接受 + 边界)

对手立场:NFX「用 data network effects 做尽调清单」(来源:nfx.com, AI Defensibility, 2024)。 接受:NFX 提供了比传统五力更贴合 AI 的护城河语言,它对”模型本身不是护城河”的判断完全正确,本 checklist 的数据专项审计正是站在它肩上。边界:NFX 的清单化表达,会诱导审计者去”数有几种网络效应”,而把单侧数据规模效应误记为网络效应。本 checklist 用”第 N+1 用户问”和”三闸审计”把这个混淆显式拦下——接受 NFX 的词汇,拒绝 NFX 的清单打钩法。

failure scenario(本 checklist 何时失效):

  • 安装期 vs 部署期错配:借用本专题 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌 引入的 Carlota Perez 技术革命周期论——当前 AI 处于”安装期”(基础设施资本狂热),此时用”部署期”的护城河逻辑给应用层产品打分,可能系统性偏严。本 checklist 的 C/D 评级在安装期可能误杀掉”窗口期足够长以建墙”的早期产品。审计者要标注:这份评级的有效期假设是部署期逻辑;若赌的是安装期套利,结论需重写。
  • 垂直深 niche 误判:借用 Geoffrey Moore 的”保龄球道”模型,一个在极窄 niche 里成为 whole product 的产品,可能五类护城河都打不高分,却因”在某细分里不可或缺”而事实上锁定——本 checklist 对这类”小而深”的锁定可能低估,需补一条”细分不可或缺性”的人工复核。

§9 跨域呼应:把审计本身当一次 Spence 信号甄别

调度 0133信息经济学 的 Spence 信号理论。Spence 的洞察是:在信息不对称下,接收方要靠”伪造成本高的信号”来甄别真伪。护城河审计本质上就是一次信号甄别——被审计方(创业者/竞品)有动机把弱护城河包装成强护城河,审计者的任务是用”伪造成本”这把尺子,把伪造成本低的信号(UI/prompt/价格差)和伪造成本高的信号(工作流迁移/网络沉淀)区分开。

这把本 checklist 从”打分工具”升格为”信号甄别协议”:审计的每一个评分问句,本质都在问’对手伪造这条护城河要花多少钱’。 这一框架还呼应 Rick 滴滴的一手经验——PAX-Premium实名徽章 之所以是有效的安全信号,正因为实名+审核让”伪装成可信乘客”的成本变高;护城河审计的逻辑与安全信号设计同构:可信度 ≈ 伪造成本。 这不是巧合,而是信息经济学在两个领域的同一推论。

§10 PM 决策启示:三类落地

  • 面试怎么用:被问”你会怎么评估这个产品的护城河”,不要列清单。回答:“我有一套五步审计——先把护城河叙事翻译成五类条目,逐类估对手伪造它的成本而不是打有无,再找承重墙,然后用平台追赶/能力商品化/垂直整合三类外生冲击做压力测试,最后取承重墙等级评级。承重墙落在能力或成本层的,我一律判 C 级:窗口期生存。” 这套话术展示的是方法论,不是记忆。
  • 选型/投资怎么用:把这份 checklist 做成一页 Excel 模板(五维打分 + 三闸 + 冲垮矩阵),拿到 BP 就跑。承重墙标红的项,直接进投委会的风险页。
  • 建产品怎么用:每季度给自家产品跑一次自审,重点看承重墙有没有从工作流/网络往能力/成本”滑落”(比如团队不知不觉把差异化叙事改成了”我们用了最新模型”)——这种滑落是护城河腐蚀的早期信号。

§11 结尾陷阱:护城河审计自身最容易踩的三个坑

审计是为了反忽悠,但审计本身也会被忽悠。三个最隐蔽的陷阱,放在结尾给审计者自己:

  1. “叙事一致性”陷阱:BP 写得越流畅、护城河故事越自洽,越容易让审计者放松伪造成本估算。自洽的叙事不是证据——Jasper 的”AI 营销内容平台”叙事曾经无比流畅。对越流畅的叙事,越要硬核地问”对手伪造这条要花多少钱”。

  2. “用今天的模型边界审明天”陷阱:审计时你心里的”模型能做什么”是当下版本。但模型每月迭代,一条今天看起来需要”复杂工程才能复制”的护城河,可能下个模型版本就被原生能力抹平。审计结论必须标注模型能力假设的时间戳,并对”承重墙是否依赖当前模型边界”单独标红——依赖当前模型边界的护城河,本质是能力护城河的伪装。

  3. “幸存者偏差”陷阱:审计时容易拿 Cursor、GitHub Copilot 这些活下来的样本当模板,反推”有工作流就安全”。但 confirmation bias 在这里很危险——同样做工作流嵌入而死掉的产品没进入你的样本库。校准方法:每做一次正面评级,强迫自己找一个”同类承重墙但失败了”的反例(如同样想做 Agent 工作流的 Adept 被吸收),问”我审计的对象和这个失败样本的区别,真的在护城河上,还是只是还没轮到它?” 护城河审计的终极敌人,是审计者自己对’我已经看清了’的过度自信。

§12 与已有节点的关系

  • 对照 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌:S02 提供框架与判断(五类×三维矩阵、可替换栈、承重墙理论),R02 做操作化深化——把框架变成五步可执行审计流程 + 可复制打分模板 + 三类压力测试。不复述 S02 的矩阵推导,只调用其结论。
  • 对照 m209 - 推理成本控制手册:m209 停在”成本是可优化的工程对象”层;R02 在 Step2/Step4 把成本重新定位为”审计中默认封顶 2 分、抗冲击度极低的一类”——做纠偏,说明降本买时间不买壁垒。不复述 m209 的缓存/路由手段。
  • 对照 Perplexity:Perplexity 是可拿来跑这套 checklist 的活体样本——RAG+LLM 双成本(成本层弱)、依赖底层模型能力(能力层弱)、被巨头免费答案引擎挤压,审计结论指向”承重墙必须是品牌/分发心智”。做补缺,为它补上审计栈位诊断。
  • 对照 0413(成本/COGS)、0425(信号坍缩→平台价值命题)、0430(API policy 即护城河)、0428(采纳决定 LTV)四专题:R02 是它们在”如何审计一个具体产品”维度的汇聚工具,§5/§7/§9 显式咬合各专题判断,不复述其正文。〔四专题总览仍在 _ai_review/ 待归位,正文以普通文本引用,已登记 _待建概念清单.md。〕

§13 关联节点

核心(必读):

延伸(可选):

  • ChatGPT OpenAI Claude 幻觉 Scaling Laws 0117社会学
  • 本专题同级节点(待建/同批):S01 产业链价值生态位地图、E 系列实例剖解(Jasper/Cursor/GitHub Copilot 病理)、A 系列概念辨析(套壳/AI-native/数据飞轮 语义滑变)、R01/R03 复现指南、_0434 AI 产品护城河与商业模式系统化专题·总览

[!warning] 跨专题双链降级登记:0413 成本工程系统化专题·总览、0425 信号理论系统化专题·总览、0428 组织采纳系统化专题·总览、0430 AI 作为制度现象系统化专题·总览,四专题文件仍在 99Archive/_ai_review/ 待归位、最终 basename 未定。本节点正文中一律以普通文本引用、不建 “ 双链,已登记 _待建概念清单.md,归位后由 synthesize 阶段统一补链。

修订日志

  • 2026-06-07 R0 首稿:建立”伪造成本审计”框架、五步流程、五类逐项打分模板(含能力封顶1分/成本封顶2分纪律)、承重墙判定规则、三类外生冲击压测矩阵、数据护城河三闸专项、A/B/C/D 评级口径、判断主轴四件套、结尾三陷阱(叙事一致性/模型时间戳/幸存者偏差)、Spence 信号甄别跨域呼应、与 S02/m209/Perplexity 及 0413/0425/0428/0430 显式升级对照。链 S02 五类护城河可替换栈·数据 工作流 网络 成本 品牌。
  • 2026-06-07 grounding pass:商业数字(Cursor ARR/Jasper 估值融资/推理成本降幅/DeepSeek 价格/NRR/采纳率/Intercom-Zendesk 定价)与 arXiv 2409.05919(KModels, IBM Research)均沿用 S02 经对抗验证的证据包(CNBC/SaaStr/Crunchbase/Menlo Ventures/ChartMogul/Stratrix/ideaproof/techstartups/BenchLM/公开定价);四个跨专题总览因待归位降级为普通文本,0 处死链。