用得越久，越难离开：AI 工具的锁定效应
换一个 AI 模型很容易：改一行配置的事。换掉围绕模型建立的工作流很难：你的记忆、习惯、自动化脚本和数据都在里面。2026 年各家产品策略的底层逻辑，几乎都建立在这个不对等上。
模型在商品化，工作流在私有化
从纯能力看，主流模型之间的差距在缩小，一个模型”不够好”随时可以换另一个。但围绕模型长出来的东西不是：
- 你的对话历史和项目记忆；
- 与本地工具链的深度集成；
- 长期使用中沉淀的个人配置和自动化；
- 团队里其他人对同一套工具的熟练度。
这些东西的迁移成本，远高于换模型本身。所以你会看到供应商拼了命地把功能从”模型”扩展到”平台”：文件、项目、协作、检索、执行环境——每多一层，你离开的成本就多一分。
锁定不一定是坏事，但要清醒
我一直不认为锁定效应是阴谋，它更像是网络效应的自然结果。用得越久确实越好用，这是真实的价值。真正的问题是：你在为真实的价值付费，还是在为沉没成本付费？
一个简单的检验方法：假设明天这家供应商消失，你的损失是多少？如果答案是”重建工作流要两周”，问题不大；如果答案是”我一半的日常工作没办法做了”，那你已经被深度锁定，值得认真考虑留一条备用路径。
我的做法
我的原则是：核心数据和笔记永远放在开放格式里，工具链尽量选标准协议，模型层保持可替换。把”难迁移”的部分留给真正有长期价值的东西，把”易迁移”的部分留给模型供应商。