大家都说 AI 时代数据最宝贵。可对于 Vertical AI 来说，事情可能恰恰相反：数据越有价值，客户越不愿意让你拿去训练。
于是，一个很有意思的悖论出现了：你拥有的数据越珍贵，你能跨客户使用的数据反而越少。
这可能是 Vertical AI 商业模式里最值得琢磨的问题。
Vertical AI 到底在卖什么？
先从一个最基本的问题开始。一家 Vertical AI 公司，如果自己不训练基础模型，而是调用 OpenAI、Anthropic、DeepSeek、Qwen 等模型，它到底在卖什么？
客户自己不能用 ChatGPT、Claude 或其他模型吗？如果客户可以直接问“帮我分析一下这个产品应该怎么定价”，为什么还要付钱给一家 Pricing AI 公司？
如果 AI 公司只是把大模型套上行业术语，再加一个漂亮的界面，那它很容易变成“大模型增值分销”：
用户 → AI 应用 → 大模型 → AI 应用 → 用户
当然可以做成生意，但很难形成深的护城河。
所以，Vertical AI 真正要回答的问题不是“我能不能调用一个更聪明的模型？”，而是：“为什么客户必须通过我完成这件事？”
Token 是成本，不是价值
很多 AI 应用会按照 Token 收费，或者把模型费用单独列出来。对于模型 API 提供商来说，这很合理：Token 就是资源消耗。
但对于 Vertical AI 应用来说，Token 更像什么？COGS。
客户真正买的不是你消耗了多少 Token，而是你帮他做成了什么：少做多少人工工作，多处理多少订单，少犯多少错误，提高多少转化率，改善多少毛利，做出多少更好的定价决策。
所以，一个成熟的 Vertical AI 应用，最终应该尽可能做到：
把模型成本藏在产品背后，把客户价值放在收费前台。
按 Token 收费，卖的是模型消耗。按结果、决策或业务价值收费，卖的是客户价值。
问题是：你到底是在卖 AI 基础设施，还是在卖一个业务结果？
Domain Knowledge 是护城河吗？
很多 Vertical AI 公司会说：“我们的护城河是行业知识。”
这当然有价值。一家 Pricing AI 公司，应该比通用聊天机器人更懂价格体系、价格瀑布、WTP、价格弹性、折扣政策和报价流程。
但问题也很明显：大模型本身正在越来越懂这些东西，而且大模型公司完全可能继续往应用层走。所以，“我们比 ChatGPT 更懂这个行业”并不是特别坚固的护城河。
Domain Knowledge 能让你进入赛道，但不一定能让你守住赛道。
Workflow 看起来更有希望
真正有价值的 Vertical AI，可能不是告诉你“这个产品建议涨价 7%”，而是直接进入业务流程：
这时候，AI 就不再只是一个聊天机器人。它开始成为业务流程的一部分。
但新的问题马上出现了：每个客户的 Workflow 都不一样。A 公司三级审批，B 公司没有审批；C 公司把 Pricing 放在 Sales，D 公司放在 Product Management；E 公司甚至没有正式的 Pricing 组织。
于是 Vertical AI 很容易变成 AI + Implementation + Consulting。产品看起来是 SaaS，实际交付越来越像咨询项目。
这并不是坏事，但它会影响规模化。
真正棘手的问题：数据
很多 AI 商业模式都有一个非常漂亮的故事，一个完美的数据飞轮：
更多客户 → 更多数据 → 更好的 AI → 更好的产品 → 更多客户
但 B2B Vertical AI 可能恰恰是这个故事最难成立的地方。
还是以 Pricing AI 为例。假设客户 A 把大量数据交给你：成交价格、折扣、客户画像、赢单和输单、竞争对手报价、WTP、价格弹性、销售谈判记录……这些数据当然非常有价值，你可以用它们让 AI 变得更聪明。
但问题来了：客户 A 为什么要允许你拿这些数据去训练一个可以服务客户 B 的系统？
如果 A 是一家汽车零部件公司，它可能愿意让你利用自己的历史数据帮助自己提高报价能力。但它未必愿意接受：
“谢谢你提供的数据。我们现在用这些数据训练 AI，然后把它变得更聪明，再卖给你的竞争对手。”
这就是 Vertical AI 最有意思的地方。越有价值的数据，越具有竞争属性；而越具有竞争属性的数据，越难共享。
数据飞轮可能根本转不起来
传统 SaaS 的逻辑是：
A + B + C 的数据 → 更好的产品 → 所有客户受益
但 Vertical AI 很可能变成：
A 的数据 → A 的 AI
B 的数据 → B 的 AI
C 的数据 → C 的 AI
大家可以使用同一个基础模型，但最有价值的那部分数据，被严格隔离。
于是你得到的可能不是一个越来越聪明的“行业大脑”，而是 100 个越来越聪明的客户自己的大脑。这两种商业模式，差别很大。
那么 Vertical AI 的护城河到底是什么？
我越来越倾向于把它看成四层。
你懂这个行业。这是入场券。
你知道业务到底怎么发生，并且能进入真实流程。
你持续积累一个客户自己的数据、决策历史和反馈。这些数据不需要拿去训练所有客户，它们可以成为客户自己的长期资产。
AI 不只是给建议。它开始真正执行分析、判断、推荐、审批、报价、跟踪和反馈。
到了这里，客户买的就不再是一个 AI 功能，而是一个业务系统。
这也改变了我们理解 AI 数据护城河的方式
过去我们很容易认为：数据越多，AI 越强。
但在 B2B Vertical AI 里，更准确的说法可能是：能被共享的数据越多，AI 越容易形成规模效应。而真正有商业价值的数据，恰恰往往最难共享。
所以 Vertical AI 真正应该问的不是“我们有多少客户数据？”，而是：哪些数据可以共享？哪些数据必须隔离？哪些能力可以泛化？哪些知识必须留在客户自己的系统里？
一个比较现实的结构可能是：
模型负责“会思考”。Vertical AI 负责“知道怎么把思考应用到这个行业”。客户自己的数据则负责“知道怎么服务这个客户”。
所以，Vertical AI 的长期机会在哪里？
我并不认为 Vertical AI 没有长期机会，但我会换一种方式判断它。
不是“这家公司有没有很多数据？”，而是“这些数据能不能形成持续的规模效应？”
不是“它懂不懂这个行业？”，而是“它有没有进入一个足够重要的业务流程？”
不是“它用了哪个模型？”，而是“如果明天基础模型便宜 90%，客户为什么还愿意继续付钱？”
也不是“客户越多，AI 会不会自动越来越聪明？”，而是“即使每个客户的数据都不能拿出来训练，它还能不能持续创造价值？”
这些问题，比“用了 GPT 还是 DeepSeek”重要得多。
Vertical AI 真正的竞争，可能不是谁的 AI 更聪明，也不只是谁的数据更多，而是：谁能在不侵犯客户竞争优势的前提下，持续进入客户重要的业务流程，并让客户自己的数据越来越有价值。
这其实是一个很奇怪的商业模式：客户越重要，数据越敏感；数据越敏感，越不能共享；越不能共享，传统意义上的数据网络效应就越难形成。
也许，这正是 Vertical AI 最值得研究的悖论。
首发于微信公众号「定价制胜-Dr. Pricing」，2026年10月。