新型锁定
2025年，三件事几乎同时发生。OpenAI将ChatGPT的记忆功能扩展到可以引用所有历史对话。Google推出了基于用户完整搜索历史的Gemini个性化服务。Meta开始使用Facebook和Instagram的行为数据来个性化Meta AI的回答——用户无法选择退出。
模型能力的竞争正在趋于平缓。GPT-4o、Claude 3.5 Sonnet、Gemini 2.0在基准测试上日益趋同。新的竞争前沿是个性化：谁最了解用户。而支撑个性化的数据——偏好、记忆、行为模式、沟通风格——正被锁在每个平台的专有系统中。
我每天使用多个AI平台。作为一家创业公司的CTO，我在ChatGPT和Claude上都积累了大量对话历史。我有几个月的记忆、自定义指令和工作流集成。当我尝试切换主力平台时，我发现了一件出乎意料的事：那些我能看到并导出的显式记忆是最不重要的部分。真正有价值的是我带不走的东西——模型对我技术水平的隐式理解、我的沟通偏好、我的项目背景。而这种理解在任何现有或提议的机制下都是不可迁移的。
本文分析为什么AI偏好的可携带性在结构上比以往任何数据可携带性挑战都更难，为什么平台不会自愿采纳，以及可携带性成功需要满足什么条件。
转换成本理论的预测
转换成本的经济学已被研究数十年。Farrell和Klemperer在《产业组织手册》中的综合论述（2007）建立了核心框架：当消费者面临切换产品的成本时，企业会利用锁定来获取超额利润。企业系统性地偏好不兼容，因为它更赚钱，即使兼容性会增加总社会福利。
预测是具体的。拥有大量用户基础的在位者抵制兼容性，因为他们失去的用户会多于获得的。挑战者支持兼容性，因为它能让他们吸引在位者被锁定的用户。当双方独立选择兼容策略时，结果是一个囚徒困境：不采纳是优势策略，即使双方都采纳对所有人更好。
这些预测并不抽象。它们精确描述了AI市场当前正在发生的事情。
Anthropic（挑战者）在2026年3月推出了记忆导入工具，允许用户将ChatGPT的记忆带入Claude。它将MCP捐赠给了Linux基金会。它公开宣称「不锁定」哲学。每一步都在降低从ChatGPT切换到Claude的成本——完全符合Farrell和Klemperer对挑战者行为的预测。
OpenAI（在位者）没有做任何这些事。它的数据导出产生一个原始JSON的ZIP文件，没有竞争对手能导入。用户反映导出不完整。OpenAI没有对Anthropic的导入工具发表任何公开回应。而且它持续退役热门模型——GPT-4o、GPT-4.1——迫使用户转向新版本，没有迁移路径也没有选择。这不是偶然的。Farrell和Klemperer的框架不要求平台主动阻止切换。战略性疏忽——不改善导出工具、不标准化格式——达到同样的效果。
Google处于一个有趣的中间地带。它在2011年推出了Google Takeout，2018年联合创建了数据迁移项目。这看起来像是在位者的亲可携带性行为——直到你审视结果。十五年的Google Takeout没有使Google的市场份额下降哪怕一个百分点。这与下文讨论的Lam和Liu的发现一致：可携带性可以反常地强化在位者。
可携带性幻觉
AI偏好数据展现出一种特性，使其区别于此前所有形式的数字锁定。我称之为可携带性幻觉：对低转换成本的主观感知掩盖了客观上的高成本。
传统数据锁定——银行记录在专有系统中、社交关系存储在Facebook的服务器上——是不透明的。用户知道他们看不到也访问不了数据，这种不透明性本身就暗示了高转换成本。AI记忆的工作方式不同。你可以问ChatGPT「你记得我什么？」并得到清晰、可读的回答。这种透明性创造了一种虚假的感觉，以为你与AI的关系是完全可迁移的：如果你能看到它，那你当然可以带走它。
但你能看到的只是表面层。
显式偏好 vs 推导偏好
AI个性化通过两种根本不同的机制运作。显式偏好是你直接告诉AI的内容：「我喜欢简洁的回答」、「我是素食者」、「我在做一个React项目」。这些被存储为结构化文本条目，原则上可以导出。
推导偏好是平台从你的行为中学到的。经过数千次交互，ChatGPT了解到你是一个偏好Python的高级软件工程师，在太平洋时区工作，对直接的技术回答比教学式解释反应更好。这种推导出的理解构成了个性化价值的主体——而在任何现有或提议的机制下，它都是不可迁移的。
这一区分直接对应GDPR对数据控制者「提供的」与「推导的」数据的分类（第29条工作组，2017年）。在现行欧盟法律下，只有前者属于第20条数据可携带权的范围。个性化中最有价值的层面在法律上是不受保护的。
Anthropic的实验
Anthropic在2026年3月推出的记忆导入工具提供了一个自然实验，展示了尝试迁移AI偏好时会发生什么。机制很简单：Claude生成一个结构化提示词，用户将其粘贴到ChatGPT中，复制输出，然后粘贴回Claude的导入界面。
结果很有启发性。用户报告导入不完整——一个从2022年开始使用ChatGPT的用户只收到了2024年9月以后的记忆。更根本的是，导入捕获的是ChatGPT被告知的内容，而不是ChatGPT学到的东西。推导出的个性化模型——对用户风格、水平和模式的隐式理解——没有迁移。
这是一次性迁移，不是互操作性。导入之后，你的偏好就被锁在了Claude的系统里。这类似于手动拿着纸质银行对账单换银行，而不是PSD2实现的那种通过标准化API持续流动的数据。
然而：Anthropic报告称自2026年1月以来，免费用户增长了60%，付费用户翻了一倍以上。Hacker News的讨论获得了592分和273条评论。用户显然想要可携带性。问题是市场是否会提供它。
阻碍自愿采纳的三重力量
三条独立的研究线汇聚于同一个预测：平台不会自愿采纳偏好可携带性。
力量一：锁定利润（Farrell & Klemperer）
基本论证是直接的。偏好数据锁定通过使用户难以被挖走来为平台创造超额利润。采纳可携带性就是放弃这些利润。每个平台独立来看，无论竞争对手怎么做，不采纳都是优势策略。纳什均衡是双方都不采纳。
博弈矩阵是一个囚徒困境：
| 进入者采纳 | 进入者不采纳 | |
|---|---|---|
| 在位者采纳 | 双方失去锁定利润；竞争加剧 | 在位者用户流失；进入者搭便车 |
| 在位者不采纳 | 在位者留住用户；进入者的少量用户可以离开 | 维持现状：最大锁定 |
不采纳是在位者的优势策略。鉴于在位者的选择，不采纳也是进入者的最优回应（没有对方配合的单方面采纳是最差结果：你的用户可以走，但你吸引不到在位者的用户）。
力量二：数据囤积（Jones & Tonetti）
Jones和Tonetti在《美国经济评论》上的重要论文（2020）确立了一个关键事实：数据是非竞争性的——你对简洁回答的偏好可以同时被ChatGPT、Claude和Gemini使用而不会有任何损耗。这意味着广泛的数据共享是社会最优的——消费者拥有数据能产生接近最优的社会福利。
但市场不会达到这个最优。企业囤积数据是因为Jones和Tonetti所说的「创造性破坏恐惧」：如果特斯拉把驾驶数据分享给Waymo，Waymo可能造出更好的自动驾驶系统并取代特斯拉。所以特斯拉选择囤积，即使分享不会减少它自己能使用的数据量。每家公司都这样推理。均衡结果就是普遍囤积。
AI偏好数据是教科书级的案例。你的偏好完全是非竞争性的。但OpenAI、Google和Anthropic各自将其存储在专有、不兼容的系统中。社会最优结果——你的偏好在所有平台间自由流动——被竞争激励所阻断。
力量三：需求扩张悖论（Lam & Liu）
Lam和Liu的博弈论模型（2020）给出了最反直觉的发现：数据可携带性可能强化在位者而非削弱他们。
机制涉及两个相反的力量。促进切换效应是直觉性的：可携带的数据降低了转换成本，帮助进入者吸引用户。但还有第二个力量——需求扩张效应——朝相反方向运作：当用户知道可以带走数据时，他们会向当前平台提供更多数据（因为不担心被困住）。这让在位者的推导服务更好，通过不可携带的推导渠道加深了锁定。
在GDPR的提供/推导区分下，只有「提供的」数据是可携带的。用户提供更多原始数据（可携带）→ 平台推导出更好的个性化（不可携带）→ 用户被锁得更紧，而不是更松。当推导服务的价值足够高时，需求扩张效应占主导，可携带性反而伤害进入者。
Google十五年的Takeout经验验证了这一预测。Google自2011年以来提供了主要平台中最全面的数据导出工具。它的市场份额没有因此下降。Google、Facebook、Microsoft和Twitter在2018年联合创建了数据迁移项目——大型在位者主动支持数据可携带性，不是出于利他主义，而是因为他们明白这不会伤害自己。
Siciliani和Giovannetti（2019）识别的第四个机制加重了问题。当转换成本降低时，在位者不会放松——反而变得更加积极地防御用户基础。类比：城堡的城墙很高时守军放松；拆低城墙后守军反而打得更凶。数据可携带性可以使在位者更有竞争力，而不是更少，进一步挤压进入者的空间。
历史教训
六个历史可携带性案例为这些理论预测提供了实证基础。我从五个维度评估了每个案例：监管强制、技术标准化可行性、在位者激励对齐、用户需求强度、以及相对于市场集中度的时机。
| 案例 | 监管强制 | 技术简单度 | 在位者激励 | 用户需求 | 时机 | 结果 |
|---|---|---|---|---|---|---|
| 号码携转（美国，1993） | FCC强制 | 极简（10位数字） | 反对 | 高 | 集中后 | 成功：价格下降，竞争增加 |
| 开放银行/PSD2（欧盟，2018） | 欧盟指令 | 中等（标准化API） | 反对 | 中等 | 集中后 | 部分成功：金融科技进入+50%，消费者切换有限 |
| Email/SMTP（1982+） | 无需 | 简单（文本协议） | 不适用（无在位者） | 不适用 | 集中前 | 成功：设计即开放 |
| GDPR第20条（欧盟，2018） | 有法律权利 | 无格式标准化 | 最低合规 | 极低 | 集中后 | 失败：16%持续合规 |
| Solid Pods（2016+） | 无 | 复杂（自托管） | 反对（与广告模式冲突） | 极低 | 集中后 | 失败：「没人建过基于Solid的平台」 |
| Web3数据钱包（2017+） | 无 | 极复杂（密钥管理） | 不适用 | 极低 | 不适用 | 失败：极高用户摩擦 |
模式非常清晰。每一个成功的可携带性制度都同时具备监管强制和技术标准化可行性。 只有其中之一是不够的。GDPR提供了法律权利但没有强制标准化格式——结果：16%合规。Solid提供了技术架构但没有监管支持——结果：无人采纳。号码携转和PSD2两者兼备——结果：有实际市场影响。
Viard对电话号码携转的实证研究（Stanford GSB，2007）提供了最干净的自然实验。当FCC强制实施800号码可携带时，AT&T和MCI都降价了。大合同降幅更大——完全符合转换成本理论的预测（更深的锁定在释放时产生更大的竞争效应）。但前提条件异常有利：电话号码是一个10位数字串，完美标准化，迁移极其简单。AI偏好则是自然语言、上下文依赖的，并且在架构上与平台的推理系统深度纠缠。
开放银行案例（Babina等，2025）提供了更现实的类比。PSD2强制要求银行数据的标准化API。结果不是消费者大规模换银行——那几乎没有发生——而是金融科技风险投资增加了50%。竞争效益来自新的市场进入，而非消费者切换。这个区分对AI很重要：即使偏好可携带性不会导致大规模迁移，它也可能催生新一类偏好管理服务。
为什么AI偏好在结构上更难
以前每一次可携带性挑战涉及的都是结构化、定义明确的数据：电话号码、银行账户余额、电子邮件。AI偏好可携带性涉及的是根本不同的东西。
提供-推导鸿沟
当用户告诉ChatGPT「我喜欢简洁的回答」时，这很容易导出。当ChatGPT从2000次对话中学到这个用户是一个偏好Python的高级工程师、在太平洋时区工作、对直接回答比苏格拉底式提问反应更好时——这种推导出的理解才是个性化价值的主体，而且是不可迁移的。
没有任何现有标准——不是HCP，不是GDPR第20条，不是任何技术规范——解决了如何在AI系统之间迁移推导知识的问题。这需要平台生成「个性化摘要」或「偏好画像」，以标准化、可互操作的格式捕获模型对用户的理解。技术上这是可行的（LLM可以自描述其理解），但实施的商业激励为零。
生态系统锁定
即使完美的偏好可携带性也会留下大量转换成本。真正的护城河是生态系统：
- Google：数年的搜索历史、Gmail上下文、日历、地图、照片——全部为Gemini的个性化提供数据
- Meta：30亿用户的社交图谱、Instagram行为模式、WhatsApp通信
- Microsoft：M365、Graph API、Teams、Entra身份联合——捆绑成E7，每用户每月99美元
- OpenAI：自定义GPT、API集成、跨年的对话历史
这些创造的转换成本是任何偏好可携带性协议都无法解决的，因为它们涉及的是基础设施而非数据。
模型退役作为强制锁定
OpenAI在2026年2月退役了GPT-4o和其他热门模型，迫使所有用户转向更新版本。那些已经根据特定模型行为校准了提示词、工作流和预期的用户一夜之间失去了这种校准。这是一种通过平台对模型本身的控制来运作的锁定形式——在银行、电信或社交媒体中没有类比。
Human Context Protocol：正确的诊断，不够的处方
Stanford数字经济实验室的Shah等人（2025）提出了Human Context Protocol（HCP）：一种以用户为中心的可携带、可互操作偏好管理架构。HCP以自然语言存储偏好，具有范围化的访问控制和撤销机制。它建立在现有标准（MCP、OAuth 2.0）之上，并有开源原型。
诊断是正确的。用户应该拥有其AI偏好。Jones和Tonetti的福利分析证明消费者数据所有权产生接近最优的社会结果。技术架构是合理的。
但处方低估了采纳问题。HCP论文承认「仅靠市场力量可能无法激励提供商放弃对用户数据的控制」，但建议新偏好管理公司之间的竞争可能有机地解决问题。这种乐观与转换成本文献不一致。
新的偏好管理公司面临与任何多边平台相同的先有鸡还是先有蛋的问题：没有AI提供商集成，工具对用户没有价值；没有用户，AI提供商没有集成的激励。论文引用TCP/IP和HTML作为标准成功采纳的先例——但这些标准是在任何主导平台出现之前建立的。AI偏好标准化是在OpenAI、Google和Meta已经建立了庞大用户基础之后进行的。上面的历史案例表明，这一区别是决定性的。
Jeon和Menicucci的理论分析（2023）确定了一种可携带性可能同时惠及消费者和平台的情境：当市场已有免费层（非负价格约束生效）且竞争主要通过功能捆绑而非价格进行时。在这些条件下，可携带性减少了浪费性的竞争「赠品」需求，为平台节省的成本超过了因锁定减少而损失的收入。AI市场——有其免费层和基于功能的竞争——可能合理地满足这些条件。但实现这一结果需要协调采纳，这又回到了囚徒困境。
什么才能真正起作用
比较框架给出了明确的处方。有效的AI偏好可携带性需要以下所有条件同时满足：
1. 有执行力的监管强制。 以PSD2为模板，而非GDPR第20条。PSD2要求银行实施标准化的数据共享API——不仅仅允许导出，而是实现持续的、双向的数据流动。GDPR第20条授予了可携带权但不强制格式、不要求接收方配合。前者产生了金融科技进入增加50%的效果。后者产生了16%的合规率。
2. 标准化的偏好表示格式。 HCP开始解决这个问题。自然语言偏好存储是合理的起点。但标准化必须扩展到模式定义、访问范围、撤销机制，以及——关键地——推导偏好摘要。
3. 纳入推导数据。 这是最难的要求。如果可携带性只覆盖显式记忆而将推导个性化模型留为专有，它将复制GDPR第20条的失败模式。平台需要生成标准化的「个性化画像」来捕获推导理解。这在有意义的精度水平上是否技术可行是一个开放的研究问题——也是机制可解释性研究可能产生直接政策相关性的领域。
4. 分层监管策略。 仅靠偏好可携带性无法打破生态系统锁定。它需要与欧盟的数据法案（云服务切换）、数字市场法案（平台竞争）以及AI专项透明度义务协同工作。欧盟对Meta的执法行动——要求其允许第三方AI助手在WhatsApp上运行——表明监管者开始将AI专属锁定视为竞争关切。
5. 时机：在市场倾覆之前。 号码携转在美国电信市场已有多家大型竞争者时被强制实施。开放银行在欧盟银行市场成熟时被强制实施。AI个性化仍处于早期阶段——转换成本在增长但尚未达到不可逆转的程度。数据迁移倡议组织警告AI「有再次将用户困在数据中的风险」。干预窗口是开放的，但正在缩小。
Agent作为变量
一个AI专有的动态可能部分打破锁定均衡。随着AI agent越来越多地代表用户跨平台行动——预订旅行、管理日历、起草邮件——它们创造了对跨平台偏好一致性的功能性需求。一个跨服务工作的agent需要理解用户的偏好，无论它正在与哪个平台交互。
Anthropic的MCP提供了工具连接层：AI与外部服务交互的标准化方式。缺失的是偏好层——用户是谁、想要什么的标准化表示。如果以agent为中介的交互成为AI使用的主要模式，平台可能面临支持偏好可携带性的压力，不是因为用户要求，而是因为agent需要它才能有效运作。
来自agent生态的自下而上压力可以补充自上而下的监管压力。但它不是替代品。Agent本身可以被锁定在平台生态中（OpenAI agent只在OpenAI生态中运作，Google agent在Google生态中）。激励结构不会因为消费者的代理人是软件而非人就发生改变。
结论
AI个性化正在创造数字技术史上最深层的消费者锁定。转换成本是内生的（随使用增长）、非对称感知的（可携带性幻觉）、并在架构上被强化的（生态系统依赖、模型退役、提供-推导鸿沟）。
三个独立的理论框架——Farrell和Klemperer的转换成本理论、Jones和Tonetti的数据非竞争性分析、Lam和Liu的需求扩张悖论——汇聚于同一预测：偏好可携带性的自愿采纳不会发生。六个历史案例确认，每一个成功的可携带性制度都需要监管强制与技术标准化的结合。
Human Context Protocol是必要的技术贡献。但它本身不是充分的。没有适应AI特定数据结构的PSD2式监管——特别是纳入推导偏好——市场均衡将继续是数据囤积和战略性不兼容。
反对意见是AI市场仍然年轻，竞争会自我修正。也许。但实证模式表明，锁定的深化速度快于政策的响应速度。2025年推出的每一个个性化功能——OpenAI的跨对话记忆、Google基于搜索的Gemini、Meta的社交数据集成——都在增加未来可携带性监管的成本。我们等得越久，代价越大。
问题不是AI偏好可携带性是否值得追求。福利经济学的答案很明确：值得。问题是强制实施的政治意愿是否会在市场倾覆到监管无法有效介入之前到来。历史暗示答案是：只有在危机之后。
参考文献
Babina, T., et al. (2025). Customer data access and fintech entry: Early evidence from open banking. Journal of Financial Economics, 169, 103950. NBER
Farrell, J., & Klemperer, P. (2007). Coordination and lock-in: Competition with switching costs and network effects. Handbook of Industrial Organization, 3, 1967-2072. Working paper
Jeon, D.-S., & Menicucci, D. (2023). Data portability and competition. European Journal of Law and Economics, 57, 145-162. Paper
Jones, C. I., & Tonetti, C. (2020). Nonrivalry and the economics of data. American Economic Review, 110(9), 2819-2858. NBER
Lam, W. M. W., & Liu, X. (2020). Does data portability facilitate entry? International Journal of Industrial Organization, 69, 102564. Paper
Shah, A. V., South, T., Evans, T., Kirk, H. R., Pei, J., Trask, A., Weyl, E. G., & Bakker, M. A. (2025). Robust AI personalization controls: The Human Context Protocol. SSRN Working Paper.
Siciliani, P., & Giovannetti, E. (2019). Platform competition and incumbency advantage under heterogeneous switching cost. Bank of England Working Paper No. 839. Paper
Syrmoudis, E., et al. (2024). Data portability between online services: An empirical analysis on the effectiveness of GDPR Art. 20. ACSAC 2024. Paper
Viard, V. B. (2007). Do switching costs make markets more or less competitive? The case of 800-number portability. RAND Journal of Economics, 38(1), 146-163. Stanford GSB