Palantir 的 FDE 打法——将工程师嵌入客户公司内部——如今已成为 Anthropic 和 OpenAI 明确的企业市场推广策略。
Palantir 在 2012 年就搞定了企业 AI 部署。其他人都只是在追赶。
Palantir 于 2021 年以约 19 美元的价格 IPO，2022 年跌至 6 美元，随后在五年内实现了 640% 的回报。这段轨迹并不是一个关于模型质量或基准测试分数的故事。它是一个关于部署模式的故事——具体来说，就是前沿部署工程师（FDE）——企业软件领域没有其他人愿意效仿这种模式，因为它看起来成本太高、也太另类。如今 Anthropic 和 OpenAI 正在明确效仿这一模式，如果你正在为企业客户构建 AI 产品，你需要理解其中的原因。
时机很关键。Anthropic 和 OpenAI 在几周之内相继宣布了企业部署项目。Anthropic 的合资企业——由 Blackstone、Hellman & Friedman 和 Goldman Sachs 作为创始合作伙伴，Apollo Global Management、General Atlantic、GIC、Leonard Green 和 Suko Capital 也参与其中——估值 15 亿美元，Anthropic、Blackstone 和 H&F 承诺出资 3 亿美元。OpenAI 的平行“开发公司”正以 100 亿美元的估值向 19 位投资者募集 40 亿美元。两者的投资者完全没有重叠。金融界分裂成了两大阵营，而两大阵营都在为同一个底层理念提供资金：将工程师嵌入客户公司内部，交付真正能运行的代码。
这个理念有一个名字。它就是 Palantir 的 FDE 模式。
FDE 模式究竟是什么（以及为什么常规 SaaS 在这里行不通）
为企业而生。
标准的企业软件运作流程是这样的：开发产品，交给销售，销售达成交易，客户成功团队协助上手，客户自己摸索使用。当产品是人们容易理解的东西时——比如 CRM、项目管理工具、界面清晰且用途明确的软件——这套流程运转良好。
但对 AI 来说，这套流程完全失效。
问题在于一个横亘在每一次企业 AI 部署中间的知识鸿沟。客户的工程师对自己的业务了如指掌——数据架构、边缘情况、合规要求，以及哪个团队拥有哪个系统的内部政治。AI 实验室的工程师则对如何让模型真正运转起来无所不知——提示词模式、评测框架架构、检索策略、失败模式。双方都不掌握对方的知识。而要交付一个真正能在生产环境中运行的东西，你需要同时具备这两方面的知识。
Palantir 的洞察是：你无法靠文档或客户成功经理来弥合这一鸿沟。弥合它的方式，是把你最优秀的工程师直接派驻到客户组织内部。这些人不是做幻灯片的顾问。FDE 写代码。他们搭建运行框架、配置数据管道、处理那些只有在真实生产数据上运行时才会出现的奇怪边缘情况。他们会一直待到系统真正跑通为止。
这种模式成本高昂。它不像 SaaS 产品那样可以规模化扩张。而且它需要工程师能够适应陌生环境，这是一种特定的人格类型，在 AI 实验室里并不总是充足。这一切也解释了为什么行业里的其他公司在看到 Palantir 的模式时会说“有意思，但不适合我们”——直到营收数字变得无法忽视的那一刻。
为什么这一刻不同
FDE 模式之所以突然成为共识策略，并不是因为有人对企业销售有了新的洞察。而是因为能力鸿沟缩小得足够快，使得部署鸿沟成为了真正的瓶颈约束。
一年前，你还可以合理地辩称 AI 还不够好，不值得为此投入部署成本。模型幻觉太多，上下文窗口太小，工具调用太不可靠。那些尝试部署 AI 却被烫伤的企业客户可以把责任归咎于技术。现在技术已经足够好，失败几乎完全是部署层面的失败——错误的运行框架、错误的数据管道、错误的集成、错误的提示词架构。模型不是问题所在。把模型接入客户的实际工作流程才是问题所在。
这正是 FDE 模式大放异彩的环境。客户有真实的问题。技术能够解决它。鸿沟纯粹是操作层面的。派一位理解双方的工程师过去，鸿沟就能弥合。
Anthropic 首先瞄准的是金融服务行业，考虑到 Blackstone 是全球最大的另类资产管理公司，这很合理。金融行业具备让 FDE 经济学成立的三个特性：问题复杂奇特、利害关系重大，以及有足够的资金支付部署成本。医院、银行或对冲基金都有合规要求、数据治理约束和内部系统，任何现成的产品都无法正确处理。你必须深入其中构建定制的运行框架。而把事情做对的价值足够大，客户愿意为所需的时间买单。
OpenAI 的开发公司正瞄准更广泛的垂直行业——金融、制造、医疗——这暗示着一种不同的规模化理论。他们不是在单一行业深耕，而是押注于一套可以跨行业通用推广的部署打法。这是否可行，取决于 FDE 模式能否被产品化，还是本质上属于手工作坊式的。Anthropic、OpenAI 与 Google 在 Agent 架构上的战略分歧确实存在，但在企业部署层面，这两家实验室已经得出了相同的答案。
证明这条路走得通的证据
据报道，Anthropic 的 ARR 在 2026 年从 90 亿美元增长到超过 440 亿美元，大约每六周翻一倍。分析师 Ming Li 计算得出，这意味着 Anthropic 每天新增约 9600 万美元的 ARR。作为对比：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。这不是可以相提并论的增长速度。某种结构性的变化正在发生。
其中一个不同之处在于从按席位定价转向按 token 定价。一个通过 API 使用 Claude Code 或 Codex 的开发者，并不是每月 20 美元的订阅用户。他们每月的 token 消耗可能达到数百甚至数千美元，而且这种消耗会随着他们创造的价值而增长。随着按 token 定价成为常态，单个企业客户的收入上限实际上变得不封顶——唯一的限制是 AI 所完成的经济价值工作量有多大。
利润率的故事同样惊人。据报道，Anthropic 的推理毛利率达到 70%，高于去年的 38%。这不是一家靠烧钱换取增长的公司。这是一家已经找到高效运行推理方法的公司，其单位经济模型在规模化下依然成立。爆发式的营收增长与不断改善的利润率相结合，正是 FDE 投入显得合理的原因：你在部署上投入，以获取随后会产生高毛利、持续性 token 消耗的客户。
Palantir 2026 年第一季度财报显示营收同比增长 85%——这是他们上市以来最快的增速。政府业务收入在第一季度增长 84%，高于第四季度的 66%。CTO Shyam Sankar 用一句值得细细品味的话描述了 Palantir 的定位：“Token 是新时代的煤炭，Palantir 是那列火车。”FDE 模式不仅仅是一种销售策略，它是 token 经济的基础设施。
同样值得注意的是，在这一切之下模型层面正在发生什么。Anthropic 正在应对的算力限制是真实存在的，它们决定了哪些客户会被优先对待，以及 FDE 能被部署到多深的程度。推理层的稀缺性使部署层变得更加重要——你必须确保手头的 token 投向高价值、深度集成的用例，而不是那些最终会流失的、配置糟糕的试点项目。
如果你在构建企业级 AI，这意味着什么
FDE 模式对任何为企业客户构建 AI 产品的人都有一个明确的启示：部署层如今是竞争护城河，而不是成本中心。
快速构建企业级、可用于生产的软件。
已具备：✓ SOC 2 ✓ HIPAA ✓ 审计日志
如果你是一个较小的团队，试图向企业客户销售 AI 产品，你可能无力在每个客户现场派驻工程师。但你可以思考 FDE 模式究竟在做什么，并找到更便宜的方式来实现同样的目标。FDE 解决的是知识鸿沟问题——将客户的领域专业知识与 AI 实验室的技术专长连接起来。弥合这一鸿沟还有其他方法。
一种方法是把 harness 构建得足够完善，让客户自己的工程师无需帮助就能完成部署。这比听起来更难，因为 harness 必须处理所有那些 FDE 通常会现场处理的奇怪边缘情况。但如果你能做到，你就能同时获得 SaaS 的可扩展性和定制部署的粘性。以这种方式安装的系统粘性极强——客户会依赖你特定的 harness 架构、你特定的集成、你特定的提示词模式。切换成本很高。
另一种方法是在入门引导层投入重金——不是传统意义上的客户成功，而是在部署环节具备真正的技术深度。这正是 MindStudio 这类平台发挥作用的地方：如果你正在构建一个需要连接客户现有工具的 AI 工作流，能够使用 200 多个模型、1000 多个预构建集成，以及一个用于编排 Agent 和工作流的可视化构建器，可以大幅缩短部署时间，即使现场没有驻场工程师。该平台处理了那些原本需要在每个客户处进行定制工程的集成面。
harness 的问题也是你的工具抽象层级发挥作用之处。当 Wes Roth 描述 Minecraft Voyager Agent——GPT-4 通过对其状态的文本描述在游戏世界中导航——他所描述的正是那种让企业部署变得困难的 harness 问题。模型是有能力的。将模型连接到真实环境的 harness 才是难点。这就是为什么 Claude Code 和 Codex 备受关注：它们是足够好用的 harness，个人开发者无需 FDE 就能部署它们。对于企业来说，对应的 harness 更为复杂，但原理是一样的。
对于在这些模型之上构建生产级应用的团队来说，抽象问题还要更深一层。Remy 在这一层采取了不同的方法：你将应用写成一个带注解的 markdown 规范——散文承载意图，注解承载精确性——然后它会被编译成完整的 TypeScript 后端、SQLite 数据库、前端、身份验证和部署。规范是唯一事实来源；代码是派生的输出。这是对同一个底层问题的另一种回答：如何缩短“客户需要什么”与“可运行的生产代码”之间的距离？FDE 模式通过将人类专业知识嵌入现场来弥合这一差距，而基于规范的编译则通过让从需求到实现的转换近乎自动化来解决它。
比较各领先模型在这些智能体框架场景中的表现，对部署决策而言正变得越来越重要。GPT-5.4 Mini 与 Claude Haiku 4.5 子智能体对比 在这里是一个有用的参考点——当你运行包含许多串联步骤的复杂企业工作流时，子智能体层面在可靠性、工具使用和延迟上的差异会显著放大。
粘性问题才是关键所在
Anthropic 和 OpenAI 现在都做出这项投资是有原因的，而这不仅仅关乎当前的收入。它关乎锁定效应。
为企业而生。
企业 AI 系统一旦部署，就极难被替换。框架是定制的。集成是定制的。提示词架构是针对客户特定数据和工作流调优的。客户的工程师已经学会了如何与该系统协作。切换到另一个模型供应商意味着重建这一切。FDE 模式通过让初始部署足够彻底、使切换成本变得高不可攀，从而加速了这种锁定。
这与让 Palantir 股价在 2022 年之后大幅回升的动态如出一辙。那些已嵌入 FDE 且系统在运行的客户不会离开。这种收入的粘性是纯 SaaS 收入所不具备的。随着 Palantir 装机客户群的扩大，其收入的底线也随之抬高——其增长的天花板亦然，因为每一个已安装的客户都成为下一个客户的参考案例。
Anthropic 和 OpenAI 正试图建立同样的装机客户群，但速度更快、规模更大。15 亿美元的合资企业估值和 100 亿美元的开发公司估值，是在押注 FDE 模式能够以 Palantir 从未尝试过的速度和规模应用于 AI。鉴于据报道 Anthropic 的 ARR 每六周翻一番，早期迹象表明这一押注正在奏效。
部署差距才是真正的问题所在
主导 2024 年和 2025 年初的 AI 泡沫叙事建立在一个真实的观察之上：AI 的部署速度远未达到其技术能力所应有的水平。如果模型这么好，为什么不是每家企业都在使用它们？
答案并不是模型不够好。答案是部署鸿沟确实存在，而且没有人规模化地解决过它。Palantir 为政府和国防解决了这个问题。如今 Anthropic 和 OpenAI 正在为金融、医疗和制造业解决它。FDE 模式就是解决方案，而 Palantir 五年间产生的 640% 回报就是概念验证。
当前时刻的有趣之处在于，部署鸿沟正在同时从两个方向收窄。FDE 模式自上而下推进——嵌入专家工程师来处理最困难的部署。而更好的工具则自下而上推进——让客户工程师更容易自行部署 AI，无需嵌入的专家。中间地带——大多数企业 AI 实际所在之处——正受到两边的挤压。
对于建设者来说，这意味着构建部署基础设施的窗口期现在正开着，但不会永远敞开。各大实验室正在大力投入，让自己的部署变得更容易。客户正变得越来越成熟。工具在改进。FDE 模式正在被产品化。两三年后，部署企业 AI 可能会更像部署企业 SaaS——依然复杂，但已有成熟的模式和工具。
不过眼下，知识鸿沟仍然足够大，以至于那些同时理解两边的人——既懂模型能力又懂企业需求——正在创造巨大的价值。这才是 Palantir 640% 回报的真正启示。关键不在于技术，而在于成为懂得如何让技术在现实世界中落地的人，并且愿意坐进客户的办公室，直到它真正落地为止。
Anthropic 和 OpenAI 已经清楚地读懂了这一启示。问题是，你是否也读懂了。