AI 可能是歷史上最具價值創造力的技術之一，但仍存在價值獲取問題。
Alex Karp 表示，企業購買 AI 的風險在於將自身智慧財產權洩漏給 Anthropic 和 OpenAI。Satya Nadella 則將答案稱為「主權」：企業自行掌控自身智慧，而不是每次查詢都向別人租借。他們說的事情相似，但傳達方式略有不同：稀缺資產不再只是模型本身，還包括模型從貴公司及其競爭對手的整體模式中學習到的背景知識和專業技能。
以保險業為例。想像 State Farm、Progressive、Allstate、Travelers、Chubb、AIG、Liberty Mutual 以及 100 多家小型保險公司，全都透過同一個模型處理理賠。每家保險公司都向模型提供相同的背景資訊：事故描述、照片、維修估價、理賠員的備註、邊緣核准、詐欺標記、覆核、賠付、上訴、追償結果。
起初這顯然很有用。模型能加快理賠處理、標記可疑案件、學習哪些維修估價有灌水、哪些醫療模式異常、哪些覆核後來導致損失。
但如果同一個模型從所有保險公司學習，你的理賠判斷力還算是你的優勢嗎？那個保護你損失率的核保例外，變成了基準。你的團隊提早發現的詐欺模式，被當成一項功能賣回給市場。
注意你保留了什麼，又失去了什麼。保險公司仍然擁有風險、客戶關係、監管機構和損失率。共享模型則逐漸擁有學習曲線。你的錯誤、覆核和得來不易的理賠直覺，都成了訓練訊號。
那種直覺是你真實智慧財產權的一部分。不是註冊型的那種（專利和品牌），而是營運型的那種：你的員工如何定價風險、抓詐欺、解讀模糊資訊，以及運用公司所知的一切。模型可以讓這種稀缺的判斷力變得可複製，從而瓦解你的護城河。
這就是為什麼只專注於保護資料的企業，視野太過狹隘。更深層的資產是機構背景知識和專業技能：員工腦中那份關於艱難專業工作的判斷力。
實驗室明白這一點。據報導，OpenAI 和 Anthropic 每年將資料規模擴大約 10 倍，並花費數十億美元動員領域專家，來創建訓練 Agent 的任務。任務就是將專家工作包裝成模型可以學習的形式：提示、環境、動作、評分標準、驗證器、分數。
現在來看生命科學領域。Anthropic 已經表明了方向：今天為研究人員提供工具，未來則朝向更自主的發現。Claude for Life Sciences 和 Claude Science 將文獻、Agent、科學產出、可重現性與運算整合到一個「工作台」中。如果數千家生技公司圍繞著標靶、檢測、安全性、終點和「繼續或放棄」決策使用這個系統，那麼噩夢並非 Anthropic 看到了某家生技公司的特定發現；而是 Anthropic 學習了數千家公司在嚴肅藥物開發問題和判斷力上的模樣，同時還進入了那個領域。
自有產品是實現大規模「學習」獲取的方式。在保險業，模型將你的優勢稀釋為產業基準。在製藥業，它不僅能做到這一點，還能利用眾多公司教給它的東西來與你競爭。這也使你真正的護城河更加暴露（稍後會詳細說明）。
我認為沒有人會否認 AI 透過讓私有專業技能大規模可用來創造價值。但同時它也使「專業技能」變得不再稀缺。如果每家保險公司、銀行或生技公司都能透過同一個模型獲得相同的能力，那麼你過去的優勢就變成了產業基準。價值並未消失，而是被瓜分：客戶獲得更低價格或更好服務，模型供應商獲得學習，而你則獲得一次性的生產力提升，但競爭會逐漸侵蝕它。
這就是為什麼持久價值很少留在你手中。
- 如果所有人都獲得同樣的優勢，客戶就保留了它。 想像一家汽車製造商使用模型來談判半導體、樹脂、運費、合約製造產能和替代零件的價格。優勢在於比下一家製造商採購得更好：知道哪個供應商短缺是真實的、哪個報價隱含超額利潤、以及何時維持供應比壓低價格更重要。如果每家製造商都透過同一個模型來執行採購，模型不僅會降低成本，還會使採購變得更加「相似」。最佳買家失去了其流程與其他人之間的差距。供應商也會適應：一旦每個買家都帶著相同的目標成本分析、替代來源圖和談判腳本出現，這套劇本就已經被定價在內了。
- 模型也捕捉了什麼在累積效應。 想像 1,000 家資源有限的小型生技公司，因為沒有大型藥廠的內部平台，而使用 Claude for Life Sciences。每家公司擁有自己的化合物、實驗室成本、失敗的計畫和監管軌跡。但工作台可以看到所有這些公司之間的模式：哪個毒性訊號終止了計畫、哪個檢測給了虛假信心、哪個終點很弱、哪個患者亞群不對。如果它橫跨足夠多的生技公司和藥廠，它就能看到單一公司無法看到的失敗模式。資料優勢在於獨佔性，而共享工作台則透過聚合來打破獨佔性。 而且因為 Anthropic 打算開發自己的藥物，你為了效率而採用的工具，是由一個最終目標可能就是做你正在做的事的實體所建造的，它透過觀察業界運作來學習。
- 你貢獻獨特的，得到的卻是平均的。 你貢獻了差異化的判斷力、資料、背景和決策：你的團隊獨自抓到的詐欺模式、你的採購人員忽略的供應商唬弄、你的 PM 在市場發現之前就終止的交易。你收到的卻是所有人的混合結果。Citadel 絕對不希望世界上每個基金都學到其最佳 PM 的停損標準。對最好的公司來說，這是一筆虧損的交易：你交出高於平均的判斷力，卻得到平均值。
- 資料權不等於學習權。 企業知道如何談判保留、保密、安全、存取控制和訓練退出條款。但更重要的問題是誰擁有衍生判斷力：任務、回饋迴路、評估、工作流程軌跡、修正、失敗模式、決策模式、Agent 技能和產品洞察。一旦模型公司知道了這個困難的問題，它就可以用另一種方式獲得工作邏輯。它可以聘請專家來創建案例，測試同樣的決策：模型應該提高費率、收緊核保、標記詐欺、排除某個細分市場，還是接受更差的損失率以留住有利可圖的客戶？推理過程變得可訓練。
- 增益是一次性的，依賴性則在累積。 第一次採用創造了真正的生產力躍升。但一旦競爭對手執行同一個模型，那個躍升就變成了基準，剩下的不是你的優勢，而是你對下一次升級的依賴。每個人都會獲得第一次提升，但供應商獲得了持續的學習曲線。第一年，工廠模型減少了停機時間，但隨後每個競爭對手都擁有相同的預測性維護工作流程，而供應商擁有了你現在依賴的流程直覺。
這些都不表示零獲取。先行者確實在競爭對手採用之前的窗口期，賺取了真實利潤。唯一的問題是，持久價值歸屬於擁有學習權的一方，而預設情況下那不是你。這就把整件事變成了一個又一個工作流程、一個又一個任務的決策。在你工作通用化的地方，就把它們匯集起來並獲取收益，因為在那裡你是在保護平庸。在你員工的判斷力就是產品的地方，就把它保留在共享模型之外。
最簡單的理解方式如下。想想 TikTok、YouTube 和 Google：你以為自己是客戶，但其實你是原料。你每看完一部影片，就教會了演算法什麼有效，而那種學習才是真正的產品，賣給下一個廣告商，並用來吸引下一個用戶。
這就是 CEO 應該如何看待 Anthropic 和 OpenAI：是針對企業資料的 TikTok，只是你的動態消息是你的工作，而參與訊號是你的判斷力。模型供應商就是那個機器，對準你公司中最昂貴的專業技能。你的專家為了理賠、交易、條款、供應商、試驗、風險決策和生產問題來尋求幫助。每一次猶豫、覆核、升級、核准、拒絕和重新審視，都教會了模型你的公司如何思考。
在 TikTok 上，創作者至少還能獲得報酬。在這裡，你提供了資料、背景和從資料中學習到的「專業技能」，而平台可以將成品賣回給你的整個產業，或者最終在製藥業的情況下選擇與你競爭。
因此，高階主管的問題很簡單：你想要自己的公司專屬的 TikTok，還是使用共享的那一個？你可能需要同時使用兩者。
在將任何高價值工作流程放入 Anthropic、OpenAI 或其他共享模型之前，先問一個問題：如果每個競爭對手都學會了我們如何處理這個決策，我們是否仍然比他們強？
