2025年和2026年的每一份AI推銷文稿都有相同主題的某個版本：「我們將AI應用於X——一個仍然運行在傳統系統上的巨大市場。」這對非常多行業都是正確的。然而，這並不是投資的充分基礎。問題總是：AI應用的價值歸屬誰？軟體的買家？終端用戶？模型提供商？應用層？答案因行業和商業模式而顯著不同。
經過兩年認真審視AI投資——並通過了大多數——我們已經收斂到三個我們相信代表最持久複合動力的模式。
模式1：難以複製的數據護城河
典型的AI商業模式假設應用層是防禦性所在。在專有數據上訓練模型，在其上構建更好的工作流程，客戶鎖定來自模型性能。理論上，這是正確的。實際上，大多數垂直AI應用的模型性能取決於任何競爭對手都可以訪問的基礎模型——而專有數據優勢通常看起來比實際情況更小。
垂直數據護城河只有在數據收集成本昂貴時才持久，而不僅僅是對客戶來說是私有的。如果數據雖然封閉在客戶關係後面，但可以被決心複製的競爭對手收集到，那麼護城河就不是真實的。
當數據既是專有的又是昂貴的複製時，耐久的護城河就形成了。在物流方面，這意味著來自活躍貨運網絡的實時運營數據——貨物移動、承運人績效、異常事件——在特定貿易航線上多年運營中收集的。任何競爭對手不運營業務就無法收集此數據。它不存在於任何公共數據集中。它隨著每次裝運而複合。
實體行業中的專有運營數據
當數據由貨物、材料或人的實體移動生成時——不能被假冒、購買或從公共來源抓取。物流、工業檢測、精準農業、醫療服務交付。AI應用隨著每次現實世界操作而改進，這種累積真的很難複製。
模式2：改變單位經濟學的工作流程整合
AI作為功能和AI作為產品之間的區別是：AI是否從根本上改變了其運營工作流程的單位經濟效益，還是只是讓現有工作流程略微更好。前者是可投資的。後者是一個打扮成AI語言的商品化SaaS業務。
改變單位經濟效益的工作流程整合通常涉及AI以比以前昂貴的人類更低的成本和速度做出決策——從而打開以前無法服務的市場細分。一個替換一個工廠QC工程師團隊的質量檢測AI是一個功能改進。一個使質量檢測足夠便宜以部署在供應鏈每個節點的AI——以前只有抽檢——是一個單位經濟效益的改變。
使以前無法服務的細分市場變得可服務的AI
當AI應用使工作流程能夠在以前因成本或速度限制而無法服務的市場細分中運作時。關鍵測試：AI是改變了經濟可行性，還是只是讓現有可行的工作流程稍微好一點？
模式3：高風險反饋迴路的決策系統
隨使用而改進的AI應用並不自動具有防禦性——改進只有在反饋迴路是專有的、數據質量是高、且改進有意義到早期進入者累積有意義的能力領先時才會創造護城河。
最高風險的反饋迴路在錯誤答案成本高且結果數據清晰即時的決策中。對抗航線中的物流路由：錯誤路由決策的成本很高（延誤的貨物、錯過的連接、客戶罰款），結果數據可在幾天內獲得。醫學影像診斷：錯誤診斷的成本非常高，結果數據需要縱向隨訪。這兩者都是我們審視過的業務，在某些情況下已經投資了。
具有即時、專有反饋的高風險決策
當AI系統的建議在短時間範圍內產生可測量、可歸因的結果時——而且該結果數據通過競爭對手無法訪問的封閉迴路反饋到模型中。高風險和清晰反饋的結合隨著時間的推移創造了真正的績效差異。
我們沒有投資的領域
我們已經放棄了數據護城河是客戶關係數據而不是運營數據的AI業務——因為客戶數據可以被擁有相同關係的競爭對手複製。我們已經放棄了工作流程整合不改變單位經濟效益的AI業務——因為防禦性然後在關係中，而不是技術中，而基於關係的業務不應該獲得軟體倍數。我們已經放棄了反饋迴路緩慢或嘈雜的行業中的AI業務——因為複合優勢太弱，無法創造持久的差異化。
結果是一個集中的AI投資組合：Helix Industrial AI用於製造質量，Quanta Sigma用於金融決策系統。兩者都符合所有三個模式。我們正在積極尋找醫療服務領域的第三個頭寸。
← 返回 Shangye