源材料锁定

用户上传的资料、建立的知识库、积累的对话历史，成为切换产品的主要障碍。

这个打法的本质

有一个很简单但很强大的锁定机制：用户自己的东西。

用户在你的产品里积累了什么？

• 上传的文档和资料
• 建立的笔记和知识库
• 和 AI 的对话历史和记忆
• 自定义的配置和设置

这些东西看起来不值钱（你没有自己创造它们），但它们对用户来说是”资产”。现在，如果用户想迁移到竞品，他需要：

1. 导出所有这些资料（如果能导出的话）
2. 重新上传到新产品
3. 重新建立”对话历史”（AI 无法知道之前的对话）
4. 重新配置各种设置

这个”迁移成本”虽然听起来不大（都是重复劳动），但累积起来就很高。而且，最关键的是”对话历史”无法迁移。你和某个 AI 的数年对话历史，在竞品里就消失了。

这就是源材料锁定的威力。它依靠的是**“用户的惯性和舍不得”**，而不是”技术障碍”。

典型案例

NotebookLM

用户在 NotebookLM 上构建了完整的研究 Notebook：上传了所有相关文献、和 AI 进行了深入讨论、生成了学习指南和播客。这一切都积累在 NotebookLM 上。如果要迁移到竞品，用户需要：导出所有文件、重新上传、重新建立”AI 对我的理解”。这个成本非常高。所以用户会倾向于”继续用 NotebookLM”而不是”迁移”。

Character.ai

用户和某个 AI 角色有 5 年的对话历史。这个角色记住了用户的名字、用户说过的故事、用户的喜好。这段历史是独一无二的。迁移到竞品就意味着”AI 要重新认识我”。这个”失去”对用户来说是无法接受的。所以用户会永远留在 Character.ai。

Replika

用户和 Replika 的对话历史、个人信息、互动记忆都积累在平台上。这些积累让每次对话都更有意义。迁移到竞品意味着失去这段”陪伴者的记忆”。用户对这个迁移成本的感知是”失去了一个朋友的记忆”，所以即使有竞品，用户也很难离开。

关键成功要素

1. 让用户容易上传和积累：要让用户”天然地在你的产品里积累资料”，而不是”被迫积累”。NotebookLM 之所以有效，因为用户上传文献是自然的、必需的工作流。
2. 对话历史要深度集成：不是把”对话历史”当成附加品，而是产品的核心。用户要感到”这段对话历史对我很有价值”。
3. 要让迁移变得”痛苦”：不是说故意制造障碍，而是说”迁移成本自然很高”。因为用户的资料太多、历史太长、依赖太深，迁移自然就很困难。

常见误区

1. 故意制造锁定而不是自然产生：有些产品故意”禁止导出数据、禁止数据迁移”，这样激怒用户，反而降低信任度。好的源材料锁定是”自然的积累”，而不是”强制的陷阱”。
2. 对话历史太容易丢失：有些产品的对话历史会被删除或不持久化。这样用户就不愿意在产品里建立长期关系，反而减少了锁定。
3. 锁定了用户但没有提供持续价值：即使用户的资料都在你这里，如果产品本身停止改进、服务变差，用户也会有迁移的冲动（甚至愿意重新上传资料）。源材料锁定的前提是”产品本身要足够好”。

源材料锁定的应用生态

标杆案例

GitHub - 代码资产的终极锁定

• 积累资产量级：超过 1 亿个代码仓库，涵盖全球 90%+ 的开源项目
• 锁定深度：开发者的代码历史、协作记录、Issues/PR 讨论全部存在 GitHub
• 迁移成本分析：
  • 技术迁移：理论上可导出所有代码和历史（git 支持）
  • 实际成本：1 个 1000+ 人的大企业迁移 GitHub 需要 3-6 个月的工程投入
  • 隐性成本：失去”全球最大的开发者社区”（代码搜索、学习、求职等）
• 护城河强度：即使微软用企业资源推行 GitLab/Gitee，GitHub 的网络效应仍难以动摇

Stack Overflow - 知识积累的社区锁定

• 知识库规模：超过 2300 万个编程问题和答案，解决了全球程序员 80%+ 的日常问题
• 锁定机制：问题 A 的解决方案、讨论、多个优化版本的答案都积累在 Stack Overflow
• 迁移困难：
  • 不是”数据锁定”（知识本身可导出），而是”社区锁定”（没有其他地方有同样活跃的讨论）
  • 即使你建立了自己的 Q&A 系统，也很难吸引开发者离开 Stack Overflow
• 市场现象：虽然有人批评 Stack Overflow 的社区文化，但新手程序员仍然无法离开

Wikipedia - 开放百科的集体知识锁定

• 内容规模：超过 600 万篇文章（英文），涵盖人类知识的大部分
• 锁定本质：不是”Wikipedia 拥有知识”，而是”全世界的知识贡献者都在 Wikipedia 上贡献”
• 网络效应：维基人已养成习惯”先去 Wikipedia 查证”，学生、记者、决策者都依赖
• 商业悖论：Wikipedia 虽然全球最大的百科网站，但不赚钱（因为是非盈利），其护城河反而因为”自由精神”变得更强
• 启示：最强的源材料锁定，是”集体共识”而非”付费锁定”

Google Scholar - 学术论文的权力垄断

• 资源积累：索引超过 3 亿篇学术论文（虽然不拥有全文，但拥有元数据和链接）
• 学者锁定：学者们在 Google Scholar 上查看引用统计、h-index、论文排名
• 迁移成本：虽然论文本身可导出，但”Google Scholar 的引用计数和排名”无法迁移
• 隐性锁定：研究者的学术声誉（通过引用次数）与 Google Scholar 绑定
• 创新机会：新的学术搜索引擎（如 Semantic Scholar）虽然技术更好，但难以撼动 Google Scholar

经典案例

Scale AI - 数据标注平台的 AI 数据锁定

• 业务模式：用户（AI 公司）上传数据给 Scale 标注，标注后的数据成为用户的训练数据
• 锁定机制：虽然标注后的数据在法律上属于用户，但”标注历史、反馈、改进过程”都在 Scale
• 用户粘性：AI 公司用 Scale 标注第 100 个数据集时，第 1-99 个数据集的标注历史、标准已形成
• 竞品威胁：即使有更便宜的标注平台出现，更换平台意味着”重新标注整个数据集”（因为标注标准不一致）

Hugging Face Datasets - 开源数据集的生态锁定

• 数据规模：超过 10 万个数据集被上传和使用
• 锁定本质：不是”平台拥有数据”，而是”开发者生态形成”（数据集之间有依赖关系）
• 例子：某个流行的数据集 A 被 1000 个论文和应用引用，如果有人要用数据集 A，最便捷的方式就是在 HuggingFace 上直接调用
• 护城河：新的数据集平台（如 Kaggle）虽然有高质量数据，但”生态的互联网”让 HuggingFace 难以被替代

Getty Images - 版权照片的商业锁定

• 资源积累：超过 8000 万张高质量照片和视频
• 锁定对象：设计师、营销人员、出版社——他们的项目都依赖 Getty 的素材库
• 迁移成本：虽然有其他素材库（Shutterstock、Adobe Stock），但”用习惯了 Getty 的搜索和组织方式”、“已有的收藏夹和项目都在 Getty”
• 定价权：Getty 能维持高价（每张照片 $50-300），因为设计师已被”锁定”

中国案例

阿里巴巴 的商家数据和产品库存

• 数据规模：淘宝/天猫上有超过 1000 万商家，每个商家的店铺数据、销售历史都在阿里
• 锁定深度：商家无法轻易迁移——他们的销售历史、客户数据、评价都积累在阿里平台
• 护城河：虽然有竞品（京东、拼多多），但商家在淘宝上已有的销售信誉和数据无法迁移
• AI 应用机会：阿里基于这些积累的商家数据，推出 AI 推荐、AI 客服、AI 选品等服务，进一步强化锁定

腾讯 的社交和支付数据

• 用户数据：微信有 12 亿用户的聊天记录、支付记录、社交关系图
• 商业锁定：虽然隐私保护禁止腾讯看用户数据，但”用户的支付和社交已与微信绑定”
• 启示：最强的源材料锁定不一定是”公司可见的数据”，而是”用户无法迁移的资产”
• 竞品威胁：为什么支付宝虽然有微信 Pay 竞争力，但用户切换缓慢？因为用户在微信的社交关系和支付习惯已形成

百度 的搜索和知识库

• 数据积累：百度搜索索引了超过 1000 亿个网页，积累了 10 亿+ 的知识卡片和百科
• 用户锁定：中文网民已习惯”搜索用百度”，迁移到 Google（质量更好）的成本是”适应英文搜索体验、学习新的搜索技巧”
• 守势困局：即使百度搜索技术不如 Google，因为中文内容的积累和用户习惯，仍难以被替代

反面教材

某知识库平台的开放数据失利案例

• 公司为了”赢得用户信任”，允许用户导出所有数据
• 问题：虽然数据可导出，但用户发现”导出后失去了社区互动和问答讨论”
• 结果：不是吸引用户，而是帮助用户轻易迁移到竞品
• 教训：源材料锁定的核心不是”禁止导出”，而是”让用户的资产在你这里更有价值”

某数据标注平台的标准不一致问题

• 平台 A 和平台 B 的标注标准不兼容（都是正确的，但用不同的分类体系）
• 问题：用户标注完成后，很难用其他平台的标注数据来增强（因为标准不兼容）
• 结果：反而加强了锁定——用户必须继续用同一平台
• 启示：有时候”标准不一致”本身成为了意外的护城河

搭配打法与原因

源材料锁定 × 数据飞轮 - 为什么配搭

• 数据飞轮强调”数据 → 模型 → 产品 → 更多数据”的循环
• 源材料锁定强调”用户的资料积累”
• 结合：源材料锁定形成初期的用户资产，数据飞轮在这个基础上持续强化
• 典型：GitHub 的代码库 + 协作记录（源材料锁定）→ GitHub Copilot 训练数据（数据飞轮第一圈）→ Copilot 更好 → 更多开发者上传代码到 GitHub（飞轮加速）

源材料锁定 × AI就是壁垒 - 为什么配搭

• 源材料锁定形成的数据积累 + AI 模型 = 无法被复制的竞争优势
• 结合：积累的数据本身就能训练出更好的 AI，AI 反过来让产品更有价值
• 典型：Google Scholar 积累的论文数据 → 训练学术搜索 AI → AI 质量更好 → 更多学者使用 Google Scholar → 积累更多论文数据
• 商业效果：这种”数据 + AI”的组合，竞品即使有资金也很难快速追上

源材料锁定 × 打开能力门槛新市场 - 为什么配搭

• 当你积累了足够的源材料（知识、数据、工具），就可以把原本”高门槛”的市场打开
• 结合：比如 Stack Overflow 积累的代码解决方案，让初级程序员（原本觉得编程门槛高）能快速找到答案，市场扩大 10 倍
• 例子：Hugging Face 积累的开源模型和数据集，让小公司（无法训练大模型）也能快速构建 AI 应用
• 商业机会：在现有的源材料基础上，向”新的用户群体”开放，形成新增长

在传统企业中的体现

房地产的房产数据库

• 链家的房产数据库（超过 5000 万套房源信息、成交历史、价格趋势）是其核心资产
• 用户锁定：经纪人和购房者已习惯”先在链家查房价”，数据的准确性和完整性成为了竞争壁垒
• 竞品困境：新进入者（比如小红书房产）虽然体验可能更好，但无法快速积累”5000 万套历史数据”
• AI 机会：基于房产数据训练 AI 估价模型，进一步强化数据护城河

医疗机构的电子病历

• 医院积累的患者病历、诊疗记录、检验数据是其最大的数据资产
• 患者锁定：患者的整个医疗历史都在这家医院，迁移意味着”失去医疗记录的连贯性”
• 医生锁定：医生可以快速查看患者的历史，做出更准确的诊断——这个能力是基于数据积累的
• AI 升级：医院可以基于这些数据训练 AI 诊疗助手，进一步提升医疗质量

零售商的会员数据

• 零售商（沃尔玛、家乐福）积累的会员购买历史、偏好数据是竞争力
• 用户锁定：会员卡上积分和消费记录无法迁移，消费者很难放弃
• 竞品难题：新品牌再好的购物体验也难以战胜”已有的积分和历史权益”
• AI 应用：基于购买历史做个性化推荐，提升转化率 30-50%

物流企业的路线和客户数据

• 快递企业（顺丰、圆通）积累的寄件历史、收件地址数据
• 用户粘性：用户的常用寄件地址、收件人都在系统中，下次寄件时”一键填充”
• 定价能力：基于地址数据，平台知道哪些路线高频、哪些低频，可以精准定价
• 竞争壁垒：新进入物流平台很难在”地址数据、路线知识”上追上

相关打法

• 数据飞轮 - 源材料积累的自强化循环
• AI就是壁垒 - 数据和AI的协同
• 打开能力门槛新市场 - 用源材料降低用户门槛