14|私有知识:AI 时代 To B 公司真正的护城河怎么建?
你好,我是曹犟。
上一讲我们介绍了能沉淀进产品的内容,还剩一种虽然不能进入产品但却更有价值的资产:团队在现场积累的行业认知和判断。这一讲,我们就来讲这一类私有知识的沉淀。
先做一个思想实验,我经常用下面这个问题来判断一家公司到底有没有真正的护城河:假如明天把你们公司的全部源代码开源,或者干脆卖掉,你的公司还剩下什么?如果答案是“什么都不剩”,那说明公司真正的家底就是那堆代码,而这个家底,正在快速贬值。如果答案是“还剩不少东西”,那剩下的那些,才是你真正的护城河。
我之前表达过一个判断:AI 时代,对一家 To B 公司来说, 存量代码是包袱,需求理解、行业 know-how、客户信任,这三样才是资产。这一讲,我们先把这个判断说清楚,再重点讲三样资产里最容易被忽略、也最适合在 AI 时代放大的行业 know-how,也就是私有知识。
代码是包袱,知识是资产
我们先把“代码是包袱”这半句说清楚,很多工程师听到这句话会不舒服。
代码为什么是包袱? 第 9 讲 讨论私有化和版本纪律时说过,每个版本都是一个要长期负责的承诺。现场每写死一段单客户代码,公司就多背一个分支。版本分裂、多分支并行、升级适配,成本会伴随你很多年。这还只是维护端。生产端的变化更大:第 2 讲我们讲“基于 AI 的定开”时就说过,AI 让代码的生产变得越来越快、越来越便宜。一样东西,生产起来越来越便宜,持有成本却不变,资产属性当然在下降。
再看另一边。需求理解,就是你比别人更懂客户真正要什么,这是 第 5 讲 和 第 6 讲 在讲的能力。客户信任, 第 7 讲 讲过,是一次次兑现承诺攒出来的账户。而行业 know-how,是你在几十个、几百个客户现场攒下来的行业规律:什么场景应该怎么处理,什么坑必须绕,什么打法在这个行业就是跑不通。这三样东西有个共同特征:AI 越强,它们相对就越值钱。因为 AI 把“执行”变便宜了之后,稀缺的就只剩下“知道该执行什么”。
简单来说,AI 写代码的能力越强,代码越不值钱;而提供给 AI 的知识,越值钱。这就是 AI 时代 To B 公司资产负债表的重估。

私有知识:天生脱敏,天生复利
所谓私有知识,就是你在服务客户的过程中攒下来的行业 know-how。注意它和客户数据的区别:某家客户的用户明细、订单记录和广告投放数据,属于客户;而“零售行业的会员运营普遍卡在哪一步”“金融客户的合规审查通常怎么走”,这类从大量项目里提炼出来的规律,属于你。
我之前给私有知识下过两个定语: 天生脱敏,可跨客户共享。天生脱敏,是说这类知识描述的是行业规律,不属于任何一家客户的隐私;可跨客户共享,是说它在 A 客户积累下来,到 B 客户也能直接使用。这两个属性合在一起,意味着它是天生的复利资产。
举一个我们自己的例子。 第 6 讲 讲过我们劝一个客户别投 Google Ads,核心判断是:这类靠社区和口碑发现的品类,用户的购买路径不经过搜索,搜索广告是结构性错配。你看,这个判断是从一个具体客户的项目里提炼出来,但把客户信息拿掉之后,它描述的是一条品类规律。下一个做同类产品的客户来了,这条判断直接就能用,而且很可能就是我们和其他友商最大的差别。这就是一条典型的私有知识。
不过这里还是要加上一条边界,防止误读和滥用。 https://time.geekbang.org/column/article/1005104 的四层知识库里,这里能积累并且跨客户共享的是上面三层:产品使用、跨行业共性、行业特有;最底下那层企业特有知识还是属于客户,一个字都不能带出门。私有知识的“私有”,是相对你的同行而言,不是相对客户而言。这条线划不清楚,护城河可能反而会变成事故现场。
具体怎么判断一条知识到底站在边界的哪一边?我觉得可以用三个问题来判断。
第一问,把它拿给同行业的下一家客户看,原来那家客户会不会觉得被泄密。
第二问,里面有没有能回溯到具体企业的数字、名称、组织细节。
第三问,它描述的是这个行业怎么运行,还是这家企业怎么运行。
三个问题都通过,才能进可共享的行业层。有一个问题都过不了,就老实留在企业层。
那问题来了:既然私有知识这么有价值,为什么过去的 To B 公司没有把它做成护城河?答案其实我们都经历过:因为 它只存在于资深实施顾问的脑子里。神策过去为了尝试商业模式的改变,也做过多年的陪跑服务,靠有经验的人陪在客户身边,帮客户把工具用出效果,按效果收费。效果肯定是有的,但知识积累和规模化一直很难:顾问一离职,他脑子里那套东西就跟着走了;你让他交接,他可能都不知道该怎么交接;哪怕在管理流程里强调了知识的文档化,这些文档可能也散落在各地,难以复用。在这种情况下,想复制一个资深顾问,通常需要按年计算,而且对人也有很高的要求。
AI 改变的正是这一点。Agent 加知识库的组织方式,让顾问脑中的 know-how 第一次变得可抽取、可存储、可复制、可执行。过去要靠一个老师傅到现场才能给出的判断,现在可以变成知识库里的一条条结构化经验,让 Agent 在一百个客户现场同时给出最优解。这就是我说 AI 把咨询和陪跑“产品化”的含义: 被产品化的正是咨询背后的知识。
四步转化:把脑子里的东西变成资产
这项工作对 FDE 来说,一方面是有益于公司,FDE 把在客户现场学到的东西带回来,变成整个公司可以跨项目复用的知识资产;但从另一个角度来说,FDE 在现场完成的沉淀,也是在积累自己的方法和行业认知。上面提到的资深实施顾问难以规模化培养,反而让这个岗位有了更高的溢价,对于 FDE 也是如此。这一点我们在第 23 讲还会具体展开。
当然,个人沉淀也要守住职业边界:该归档、该共享的项目知识,仍然要完整地沉淀到公司的知识库里;客户数据和公司机密不能变成个人资产;更不能为了提高自己的不可替代性而故意留一手。
这里先回到公司层面:从“脑子里”到“资产”,我们的实践可以总结成四步。
第一步,抽取。知识不会自动沉淀,需要有机制把它抽取出来。上一讲的项目沉淀清单就是很好的入口:每个项目结项前的那一页纸,本身就是一次知识抽取。此外,还可以通过项目复盘、对资深顾问的结构化访谈来抽取知识。AI 在这一步就能发挥很大作用:先把访谈录音转成纪要,再从几十份项目文档里提炼出反复出现的规律,人只负责判断真伪。 抽取的关键是及时,项目里那些“这个行业原来是这么回事”的 aha moment,过了三个月,可能就想不起来了。
这里有个很容易被低估的问题:想把一个专家“蒸馏”出来,最大的障碍不一定是他不配合。很多时候,即使他配合,也大概率说不清自己到底是怎么判断的。因为真正有价值的经验往往已经变成了直觉,只有当他面对具体问题,作出取舍、否定一个方案或者实际动手时,这些经验才会暴露出来。 第 5 讲 我们为什么宁愿坐到投手旁边看他操作,也不只做访谈,原因就在这里。
所以,除了访谈,抽取还有一个更贴近实际工作的通道,就是我们在客户现场体会到的: 产品的交互记录本身。 第 12 讲 说过,我们的投放 copilot 产品,对 Agent 的每一条建议,投手可以同意、拒绝、争论,拒绝时需要给出理由。这些拒绝的理由和争论的过程,本质上都是投手在把自己脑子里的东西一条条教给 Agent:客户的预算节奏、哪些品类在清库存、老板对哪条产品线有特别的坚持。这类很难被本人直接说清楚、却会在行动中暴露出来的知识,通常叫做默会知识。
所以我有一个判断: 客户的不信任,恰恰是 Agent 最昂贵的训练数据。市面上很多 Agent 产品会直接丢掉用户不采纳建议的信号;而只要把这个信号保留下来,每一次拒绝都是在让 Agent 更懂这家客户。这个通道还天然满足及时抽取的要求:分歧发生的当下,就是知识显露出来的时刻。这个抽取通道本身是产品能力,而从几十个客户身上反复看到的拒绝模式,脱敏之后就是行业层的规律。
从这个角度看,产品化的不只是 FDE 最终总结出的知识,还有知识产生和沉淀的过程。FDE 在现场理解客户,Agent 在一次次交互中记录客户的判断和反馈,两个过程同时进行。FDE 学到的,沉淀成方法和判断;Agent 学到的,沉淀进知识库,也让客户逐步建立信任。这两条线结合起来,才是 AI 时代更完整的 FDE 模式。

第二步,脱敏。把客户标识、具体数字、可回溯的细节去掉,只留下规律本身。“某零售客户复购率 8%”是客户数据;“这个品类的复购运营,普遍卡在会员首购后的第二周”是行业知识。前者留在项目档案里,后者进知识资产库。
第三步,结构化。知识要变成 AI 能直接使用的形态,而不能只是一堆文档。我们的实践是把它拆成三种形态:
Context 是背景性知识,包括行业术语、口径和约束,用来给 Agent 提供上下文;
Skill 是操作性知识,把某类问题的标准做法和步骤写成 Agent 可调用的技能文档;
Workflow 是流程性知识,把一个业务目标拆成可以委托给 Agent 的工作流。
我之前把这套做法概括为“文档驱动,AI 放大”:Skill 文档承载策略意图、领域知识和操作流程,AI 负责执行。
我们拿投放场景举个例子,“新品测试期怎么分配预算”这类老投手的经验,写成 Skill,就是把什么条件下启动测试、按什么节奏加减预算、出现什么信号就停止,这些一条一条写清楚。写成之后,一个老师傅的经验就能变成一百个 Agent 的能力。
顺带说一句,这也正是 AI 时代交付和客户成功的新形态:从教客户使用软件,变成帮客户把业务目标拆成 Agent 工作流。
第四步,入库。把结构化好的知识,纳入 第 10 讲 讲过的分层知识库,进行业层和共性层,让它被版本管理、被评估集覆盖、被持续迭代。注意,结构化的三种形态和这里的四层是两个维度:形态说的是一条知识长什么样,分层说的是它归谁、能不能跨客户共享。一份写好的 Skill 文档,还要过一遍边界三问,行业规律进行业层,出不了门的留在企业层。

到这一步,一条现场的经验才算真正变成了公司资产:它有存放位置,有质量标准,有人负责,而且每个新项目都会让它更厚一点。
我们再回过头来拿 第 6 讲 那个 Google Ads 的判断走一遍。抽取,是把判断当场写下来:这类靠社区和口碑发现的品类,购买路径不经过搜索。脱敏,是去掉客户名字和具体的投放数字,只留品类特征和结论。结构化,是写成一条带条件的规则:出现哪些信号说明品类是口碑驱动,这时投放建议怎么给。入库,是把规则放进行业层,下一个同类客户来了,Agent 做方案时直接调出来。从此,这条判断不再依赖当年做项目的那个人。
第 13 讲 提到 OpenAI 把客服项目里数百条服务策略参数化成 Swarm 框架。换个角度看,那数百条策略就是客服运营的 know-how,参数化就是第三步结构化。他们走的正是这条路:把散在各个客户项目里的行业知识,抽出来、结构化、变成可复用的资产。
这个案例,他们后来披露过更多的细节。第一点,光一家金融科技客户的客服项目,服务策略就有 400 多条,靠人一条条手写提示词,撑不住了,他们就把指令和工具参数化,散落各处的提示词,变成了结构化的参数。第二点,他们给每一类用户意图都加上对应的评估集,有这种兜底,策略才敢放量规模化。后来在一家运营商客户那里,策略数量和复杂度高了一个量级,同一套结构加一些扩展照样能用。评估集守门,对应的正是入库那一步的质量标准,两条路径是相通的。关于评估集,我们 第 11 讲 详细聊过,你可以回顾一下。
这两个案例说明,从现场经验到公司资产,中间确实要经过抽取、脱敏、结构化和入库。但这四步说起来简单,实际执行时,每一步都有典型误区。
抽取的误区,是把积累文档当成积累知识:项目文档堆了几百份,规律一条都没有提炼出来,那只是仓库,不是资产。
脱敏的误区,是只抹掉客户名字,数字和细节却原样保留,懂行的人一眼就能猜出是哪家,等于没有脱敏。
结构化的误区,是把原始文档直接放进知识库就宣布完工,Agent 检索出来的仍然是文档片段,而不是可以执行的判断。
入库的误区最隐蔽:知识库建起来了,却没人负责更新,上线那天就成了质量巅峰。
避开这些误区的办法,是给每一步制定可检查的验收产出。例如在脱敏这一步,就可以直接拿刚才的三个问题来验收。

护城河的再定义
最后,我们再回到开头所说的公司的护城河。
我之前梳理过同一种能力的交付形态演化。以风控、客服为例,最早依赖顾问和驻场人员交付,后来被做进软件,再变成按订阅、按用量提供的云服务,最终甚至可以直接按结果付费。交付形态一直在变,但客户真正购买的,始终是背后的能力。所以,产品只是能力在某个阶段的载体,能力本身才是护城河。 私有知识资产化,就是把原本只存在于个人经验里的能力,变成公司可以反复调用、持续迭代的资产。
Shimoda 有个说法和这个判断异曲同工,他说,运营模式才是会复利的资产,产品只是运营模式的产物。
把两句话放在一起看,AI 时代 To B 公司的护城河清单已经很清楚了:不是代码,不是功能列表,而是持续生产知识的运营模式,加上知识本身,加上 第 12 讲 说过的那套让客户敢托付的可审计能力,再加上客户信任。这几样,每一样都是竞争对手抄不走的。
讲到这里,我还想回应一种说法:FDE 的目的就是让客户离不开。按照这种逻辑,FDE 做得越深,客户被绑定得越紧,项目就越成功。我不认同这个判断。客户因为被绑定而离不开你,和客户因为你持续创造价值而选择你,是两回事。
第 7 讲 讲过,如果客户一直离不开 FDE,FDE 就成了永久拐杖,这是反模式,不是护城河。真正的护城河,不是让某个客户走不了,而是把项目中产生的、天生脱敏又可以跨客户复用的私有知识沉淀下来。一个项目结束后,客户能够独立使用产品,公司也把现场经验沉淀进产品和知识库,用来服务下一个客户,这才是双方都得到了积累。反过来,如果客户离不开驻场的人,公司也只能不断投入人力维持项目,双方其实都被绑住了。项目越多,负担越重。
能力的交付形态演化到最后,是按结果付费。当知识已经变成可以稳定交付的能力,公司也就有机会从卖工具,进一步走向为结果负责。

课程总结
这一讲,我们讲的是私有知识。核心判断是:AI 时代,代码越来越容易生产,真正稀缺的是需求理解、行业 know-how 和客户信任。FDE 的一项核心职责,就是把客户现场的 know-how 变成公司可以反复使用、持续积累的知识资产。
在这个场景里,AI 和人的分工也很清楚:AI 能把访谈录音转成纪要,能从几十份项目文档里提炼出反复出现的规律,也能按照 Skill 文档应用知识得到结果;但哪一条是真正的 know-how,哪一条只是个例,哪些细节必须脱敏才能出门,需要由人来判断。
我把这一讲的关键点整理成一张表:

如果你想转型 FDE,这一讲的建议是:从今天起,给自己建一个知识资产库。每个项目结束,要求自己写下三条脱敏后的行业规律。积累两年之后,这个知识库可能就是你和其他工程师最大的差别。
对交付和实施同学,转化四步里最值得先练的是第三步。可以从自己最熟悉的一类问题开始,尝试写成一份 Skill 文档:适用于什么场景,具体有哪些步骤,又有哪些边界条件。真正动笔时,你会很快发现,哪些判断已经能够说清,哪些还停留在手感。对于暂时说不清的部分,可以再回到具体项目中,观察自己是怎么判断和取舍的,逐步把它整理成可以复用的知识。
对 To B 创业者和技术决策者,我建议把这一讲和 第 13 讲 放在一起复盘:既要沉淀代码和模式,也要沉淀知识,并且两种沉淀都要有机制、有负责人、有度量。只靠愿景号召大家“多沉淀”,通常很难真正执行下来。
知识变成了资产,下一个问题就是让资产变成收入。FDE 这么贵,怎么定价才不会被财务当成本中心砍掉?按人天、按席位,还是按效果?下一讲,我们讲从卖工具到卖效果:FDE 的定价之道。
思考题
留两个问题,欢迎你在留言区聊聊。
第一,做一遍开头那个思想实验:把你们公司的代码拿走,还剩什么?试着列出三条你们独有的、别人拿不走的行业 know-how。列得出来吗?它们现在,以什么样的形式存放在哪里?
第二,想一下这样一个场景,如果你们团队里最资深的一位顾问或工程师明天离职,那么哪些知识会随之流失?这些知识中哪一条最值得从这个月开始,按照“抽取、脱敏、结构化、入库”四步沉淀下来?
期待你在留言区分享你的思考。如果这节课对你有启发,也推荐你把它分享给身边更多朋友。