AI 有可能是历史上最具价值的创造技术之一，但仍然存在价值捕获问题。
Alex Karp 说，购买 AI 的公司有将其知识产权泄露给 Anthropic 和 OpenAI 的风险。Satya Nadella 称答案是主权：公司控制自己的智能，而不是每次查询都租回来。他们说的是类似的事情，但表达方式略有不同：稀缺的资产不再仅仅是模型，还包括模型从你公司及其竞争对手的整体模式中学到的背景和专有技术。
拿保险来说。想象一下 State Farm、Progressive、Allstate、Travelers、Chubb、AIG、Liberty Mutual 以及 100 多家小型保险公司都通过同一个模型处理理赔。每个保险公司都向它输入相同的上下文信息：事故描述、照片、维修估算、理算员备注、边缘审批、欺诈标记、推翻记录、赔付金额、上诉结果、追偿结果。
起初这显然很有用。模型能更快地处理理赔、标记可疑案例、学习哪些维修估算虚高、哪些医疗模式可疑、哪些推翻后来变成了亏损。
但如果同一个模型从每个保险公司学习，你的理赔判断力还是你的优势吗？保护你损失率的承保例外变成了一个基准。你的团队早早发现的欺诈模式变成了一个卖回给市场的功能。
注意你保留了什么，又失去了什么。保险公司仍然拥有风险、客户关系、监管机构和损失率。共享模型则越来越多地拥有学习曲线。你的错误、推翻和来之不易的理赔直觉都变成了训练信号。
这种直觉是你真实知识产权的一部分。不是那种注册过的专利和品牌，而是操作层面的：你的人如何定价风险、捕捉欺诈、解读模糊性、以及利用公司所知的一切来工作。模型可以通过让这种稀缺判断力变得可复制，从而消解你的护城河之一。
这就是为什么只专注于保护数据的企业思路太狭隘了。更深层的资产是机构背景和专有技术：人们头脑中关于艰难专业工作的判断力。
实验室明白这一点。据报道，OpenAI 和 Anthropic 正在以每年 10 倍的速度扩展数据，并花费数十亿美元动员领域专家来创建训练 Agent 的任务。任务就是把专家工作打包成模型可以学习的内容：提示、环境、动作、评估标准、验证器、分数。
现在看生命科学。Anthropic 已经明确了它的方向：今天为研究人员提供工具，随着时间的推移实现更自主的发现。Claude for Life Sciences 和 Claude Science 把文献、Agent、科学工件、可重复性和计算整合到一个“工作台”中。如果数千家生物技术公司使用这个系统来处理靶点、试验、安全性、终点和“继续还是终止”决策，噩梦不在于 Anthropic 看到了某家生物技术公司的具体发现；而在于 Anthropic 从数千家公司那里学习了严肃药物发现问题和判断是什么样的，同时还能进入这个领域。
第一方产品是如何大规模捕获这种“学习”的方式。在保险领域，模型把你的优势消解为行业基准。在制药领域，它可以做到这一点，然后用许多公司教给它的东西与你竞争。它也让你的实际护城河更加暴露（稍后详述）。
我认为没有人会质疑 AI 通过让私有专有技术大规模可用而创造价值。但它也让“专有技术”变得不那么稀缺。如果每家保险公司、银行或生物技术公司都可以通过同一个模型获得相同的能力，那么曾经是你的优势的东西就变成了行业的基准。价值并没有消失；它被分割了：客户获得更低的价格或更好的服务，模型供应商获得学习，而你获得一个前沿的生产力提升，然后被竞争消耗掉。
这就是为什么很少有持久的价值留在你手里。
- 如果每个人都得到同样的优势，客户就保留它。 想象一家汽车制造商使用模型来谈判半导体、树脂、运费、合同制造产能和替代零件。优势在于比同行买得更好：知道哪个供应商短缺是真实的、哪个报价包含了超额利润、以及什么时候保障供应比压低价格更重要。如果每家制造商都通过同一个模型进行采购，模型不仅仅降低成本——它让采购变得更加“相似”。最好的买家失去了它的流程与其他人之间差距。供应商也会适应：一旦每个买家都带着相同的“成本应该多少”分析、替代来源图和谈判话术到来，这套玩法就被定价进去了。
- 模型还捕获了那些会复利的东西。 想象 1000 家资源受限的生物技术公司使用 Claude for Life Sciences，因为它们没有大型制药公司那样的内部平台。每家公司拥有自己的化合物、实验室成本、失败项目和监管轨迹。但工作台可以看到所有公司共同的模式：哪个毒理信号杀死了项目、哪个试验给出了虚假信心、哪个终点很弱、哪个患者亚群选错了。如果它横跨足够多的生物技术公司和制药公司，它可以看见任何一家公司都看不到的失败模式。数据优势在于排他性，而共享工作台通过聚合打破了排他性。 而且因为 Anthropic 打算开发自己的药物，你为提高效率而采用的工具，是由一个最终可能做你正在做的事、通过观察整个领域学到东西的实体建造的。
- 你贡献独特的，得到平均的。 你贡献差异化的判断、数据、背景和决策：只有你的团队抓到的欺诈模式、你的采购员忽略的供应商虚张声势、你的 PM 在市场反应过来之前就砍掉的交易。你得到的是所有人的混合体。Citadel 绝不会希望世界上每个交易团队都以其最好的 PM 的止损标准来训练。对于最好的公司来说，这是一笔亏损的交易：你交出高于平均的判断，拿回均值。
- 数据权不是学习权。 公司知道如何谈判保留、保密、安全、访问控制和训练选择退出。但更重要的问题是，谁拥有衍生的判断：任务、反馈循环、评估、工作流痕迹、修正、失败模式、决策模式、Agent 技能和产品洞察。一旦模型公司知道了难题，它可以用另一种方式获取工作逻辑。它可以征召专家创建测试相同决策的案例：模型应该提高费率、收紧承保、标记欺诈、排除某个细分市场、还是接受更差的损失率以留住一个盈利客户？推理变得可训练。
- 收益是前置的；依赖是复利的。 第一次采用创造了真正的生产力飞跃。但一旦竞争对手使用同一个模型，那个飞跃就变成了基准，剩下的不是你的优势，而是你对下一次升级的依赖。每个人都会捕获最初的增长，但供应商捕获了反复出现的学习曲线。第一年，工厂模型减少了停机时间，但随后每个对手都拥有相同的预测性维护工作流，而供应商拥有你现在依赖的过程直觉。
这一切都不意味着零捕获。先行者在竞争对手采用之前的那段时间里获得了真正的利润。唯一的问题是，持久价值归谁所有——归拥有学习的人，而默认情况下那不是你。这就把整个事情变成了一个个工作流、一个个任务的决定。在你的工作通用化之处，就汇集它并获取收益，因为在那里你是在保护平庸。而在你的人们的判断力就是产品的地方，就让它远离共享模型。
最简单的看法是这样的。想想 TikTok、YouTube 和 Google：你以为你是客户，但你是原材料。你完成的每一个视频都教会了算法什么有效，而这种学习才是真正的产品，卖给了下一个广告主，用来吸引下一个用户。
这就是 CEO 们应该如何看待 Anthropic 和 OpenAI 的方式：面向企业数据的 TikTok，只不过信息流是你的工作，而参与信号是你的判断力。模型提供者就是那个指向你公司最昂贵专有技术的机器。你的专家们寻求帮助处理理赔、交易、条款、供应商、试验、风险决策和生产问题。每一次犹豫、推翻、升级、批准、拒绝和再次审视，都教会了模型你的公司如何思考。
在 TikTok 上，创作者至少还能获得报酬。在这里，你提供数据、背景和从数据中学习到的“专有技术”，而平台可以把成品卖回给你的整个行业，甚至最终在制药领域选择与你竞争。
所以高管的问题很简单：你想要自己公司的 TikTok，还是想使用共享的那个？你可能需要两者都走。
在将任何高价值工作流放入 Anthropic、OpenAI 或其他共享模型之前，问一个问题：如果每个竞争对手都学会了我们如何处理这个决策，我们还会比他们强吗？
