|
(第
1
篇)
木蘭
於 2026/4/8 下午 03:30:00
說： |
从边际效应来看，Palantir是用一次性的高固定成本，撬动长期趋近于零的边际成本。这也就能理解其毛利率为何能常年维持在高位。
财报显示，Palantir 2025年毛利率高达82%。过去五年其毛利率呈稳健上升态势：从78%稳步提升至80%以上，2025年Q4毛利率更是超84%。
不难看出，Palantir的商业秘诀在于“卖平台”，而非“卖人头”。
“如果不是已经证明自身能力的公司，很多B端客户不会接受这套模式。”陆程认为，Palantir的核心优势在于“比IT咨询公司做得更多”。
他认为，FDE模式本质上是咨询和交付的结合，美国本土能同时兼具这两种能力的公司并不多见。“美国人对交付这件事带有某种天然的鄙视，”陆程坦言，“他们更倾向于纯咨询或纯标准化产品，不愿意下场干苦活。”
正是在交付这件事下的苦功夫，让Palantir在竞争激烈的美国软件行业中杀出重围。
长期研究Palantir的滴普科技联合创始人杨磊指出，过去几十年，在美国软件服务行业，IBM、埃森哲等公司在项目管理、业务咨询及调研等环节做得很深。但它们的短板在于没有自己的核心产品，咨询结束后，仍需投入大量人力完成后续开发工作。
Gartner分析师曾分析，客户选择Palantir而非Snowflake，核心原因在于To B业务非常看重灯塔项目的示范效应。Snowflake缺乏这类复杂场景的实践经验，而Palantir恰恰在军政、金融等高壁垒行业积累了深厚的“实战”经验。
Palantir的行业know‑how，正是在FDE模式的反复打磨中孵化成型。
为此，Palantir还使出了一招“以子之矛，攻子之盾”：大量吸纳从客户方走出来的行业专家，将这群最懂业务场景、最懂客户痛点的“军师”收入麾下。
“Palantir提供的首先是业务专家，其次才是IT人员。”国内某软件厂商高管赵阳认为，Palantir是少有能将行业know‑how和IT技术做到优质匹配的软件公司。国内不少软件厂商已试水“类FDE模式”，欢迎添加作者微信skylar_12_14了解成效几何。
“组合拳”如何兑现？
AIP和FDE的这套“组合拳”，为Palantir筑起了一道对手难以逾越的壁垒：极高的客户粘性。
据2025年Q4财报电话会，Palantir Q4的净美元留存率（NDR）达到139%，意味着存量客户在原有基础上年均增购39%。
换言之，老客户不仅续了约，年度支出还同比增加了39%，足见客户留存度极高、流失率极低，且对Palantir的依赖持续加深。
AI落地能力、FDE贴身服务、行业know‑how这三者的叠加，转化成了最实在的东西：客户离不开Palantir。
当客户的核心业务流程、数据模型和决策逻辑都跑在Palantir平台上，且由FDE团队深度参与共建，客户的替换成本变得极高。
这也是Palantir向市场打出的一张王牌：最好的销售，就是产品本身，完全依靠实战效果和客户口碑实现转化。
截至2025年底，Palantir客户数量从上一年的711家增长至954家，同比增长34%。
有意思的是，早期的Palantir长期奉行“反销售”文化。CEO Alex Karp甚至公开表示不屑于组建销售队伍。直至上市前夕，为了推广面向企业市场的Foundry产品、应对上市压力，Palantir才开始大规模招聘销售人才，逐步搭建起正式的销售体系。
Los Angeles Times曾解密Palantir销售队伍的组建过程：早期成员不乏曾在甲骨文、IBM等美国大型软件公司任职的顶级销售人员；复制早前在欧洲的销售模式——主打3人团队，其中包括一名工程师和两名销售。
有销售员工透露，上任两个月后，所有培训都集中在Foundry软件本身，没有销售指导。可见即使组建了销售团队，Palantir的重心仍然放在行业know‑how上。
在2025年财报中，Palantir总结了拿下G端、B端大客户的核心秘诀：“问题越大、越复杂，技术难度越高，我们的胜算就越大。”对于Palantir来说，这类业务前期投入高、落地风险大、数据环境复杂、销售周期漫长，恰恰构成了天然的行业壁垒，将大量竞争者挡在门外。
03
中国能否跑出一个Palantir？
Palantir起飞后，不仅硅谷人工智能初创公司纷纷效仿Palantir，这波热潮也传到了国内。
不同于硅谷早已跑通“平台型软件”的成熟商业模式，国内软件行业长期深陷盈利难、规模小的泥潭里——低端市场内卷厮杀，高端市场又被海外巨头牢牢把持。时至今日，中国仍未跑出像Palantir、Salesforce那样具备全球影响力的软件巨头。
“就像长跑一样，Palantir是很好的领跑者。我们先跟在后面，学它的节奏，再找自己的步频。”
不少国内厂商正在拆解Palantir的产品技术、商业模式，希望能够从中找到突围路径。
在这波热潮中，业内人士认为有三类玩家有潜力成为“中国版Palantir”：
Palantir走红后，国内多家厂商在对外传播中主动向其模式靠拢。
在英喆看来，第四范式之所以常被称为“中国版Palantir”，是因为它是上市公司，有对外发言权，且相比起国内“AI四小龙”，在这一领域做得更扎实，拥有大量B端和G端客户，也推出了类似Palantir AIP的先知平台，所以显得更像。
“第四范式股价一度涨得不错，是因为它在季报、答投资者问时会向Palantir的模式对齐，比如强调并非每个项目都定制化，而是像Palantir那样高度抽象出一套方法论。”
但市场更为关心的是，在这波热潮中，国内厂商究竟能向Palantir学到什么？到底能否跑出自己的Palantir？以及目前面临哪些挑战？
挑战一：偏保守务实的技术路线
“中国厂商要做到完全像Palantir，非常难。”英喆去年研究了国内To B领域偏Agent的项目，得出了这一结论。
但他认为，这也并非完全不可能。能否跑出类似Palantir的公司，取决于后续技术能否强到支撑这样的叙事。
目前来看，国内厂商长期缺乏打磨软件技术的场景。
“国内B端企业采购时普遍认为软件不值钱，一般要求软硬一体，且以硬件为主导，软件价值不被重视。”
英喆认为，国内没有一家厂商能在早期凭借高质量、高价值的数据打磨出顶尖技术，虽然很多类似公司在10年前AI 1.0机器学习时代发展起来，但至今仍停留在业务外围，没有进入核心领域。
据他观察，目前国内市场上公开的技术还是机器学习那套，且客户求稳，不希望AI在业务场景中随意泛化、智能决策和接管，更希望AI扮演辅助角色。
英喆补充，机器学习的方法论常见于金融风控领域，但它只能输出概率阈值，且很难跨行业泛化，与今天大模型思考决策、掌握业务全链条的能力尚有差距。
这背后折射出，国内厂商更愿意选择一条偏保守务实的技术路线。
曾在IBM任职、现百望股份首席咨询专家续岩向雷峰网表示，大语言模型本质上是一套概率模型，而医疗、金融等场景需要保证结论的可解释性和精准性。在这样的业务场景下，大语言模型的表现未必比机器学习好。
据雷峰网了解，包括百望股份在内的多家国内厂商，已开始将机器学习和大模型的技术范式相结合。
续岩透露，百望股份目前采取“双线并行”的技术路线，其数据科技团队正尝试从以机器学习为代表的传统后验论模式，转向大模型驱动的先验论模式。
在陆程看来，相比Palantir已掌握大模型To B落地应用的硬核能力，国内大模型项目大多仍处于PoC（概念验证）阶段。
主要原因还是在于国内大模型准确性不够（即“幻觉”问题），且中美投资理念差异大，国内相对谨慎。“大家都在拼命等场景，等大模型真正能解决什么问题，才会大力投入。”关于国内云厂商、大模型厂商及软件厂商的最新AI进展，欢迎添加作者微信skylar_12_14互通有无。
除此之外，历史技术包袱，同样在强化这种偏保守务实的技术倾向。
英喆认为，想要成为中国的Palantir，就不能有太多历史技术包袱，但很少有厂商愿意完全抛掉原有技术体系进行转型。
他提到其中一点，如果前期将大量资源投入机器学习，形成了技术流派和资源核心，就很难转型到大模型时代的Transformer和Diffusion技术架构，只能继续在原有体系上拓宽场景，很难用新一代技术打开全新的业务空间。“原有团队靠旧技术发家，如今让他们转型或出局，都难上加难。”
但现实差距并未冷却国内厂商的技术突围热情，反而推动他们在探索下一代数据智能架构时，将Palantir作为重要参照。
杨磊向雷峰网表示，滴普科技在2018年创立时关注的对象还是Snowflake、Databricks这类公司，当时业界主要关注数据平台建设、数据湖仓建设、数据实时化及数据呈现。
但他逐渐意识到，这一方向存在一个问题，即数据和业务知识相互孤立。业务逻辑体现在ERP（企业资源计划系统）、MES（制造执行系统）等流程系统中，数据只是反馈结果和过程描述，二者处于分离状态。
在深入研究Palantir后，杨磊和同事发现这家数据分析公司的路线与他们探寻的方向高度一致。
“这就像大家从不同方向爬山，Palantir从A面爬，我们从B面爬，后来爬到某个地方发现：‘诶！就应该以这种方式去爬山。’”后来滴普科技打造了FastData Foil、FastAGI等平台，与Palantir的Data+AI模式不谋而合。
挑战二：数据治理是块“硬骨头”
技术追赶只是第一道坎，真正考验国内厂商内功的，是更难跨越的数据治理关。
与美国数据基建完善、Palantir凭借早年定制化项目积累大量数据治理经验不同，国内厂商面临的核心考验是需要处理各种“脏数据”：
英喆认为，数据治理能力是基本功。中国对标Palantir的厂商一旦深入业务场景，首先要解决的是数据来源和质量问题。国内市场面临的严峻问题在于，只有大型企业使用多年数字化系统后，才会有相对结构化的数据，其中仍有可能存在异常值、缺失值、错误值等问题。
由此可见，中国数据基建更为薄弱，面临的数据治理难题比Palantir更多、更复杂。英喆提到，过去10年，国内在机器学习浪潮中涌现出一批数据治理厂商，虽然它们已经积累了相应的技术经验，但时至今日，数据治理仍是产业界的一块“硬骨头”。
一方面，国内数据碎片化严重，需要厂商花费更多精力治理。
前述技术专家、明略科技副总裁李梦林提到，海外企业接受云原生的概念比国内要好很多，他们在数据基建上的统一性或规范性比国内企业要强得多。
早年海外企业普遍采用Snowflake、Databricks、dbt Labs等通用解决方案进行数据基建，并沉淀了大量业务数据，业务建模后更容易“跑”起来。
而国内企业的数据基建水平参差不齐：
在早年数字化转型中，有的部署在本地IT环境，有的采用云架构，有的基于开源方案构建，有的则通过自研方式直接搭建系统。李梦林透露，明略科技在国内驻场服务的第一天，首先就得摸清楚客户原来的系统到底是怎么搭的、用的什么技术架构。
企业在数字化转型中积累的海量IT系统，对厂商来说无疑是个巨大的挑战。“今天不太可能告诉客户要推翻重来、从零开始，从底层上去构建一套数据中台。”
李梦林明显感受到，在当前市场环境下，企业决策愈发谨慎，不愿投入千万元级别的资金用于数据基建。核心原因在于数据基建投资回报周期长——动辄数千万的投入，往往需要两到三年才能看到基本效果，企业很难保持足够的耐心。
另一方面，数据治理并非单纯的技术问题，还涉及组织变革的压力。
面对客户的内部协调问题或其他诉求，厂商即便是驻场做跨部门的协调沟通并打通数据，也面临不少考验。比如中台项目需要打通各种部门“墙”，将不同部门的数据拿过来一起共建、治理，才能真正把中台跑通，这无疑又是一场硬仗。
诸多现实难题，让中国厂商无法直接复刻或照搬Palantir的成熟模式。
李梦林告诉雷峰网，明略科技（前身秒针系统）20年前创立时并未对标Palantir，后来明确对标是在2014年成立明略数据之时。
“当初对标Palantir，是希望把它的技术方向应用到中国本土市场，解决类似的问题。”李梦林提到，明略数据早期的业务方向与Palantir的军政口业务很像，当时将知识图谱技术应用在公安口业务。
但从数据治理的现实困境看，李梦林认为，Palantir采取的是“自下而上”路线，先帮客户把所有数据打通、治理好，再教客户使用，让企业员工自己在平台上搭场景，并学习怎么用。而这一模式在国内市场难以落地：
国内企业的员工采用这类复杂系统的意愿并不高，尤其当下大模型已相对普及，员工更习惯直接提问、直接出结果，学习一套复杂系统的成本过高。
叠加前述因素，客户并不愿意承担过高的人力成本单纯只做数据治理这类前置工作，更希望一开始就知道如何通过数据应用驱动业务增长。
因此，明略科技在2025年主动升级为Agentic AI战略，走出一条“自上而下”的路子：并非一开始就扎进很重的数据治理工作，而是通过自身积累的垂直领域专有数据加上专有模型，先用Agent帮客户解决实际问题，用数据应用反过来带动数据治理。
挑战三：FDE模式难在国内跑通
对标Palantir的国内厂商，当下还面临另一个棘手难题：交付重、毛利率低。像Palantir高达80%以上的毛利率，在国内市场几乎难以想象。
“依靠人力的FDE逻辑，在国内很难走出可盈利的商业模式。”李梦林表示，中美市场环境对交付型项目的客单价接受度不同：
中国B端市场不具备美国那样的高客单价、高毛利基础，单纯依靠大量人力交付很难规模化，厂商的成本控制和盈利压力非常大。
曾任职国内外多家云大厂、拥有20余年行业经验的业内人士张弛算了一笔账，Palantir能拿到1亿美金起、10亿美金起的订单，可以派驻专门团队服务；但在中国，除了基础设施建设的算力采购大单之外，几乎很少看到特别大的单子。
另外，阿里、华为、腾讯等国内大厂人才成本不低，P7级别年薪总包一两百万（20万美金以上），但这在Palantir的项目里可能还算不上顶尖的业务专家。养这样的团队，订单必须要有比较好的毛利率才能支撑起来。
这也是张弛认为Palantir模式无法在中国复制的一个原因：缺乏派行业专家在客户现场理解需求、定义和开发项目、再反向迭代产品的咨询式大单。“没有哪家企业会给厂商开出10亿美金的单子，还以咨询、现场部署、工程交付为主。”
这也不难理解，虽然FDE模式能够在重交付场景弥补客户需求与产研团队需求的差距，但在中国几乎没有企业愿意为此买单。
面对交付重、毛利率低的难题，国内相关厂商也在尝试不一样的解法。
李梦林告诉雷峰网，明略科技正在探索一种新的交付模式：在借鉴FDE模式、保留“人”的角色的同时，逐步让Agent承担更多交付工作。背后的考量，一方面是借助AI降低交付成本，更重要的是通过AI提升交付效率与质量。
另外，国内软件行业向来“重交付、轻咨询”。
前述长期研究Palantir的专家陆程表示，国内厂商之所以对FDE模式带有仰视的态度，是因为大部分厂商并不具备咨询的能力，只是擅长干交付。
论深度交付能力，第四范式在国内属第一梯队。英喆谈到，投资人之所以看好第四范式，正是因为它有场景、有数据，掌握了To B的钥匙。
但第四范式常被诟病的地方是项目交付周期长，大量依赖人力外包，还要搭配硬件，毛利率只有30%多，且长期未盈利。这类厂商面临的另一难题，是难以花大量精力做前沿研究。
英喆认为，第四范式如果想突围，就需要走出与Palantir截然不同的路子：Palantir是技能到位了再拓展场景，而第四范式是先有场景再提升技能，即“下一步要提升技术能力”。
挑战四：战略与资源的双重考验
外有顽疾，内有隐痛。除了行业共性的难题，国内厂商还要直面自身的两大考验。
一方面，国内厂商能否坚持长期主义和拥有足够的战略定力。
续岩向雷峰网表示，百望股份认可Palantir的其中一点便是“长期主义”。Palantir从To G的军政口生意起家，从商业回报看，这类业务需要长期投入，偏向半战略性投资——在全面实现盈利前，Palantir曾历经近20年的长期亏损。
而百望股份对标Palantir，部分原因在于自身G To B To B的基因，通过To G业务参与国家财税的数据基座建设，在背后默默做“架桥铺路”的底层支撑工作。续岩提到，建设G端和B端两套平台过程复杂、投入巨大，百望股份每年在这方面的投入积累接近千万资金。借“中国版Palantir”之名，也是希望能够被市场看见。
能否坚守长期主义，正在考验着国内一众厂商。不少投资人毫不讳言，现阶段国内对标Palantir的产品大多为“只有形而没有魂”，甚至“有形者都寥寥无几”。
国内软件从业者刘畅曾深入研究Palantir，她认为Palantir凭借AI崛起的核心原因不是Agent，也不是数据，而是现在还未被完全拆解出来的“推理框架”——“穿透到底层就会发现它的地基非常深厚，不是我们现在能够完全破解出来的，但要明白这是它很多年前就在做的布局”。
据她观察，国内厂商更倾向于快速追求商业变现，并没有像Palantir想得那么长远。
“中国市场很大，哪怕做垂类模型或者做数字人(17.170, 1.29, 8.12%)，都能有商业变现的机会。当这些领域成为红海时，决定竞争力的将会是推理框架，但那个时候再做肯定来不及了。”
另一方面，算力、资金、人才三重瓶颈，共同考验着国内厂商的资源整合能力。
首先是算力层面。
某机构分析师周洁认为，Palantir的成功，背后有英伟达成熟生态提供的强劲算力作为支撑。中国厂商要走的路更难：能否与国产芯片厂商真正协同、补齐算力短板，这是必须迈过的一道坎。
其次是资金层面。
陆程认为，中国厂商不是不会学，而是学不会Palantir。学不会的原因是“穷”，即没有足够的投入。
小厂没资源，大厂资源也分散——业务线很多，不是只干一件事。“创业公司活下来才是最本质的事情，最快的方式是包装速成；大厂看着有实力，但是资源分散到各个部门后也就没有实力了。”
另外，国内缺乏成熟的know‑how人才培养机制。
“Palantir愿意把自己的员工直接派到美国军队变成一个军官，这在中国几乎不敢想象。”在李梦林看来，国内最核心的问题在于，是否有足够多既懂技术又真正理解行业纵深的复合型人才，补齐know-how的短板。
脱胎于华为和阿里技术团队的滴普科技创始人们，在过去8年同样认识到“懂业务”的重要性。
杨磊向雷峰网坦言，业务敏感度不足，曾是这支技术出身团队的“软肋”：以供应链场景为例，如果没有在大型物流公司工作过，即便有大厂技术工作经验，也未必能真正理解供应链的运作逻辑，很容易低估业务的复杂性，认为供应链只是简单的货物分发。
但过去几年，滴普科技开始投入大量精力组建业务团队，成立DIC（Deep Innovation Center，深度创新中心）。DIC团队以业务专家为主，进驻客户现场提供专业服务。
在他看来，既懂AI又懂业务、同时具备强技术能力的人才在当下非常稀缺。把这件事情解决好，未来中国市场才有可能诞生出真正意义上像Palantir这样的公司。
04
“Palantir化”热潮何时退去？
在这波热潮中，不少厂商已经意识到照搬Palantir模式并不现实。目前业界已形成基本共识：借鉴Palantir模式，亟需进行本土化的适配或改造。
刘畅认为，虽然国内厂商现在直接对标Palantir为时尚早，但它就像当年IT从业者眼中的IBM，是值得尊敬的标杆。“把Palantir拆开看、揉碎了学，再长出属于自己的东西，也许有一天就能跟它一起跑在第一方阵。”
但不乏为这波热潮“泼冷水”的从业者。“中国的软件厂商估计都想学Palantir，有的想学本体论，有的想学FDE，最后大概率学得五花八门、奇形怪状，然后又开始卷价格；但也有公司只想借Palantir抬股价、包装概念。”
陆程认为，谁能学得明白，大概两三年就能看得比较清楚。“Palantir股票涨了，大家一窝蜂涌上去。第一年可能会死一波，第二年再死一波，第三年就看明白了。”
本文作者长期关注AI巨头动态及AI云市场，欢迎添加作者微信skylar_12_14交流探讨。
注：文中陆程、赵阳、林宇、张弛、刘畅、周洁皆为化名。
|
|
|
(第
2
篇)
木蘭
於 2026/4/8 下午 03:41:00
說： |
我相信在好幾年前.有信心開始使用AI的企業並不太多.所以Palantir的客戶主要還是在公家機關.
這裡跟大家講一下.為甚麼剛開始收客戶的時候.Palantir會到現場幾天?其實他是在看企業的作業流程.然後找出幫助客戶節省時間提高效率的方法.因為隔行如隔山.工程師不會知道客戶的需求.但是文中提到.Palantir在從許多相同類型的客戶的中.找到一套可以套用的方法.同時如果有機會的話.也挖角專家加入行列.他的目的是為以後的同類型客戶.做出更好的需求.
另一段提到.雖然Palantir也有銷售員.但是他們更多的時間是在討論專業的部分.企業的方向非常明白.做出好商品比什麼都重要.所以他們的留客率很高.同時企業還會擴大使用範圍.這部份成長39%.
我的看法是Palantir是在賣專業.所以把商品最到精湛.才是這家企業所思考的.而資金雄厚的客戶.他付的起錢.不過他要最好的.
其實中國企業不會做不出來.同時海外也必定有其需求.畢竟中國的AI是非常有名的.而龐大的事業體們.也會想進入AI化.
如果是數據問題.其實就是學習Palantir的精神.到現場觀摩了解.專家.做出許多CASE之後.將會做的更好.也會更多.其他都不是問題.
因為工程師不可能是360行都通.他需要專業領域的幫忙.跟實地企業進行流程.
|
|