「现在」那场混战打完，我们攒下一个躲不过去的问题：如果谁都能调用同样聪明的大模型，那护城河还砌得起来吗？如果砌得起，砌在哪儿？
这一章先破一个最流行的误会，再说清楚墙真正会搬到哪四个地方。
先破一个误会：模型本身不是护城河
很多人第一反应是：护城河当然是模型啊，谁的模型更强谁赢。这个判断，大概率是错的。
原因有两个。其一，最强的模型就那么几家在做，而且它们你追我赶，今天你领先三个月，明天就被反超——没有谁能长期锁死「我的脑子比你聪明」这件事。其二，也是更要命的，模型是买来的。你调 OpenAI 的模型，你的对手也能调同一个。花钱就能买到的东西，从定义上就当不了护城河——护城河的意思是「别人花钱也拿不走」。
还是第六章那个比方：模型是电。电厂很牛，但你家附近开了个电厂，不等于你就有了生意——因为你邻居也能从同一个电厂接电。护城河从来不在电本身，而在你怎么用电，用电干成了什么别人干不成的事。
想通这一层，思路就打开了：既然聪明的脑子是买来的、人人有份，那真正的胜负手，全在这颗脑子够不着的地方。它够不着哪儿，墙就砌在哪儿。一共有四处。
第一处墙：私有数据
大模型什么都懂一点，唯独不懂你的那点事。它读遍了全网，却没读过你公司三年的客户记录、你工厂产线的实时数据、你那个行业里没人往网上发的内行诀窍。
这就是第一道新墙，其实也是第三章那道「数据沉淀」的升级版。过去数据是用来「锁住老客户」的；现在它多了一个更值钱的用处——喂养一个只属于你的智能体，让它干出通用 AI 干不出的活。谁手里攥着别人拿不到的数据，谁就能造出别人造不出的数字员工。数据从「护城河」升级成了「弹药」。
第二处墙：难啃的工作流
大模型擅长干那种「一句话就能说清、一步就能干完」的活。但真实世界里值钱的活，往往是又长又绕、还全是例外的。
报销一笔款，听着简单，背后可能是：金额到多少要谁审、跨部门怎么走、碰上特殊情况怎么破例、还得跟财务系统和银行对上账……把这一整条又脏又长、全是坑的流程，稳稳当当地自动跑通，是极重的活——而这活越重、坑越多，越是护城河。因为通用大模型只想给你一颗聪明脑子，它没耐心、也没兴趣，去啃某个行业里这条具体而琐碎的烂泥路。谁把这条路修通了、修得别人不敢碰，谁就立了一道墙。
第三处墙：分发与信任
这一处最容易被技术出身的人忽略，却往往最硬。
分发，就是「你的东西怎么送到客户面前」。老玩家最大的本钱，是它的软件已经装进了千万家公司——这本身就是一条别人烧钱也难买的路。第七章那些副驾之所以有底气，正因为它们不用重新找客户，只要给已经在用它的人顺手递上一个 AI，就赢在了起跑线。
比分发更硬的是信任，尤其在「卖结果」的时代。当智能体替你把活干完，一个要命的问题冒出来了：它干错了，谁负责？它把一笔款打错了、把一份合同审漏了，客户告谁去？敢站出来说「出了事我兜着」，是一道极高的墙——它拦住的不是技术，是责任。这也解释了为什么在律师、医疗、金融这些一错就是大事的领域，一个虽笨但可靠、还敢担责的老牌子，可能比一个更聪明但没人敢信的新玩意，更卖得动。
在卖结果的世界里，客户买的其实是安心：出了事有人兜着。这份安心，聪明的大模型给不了——因为你没法冲一个通用模型问责。谁能站出来对结果负责，谁就握着一道大模型永远够不着的墙。
第四处墙：被记住的入口
最后一道墙，藏在一个新战场里：当越来越多的活由智能体来干，那个你习惯去开口吩咐的入口，本身就成了兵家必争之地。
就像今天你想搜东西会条件反射地打开某个搜索框——将来你想「让 AI 办件事」，会条件反射地打开谁？谁成了你的默认入口，谁就守住了最靠前的位置。这道墙砌的是习惯：你懒得换、想不起别家，就是它最深的护城河。
把四道墙收拢
于是问题的答案清楚了：模型不是护城河，因为它是买来的；真正的墙，砌在模型够不着的四个地方——你独有的数据、你啃通的烂泥路流程、你占住的分发与敢担的责任、你占据的那个入口。
你会发现，这四道墙没一道是新发明——它们全是第三章老护城河，在「卖结果」时代的升级版。护城河没有消失，它只是从「锁住用软件的人」，搬到了「谁能真的、可靠地、担着责地把活干完」。谁守住这四道墙，谁就在 AI 时代重新站稳了。
墙的问题解决了，还剩最后一个更现实的问题：这活干完了，钱到底该怎么收？下一章，我们看那场正在发生的定价地震。