AI 軍備競賽的陷阱：Uber 燒 25 億話你知點解先發唔係護城河

Uber 由 2009 年創立到今日，累計燒咗超過 25 億美金 operating loss，仲未真正盈利。佢唔係唔叻，而係做錯咗一條核心假設：佢以為先發、搶市佔、燒錢 scale 就係護城河。結果對手 Didi、Grab、Lyft 用相同策略照辦煮碗，成本結構一模一樣，用戶零切換成本，最後變成純粹的價格戰。今日 AI 行業正以驚人速度重演同一套劇本，而且更大鑊。

你燒嗰啲錢，其實係幫對手填海

Uber 嘅核心問題係「commoditized supply + zero switching cost」。司機同時開 Uber 同 Lyft，乘客邊個平用邊個。Uber 花咗天文數字建構嘅 brand、地圖數據、營運網絡，對手幾個月就可以複製七八成。AI 行業今日一模一樣：GPT、Claude、Gemini、Llama——底層模型能力快速趨同，每次新模型發布，benchmark 差距只維持幾星期。你花百萬美金 fine-tune 嘅模型，下個月新 base model 就 surpass 咗。你投資嘅 inference infrastructure，對手用同一個 GPU cloud 做到同樣 latency。你的「AI 能力」根本冇壁壘。

呢度有一個殘酷嘅四步判斷框架：(1) 你嘅 input 係咪任何人都可以買到？(2) 你嘅 output 係咪用戶可以隨時換走？(3) scale 係咪真正降低你嘅邊際成本而對手做不到？(4) 用戶離開你時會失去乜嘢數據或網絡效應？Uber 四題全炒。今日大部分「AI startup」都係四題全炒——剩係包咗一層 GPT API，貼咗個靚 UI 就話自己有 moat。

MCP 安全危機：先發嘅致命 Technical Debt

講到真正嘅 infrastructure 層面，Model Context Protocol 係其中一個最被低估嘅安全危機。MCP 嘅設計假設係「agent 可以信賴」，但現實係 agent 可以外洩敏感 context、被 prompt injection hijack、甚至反向提取系統 prompt 嘅商業邏輯。第一批衝入去做 MCP server 嘅團隊，佢哋嘅 codebase 充滿住 hardcoded API key、過度寬鬆嘅 permission scope、同冇 rate limit 嘅 tool endpoint。

呢啲唔係 bug，而係 rush-to-market 嘅必然結果。先發者為咗搶曝光，犧牲咗 security review、冇做 threat modeling、冇考慮 agent-to-agent authentication。用戶嘅 private data 通過 agent 流向第三方 server，中間零 encryption validation。呢啲 technical debt 係計息嘅——越遲清理，爆炸時牽連越廣。Uber 當年為咗快，喺 regulatory compliance 上走捷徑，結果全球罰款加訴訟費超過 9 億美金。AI agent 嘅安全捷徑，代價只會更大。

Agent Marketplace 嘅平台困局

App Store 經濟學有一個核心矛盾：平台要控制質量，但質量控制扼殺長尾創新。Apple 用三十年先搵到一個（爭議不斷嘅）平衡點。今日嘅 AI Agent Marketplace（OpenAI GPT Store、Claude MCP registry、各類 agent directory）犯緊同一個錯：佢哋想靠審核、靠獨家、靠補貼嚟吸引 developer，但呢啲全部唔係 sticky 嘅。

真正令 developer 留低嘅係「distribution + monetization clarity」。Uber 有 distribution，但佢嘅 monetization 靠補貼—補貼一停 developer/driver 就走。Agent Marketplace 今日嘅結構仲弱：agent 嘅 discoverability 極差，大部分 agent zero install，developer 賺唔到錢，平台仲未諗清 charging model。結果係乜？高質量 agent 會走向 direct distribution——自己 host、自己賣、自己控制用戶關係。平台變成一個充斥低質 spam 嘅目錄，進一步推走 serious developer，形成死亡螺旋。

真正有 moat 嘅商業模式

Uber 嘅故事唔係叫人唔好燒錢，而係叫人問清楚：你燒嘅錢係咪喺起緊一條對手跟唔到嘅路。AWS 當年燒錢但佢哋嘅 scale 真係降低咗單位成本（每多加一萬部 server，管理成本幾乎零增長）。Shopify 嘅 moat 係 merchant 嘅 switching cost——你搬走成個 online store 係災難級痛。Figma 嘅 moat 係 real-time collaboration 嘅 network effect。

對照返 AI 行業，真正有 moat 嘅 pattern 得三個：第一，你有 proprietary data loop（用戶用你產品越耐，你嘅模型越準，對手拿不到呢個 feedback cycle）；第二，你 build 嘅係 workflow lock-in（唔係一個 AI 功能，而係成個 business process 嵌入到你嘅 system，用戶走要重新培訓成個團隊）；第三，你 control 咗 distribution channel（你有 direct user relationship，而唔係透過平台轉介）。

如果你嘅 AI 產品唔屬於呢三類之一，咁你同 2015 年嘅 Uber 本質上冇分別——你係喺 commodity 上面貼咗個 sticker，而有人準備好以更低價格搶你客。

行動點

睇清楚你個 product 喺邊個象限。用返上面四步框架 check 一次。如果你嘅答案係 commodity，唔好再追模型能力——去搵 proprietary data 或者 build switching cost。唔好再搶先發，去搶用戶走唔到嘅嘢。同埋，如果你寫緊 MCP server，今日就加 authentication 同 rate limit，唔好等第一個 security incident 先嚟後悔。先發唔係護城河，有壁壘嘅 execution 先係。