前沿洞见 · 行业观察 · · 国科智飞 Gavin

数据贸易的护城河，不在 LLM，在脏活累活

数据贸易表面是搜索，本质是数据清洗、评分标准化、LLM 合成的管道。LLM 不是护城河，愿意做脏活累活的人才是。

最近看到一个「社媒搜索」工具，表面上是帮你搜几个平台的内容，拆开看，本质是一条由三个动作串起来的管道：数据清洗 → 评分标准化 → LLM 合成。

它让我重新想了一遍：做数据生意，护城河到底在哪？

为什么是现在

这波数据生意的热度，来自一个错位：合成能力在过剩，清洗能力在稀缺。

大模型把「把数据变成内容」的成本压到了人人可及，于是价值向上游移动——谁能拿到干净的、可比较的数据，谁就有话语权。但清洗和标准化是反规模效应的活：它不靠天才的算法，靠一次次对齐和一轮轮修正。越是被技术乐观情绪忽略的地方，越是空出来的位置。市面上大部分团队都在卷模型和提示词，愿意卷数据管道的人反而少。

三层管道，各自的难点

**第一层，数据清洗。**要接入多个平台的接口，每个平台的数据结构、口径、时效都不一样，必须先对齐，输出才可用。这话听起来轻巧，做起来是大量琐碎的人工适配：字段怎么映射、重复内容怎么去、水军和刷量怎么过滤、昨天能用的接口今天变了怎么办。接一个平台就是一次定制，而且不是一劳永逸——平台改接口不会通知你，管道要一直养着。

**第二层，评分标准化。**不同平台的「热度」「质量」没有可比性。点赞、转发、收藏、评论，在每个平台的含金量不同；十万粉丝的账号和一千粉丝的账号，声量也不在一个量纲上。只有建立一套统一的评分体系，跨平台的数据才谈得上比较——否则你交给用户的只是几堆拼不到一起的原料。这一步难，不是难在算法，是难在要替用户做出一堆价值判断：什么算好内容、什么算真实热度，然后把判断固化成一套可复用的规则。

**第三层，LLM 合成。**把清洗后的数据变成人愿意看、愿意付费的内容。这一层今天几乎人人都能做——模型每个月都在变强，提示词框架在圈子里公开流传，合成能力的半衰期越来越短。

这三层里，第一层和第二层没有技术奇观，只有耐心。也正因如此，它们最容易被低估。

壁垒是怎么长出来的

这套东西会自己加厚：渠道接得越多，评分越准；评分越准，用户越多；用户越多，反馈越多，评分又更准。

这个循环里真正的资产有两个：渠道关系和错误修正记录。哪些平台怎么接才稳、哪类内容在哪个平台是虚火、哪个字段历史上有坑——这些东西不在任何一个公开数据集里，只能靠一天天做出来。后来者想追，不是买一个更强的模型就行，而是要把所有的脏活重做一遍。数据质量的差距，用户第一天往往看不出来——因为他没有另一个更准的版本作对照；等到业务真正依赖它了，才发现换不掉。更现实的是，评分体系一旦被用户接受，历史数据就带上了同一套口径，换供应商意味着历史不可比，迁移成本比价差更贵。壁垒通常就是这样长出来的。

真正的壁垒不在技术

三层都有壁垒，但壁垒不在技术，而在：谁愿意做那个脏活累活——一家一家接平台，一个字段一个字段对齐，日复一日地维护。这活不性感，也很难靠热情外包。

LLM 在这条链里扮演的是合成层。它不是护城河，护城河是数据渠道和评分体系——前者决定你拿不拿得到数据，后者决定你拿到的数据有没有意义。

这里要回应两个常见的侥幸心理。第一个是「买现成数据集不就行了」：公开数据集覆盖的是通用维度，垂直场景要的口径往往不在里面；而且数据集是快照，生意的价值在持续的更新和维护。第二个是「平台自己会做」：平台做的是自家数据，跨平台的中立比较恰恰是第三方的位置——但这也是风险所在，渠道政策一变，上游就掐住了你，所以渠道关系本身就是需要长期经营的资产。

这类生意的组织形态

这类生意的组织形态，和「AI 创业」的想象很不一样。

它不靠一个明星工程师，靠一批能忍受重复的人：愿意为一个字段的口径和同事争论半天，愿意每天看一眼数据质量报告，愿意在平台接口变更时连夜修管道。招人时最该问的不是「你会什么模型」，而是「你能不能把一件枯燥的事做出稳定质量」。

管理上有一个反直觉的点：**不要只考核吞吐量。**如果 KPI 只奖励「接了多少平台、发了多少报告」，质量一定先垮，而质量垮了用户不会立刻走——他们会悄悄不再依赖你，等发现时已经晚了。数据生意的复利长在质量上，考核就要长在质量上。

起步阶段，一个人也能做：选场景、手工跑通、找付费验证。但过了验证期，最好尽早把「管道维护」设成专职角色，而不是让所有人兼职——管道是资产，资产需要看护人。

判断标准

数据的问题从来不是「有没有」，而是「能不能比对手更快、更便宜、更高质量地拿到并清洗好」。谁能把这三件事持续做住，谁就握着定价权。

定价权的来源，不是「我做得比你好」，而是「换掉我的成本比你想象中高」。当用户的历史数据、内部报表、决策习惯都长在你的口径上时，价格就不再只是价格的比较。

反过来说，只做合成层的团队最危险：模型一升级，昨天的合成能力就变成了人人都有的基础功能。上游没有渠道，下游没有评分，中间那一段随时会被抹平。

还有一个边界值得记住：这套逻辑成立的前提，是「跨源比较」本身对用户有价值。如果某个场景只需要单一平台的数据，或者监管把各平台的口径统一成了公共标准，又或者用户只要一个模糊的感觉、不在意数据是否可比，那么清洗和评分带来的溢价都会大幅缩水。护城河永远长在需求最苛刻的地方——用户越在意数据的可比和可信，前面两层的价值才越大。

垂直领域的机会地图

如果真要做这件事，行动顺序大致是：先选一个用户必须跨源比较的垂直场景；把两到三个数据源手工跑通，定义清楚统一口径；做出一个愿意让人付费的样例；验证有人回头用，再谈自动化和扩源。跳过手工验证直接铺渠道，通常是在给一个没人验证的需求修管道。

说回来

如果要做数据生意，先问自己一个问题：这门生意里，最脏最累的活是什么？你愿不愿意亲手做？

你愿不愿意做那个脏活，决定护城河有多深——而不是你用了多强的模型。