Palantir 在 2022 年跌至 6 美元，随后 5 年内回报率达 640%。如今，两大 AI 实验室都在克隆其 FDE 部署模式以进军企业市场。
在还没人把 AI 称作 AI 之前，Palantir 就已解决了企业 AI 部署问题
Palantir 于 2020 年 9 月以约 19 美元的价格 IPO，到 2022 年底跌至 6 美元左右，随后在接下来的五年里悄然实现了 640% 的回报。这一轨迹不仅仅是一个股票故事，更是一个概念验证——如今 Anthropic 和 OpenAI 都在明确效仿。
推动 Palantir 复苏的模式正是前沿部署工程师——即 FDE。如果你想理解为什么全球最有价值的两家 AI 公司在几周之内相继宣布了重大企业部署项目，那就得从 FDE 说起。
上周，Anthropic 宣布成立一家专注于企业 AI 服务部署的合资企业，创始合作伙伴包括 Blackstone、Hellman & Freeman 和 Goldman Sachs。该合资企业估值为 15 亿美元，3 亿美元的创始出资由 Anthropic、Blackstone 和 Hellman & Freeman 三方分摊。此外，Apollo Global Management、General Atlantic、GIC、Leonard Green 和 Suko Capital 也提供了支持。几乎同一时间，OpenAI 正在向 19 位投资者募集 40 亿美元，用于其所谓的“开发公司”，估值达 100 亿美元。据报道，这两个项目的投资者完全没有重叠。
本质上，两者都在大规模打造 FDE 机器。
前沿部署工程师究竟是什么
Without shadow IT.
Every app, approved
✓
标准的软件销售流程是这样的：开发产品，交给销售团队，销售把产品卖给客户，客户在客户成功团队的一些帮助下尝试安装。之后，客户基本上只能靠自己摸索。
Palantir 打破了这个模式。他们不是把产品交付后就撒手不管，而是派出最优秀的工程师直接嵌入客户的组织内部。这些人不是撰写文档的客户经理，而是真正编写代码、构建定制集成、配置实际系统以适配客户特定环境的工程师。“前沿部署”的意思就是：你的工程师现在直接驻扎在客户的围墙之内运作。
其背后的洞察看似简单。Palantir 的工程师对软件如何运作了如指掌，而 JP Morgan 的工程师对 JP Morgan 本身了如指掌——数据结构、合规要求、内部政治、以及他们真正想要解决的具体问题。任何一方都无法独自成功。FDE 模式迫使这两套知识在同一间屋子里碰撞，直到真正做出能用的东西为止。
这种方法尤其适合那些可以说问题既古怪又复杂的客户：医院、银行、国防机构、大型金融机构。这些组织的需求是现成的 SaaS 无法满足的。它们拥有遗留系统、监管约束，以及从未考虑过 AI 而设计的内部流程。FDE 不会卖给他们一个产品然后离开。FDE 会为他们专门构建真正可用的东西。
为什么 AI 实验室存在部署问题
正是这种矛盾让 FDE 模式在当下如此重要。模型确实很强大。基准测试成绩不断提升。据报道，Anthropic 的 ARR 在 2026 年从 90 亿美元飙升至超过 440 亿美元，SemiAnalysis 报告称其大约每六周翻一番。分析师 Ming Li 计算出，Anthropic 每天新增 9600 万美元的 ARR。推理毛利率在大约一年内从 38% 跃升至 70%。AWS 用了 13 年才达到 350 亿美元的年收入。Salesforce 用了 20 多年才突破 200 亿美元。模型能力并不是问题所在。
部署才是。
任何真正尝试在真实企业内部实施 AI Agent 的人都知道，“这个演示太惊艳了”与“这个在生产环境中稳定运行”之间的差距。Harness——即围绕模型搭建的脚手架、集成、数据库和工具，让模型真正做出有用的事情——正是大多数企业 AI 项目搁浅的地方。并不是模型无法完成工作，而是将模型与工作连接起来所需的技能目前确实稀缺，而大多数企业 IT 团队并不具备这些技能。
这就是部署鸿沟。而它正是 FDE 模式旨在解决的具体问题。
讽刺的是，AI 实验室花了数年时间构建能力越来越强的模型，而瓶颈却悄然转移到了下游。即使你拥有世界上最好的模型，也可能无法在医院或银行中将其有效部署，因为医院的数据分散在三个不同的遗留系统中，银行的合规要求会彻底改变架构，而且这两类机构都没有内部人才来弥合模型能力与机构实际需求之间的差距。前沿模型之间的现实性能差异远没有大多数企业预期的那么重要——在实践中，部署鸿沟淹没了能力鸿沟。
新创企业究竟在构建什么
Anthropic 的合资企业首先瞄准金融行业，考虑到其投资者阵容，这完全说得通。Blackstone 是全球最大的另类资产管理公司之一。Goldman Sachs 就是 Goldman Sachs。这些都不是被动投资者——他们同时也是首批客户，并且正把自己旗下的投资组合公司和客户网络引入部署渠道。
这个结构值得注意。这不是 Anthropic 把 Claude 授权给 Blackstone 然后祝他们好运。3 亿美元的创始出资和合资企业结构表明，这更接近于一个共享的部署运营体系——一台让 AI 真正安装并运行在复杂金融机构内部的机器，将 Anthropic 的技术专长与 Blackstone 的机构资源和运营知识结合起来。
OpenAI 的“开发公司”则是在更大的规模上运作——由 19 家投资者出资 40 亿美元，估值 100 亿美元——而且似乎瞄准了更广泛的行业，包括制造业和医疗健康，而不仅仅是金融。两家合资企业的投资者完全没有重叠，这一点很有意思。这表明两家公司正在各自开拓不同的机构网络，而不是在争夺同一批有限的企业关系资源。
这两家公司都在以不同的方式，试图解决 Palantir 曾经解决的同一个问题：如何让一个真正强大但技术上复杂的系统，真正部署并运行在那些并非为此而构建的组织内部？
对于正在思考这对自身工作意味着什么的从业者来说，理解 Anthropic、OpenAI 和 Google 在 AI Agent 部署上的战略差异是值得的——因为 FDE 模式本质上是对企业 AI 落地方式的一种特定理论的押注。
**隐藏在其中的非显而易见之处**
FDE 模式的黏性是大多数 SaaS 不具备的。
当一家公司安装 CRM 时，理论上可以迁移到竞争对手那里。虽然痛苦，但可行。当一个前沿部署工程团队花了六个月时间，构建了一个深度集成到你的内部数据、工作流程和合规架构中的定制 AI 系统——这个系统就成了承重的基础设施。你不会把它拆掉。你会依赖构建它的实验室来提供持续的维护、更新和改进。
这正是让 FDE 模式对 Anthropic 和 OpenAI 此刻如此具有吸引力的战略逻辑。企业 AI 市场不仅仅是卖 token。它关乎成为大型机构难以轻易移除的基础设施层。FDE 就是通往那里的路径。
Rapidlybuild enterprise-grade software applications.
还有一个时间维度。超大规模云厂商的资本支出数据表明，基础设施建设正在加速，而非放缓。摩根士丹利将其对五大超大规模云厂商的预测上调至 2026 年 8050 亿美元的资本支出，2027 年达 1.1 万亿美元。仅 2026 年第一季度，Mag 7 公司的资本支出就超过 4000 亿美元，已报告和预计的积压订单约为 1.3 万亿美元。这个积压订单数字才是关键信号——需求正在大幅超越供给，这意味着从长远来看，瓶颈不在于模型能力或算力可得性，而在于部署。
那些能够弄清楚如何大规模部署、深入复杂机构内部、通过真正让系统变得有用的定制化集成工作的公司，才能捕获基础设施建设所创造的价值。FDE 模式押注的是：稀缺资源是部署能力，而非模型能力。
这也以一种有趣的方式重新诠释了从按席位定价到按 Token 定价的转变。在 FDE 模式下，你卖的不是席位。你卖的是一个已部署的系统，随着机构的使用，它会持续产生 Token 消耗。部署的粘性正是 Token 收入得以持久的原因。
Palantir 类比比表面看起来更具体
人们很容易把与 Palantir 的类比看作一个宽泛的比喻——“企业软件公司弄清楚了如何向大型机构销售，AI 实验室照搬这一打法”。但这个类比其实比那更具体。
Palantir 的核心洞察不仅仅是“把工程师嵌入客户组织”。而是：值得解决的问题——那些附带最多资金的问题——恰恰是那些过于古怪、过于具体、现成软件无法应对的问题。FDE 模式正是为这类问题而优化的。
AI 实验室现在也在做同样的押注。它们瞄准的金融机构、医院和政府机构，正是那些要求最复杂、最定制化、合规负担最重的组织。它们同时也是资金最多、利害关系最大的组织。一家成功在临床工作流中部署 AI 的医院，不会因为竞争对手的基准测试成绩略好就更换供应商。一家让 Anthropic 的工程师深度嵌入其风险管理系统的银行，也不会四处比价。
对于试图理解企业级 AI 市场走向的创业者来说，这就是值得关注的模式。这些实验室不仅仅在构建更好的模型。它们在构建部署机器，旨在捕获最复杂、最有价值的机构客户——并让这些关系在结构上难以解除。
像 MindStudio 这样的平台在此处的相关性出于另一个原因：它们为构建者提供了编排层——200 多个模型、1000 多项集成，以及一个用于串联 Agent 和工作流的可视化构建器——让团队无需从零编写编排基础设施即可原型化和部署 AI 应用。这与 Anthropic 的 FDE 业务所瞄准的市场不同，但底层问题是一样的：模型能力与可用部署之间的鸿沟。
## Atlassian 的财报揭示了更广泛的模式
在企业 AI 部署的语境下，有一个数据点没有得到足够关注：Atlassian 的股价在其最近一份财报发布后上涨了近 30%。营收同比增长 32%，高于上一季度的 23%。驱动力不仅仅是增长——而是 Rovo 的采用，这是他们原生构建到 Jira 和 Confluence 中的 AI 搜索工具。
mission-criticalenterprise applications.
● Live
- Propellant load✓ Go
- Range safety✓ Go
- Weather✓ Go
- Final pollT–00:42
CEO Mike Cannon-Brookes 指出，使用 Rovo 的客户自身 ARR 的增长速度是未使用者的两倍。Rovo 之所以比通用的基于 RAG 的 AI 搜索工具效果更好，是因为 Atlassian 花了 20 年时间在 Jira 和 Confluence 中捕捉工作、团队、人员、代码和知识之间的结构化关系。当 Rovo 需要上下文时，它进行的是图查询，而不是向量倾倒。它用少得多的 token 得到更好的答案。
这与 FDE 模式的逻辑相同，只是应用在软件层。价值不在模型本身，而在于集成——AI 与机构实际数据和工作流之间深层的结构性连接。Atlassian 用 20 年建立了这种集成。Anthropic 的 FDE 工程师们则试图在几个月内为那些没有 Jira 的机构建立它。
Atlassian 的案例还从外部视角揭示了成功的企业 AI 部署是什么样子：它体现在客户的增长指标中，而不仅仅是供应商的营收中。使用 Rovo 的客户增长更快。这才是让企业 AI 具有粘性的证明点——不是基准测试分数，而是对客户自身业务可衡量的影响。主导基准测试报道的前沿模型之间在编码性能上的差异，与这一动态基本无关；真正重要的是部署的系统是否推动了机构实际 KPI 的改善。
## 值得关注的方面
FDE 模式存在一个规模化问题，Palantir 缓慢地应对了这个问题，而 AI 实验室需要更快地应对。你不可能无限量地招聘前沿部署工程师。FDE 的价值在于他们是真正的专家——既理解模型能力，也理解客户的特定环境。这种专业能力需要时间培养，而且不像软件那样可以规模化。
有趣的问题是，AI 实验室能否利用 AI 来加速 FDE 模式本身。如果一名 FDE 能借助 AI 工具，把过去需要数月的集成与部署工作压缩到几周内完成，那么这种模式的扩展方式就会截然不同。像 Remy 这样的工具指向了其中一种路径：你编写一份规格说明——一段描述系统需要实现什么功能的带注释 markdown——然后 Remy 将其编译成一个完整的 TypeScript 技术栈，包含后端、数据库、身份验证和部署。规格说明是唯一事实来源，代码只是派生输出。如果 FDE 能在规格说明层面而非代码层面工作，部署周期就会大幅压缩，FDE 模式的扩展瓶颈也会随之松动。
另一个值得关注的是，Anthropic 与 OpenAI 的创业公司在投资人层面零重叠的局面能否维持。目前来看，它们似乎正在构建不同的机构网络——Anthropic 偏向金融领域，OpenAI 则更为广泛。一旦这些网络开始重叠，竞争就会从模型能力转向部署关系。那是一种不同类型的护城河，而且从外部要评估它要困难得多。
Palantir 曾多年被斥为估值过高、业务复杂、过度依赖政府合同。随后它在五年内回报了 640%。AI 实验室押注的是：同样的模式——把你最优秀的人才嵌入最复杂的机构，构建在结构上难以被移除的系统——在底层技术呈指数级改进时，会运转得更快。
他们很可能是对的。问题在于，谁能足够快地打造出那台足以产生影响力的部署机器。