一个比Anthropic更好的AI to B故事。
定焦One（dingjiaoone）原创
作者 | 王汉星
编辑 | 魏佳
在美股，有一家AI公司很不一样。
它不训练大模型，第一个付费客户是CIA，此后二十年主要服务美国政府部门、FBI、军方，也做能源、航空、医疗。2020年上市时它几乎被硅谷主流风投一致看空，但随后近六年市值涨了20多倍。仅2025年一年，市值就从1700亿美元升至4200亿美元。截至2026年7月上旬，其市值稳定在3000亿美元以上。
它叫Palantir。今年5月披露的Q1财报显示，其单季营收16.3亿美元，同比增速85%，经营利润率超过60%。
在太平洋对岸，一批中国公司正在瞄准这个位置。
2025年11月3日，“Agentic AI第一股”明略科技以141港元的发行价挂牌，开盘上涨117.73%，市值直接突破400亿港元。3个月后，“AI Harness”海致科技上市首日开盘一度大涨260%，市值一度触及390亿港元。
再加上迅策科技、更早上市的第四范式等公司，港股这一年多来接连迎来的“AI to B”新股，几乎无一例外都在讲同一个故事：中国的Palantir。
用AI改造企业生产流程，是过去两年被反复押注的方向之一，但至今仍没有跑出真正的规模化闭环。Palantir用二十年提前给出了一种答案，而它的“学徒们”，正在赌自己能不能在本土市场跑通同一件事。
01.CIA、FBI是客户，撑起3000亿美元市值
Palantir成立于2003年。它的技术起点与硅谷主流的AI公司完全不同，创始人Peter Thiel起初只是为了创立一家提前预判并帮助打击恐怖主义的大数据分析公司。
公司成立后的第一笔外部融资，来自于CIA旗下的风险投资机构In-Q-Tel。2005年，Palantir获得了来自In-Q-Tel约200万美元的投资，CIA也成为Palantir的第一个付费客户。
早期的Palantir只做to G业务，第一款产品是Gotham，主要为政府、国防、情报和执法提供大数据分析服务，客户包括美国军方、CIA、FBI、NSA等等。
在积累了一定的技术能力后，2016年前后，Palantir又进入to B领域推出Foundry，定位为“企业的中央操作系统”，把政府场景中打磨过的能力搬到企业客户手里。其中最典型的案例是空客与Palantir合作的Skywise平台，对飞机的数百万个零件和复杂的供应链进行数字化管理。
它的服务底层逻辑是一个被反复讲述的概念——Ontology“本体论”。简单来说，“本体”就是把一个特定行业内的所有知识进行语义统一之后的索引，更通俗地讲，是一个懂得某个行业所有知识的“大脑”。
这个概念听起来抽象，放到具体场景里，价值才能显现。
海致科技CFO何飞宏告诉「定焦One」，以电力行业为例，普通大模型面对“最近110千伏变压器故障成本为什么上升”这个问题时，往往会给出一段中性的分析，比如故障数量增加了18%，抢修时长增加了6小时，备件采购成本上涨了12%等等。
这是一个“看起来靠谱”的AI回答，但它无法告诉运维负责人接下来应该做什么。而一套建立在“本体”之上的智能体则会像一个非常有经验的电力运维老师傅一样去思考：“我们这一波的变压器有问题了， 跟去年那波变压器是不是同一批？是不是说明这波变压器的总体质量不好？如果是，我们现在电网部署的还 有哪些是这个型号 ？”
二者的差别在于，前者只处理了信息，后者调用了一整套沉淀下来的行业逻辑与流程。
本体论解决的是好不好用的问题，而FDE则解决了怎么用的问题。FDE的全称是Forward Deployed Engineer（前置部署工程师），这是Palantir独创的一种交付方式。FDE模式本质上是把咨询公司的服务能力产品化，把工程师派驻到客户生产现场，通常一待就是几个月，帮助客户把软件部署到业务的各个环节。
这种模式前期投入极高，一个资深FDE的人力成本远高于普通工程师，但只要某个行业的“本体”沉淀下来，服务第二个同行业客户时成本就会大幅下降，边际成本会随着客户的增加而趋近于零。这也是为什么Palantir的毛利率长期稳定在80%以上。
在AI兴起之前，Palantir这套商业模式已经稳定运行了多年，但资本市场给它的估值上限不过是一家SaaS软件服务公司的水平。
真正把这套模式的价值抬升到3000亿美元估值的，是Palantir在2023年推出的AIP（Artificial Intelligence Platform，人工智能平台）。
AIP并不是一个独立的产品，它是搭在Foundry的本体层之上的一层AI编排界面。它做了两件关键的事：一是把大模型作为可插拔的能力接入进来，企业可以选择GPT、Claude、Gemini或者开源模型，AIP负责让这些模型的推理能力用到企业自己的本体上；二是把过去需要几个月定制沟通的部署过程平台化，企业可以在几周甚至几天内构建出一个能在自己业务流程里跑起来的AI Agent。
这层意义远远超出提高效率。它让Palantir从一家数据分析公司，变成了企业接入AI的推理层入口。
AIP上线之后，Palantir的营收开始加速，从2023年至今，季度营收增速从10%出头一路爬到85%，净利润率从2023年的约10%扩张到2026年一季度的54%。
这套“FDE+本体+AIP”的组合，开始成为AI真正进入企业生产流程的标准形态。
02.国内四类公司，对标Palantir
在中国市场，“AI to B”和“Palantir”这两个词几乎在同一时间被大规模讲述。
这并非偶然。过去两年，除了Coding以外，几乎没有任何一个AI应用能真正跑出严格意义上的商业化闭环。
海致科技战略发展副总裁张环告诉「定焦One」，当前企业大部分需求都集中在Coding Agent主要是因为更多形态的Agent还没有发展起来。但Coding也有适用边界，它的主要作用是放大个人的能力边界，是一个从个人需求自下而上发展出来的应用，而超大规模企业需要的to B Agent更多的是一个自上而下更复杂的系统化设计。
此外，Coding仅仅覆盖了写代码这一种高度标准化的B端生产场景，算力消耗的成本高，并且客户粘低，市面上的Coding产品很多，企业客户在采购时通常只会考虑谁的能力最强，或者谁的性价比最高，从一款Coding Agent迁移到另外一款几乎没有什么成本。
Palantir的客户则完全不同。构建“本体”的核心数据本身就是最大的迁移成本，Palantir的头部客户，一旦把业务逻辑全部跑在其平台上，替换成本高到几乎不可能换供应商。
这意味着，如果某家中国公司能把这套高毛利、高留存、高定价、深客户关系的模式在国内跑通，它的估值天花板将远远超过目前所有的对标者。
眼下正在争夺“中国Palantir”这个头衔的公司，大致可以归为四类。
第一类是大模型公司和云厂商。其中以智谱、月之暗面、MiniMax等为代表的大模型公司，严格意义上并不算“中国Palantir”的直接竞争者，它们的定位更接近模型能力的供应商。
智谱早期做过知识图谱，知识图谱是一种“本体”的技术路线，但相比于自己下场做B端服务，模型公司更愿意跟企业级AI服务公司进行深度合作，理由也很简单，它们没有行业Know-how，也没精力做B端的FDE。
真正在Palantir这条路径上有全栈能力的，是云厂商中的部分玩家。百度、华为、阿里、腾讯有更全面的B端服务能力，并且这些云厂商已经在为政府、公安、能源，或是B端企业客户提供AI服务，在业务模式上更接近Palantir的Gotham或Foundry，以及二者的结合体。
第二类潜在的“中国Palantir”是咨询公司和传统SaaS公司。
埃森哲、德勤、麦肯锡、毕马威在美国事实上与Palantir有一定的业务重叠，它们同样都是以人力密集型交付切入客户，但这条路在中国很难走通。
中国大型企业客户很少愿意为“咨询”直接付费，项目化交付几乎不产生可复用的产品资产，市场也不给这类玩家足够的估值溢价。
第三类是数据治理型公司，这类公司多从数据中台、实时数据处理赛道起家，擅长多源数据整合、清洗、治理与可视化分析，底层数据集成能力突出，也积累了一定的行业Know-how数据，并且都有一套基于这些数据所开发的AI服务平台，代表公司有第四范式、滴普科技、迅策科技等。
一位行业内人士告诉「定焦One」，这类数据治理公司为企业提供的服务与Palantir类似，但它们共同的短板是“本体”较弱，从数据到“本体”有比较大的技术跨度。“如果只做数据治理就足以颠覆一切，Snowflake早就应该把Palantir干死了，但它没有。”
最后一类是产业级AI公司，相较于数据治理型公司，它们在“本体”能力上做得更深。
在严肃的生产场景下，企业端通常需要确定性的执行能力，AI的整个推理过程需要可解释、可追溯、可审计。在这种要求下，向量数据或者简单的可视化数据往往无法准确地描述企业的所有生产要素。
比如去描述一家公司的股权关系，如果只有两个股东，各自持股50%，那用简单的一句话就能讲清楚（向量数据），但如果是20个股东，各自持股的比例不同，就需要一个表格，如果再加上多层的股权架构，每层结构又有多家主体，用语言或者简单的图表就很难描述了，需要一张股权结构图（图数据）才能做到一目了然。
行业内目前采用的主流解决方案是知识图谱，用图数据在向量数据和关系数据之上再进行抽象和建模，技术门槛比数据治理更高，需要企业有较强的高性能计算技术储备。
这条路径上的代表玩家，包括“Agentic AI第一股”的明略科技、NLP起家并立足垂直大模型的拓尔思、在金融领域深耕知识图谱多年的蚂蚁，以及以政府服务起家，在国内处于知识图谱第一梯队的海致科技。这几家公司中，除了蚂蚁外，都曾被冠以过“中国Palantir”的头衔。
它们同样也是业务逻辑更接近Palantir的一类公司，以海致科技为例，它之所以被称为“AI Harness”，主要是凭借知识图谱和图模融合技术来给通用大模型套上一层“Harness”，让AI在一个严谨的架构下运行，从而减少由于概率生成导致的AI幻觉。
何飞宏告诉「定焦One」，如果把一个水平很高的AGI个体当成一个名牌大学的毕业生，但是让他去到一个新公司依然很难在短时间内快速上手。这并不是没有给他下达清晰的指令，而是缺乏相应的行业知识和工作经验，即便让他读完所有的公司文档、会议纪要，他依然不能马上成为一个娴熟的一线员工。
更好的办法是给他安排一个有经验的老师傅来动态地指导他什么时候该怎么做，这个老师傅本质上就是一个“本体”，而知识图谱是实现“本体论”的一种技术载体。
这里提到的四类公司各有优势，同时也各有短板。整体上看，中国今天还没有真正意义上的Palantir，只有Palantir的几种碎片化的对标者。
03.中国的Palantir应该是什么样的？
尽管从2025年年底至今，国内AI to B赛道热度攀升、资本大规模涌入、各类玩家持续加码布局，但短期内依然难以诞生全方位对标Palantir的千亿级巨头。这一方面是由于Palantir的技术壁垒短期内难以复制，此外在不同的市场环境下，中国也未必需要一个完整版的Palantir。
Palantir的技术壁垒最难跨越的一点是时间维度上的积累。它的图计算引擎在反恐、战场这类零容错场景里磨了20年，这些场景里的Know-how无法通过资本或大规模计算加速。
客户付费能力则是另一个差异。Palantir有政府百亿美元级的合同，这种量级的订单能养得起顶级FDE工程师团队长期驻场。国内的政企市场也存在类似的付费逻辑，长期合作的政务、公安、能源类客户能支撑较重的驻场交付，例如海致科技过去十几年主要服务的就是这类客户。
但一旦跨到企业客户，尤其是民营企业客户，中国市场的付费逻辑就与美国出现显著分野。
国内to B市场至今仍是以一次性交付为主导，客户买的是验收通过的系统，厂商赚的是当期的项目款，双方都没有强动力做长期的产品沉淀。加上国内客户更愿意为硬件、为看得见的功能付费，本体层这种看不见但决定长期能力的价值，很难卖出对应的价格。
这直接压制了Palantir模式在中国被完全复制的可能性。
正因如此，前述四类“中国Palantir”对标者，短期内几乎都难以以其现有形态跑通全栈路径。大模型公司缺乏行业Know-how，其主要精力仍在模型能力本身的迭代上；数据治理公司偏Foundry路径，缺乏“本体”层，从数据到知识这一步没人真正做出来；咨询公司偏项目化交付，很难跑出Palantir式的产品沉淀；产业级AI公司则受限于规模，商业化天花板还没打开。
这也是为什么“中国Palantir”这个位置至今仍然空缺，不同类型的公司都在往这个位置逼近，没有一家真正到达。
但这并不意味着本土AI to B赛道缺乏成长空间。随着通用大模型技术趋于同质化，模型之间的能力差距持续缩小，产业落地能力将成为未来行业竞争的核心变量。
在“中国Palantir”的竞逐中真正能跑出来的公司，需要同时具备至少三种能力：懂底层的图计算和分布式系统技术、懂具体行业的业务逻辑、并且愿意沉下心做长期的脏活累活。没有捷径，也没有资本市场热度能替代十年以上的经验沉淀。
这与AI时代通常的“短平快”节奏恰好相反，Palantir本质上是一个更接近传统重工业的长期生意。
AI to B的行业终局未必是全盘复刻海外模式。中国to B市场的付费结构、客户偏好、政策边界与美国显著不同，本土化的路径可能孕育出更适配中国场景的头部玩家，它未必看起来像Palantir，甚至可能不再需要用Palantir作为参照。
这一天何时到来，取决于四类玩家中谁能先完成能力的融合。目前来看，四类玩家中已有公司走出各自的第一步，它们最终可能不会长成Palantir的形状，但同样值得下注。
注：文/定焦One团队，文章来源：定焦One，本文为作者独立观点，不代表亿邦动力立场。
