AI 時代的護城河不在演算法，而在現場數據

 

2026 年 8 月 14 日，美國紐約南區破產法院披露了一份通知，內容是：谷歌花了一千萬美元，買下了一家已經破產停飛的美國廉價航空公司 Spirit Airlines 的內部數據。

一千萬美元。將近三億新台幣。買的不是飛機，不是航線，不是商標，而是一家破產公司的伺服器裡那些東西。

你第一反應可能是：谷歌為什麼要買一家失敗公司的數據？

但這個問題問錯了方向。真正該問的是：谷歌有全世界最強的 AI 團隊，有自己研發的大模型 Gemini，有全球最龐大的算力基礎設施——它什麼都不缺，為什麼還要花錢買數據？

而且，谷歌不是唯一一個想買的。一家叫 Mercor 的 AI 公司也參與了競標，出價七百五十萬美元。谷歌最初報價五百萬，被 Mercor 加價到五百二十萬後，谷歌直接翻倍——一千萬，成交。

一家全球演算法能力最強的公司，和一家 AI 訓練數據公司，在破產法庭上搶一家廉價航空的內部數據。這幅畫面本身就值得我們停下來想一想。

谷歌買到的數據包裡有什麼？五億條 Microsoft Teams 內部聊天記錄，一億封員工電子郵件，三千萬行源代碼，七十二億條競爭航班定價資訊，還有十七萬五千條員工記錄，最早可追溯到 1986 年。

但這裡有一個細節特別值得注意：谷歌沒有買乘客個人資料。九千七百五十萬個乘客檔案、五千多萬條常旅客會員記錄——這些被明確排除在交易範圍外。美國破產法對出售消費者個人資訊有嚴格限制，谷歌也承諾所有數據在交付前由第三方完成去識別化處理。

但更關鍵的是：谷歌根本不需要乘客個人資料。它要的不是「誰坐了什麼航班」這種結果數據，而是「一家航空公司三十年來怎麼做決策」的過程數據——Teams 聊天裡的討論脈絡，定價模型背後的推理鏈路，開發團隊在代碼裡留下的思路。

谷歌在聲明中說得很清楚：這批數據將用於訓練和評估需要完成多步驟業務任務的 AI 代理，使其更好地理解和模擬真實的商業流程與決策場景。

翻譯成人話就是：谷歌的 AI 已經很會聊天了，但它還不夠會做生意。它需要真實的商業決策過程數據來學習——而這種數據，網路上爬不到，公開資料庫裡找不到，只有真正在商業前線打過仗的組織才會留下來。

谷歌自己造不出來這種數據。所以它花錢買。

這件事值得所有行銷人停下來想一想。

大眾對 AI 時代有一個直覺判斷：演算法最值錢。誰的模型最強，誰就贏。所以大家焦慮的是——我的公司沒有 Google 那種算力，我請不起頂尖的 AI 工程師，我怎麼跟得上？

但谷歌花一千萬美元買破產航司數據這件事，恰好打碎了這個直覺。

你想想：谷歌缺演算法嗎？它有 Gemini，有 DeepMind，有全世界最密集的 GPU 叢集。它缺算力嗎？它本身就是雲端運算最大的供應商之一。它缺人才嗎？全球頂尖的 AI 研究者都想進谷歌。

它什麼都不缺。但它還是要花錢買數據。

這說明什麼？說明演算法已經不是瓶頸了。演算法正在變成基礎設施——開源模型遍地都是，API 隨處可調，你花幾十美元一個月就能用上跟大廠同級別的語言模型。演算法是商品，而且是一個越來越便宜的商品。

真正稀缺的，是那些演算法吃不進去的東西——只有親身在商業現場操盤，才會留下來的過程數據。

快刀青衣在得到上講這件事時，用了一個特別精準的判斷：判斷一條數據值不值錢，其實就看一個問題——它記錄的是「發生了什麼」，還是「怎麼決定這麼做的」？前者是結果，後者是過程。

結果數據到處都是。營收數字、點擊率、轉換率、會員數——這些是「發生了什麼」。你公司的報表裡有，競爭對手的財報裡也有，行業報告裡全是。這些數據可以被總結、被發布、被爬取，它們的取得門檻很低。

但過程數據——一家航空公司的人們在 Teams 聊天裡怎麼討論一條新航線的開闢，定價團隊在模型裡怎麼權衡競爭對手的價格變化，工程師在代碼裡留下了什麼樣的決策假設——這些東西，只有在真實的商業運營中才會產生，只有真正下場操盤的組織才會累積。

快刀青衣還打了一個比方：你想想高中裡兩個學霸，每天上的課一樣，用的教材一樣，老師講的也一樣，但最後成績就是有差距。差在哪？可能一個學霸有個一對一的輔導老師，另一個學霸手裡有師兄留下來的獨門手寫筆記。公開語料就是那本教材，大家都有，拉不開差距。真正拉開差距的，是你抽屜裡那本別人沒有的東西。

谷歌買的，就是 Spirit Airlines 抽屜裡那本別人沒有的筆記。

而且谷歌不是唯一一個在這麼做的。Anthropic——Claude 背後的公司——搞了一個「巴拿馬計畫」：大量收購實體書，運到倉庫逐頁拆開掃描數位化，掃描完直接銷毀紙本。為什麼？因為它要的是 2022 年之前、未被 AI 生成內容污染過的純人類作品。越偏門的專業書籍越受歡迎——偏門意味著沒人掃過，沒人掃過意味著獨家。

國內也有類似的案例。上海庫帕思科技發現，醫生的判斷邏輯在結構化病歷裡體現不出來——表單上寫著「診斷：高血壓，處方：A 藥」，這是結果；但醫生為什麼排除了 B 藥、為什麼在這個劑量上猶豫，這些思考過程只有用敘事的方式才能還原。他們乾脆把結構化病歷反向轉成敘事語料，跟谷歌買航司數據的邏輯一模一樣：要的是「怎麼思考」的鏈路，不是「結論是什麼」的表單。

所以你看，從谷歌到 Anthropic 到庫帕思，最聰明的 AI 公司都在做同一件事：想盡辦法獲取那些只有下場操盤才會產生的過程數據。

這就引出了一個對行銷人至關重要的判斷：如果你的工作只是整理報表、跑報告、看結果數據，那 AI 遲早能替代你，因為結果數據到處都是。但如果你在行銷現場留下了決策過程的痕跡——為什麼選這個管道而非那個、為什麼這次活動的預算這樣分配、為什麼這個客戶的轉換路徑跟預期不同——這些東西，是 AI 自己造不出來的。

問題是，大多數行銷人根本沒有意識到自己在產生這種數據，更沒有想過要把它沉澱下來。

要理解「現場數據為什麼是 AI 巨頭也拿不到的護城河」，我們得先離開辦公室，去看一個跟行銷八竿子打不著的行業——農業。去一片洋蔥田裡看看。

美國佐治亞州，有一個叫 Bland Farms 的農場，種了七十五年的維達利亞甜洋蔥。這種洋蔥辛辣度極低、甜度很高、口感脆嫩，可以直接生吃，是佐治亞州的地標農產品。

但種這種洋蔥有一個要命的痛點：幼苗長得太慢，雜草長得太快。而且沒有對洋蔥足夠安全的化學除草劑——你噴了除草劑，雜草死了，洋蔥也跟著傷了。所以整個地區的洋蔥種植戶只能用一種笨辦法：先在溫室育苗，等幼苗長到足夠強壯，再人工移栽到田裡。這種方式成本高、耗人工，而且限制了經營效率。

Bland Farms 種了七十五年洋蔥，七十五年都沒有解決這個問題。

直到 2018 年，一個叫 Paul Mikesell 的人在西雅圖創辦了一家叫 Carbon Robotics 的公司。這個人的背景很有意思——他大學畢業後聯合創辦了一家數據存儲公司 Isilon Systems，2010 年以二十二點五億美元賣掉。之後他在 Uber 和 Facebook 當工程師。一個網路世界的老手，突然轉頭去做農業機器人。

他做出來的東西叫 LaserWeeder——雷射除草機器人。

這台機器的配置聽起來像一輛超級跑車：二十四台高功率雷射發射器，三十六個攝像頭，二十四塊 NVIDIA GPU。機身跨度六公尺多，每分鐘射擊一萬次以上。一台全速運轉的 LaserWeeder，相當於七十五個工人的工作量。

但這台機器真正厲害的地方，不是它除草有多快，而是它除草的方式。

雷射打的是雜草的生長點——植物維持生長的核心細胞。AI 模型即時處理攝像頭傳回的圖像，識別出哪株是雜草、哪株是作物，然後雷射在幾毫秒內燒毀雜草的生長點。精度達到亞毫米級——哪怕雜草緊貼著作物幼苗，也能精準剔除，不傷作物分毫。

而且雷射完全不接觸地面，不會翻動土壤，也就不會驚醒深處沉睡的雜草種子。化學除草劑會催生具有抗藥性的「超級雜草」，但物理燒毀是降維打擊——雜草沒法對雷射進化出抗性。

Bland Farms 引入 LaserWeeder 之後，發生了一件歷史性的事：他們第一次實現了維達利亞洋蔥的直接播種。不需要再先育苗後移栽了——因為機器人可以在幼苗和雜草並存的田裡，精準地只殺雜草。

結果呢？產量翻了一倍，達到每英畝五十三點六六噸。雜草控制成本下降了百分之八十。而且洋蔥品質全面提升——球莖更大、硬度更高、保質期更長，其中百分之四十五達到了最高經濟價值的巨型洋蔥標準。

但故事到這裡才剛剛開始。

你以為 Carbon Robotics 賣的是除草機器人？不。它賣的是一台數據採集裝置，除草只是這台裝置的副產品。

每一台賣出去的 LaserWeeder，都是一個行走的數據採集器。三十六個攝像頭在田裡每秒拍下無數張照片，每一張照片都帶著 GPS 座標、光照條件、土壤類型、作物生長階段等多維標籤。每一次雷射擊發，都相當於給 AI 模型提供一個訓練樣本——這是雜草，應該消滅；這是作物，應該保護。

這些數據回傳到中央系統，訓練出一個東西——Large Plant Model，大型植物模型，簡稱 LPM。

LPM 是全球第一個專注於植物識別的 AI 大模型。它的訓練數據量是多少？一點五億株已標注的植物數據。覆蓋一百多種作物。部署在十五個國家、一百多個農場。

這裡有一個關鍵的對比，值得你想清楚。

大語言模型——LLM——的訓練數據是什麼？是全網的文字。幾千億個 token。這些數據可以爬取、可以複製、可以下載。你今天訓練了一個語言模型，別人只要有足夠的算力，理論上可以用同樣的數據訓練出一個差不多的。

但 LPM 的訓練數據是什麼？是一點五億株真實植物的高清圖像，每一張都帶著多維物理標籤。這些數據，網路上沒有，爬蟲抓不到，實驗室裡合成不出來。唯一的取得方式，就是把機器人開到真實的農田裡，讓它在真實的陽光、真實的土壤、真實的雜草叢生中，一張一張地拍。

這就是 Carbon Robotics 的數據飛輪。

飛輪的邏輯是這樣的：賣出更多機器人 → 全球農田數據持續回流 → LPM 越練越強 → 除草效果更好、適用作物更多 → 更多農場願意購買 → 飛輪加速旋轉。

而且這個飛輪有一個加速器：車隊共同進化。一台在澳洲遇到抗藥性雜草後學到的特徵數據，能立刻同步給蘇格蘭和美國加州的機器人。全世界每一台 LaserWeeder 的經驗，都是全體機器人的經驗。

還有一個更精妙的設計。農夫在 iPad 上有一個叫 Plant Profiles 的功能——碰到沒見過的植物，拍兩三張照片上傳，系統幾分鐘內學會識別，機器人立刻知道該打還是該保。不需要技術背景，農夫自己就是模型訓練師。這本質上是小樣本學習在物理世界的應用。

Carbon Robotics 的 CEO Paul Mikesell 說過一句話：「就像人類看到從未見過的生物，也能根據外形和位置判斷它是不是雜草。」

LPM 已經強到什麼程度？它甚至能推斷出它從未見過的植物品種及其構造。一百多個農場持續餵養它，一點五億個標籤數據讓它不是在「記住」植物，而是在「理解」植物。

那問題來了：谷歌、OpenAI、Meta 這些 AI 巨頭，為什麼不做一個 LPM？

不是技術不行。是場景不在他們的射程內。

谷歌可以爬遍全網，但爬不到洋蔥田裡的晨光。OpenAI 能生成逼真圖像，但造不出帶土壤濕度標籤的真實雜草照片。Meta 有幾十億用戶的行為數據，但沒有「作物與雜草共生關係」的物理世界記錄。

AI 的天花板，由數據決定。而數據的源頭，由硬體決定。Carbon Robotics 從 2018 年起就把機器人開進農田，七年深耕換來別人無法複製的數據護城河。

農田裡的數據，只有真正把硬體設備部署到田間地頭的公司才能拿到。

現在把這個邏輯從農田搬進行銷現場。

行銷人面臨的處境，跟 Bland Farms 種洋蔥的農夫其實沒什麼兩樣。你的痛點不是「沒有工具」——市面上 SaaS 工具多到眼花撩亂，成效廣告平台、CRM 系統、數據看板、行銷自動化軟體，一應俱全。你的痛點是：這些工具給你報表，但報表是結果，不是過程。

你打開後台，看到的是：這個管道上週花了多少預算，帶來多少點擊，轉換率是多少。這些是「發生了什麼」。

但你看不到的是——比如今天早上你打開後台，發現成效廣告的 ROAS 昨天突然掉了百分之二十。你開始排查：是素材疲勞了？是競品昨天調了出價？還是某個管道的流量突然變了質？你調出數據看了半小時，最後發現是週末一檔綜藝節目的收視群跟你的目標受眾重疊，節目結束後那批流量湧進來，點擊很多但根本不轉換。於是你調整了受眾標籤，把那批流量排除掉，ROAS 回升了。

這整個排查過程——你看了什麼數據、排除了什麼假設、最後做了什麼判斷——就是行銷現場的「過程數據」。但大多數時候，這個過程只存在於你的腦子裡，用完即棄。

而這些「為什麼」的答案，不在任何一個 SaaS 工具的報表裡。它們藏在行銷人每天的決策過程中——在跟客戶溝通的會議錄音裡，在跨部門協調的郵件裡，在調整投放策略時的思考脈絡裡，在處理客訴時的判斷邏輯裡。跟谷歌買的 Spirit Airlines 的 Teams 聊天記錄和定價模型，本質上是同一種東西。

問題在於，大多數行銷人把這些東西當成「工作的副產品」，用完即棄。會議開完了，錄音刪了。活動跑完了，調整過程沒記錄。客戶流失了，事後分析寫個結論就交差了。

但 Carbon Robotics 的做法告訴我們：除草是副產品，數據才是主產品。每一次雷射擊發，都是一個訓練樣本。

同樣的道理：每一次行銷決策，每一次預算調整，每一次客戶互動，都是一個訓練樣本。問題是你有沒有把它沉澱下來。

純軟體 SaaS 工具為什麼做不到真正的行銷 AI？因為它只有結果數據，沒有過程數據。它能告訴你「轉換率掉了百分之十五」，但它不知道「為什麼掉」。它沒有決策鏈路，沒有思考脈絡，沒有那些只有下場操盤才會留下的痕跡。

這不是工具不夠好的問題，是數據入口的問題。

LaserWeeder 的數據入口在實體機器裡——攝像頭拍到的真實農田。行銷 AI 的數據入口在哪裡？在行銷人每天跟市場的互動裡——在客戶的真實反饋裡，在跨媒體投放的歸因路徑裡，在 OMO 全通路轉換的真實軌跡裡，在顧問服務和代操經驗的積累裡。

這些數據，爬蟲抓不到，公開資料庫裡沒有，SaaS 工具自己產生不出來。只有真正在市場前線持續操盤的團隊，才會一點一滴地累積出來。

而且這個累積有飛輪效應——跟 Carbon Robotics 的飛輪一模一樣。你操盤越多，過程數據越豐富 → 數據回饋到模型裡，歸因和預測越準 → 客戶成效越好，吸引更多操盤機會 → 更多操盤帶來更多數據 → 飛輪加速。

但飛輪要轉起來，有一個前提：你得先下場。

你不能站在場邊看別人操盤，然後想著「我買個工具就能得到一樣的數據」。這就像你想做 LPM，但不願意把機器人開到田裡去——那你的模型永遠不會有真實農田的數據。

行銷領域的 LPM，注定誕生在每天跟市場前線打交道的人手裡，不會誕生在只看報表的人手裡。

說起來，這個判斷不是我看到谷歌買數據的新聞之後才有的。

今年年初，我就已經形成了這個認知。當時我注意到 Carbon Robotics 的案例，立刻被一個東西擊中了：不是雷射除草的技術多酷，而是他們對「數據」這個詞的理解，跟一般人不一樣。

一般人說數據，想的是報表、是儀表板、是 KPI 數字。Carbon Robotics 說數據，想的是「只有我的機器人在真實農田裡才拍得到的那些東西」。前者是結果，後者是過程。前者人人都有，後者只此一家。

這個區別太關鍵了。

當時我做了一份簡報，拿 Carbon Robotics 當案例，核心論點就一句話：在 AI 時代，數據是一切的基礎，而最有價值的數據，只有下場操盤才拿得到。我把這個邏輯從農業映射到行銷——真正的行銷 AI，不可能靠爬蟲或純 SaaS 工具做出來，只有「下場操盤」的團隊才能拿到前線真實的轉換數據。我把顧問服務、代操經驗、跨媒體整合這些日常工作，重新定義為「數據採集裝置」——就像 LaserWeeder 是 Carbon Robotics 的數據採集裝置一樣。

這份簡報我拿去跟老闆和股東報告過。報告的時候，我指著 Carbon Robotics 的飛輪圖，跟他們說：我們的顧問服務和代操經驗就是這台 LaserWeeder，每一個客戶案子的操盤過程就是數據採集，只要把過程沉澱下來，我們就能做出別人做不出的行銷 AI。

老闆聽完沒有馬上反對，但也沒有馬上支持。他問了一個很實際的問題：這個飛輪轉一圈要多久？

坦白說，公司原本期待的轉型沒有完全實現。有些東西你想到了，不等於組織能跟上。飛輪轉得太慢，中途有人失去了耐心，資源被挪去了別的方向。這中間有執行的落差、有資源的限制、有時機的問題，這些都很正常。

但核心判斷我沒有動搖過。

然後半年後，2026 年 8 月，谷歌花了一千萬美元買下一家破產航空公司的內部數據。

全球演算法能力最強的公司，用真金白銀投了贊成票。

你說這算不算驗證？我覺得算。這不是事後諸葛亮——年初的時候判斷已經形成了，簡報已經做了，論點已經講過了。谷歌只是用一個所有人都看得見的動作，把同一個道理又講了一遍。

而且谷歌做的事比我想的更極端。我不只是說「過程數據比結果數據值錢」——谷歌直接跳過了乘客個人資料，只要決策過程數據。它比大多數人更清楚：什麼東西是它自己造不出來的。

這讓我更確信一件事：你在一線打仗時留下的決策痕跡，就是你的護城河。不是因為你多聰明，而是因為這些痕跡只有你在那個位置、在那個時間、做那些判斷時才會產生。換一個人就換一套數據。

這也是為什麼，即使公司期待的轉型沒有走通，我還是維持這個核心精神。因為判斷是對的，只是路還沒走到。換一條路走，這個判斷依然成立。

所以回到行銷人最焦慮的那個問題：AI 會不會取代我？

我認為這個問題問錯了。

真正該問的是：你每天的工作，是在產生只有你能產生的數據，還是在做一些 AI 也能做的事？

如果你的工作是整理報表、跑數字、做好看的 PPT——對不起，這些 AI 都能做，而且做得比你快。結果數據到處都是，AI 不需要你幫它找。

但如果你的工作包含這些東西：跟客戶的真實溝通，跨部門的資源協調，投放策略的即時判斷，市場異常的敏銳嗅覺，還有那些「為什麼這樣做而不那樣做」的決策脈絡——這些是只有你在那個位置、那個時間、面對那些具體的人時才會產生的過程數據。AI 自己造不出來。

谷歌用一千萬美元告訴你這種數據值多少錢。Carbon Robotics 用七年農田深耕告訴你這種數據怎麼累積。

所以停止跟 AI 對抗吧。對抗的心態浪費精力，也浪費時間。你該做的是想清楚一個判斷：哪些事情，如果不靠我親自下場，AI 永遠拿不到這個數據？

找到那些事，然後把過程沉澱下來。每一次決策都是一個訓練樣本，每一次互動都是一筆獨家數據。你不只是在做事，你是在累積一種 AI 巨頭也買不到的資產。

這不是反內卷的雞湯，這是一個判斷框架：演算法是商品，現場數據是資產，而你——如果你下場操盤的話——就是那台 LaserWeeder。

 

 

---

歡迎訂閱我的文章，第一時間可以收到喔!

常見問題

為什麼Google要花大錢買一家破產航空公司的數據？

Google並非缺乏演算法或算力，而是缺少真實商業決策的過程數據。這類數據記錄了組織如何思考與判斷，而非單純的結果數字，是訓練AI代理理解真實商業情境的關鍵素材。

什麼是過程數據，跟結果數據有什麼不同？

結果數據記錄「發生了什麼」，例如營收、點擊率等，取得門檻低且容易被公開取得。過程數據則記錄「為什麼這樣決定」，只存在於實際操盤者的決策脈絡中，難以被複製或爬取。

Carbon Robotics的LaserWeeder跟行銷有什麼關聯？

LaserWeeder表面上是除草機器人，實際上是一台持續採集農田真實數據的裝置，用來訓練專屬的植物辨識模型。這個邏輯套用到行銷上，代表顧問服務與代操經驗才是累積獨家行銷數據的關鍵管道。

行銷人該如何因應AI帶來的取代焦慮？

與其擔心被取代，行銷人應思考自己的工作是否只是產出結果數據；若工作包含決策脈絡與現場判斷，這些過程若能被記錄下來，就會成為AI無法複製的獨特資產。