如果你听过”我们有数据护城河”这句融资话术——这篇给你三个问题，当场验真假。如果你正在创业，这篇帮你回答一个比选模型重要得多的问题：选场景，先选裁判。

先杀掉那个流行了十几年的比喻：”数据是新石油”。它错在三个根本处——石油烧掉就没了，数据复制成本为零；石油谁买都一样，数据离开产生它的场景就大幅贬值；石油越挖越少所以越值钱，数据在模型眼里边际价值递减。

把比喻换掉，真问题才显形：值钱的从来不是数据本身，是别人拿不到数据的那个位置。数据是流水，位置是河床。

三种数据，三种命运

公共训练数据：高质量矿脉已被头部和开源共同采得所剩无几——更关键的是，人人都进得去的矿，本来就不是护城河。它的故事只剩成本侧：版权方醒来，免费燃料变成有价燃料。别再为”我们爬了多少数据”付钱。

专有静态数据（行业数据库、历史档案）：真实值钱，但价值结构像矿不像河——卖得掉，守不住，授权一次价值转移一次，且不随使用增长。这是资产生意，不是飞轮生意，该给资产倍数，不该给增长倍数。

闭环数据：使用产生数据→数据改进产品→更好的产品带来更多使用。唯一的真飞轮——但每个创始人都画得出这个环，画得出和转得动是两回事。

假飞轮测试：三问

第一问：数据真的能改进产品吗？大多数对话日志、点击流，对产品改进的边际贡献趋近于零——能力提升主要来自方法和算力，不来自又一批聊天记录。没有改进机制的数据积累，只是存储成本。

第二问：改进是用户可感知的吗？产品好 3% 但用户感觉不到，飞轮没有第三段，转不起来。

第三问（最锋利）：环里有没有免费的”对错信号”？

真飞轮的稀缺资源，是场景里天然产生的、免费的 ground truth。

代码 agent 为什么是大模型时代最早规模化跑通的业务之一？因为代码场景自带裁判：跑没跑通、测试过没过，是免费的、即时的、无歧义的对错信号——每次使用都自动生成一条带标注的训练数据。对比客服（满意度模糊）、写作（好坏主观）、法务（反馈以月计）：裁判越清晰、越快、越免费，飞轮越真。

预判一句反驳：模糊场景并非没有飞轮——是飞轮更贵、更慢，裁判要花钱雇（专家标注、滞后回流的结果）。这改变的是单位经济，不是可能性。但”裁判要花钱”本身就是筛选器：只有客单价撑得起裁判成本的场景，飞轮才转得动——这正是垂直 AI 比通用 AI 更容易出真护城河的原因。

一场静悄悄的重定价：从训练燃料到推理上下文

数据的价值重心，正在从”训练时”移向”推理时”。企业数据的真实用法越来越不是微调模型，而是推理时的上下文——检索、记忆、个性化、工作流状态。

这改变了护城河的位置：训练时代，数据价值兑现是一次性的（炼进权重）；上下文时代，兑现是持续的——每次调用都需要它在场，而”在场”就是锁定。一家企业沉淀三年的工作流上下文、权限体系、组织记忆，迁移成本不是导出数据，是重建数据与流程的全部连接。上下文沉淀在谁手里，锁定就归谁。

三句话收尾。投资人：听到”数据护城河”就跑三问——尤其第三问，没有 ground truth 的飞轮是 PPT 飞轮。创业者：选场景先选裁判——你的对错信号是免费的还是要花钱买的？即时的还是滞后的？这比选模型重要。所有人：把上下文沉淀当产品设计目标——每次使用都该让你更难被卸载，否则你只是在帮模型公司做分发。

你的场景里，对错信号免费吗？多久回来一次？评论区聊。

数据来源（已核，2026-06）：本篇为框架性论证，关键事实锚点——代码 agent 商业化规模（Claude Code 2026-02 超 25 亿年化，据报道）；合成数据占比上升、版权诉讼与授权并行（行业公开记录）。

—— 节选自写作中的 AI 产业新书《通缩夹心》（暂名）第七章

#AI产业 #数据护城河 #AI创业