中国 SaaS 厂商的护城河应该怎么建

上周和一位做 HR SaaS 的创始人吃饭。他抛出一个困扰了很久的问题：

“我们的 AI 简历解析准确率比竞品高 8%，但客户续约率还是在掉。竞品三个月就追平了准确率，价格还低 20%。技术优势在中国到底能维持多久？”

我给的回答很直接：6 到 12 个月。 然后就没有了。

这不是悲观，而是现实。中国企服市场的迭代速度让任何纯技术壁垒都迅速商品化。如果你的护城河是"我们的模型更准"“我们的算法更快”，那这条河很快就会干涸。

这篇文章，我想系统回答一个问题：在中国做 SaaS，到底什么才是真正的护城河？

一、核心困境：为什么中国 SaaS 难建护城河

先看一组对比：

根本矛盾：中国 SaaS 长期陷入"做项目 → 无法标准化 → 无法规模化 → 继续做项目"的死循环。

红杉资本在 2026 年 5 月的 AI Keynote 中提出了一个关键概念——扩散差距（Diffusion Gap）：

模型能力增长率    ████████████████████████  (指数)
企业采用率        ████████                    (线性)
                  ←──── 扩散差距 ────→

基础模型能力指数增长，企业采用线性滞后。红杉认为这个差距是应用层公司的机会窗口。但在中国，这个差距被四个因素放大：

1. 问责焦虑——“出了问题谁负责？”
2. 数据安全恐惧——“我的数据会不会泄露？”
3. 员工培训焦虑——“员工学不会怎么办？”
4. 遗留系统集成成本——“老系统怎么对接？”

扩散差距在中国不是技术问题，而是信任问题和迁移成本问题。 谁能解决信任和迁移成本，谁就拥有护城河。

二、护城河七大维度

1. 数据壁垒（Data Moat）—— 最核心的护城河

逻辑：AI 时代，模型是基础设施，垂直行业数据才是真正的稀缺资产。

客户使用 → 业务数据沉淀 → 数据清洗/标注 → 垂直模型训练 → 更精准的服务 → 更多客户使用
         ↑____________________________________________________________________|
                              数据飞轮闭环

典型案例：

• 北森：10 年积累 5000 万+ 测评数据、200 万+ 岗位胜任力模型，训练出 HR 垂直大模型，简历解析准确率 98.7%（通用模型仅 82%）
• Vendr（美国）：积累数万笔 SaaS 采购真实成交价格数据，形成不可复制的议价知识图谱

红杉 keynote 中提到的"铝"隐喻恰好印证了这一点：铝曾是比黄金更贵的奢侈品，电解法发明后变成一次性材料。今天 PhD 级别的 AI 技能，明天就是大模型的即时函数调用。 模型能力本身在快速商品化，但经过十年沉淀的垂直行业数据不会。

关键行动：

• 聚焦一个垂直行业，深耕数据积累（不要贪多）
• 建立数据治理体系：清洗、标注、结构化、安全合规
• 设计"数据反哺"机制：每次客户使用都成为模型迭代的燃料

2. 转换成本（Switching Cost）—— 让客户"走不了"

逻辑：客户迁移成本越高，续费率越稳定，NDR（净收入留存率）越高。

关键指标：NDR > 110% 是健康 SaaS 的标志（北森 2025 年达 114.6%）

3. 行业 Know-How × AI —— 中国市场的独特优势

贝恩公司在近期报告中指出：

“美国 SaaS 靠标准化取胜，中国必须靠深度行业定制。制造业的排产逻辑、医院的诊疗路径、政府的公文流转——这些深耕多年的行业 Know-How，才是 AI 落地的富矿。”

这正是红杉 MAD 框架中 Moats（护城河） 的核心要义：在技术演进速度快于客户需求变化的时代，贴近客户是最持久的竞争壁垒。 红杉建议"从客户向后看"（customer-backward）而非"从技术向前看"（technology-forward）。

构建策略：

• 不要做通用 SaaS，选择一个细分行业打透
• 将行业专家的经验编码为 AI 可理解的规则/知识图谱
• 与头部客户共建"联合创新实验室"，深度绑定

中美 SaaS 护城河的本质差异：

美国 SaaS 护城河              中国 SaaS 护城河
─────────────────────        ─────────────────────
技术领先 (12-24个月)          场景理解 (持续)
网络效应 (平台)               交付密度 (区域/行业)
品牌溢价 (高 ACV)             客户成功 (续约率)
数据飞轮 (AI 训练)            行业 Know-How (不可复制)

4. 客户成功体系（Customer Success）—— 从卖软件到卖结果

范式转变：

红杉 keynote 提到一个深刻观点：当 AI 处理了 99.9% 的认知工作，人的价值上移到"为什么"而非"怎么做"。 客户成功团队的角色从"教你怎么用软件"变成"帮你设计业务目标并让 AI 去执行"。

关键能力：

• 建立"AI CSM"岗位：懂业务 + 懂 AI + 懂数据
• 设计 ROI 可量化的价值证明体系
• 从"功能使用率"转向"业务结果达成率"

5. 生态协同（Ecosystem）—— 不单打独斗

红杉 keynote 的判断：

“未来的竞争不是单一产品的竞争，而是生态系统的竞争。”

中国用户的工作流深度绑定钉钉、微信、企微。不能嵌入这些生态的 SaaS 会被边缘化。

生态构建方向：

• 技术生态：与 AI 大模型厂商、云厂商深度合作
• 渠道生态：与咨询公司、SI 集成商共建解决方案
• 数据生态：接入第三方数据源，丰富数据维度

集成优先级：

• 必须：钉钉/微信/企微（消息、审批、日历）
• 强烈建议：主流 ERP/财务系统（用友、金蝶）
• 按需：行业特定系统（MES、WMS、HIS）

6. Agent-Native 架构 —— 产品层面的护城河

不是"加 AI 功能"，而是重新思考核心交互模式。

V1.0: GUI 中心           V2.0: AI 辅助            V3.0: Agent 原生
表单 + 列表 + 报表        表单 + AI 建议            意图接口 + Agent 执行
用户驱动所有操作          用户操作 + AI 辅助        Agent 执行 + 用户确认
功能菜单导航              功能菜单 + AI 搜索         自然语言 / 事件触发

红杉 keynote 中定义了 Agent 的三要素：推理与规划 → 采取行动 → 迭代达成目标。这正是 Agent-Native SaaS 的产品架构基础。

三个核心原则：

1. 意图优先——用户说"帮我约张总下周开会"，而不是点菜单
2. 事件驱动——系统自动检测关键事件并触发 Agent 行动
3. 人类监督——关键决策需人审批，日常执行全自动

红杉提到的 Affordance（示能性） 概念在这里尤为关键：强大不等于可用。成功的产品必须为特定用户和场景创造"无需解释"的体验。在中国市场，这意味着 L4 级别的可用性——嵌入现有工作流，零培训成本。

7. 合规壁垒（Regulatory Moat）—— 双刃剑变护城河

《生成式 AI 服务管理暂行办法》要求算法可解释、数据可追溯。

策略：

• 在医疗、金融、政务等强监管领域，合规本身就是门槛
• 提前布局数据安全、隐私计算、审计追溯能力
• 将合规能力产品化，成为客户选择你的理由

三、护城河构建路线图

阶段 1（0-2 年）：聚焦垂直场景
├── 选择 1 个细分行业，打透 1-2 个核心场景
├── 建立数据治理体系，开始数据沉淀
└── 目标：PMF 验证，续费率 > 85%

阶段 2（2-4 年）：构建转换成本
├── 深度嵌入客户业务流程
├── 培养客户组织依赖（超级用户体系）
└── 目标：NDR > 110%，形成数据飞轮

阶段 3（4-6 年）：生态扩张
├── 开放 API，构建合作伙伴生态
├── 探索网络效应（跨企业协作/数据协同）
└── 目标：行业市占率 > 30%，生态收入占比 > 20%

阶段 4（6 年+）：定义行业标准
├── 输出行业最佳实践/方法论
├── 参与制定行业标准/合规规范
└── 目标：成为行业基础设施

四、竞争格局：三层分化

随着 Agent-Native 成为标准，中国 SaaS 市场正在分化为三层：

竞争动态：Tier 1 抢在 Tier 2 完成转型前建立信任，Tier 3 在 24 个月内面临淘汰。

2026 H2  Agent 能力成熟，头部客户开始 POC
2027 H1  Agent-Native 产品入市，传统 SaaS 承压
2027 H2  扩散差距开始收窄，早期采用者获得优势
2028+    Agent-Native 成为标准，传统 SaaS 被淘汰或收购

五、避坑指南

六、回到本质：人的价值在哪里

红杉 keynote 最后回到一个哲学命题：“人是万物的尺度。”

当 99.9% 的认知工作被自动化，人的不可替代性在哪里？

答案在"为什么"而非"怎么做"。当摄影术终结写实绘画后，人类艺术家没有消失——他们转向印象派、表现派和抽象艺术。同理，当 AI 处理所有执行层面的认知任务，人的价值上移到：

• 意义创造——什么是重要的？什么值得做？
• 信任构建——客户关系、品牌共鸣、组织文化
• 价值判断——在不确定性中做出选择

护城河的终极形态，不是技术，不是数据，而是你与客户之间的信任关系。 技术会被复制，数据会被追赶，但信任——一旦建立——是最难被替代的资产。

结语

中国 SaaS 护城河的本质公式：

护城河 = 垂直行业数据资产 × 行业 Know-How × 客户成功体系 × 生态协同

三个关键判断：

1. AI 不会消灭 SaaS，但会消灭"非智能原生"的 SaaS——未来五年是生死线
2. 数据要素是护城河的基石——没有垂直数据飞轮，你的 AI 只是别人的回音
3. 中国 SaaS 的破局点在"深度"而非"广度"——做深一个行业，胜过做浅十个行业

红杉 keynote 中有一句话让我印象深刻：“过去需要 100 年完成的项目，现在可以在 100 天内完成。” 压缩的时间尺度意味着：任何大胆的想法，都值得立即启动。

但同样意味着：任何护城河，如果不持续加固，也会在 100 天内被填平。

你在 SaaS 护城河构建中遇到最大的挑战是什么？欢迎留言讨论。

See also

• 红杉 2026 AI Keynote 启示录：中国 SaaS 的扩散差距与 Agent 重构
• AI 时代运营的本质：影响人群价值观
• Agent-as-a-Judge：自进化Agent的眼睛
• AI 机会在变少：2026-2027 是最后的关键期
• To B 的生意只有两种