Moat on Tarragon

Lock-in

Tue, 19 May 2026 00:00:00 +0000

Lock-in 的核心概念是「客戶離不開的結構」—使用某個產品越久越難換掉，因為資料、流程、權限、整合、習慣都綁定在上面。Salesforce、SAP、Oracle 都是 lock-in 大師。Lock-in 是護城河的核心機制。

概念位置

Lock-in 跟 Switching Cost 是一體兩面—lock-in 是結構，switching cost 是讓客戶面臨換掉時的痛點。強 lock-in 帶來高 retention 與高估值。Enterprise License 是 lock-in 的高階形式。

可觀察訊號與例子

判讀 lock-in 強度，看四個維度：客戶的核心資料是否儲存在你這（資料 lock-in）、客戶的多個系統是否依賴你做整合中樞（整合 lock-in）、客戶的員工訓練是否花費巨大（操作 lock-in）、客戶的客製化邏輯是否難以遷移（流程 lock-in）。四個維度的綜合決定強度。

判讀方式

讀到「lock-in 是 AI Labs 真正想要的」時，意味著它們不滿足於 API 計費，而要把 AI 接進企業的文件、系統、流程，讓企業無法輕易換掉。這也是為什麼從賣 token 轉向賣 Enterprise License—後者的 lock-in 強度高得多，能撐起更穩定的營收與更高的估值。

Switching Cost

Tue, 19 May 2026 00:00:00 +0000

Switching Cost 的核心概念是「換到競爭對手的總成本」—包括資料搬遷、系統整合、員工再訓練、流程重設計、舊系統停用的風險。Switching cost 越高，客戶越不會走。它是 Lock-in 的可量化面向。

概念位置

Switching Cost 跟 Lock-in 互為表裡，也是 Retention 的結構性原因。它不只是金錢成本，還包括時間成本、風險成本與機會成本—換錯了可能整個業務癱瘓。對賣方來說，主動設計切換成本是長期策略；對買方來說，避免被高切換成本綁定是採購紀律。

可觀察訊號與例子

判讀 switching cost 高低：搬資料要幾週還是幾分鐘？員工再訓練要幾天還是幾個月？舊系統能保留多久當保險？這些都是訊號。SAP 的 switching cost 是業界傳奇—多數公司換 ERP 要花兩三年，多數老闆寧願忍下去也不敢換。

判讀方式

當分析師說「AI 模型之間的 switching cost 下降」時，意味著模型 API 規格越來越標準化、prompt 也可以稍微改一改就跨模型用，客戶換成本變低。這對 AI Labs 是壞消息—它們必須靠 Lock-in 的其他維度（資料整合、企業合約、權限管理）來補回 switching cost，這就是為什麼要做 Enterprise License。

Retention

Tue, 19 May 2026 00:00:00 +0000

Retention 的核心概念是「客戶留存率」—簽下來的客戶在 N 期後還繼續付費的比例。SaaS 業界常用 net revenue retention（NRR）—不只算續約，還算現有客戶是否升級加購。NRR 120% 代表現有客戶不流失還反向擴張。Retention 是單位經濟的核心放大器。

概念位置

Retention 是 Lock-in 與 Switching Cost 的結果指標。同樣的 CAC，retention 100% 跟 retention 80% 對應的 LTV 差距巨大。Retention 也是估值計算的核心參數—NRR 越高，估值倍數越高。

可觀察訊號與例子

判讀 retention 的健康度：SaaS 業界 90%+ 是優秀，80-90% 是健康，低於 80% 要懷疑產品價值或競爭力。Palantir 的 retention 高到誇張，就是 FDE 模式深度嵌入客戶流程的結果—一旦工程師把整套東西嵌進客戶流程，客戶根本拔不掉。

判讀方式

讀到「retention 下降」時，往往是商業模式或競爭環境惡化的早期訊號—客戶不續約不一定是因為產品變差，可能是因為切換成本變低或競爭對手出現。Retention 下降會放大估值壓縮，因為投資人計算 LTV 時會用更保守的留存假設。

Thin Wrapper

Tue, 19 May 2026 00:00:00 +0000

Thin Wrapper 的核心概念是「在底層服務外只包一層薄殼就拿出來賣」—沒有自己的資料、沒有自己的工作流、沒有隱性知識。GPT 出來後一年，大量「ChatGPT 套殼」產品都是 thin wrapper，相對概念是有 Fat Data / Fat Skill 的產品。

概念位置

Thin Wrapper 是護城河缺席的具體表現。它沒有 Fat Data（獨家資料）也沒有 Fat Skill（行業隱性能力），所以底層服務一旦出官方版就被輾平。它的另一個命運是被收編成 Connector。

可觀察訊號與例子

判斷一個產品是不是 thin wrapper：拿掉底層 AI 模型後還剩下什麼？如果只剩 UI 跟 prompt，那就是 thin wrapper。如果還有獨家資料、行業特定工作流、客戶累積的歷史脈絡—那不是 thin wrapper。同樣是 Chat UI，問答機器人是 thin wrapper，但保險核保副駕駛因為內建公司歷史核保資料就不是。

判讀方式

讀到「thin wrapper 會被殺死」時，意味著該類產品在 AI Labs 推出官方版功能後沒有抵抗力。AI 新創想活下去得在 Fat Data 或 Fat Skill 上累積—只靠 prompt 工程或 UI 設計不夠。投資人判讀 AI 新創第一個過濾條件就是「拿掉底層模型還剩什麼」。

Fat Data / Fat Skill

Tue, 19 May 2026 00:00:00 +0000

Fat Data / Fat Skill 的核心概念是「AI 時代仍能撐住的兩種護城河」。Fat Data 是別人沒有的獨家資料—例如十年的判決書資料庫、保險理賠歷史、醫院影像標註。Fat Skill 是深度嵌入行業的工作流知識—例如保險核保流程、銀行合規要求、醫院動線設計。相對概念是 Thin Wrapper。

概念位置

Fat Data / Fat Skill 承擔的責任是：當底層 AI 模型不斷進步時，這層資料 / 知識仍然只有你有，所以你的產品不會被基礎模型供應商直接輾平。Fat Skill 通常需要 FDE 才能萃取出來，因為它是隱性知識的編碼。

可觀察訊號與例子

Fat Data 的判讀訊號：資料是不是花了多年才累積、是不是來自獨家管道、能不能被簡單爬取或重建。Fat Skill 的判讀訊號：是否依賴 FDE 才能服務、是否需要長期在客戶端駐點才能學會、客戶離開後員工是否會被別家挖走整套搬家。Bloomberg Terminal 同時有 Fat Data（獨家金融資料）跟 Fat Skill（交易員工作流），是兩種護城河疊加的典型。

判讀方式

看到「沒有 fat data 或 fat skill 的會被殺到地板」這類論斷時，意味著該分析師認為 AI 時代差異化只剩這兩條路。判讀一家 AI 新創的存活機率，看它累積的是 fat data、fat skill、還是純粹的 Thin Wrapper。這也是 VC 投資 AI 新創時的核心過濾條件。

Connector

Tue, 19 May 2026 00:00:00 +0000

Connector 的核心概念是「被收編進大平台的生態系變成上面的整合工具」。原本是獨立產品的公司，被併購或主動加入後變成大平台的 plug-in 或 integration。Zapier 的數千個 connector、Salesforce AppExchange 的 app 都屬此類。Connector 是 Thin Wrapper 不被殺死的另一條路。

概念位置

Connector 化是新創生命週期的一種終局狀態—雖然失去獨立生意，但保住一部分用戶與營收。它的反面是真正獨立的產品（有自己的 Fat Data / Fat Skill 護城河）。整併週期後段大量公司會走上 connector 化的路。

可觀察訊號與例子

Connector 化的訊號：產品從 standalone app 變成「某某平台的 add-on」、定價變成按平台分潤、行銷渠道改成從平台市集導流、產品演進方向被大平台 roadmap 牽著走。許多被大平台併購的小新創走的就是這條路。

判讀方式

讀到「會被收進 ecosystem 變成 connector」時，意味著該產品還有一定價值（不至於被完全殺死），但獨立公司的空間沒了。對新創創辦人來說，這是「被併購」的另一種說法；對使用者來說，意味著該工具的長期演進會被大平台的優先順序綁定，創新速度通常會慢下來。