第 8 章 完整案例集

前面七章的方法论，全部提炼自真实的实践现场；这里把它们完整还原：五组案例，从模式的发明者到最新的继承者，从硅谷到中国。

8.1 Palantir：用二十年把一个「笨办法」炼成护城河

创业：为「不能问的用户」造软件

2003 年的硅谷，还躺在互联网泡沫的废墟里。彼得·蒂尔拉上一群斯坦福出身的年轻人，要做一件听起来疯狂的事：为美国情报机构造数据分析软件。公司的名字取自《指环王》里的真知晶球 Palantir——能看见远方的石头。

这件事最难的地方，从第一天起就是用户。鲍勃·麦格鲁多年后那段广为流传的回忆，把困境讲得最清楚：「给间谍做软件的一个挑战是，我不认识任何间谍。你大概也不认识。就算你碰巧找到一个间谍，问他『你平时到底怎么工作的』，他通常也不会告诉你。」

软件工业的全部方法论——用户访谈、问卷调查、可用性测试——在这个用户群体面前集体失效。创始人之一斯蒂芬·科恩的应对笨得可爱：做一个演示样品，拿给情报机构的人看，问他们觉得怎么样。答案是毫不留情的：「这东西太糟了，跟我们做的事毫无关系。」科恩没有撤退，而是追问：「那你们希望它哪里不一样？」然后把每一条意见记下来，回去改，改完再送上门。循环往复。

这个循环就是 FDE 的基因片段，它包含两个日后被证明价值千金的直觉：复杂领域的客户，在看到能用的东西之前，不知道自己要什么；想知道「要什么」，最快的路是让造东西的人，站到用东西的人旁边。

成型：从应急之举到组织战略

早期的 Palantir 沿着「一个客户、一套定制」的路径往前走，很快撞上了那个所有企业软件公司都会撞上的问题：第二个客户要的东西，和第一个「细微但关键地不同」。

标准解法是提炼共性、做通用产品、对差异说不。但 Palantir 的客户不接受「不」——他们是中央情报局、是战场上的美军。真正把公司带出这个死结的，是早期员工希亚姆·桑卡尔（后任公司总裁兼首席技术官）。他的解法在当时被视为异端：不做两个产品，也不做一个僵化的产品，而是做一个高度可定制的平台，派工程师驻扎到客户现场，完成最后一公里。

桑卡尔最关键的动作，是账本上的叛逆。在软件行业的财务语言里，「为单个客户做定制」叫服务成本，是利润率的敌人，要被最小化。而桑卡尔把它重新定义为「产品发现」——现场定制不是花钱，是在为产品的下一次进化采集情报。一个名词的更换，改变了一家公司的资本配置逻辑：别人眼里的成本中心，成了 Palantir 的研发中心。

组织形态随之成型。前线部署工程师（内部代号「三角洲」）嵌入客户，「一个客户，调动多种能力」；部署战略师（代号「回声」）负责理解客户使命与组织；平台工程师在后方，「一种能力，服务多个客户」。到 2016 年前，Palantir 的前线部署工程师人数超过了平台工程师——一家软件公司，大半兵力在「前线」。

试炼：战场、飓风与油田

FDE 模式的价值，在一个个极端现场被反复证明。

伊拉克与阿富汗战场，路边炸弹是巡逻队的头号杀手。驻场的 Palantir 工程师发现，士兵们对精美的情报图表毫无兴趣——他们要的只是「在地图上标出这条路可疑」。工程师当场拼出一个简陋的地图工具：士兵点一下，风险路段全员可见。这个工具直接降低了伤亡，后来沉淀为平台的标准功能。总部会议室里拼不出这种工具。它只能出现在工程师与士兵一起看向同一条公路的那个瞬间。

而这套打法的原型现场，比地图工具更早。2007 年前后，桑卡尔带着一支小队钻进美军联合简易爆炸装置对抗组织（JIEDDO）的保密信息室，联合办公两周。保密室里连免提电话都禁用，他用松紧带把电话绑在头上，腾出双手敲代码——一只耳朵听分析师提意见，另一只耳朵听硅谷总部的同事说话。每天十九个小时，演示、接数据、收反馈、当场改。

两周结束，分析师们说：这东西有用。桑卡尔自己却累垮了，打电话给卡普：「这不可持续，我们完了。」卡普的答案日后成了公司文化：把这种「不可持续」，做成制度。（出处见附录 C）

2012 年飓风桑迪救灾现场，Palantir 的前线部署工程师把分散的救援数据拼成实时地图，协调救援资源的投放。油田钻井平台、飞机总装车间、银行交易大厅——工程师们把「驻场」这件事，做到了软件行业前所未有的深度。前 Palantir 工程师 Barry 回忆，Foundry 平台的核心组件诞生于苏黎世、休斯顿、圣保罗、图卢兹、巴库——一张世界地图，每个点都是一次现场创造。

代价同样真实。Barry 的记录，是理解这个模式的必读反面教材：顶尖工程师、全球差旅、大量重复造轮子、免费试点，「很多项目利润率字面是负无穷」；2014 年公司的产品战略字面是「强烈的观点，松散地持有」，混乱到让持股员工夜不能寐。Palantir 能吞下这些代价，靠的是两样东西：天价合同额撑起的资本厚度，以及「把试点当风投打」的心态——多数下注归零没关系，但赢的那几把要全赚回来。

商业化也先死过一次。第一个面向企业的产品 Metropolis 市场反响惨淡，第二次尝试 Foundry 才开了张。转折点是空客：图卢兹工厂里，A380 的一个燃油泵故障反复发作，空客自己的工程师查了整整两年没有头绪。Palantir 的人进场，把传感器数据接进平台，两周破案——飞机爬升时燃油晃离了泵体。一个微不足道的修复，保住了据报道价值数百亿美元的订单。

空客数字化转型负责人马克·方丹后来公开感慨：「同样的问题，我们以前要花二十四个月。」（出处见附录 C）空客从此成了 Palantir 在欧洲最热情的布道者，把自家数据平台 Skywise 整个建在上面，接入上万架飞机、五万多用户。

这套平台打法，后来在性命攸关的现场又证明了一次。佛罗里达州的坦帕综合医院（Tampa General）曾和一家供应商共建脓毒症预警工具，工具被美国食品药品监督管理局（FDA）归类为受监管的医疗器械，被迫停用。换作一般的客户，故事到这里就结束了；而坦帕综合的选择，是在 Palantir 的平台上自己动手重建，由首席数字与创新官斯科特·阿诺德（Scott Arnold）牵头。到 2025 年年中，这套自建的脓毒症中心已经挽救 569 条生命，脓毒症患者的住院时长缩短了三成。（出处见附录 C）

爆发：训练营点燃商业帝国

2023 年，生成式人工智能爆发。所有企业都想「用上人工智能」，所有企业却都卡在同一个地方：不知道怎么用。Palantir 的答案，是把它二十年的驻场方法论，压缩成一台工业化机器——AIP 训练营。

规则极简：客户带着真实数据和真实问题来，Palantir 的前线部署工程师陪着，一到五天做出一个能部署的人工智能应用原型，免费或象征性收费。第 0 天锁定一个极其聚焦的核心战场；第 1 天打通数据、构建本体模型（ontology，把客户业务的对象与关系建成语义层）；第 2 到 3 天，工程师与客户技术人员背靠背写代码，把大语言模型接入业务流；第 4 到 5 天，高管亲手操作系统，当场拍板。

这台机器的转化效率，让整个行业看傻了眼：从 2022 年的不足百场试点起步，场次连年倍增，到 2025 年高峰日均近 6 场；企业软件九到十二个月的销售周期被压到数周；连锁药房 Walgreens 通过训练营八个月部署四千家门店；市场研究公司 J.D. Power 这样的客户学会之后，开始给自己的客户办训练营——模式开始自我繁殖。训练营之后的合同节奏快到同行都未必信：一家大型医疗公司，参加训练营五周后签下五年期、年合同额（ACV）2600 万美元的协议；一家全球银行，试点一个月后先签 200 万美元，四个月后扩展为三年期、年合同额 1900 万美元。（出处见附录 C）

财务结果随之爆炸：2025 年第四季度美国商业收入同比增长 137%；「40 法则」（Rule of 40，收入增速与调整后经营利润率之和）达到 127%，2026 年第一季度冲到 145%；单季签约 42.6 亿美元，净收入留存 139%；市值一度突破 4000 亿美元。华尔街那些嘲笑它「人海战术」的分析师，开始连夜重写研究报告。

最大的一单信任票，来自美国海军。2025 年 12 月，海军部长与卡普共同宣布「造船操作系统」合同：4.48 亿美元，先用 Foundry 与 AIP 改造潜艇工业基地——两家大型造船厂、三个海军船坞、一百家供应商。试点数据前面讲过了：排产从 160 小时到 10 分钟，物料审核从几周到一小时。海军部长特意声明「这不是概念、不是试点、不是研究」——它跳过概念验证直接进生产，因为前期的嵌入试点已经证明了价值。同一年，美国陆军还把 75 份分散的服务合同打包成一份十年 100 亿美元的框架协议交给 Palantir。政府的信任，是二十年驻场攒出来的复利。（出处见附录 C）

一位曾在图卢兹驻场整整一年的工程师纳比尔·库雷希（Nabeel Qureshi）留下过更生动的注脚：他每周四天泡在总装车间，和制造工人一起，给 A350 的产线写软件——他管那东西叫「造飞机版的 Asana」（编者注：Asana，硅谷流行的项目协作软件）。一个硅谷工程师，在异国工厂里住满一年。（出处见附录 C）

方法论还原

回看前七章，Palantir 案例几乎处处有对应：演示循环与「客户不知道自己要什么」对应第 2 章，灯塔客户的战略价值对应第 3 章，免费试点的组合投资逻辑对应第 6 章，现场工具自下而上长成平台对应第 7 章。最底层的信条贯穿全书：复杂性无法被远程消灭，所以必须有人到场。

8.2 OpenAI：当造出 ChatGPT 的人开始下场搬砖

转折：从「模型即产品」到「部署即战略」

OpenAI 的前七年是一部纯粹的技术史诗：GPT 系列一路狂飙，ChatGPT 创下人类历史上最快的用户增长纪录。在这样的公司叙事里，「企业交付」听起来像隔壁行业的事。

转折发生在 2024 年。企业市场的数据，说明了一件不容忽视的事：《生成式人工智能的鸿沟》报告里那个后来广为人知的「95% 失败率」正在上演；与此同时，企业大模型市场的份额版图剧烈变动——Menlo Ventures 的行业追踪显示，Anthropic 在企业市场攀升至约 32%，OpenAI 从早年约 50% 的绝对领先回落至约 25%。模型能力的差距在缩小，而企业客户用真金白银投票的标准，悄然变成了另一个问题：「谁能帮我把这东西真正用起来？」

OpenAI 的回应分两步。第一步，2024 年组建前线部署工程团队——从 2 名工程师起步，科林·贾维斯带队，快速扩张到遍布旧金山、纽约、伦敦、都柏林、慕尼黑、巴黎、苏黎世、东京、新加坡、悉尼的全球网络，一年内从 2 人涨到 52 人。招聘启事写得毫不掩饰：「嵌入到那些模型表现至关重要、交付迫在眉睫、模糊性就是默认状态的客户中去」，出差最高 50%。欧洲区负责人富尼耶说得更直白：「市场需求超出了我们的预期。」（出处见附录 C）

第二步，2026 年 5 月 11 日，成立「部署公司」——一家由 OpenAI 控股、联合 19 家顶级资本（TPG 领投，Advent、贝恩资本、博枫联合领投，高盛、软银、华平等参与，贝恩咨询、凯捷、麦肯锡同为创始伙伴）的合资公司，初始投资超过 40 亿美元，媒体披露的投前估值约 100 亿美元；同步收购应用人工智能咨询公司 Tomoro，约 150 名部署工程师成建制并入。首席运营官布拉德·莱特凯普亲自挂帅。

这家新公司的结构设计，值得写进商学院教材，因为它把「客户从哪来」和「资本怎么回」焊在了一起。出资方是私募股权巨头，而这些巨头手里攥着横跨医疗、制造、金融、零售、物流的几百家被投企业——它们就是部署公司现成的客户池；作为交换，据报道 OpenAI 向这些私募出资方承诺了五年 17.5% 的年化优先回报（preferred return）（媒体报道，OpenAI 官方未予确认），自己则保留超级投票权、控股战略方向。

被收购的 Tomoro 也不是无名之辈：这家英国应用人工智能咨询公司的工程师，此前在乐购、维珍航空、游戏公司 Supercell 干的就是企业落地。一天之内，OpenAI 集齐了「工程师、渠道、资本」三张牌。（出处见附录 C）

一家估值数千亿美元、掌握着人类最强模型的公司，为「派人去客户现场干活」单独成立一家百亿美元公司——这是 FDE 模式历史上最重的一枚砝码。

现场：约翰迪尔的农田

OpenAI FDE 方法论最好的展示窗，是与约翰迪尔的合作。这家近两百年历史的农业巨头，要解决的是一个土地里长出来的问题：杂草防治。传统做法是整田喷洒除草剂——成本高、药害重、环境代价大。精准农业的理想是「见草才打」，但识别的难度在于：每块田的草相不同、作物长势不同、时节不同。

OpenAI 前线部署团队的做法，是本书第二、四章方法论的完整演示：飞到爱荷华州，跟着农艺专家下田，理解精准农艺的工作流与约束（包括那条不可商量的硬期限——农时）；与专家一起评审数百个真实田间作业案例，把「什么是好的施药建议」编码成定制评估体系；在评估体系的看护下快速迭代模型与系统。最终结果：化学品使用量减少最高 70%，农户的互动频率提升了 6 倍。收费方式也与价值对齐：不按设备一口价，按实际启用技术的英亩数订阅计费——2024 年一年，这套系统省下了 800 万加仑除草剂混合液，2025 年覆盖面积已超过 500 万英亩。

其一，硬期限是农时，而非项目排期——FDE 的节奏必须服从客户的业务节律。其二，评估体系先行于模型优化——先定义「好」，再追求「好」。其三，70% 这个数字不是事后包装的宣传，是开工前就与专家共同定下的靶子。

现场：西班牙对外银行的十二万人

另一个标杆是西班牙对外银行（BBVA）。合作起点并不惊艳——部署企业版 ChatGPT。但 FDE 模式的复利在于：从一个工具进场，最后改造的是整个组织。从 3300 个账号起步，员工自发创建 2 万多个定制助手（GPTs，员工可自建的专属人工智能应用），83% 的人每周活跃使用，平均每周节省约 3 小时；一年半后，部署扩展为覆盖 25 个国家、12 万名员工的体系，银行的目标也随之升级为「建设人工智能原生的全球银行」。从「给一个工具」到「共建一种组织形态」，这是第 6 章「存量深耕」的极限形态。（出处见附录 C）

方法论还原

OpenAI 案例的启示，在于「模型公司的自觉」：当模型能力趋同，部署能力成为差异化的主战场；当产品形态未定（智能体该长什么样没人知道），现场成为产品发现的唯一现场。它的三阶段工作法（共创、验证、交付）、它对评估体系的工程化执着、以及部署公司的资本结构创新（用私募股权资本的产业网络做客户渠道），都是这种自觉的产物。

8.3 Anthropic、垂直三杰与平台厂商：FDE 的四种变奏

如果说 Palantir 发明了模式、OpenAI 把它推上头条，那么 Anthropic、一批垂直人工智能公司与数据平台厂商，则展示了 FDE 在不同土壤里的四种变奏。

变奏一：Anthropic——安全基因与「可审计」的差异化

Anthropic 的 FDE 挂在应用人工智能团队之下，招聘启事里有两个值得玩味的限定词：一是「安全与可靠」——所有交付必须满足 Anthropic 的安全标准；二是「在一线捍卫公司的使命」——FDE 同时是价值观的大使。2025 年，这个团队以一年五倍的速度扩张，负责人凯特·德容的解释是：「一家财富五百强银行的需求，和一家人工智能原生创业公司，完全是两个物种。」（出处见附录 C）

差异化的直接产物，是「可审计性」成为产品特性。与金融科技巨头 FIS 的合作是标杆：Anthropic 的前线部署工程师嵌入 FIS 共同设计金融犯罪侦测智能体，反洗钱调查从数小时压缩到数分钟，每个决策全程可回放、可追溯，首批落地蒙特利尔银行与 Amalgamated 银行。在强监管行业，每个人工智能决策都得向监管者解释清楚，解释不了就进不了场——Anthropic 把这条准入线做成了卖点。

「安全偏执」变成企业市场杀手锏的证据，写在客户的评价里。网络安全公司派拓网络把 Claude 部署给 2500 名开发者，工程总监的评价很直接：「他们比别家更在乎安全——每个会都在谈安全影响。作为最大的网络安全公司，这对我们很重要。」结果：功能开发速度提升两三成，初级开发者完成集成任务快了 70%。制药巨头诺和诺德用它写临床研究文档：过去十几周的报告，现在十分钟出稿（厂商官方案例口径）。网约车平台 Lyft 把 Claude 接入客服，平均解决时长下降 87%；客服软件公司 Intercom 的客服智能体 Fin 换用 Claude 后，解决率从 23% 升到 51%，深度定制后最高做到 86%——这两个部署从试点到全员推广的完整过程，都写在第 4 章。与此同时，它与咨询巨头埃森哲合作培训了三万名 Claude 专业顾问，企业客户数两年内从不足千家涨到 30 万家以上。（出处见附录 C）

更深一层的差异，在「知识转移」的官方承诺：嵌入的明确目标，是让 FIS「未来能独立构建和扩展自己的智能体」。把「教会客户」写进合同，短期看是削弱自己的不可替代性，但长期看是对「供应商锁定」（vendor lock-in，被单一供应商绑死难以迁移）质疑最有力的回应——高德纳的分析师科奎罗预测，2028 年前 70% 的企业将因供应商成本与技能空心化而弃用此类方案（媒体转述口径，详见 5.1 节），Anthropic 的做法，是提前拆掉这颗定时炸弹。

2026 年 5 月，Anthropic 被曝与黑石集团等组建企业人工智能服务合资公司，据报道规模约 15 亿美元，聚焦把 Claude 嵌入中型企业运营——与 OpenAI 的部署公司同日对垒。两家模型巨头在同一天完成「部署即战略」的组织化，这件事本身，比任何分析都更能说明 FDE 的坐标。

变奏二：Sierra 与 Decagon——创业公司的「交付即产品」

Sierra（Salesforce 前联合首席执行官布雷特·泰勒与谷歌前副总裁克莱·巴沃尔 2023 年创立，2024 年 10 月融资时估值已达 45 亿美元，此后据报道继续攀升）把 FDE 模式做成了商业模式本身：客户不为软件付费，为「已解决的会话」付费；实施由 Sierra 的前线部署团队托管，客户只需要贡献品牌语气与运营规则。效果：搜诺思（Sonos）、卡斯珀（Casper）、慧俪轻体（WeightWatchers）、ADT 等品牌客户云集，公开报道的最快上线案例为四周，年合同门槛约 15 万美元起（第三方估算，详见 6.3 节）。按结果收费让 Sierra 的定价天然锚定在客户价值上——第 6 章「按结果收费」最激进的现实样本。

Sierra 内部对这个岗位的命名也值得一记：不叫 FDE，叫「智能体工程师」（Agent Engineer）。其负责人娜塔莉·默勒（前 Palantir 五年，跑过执法、国防和基建客户）解释：名字应该描述「技术工作的形状」，而不只是「对客户的痴迷」——语音智能体的构建需要一种特殊的「品味」（什么听起来像人、什么听起来对），这是比通用 FDE 更窄更深的技艺。票务平台 Vivid Seats 的合作是她的团队最亮的战报：四周上线，解决率提升 40%，客户满意度提升 35%——而对话数据反哺产品的机制，让「一个月一万人问同一个功能」能立刻排上优先级。（出处见附录 C）

Decagon（创始人之一阿什温·斯里尼瓦斯出身 Palantir，总融资 2.31 亿美元）走了另一条路：把交付经验直接产品化为智能体操作流程——让客户的运营人员用自然语言定义多步工作流，人工智能确定性地执行。客户名单：Notion、多邻国、Eventbrite、Rippling。据报道，Chime 的解决率做到 70%，多邻国的问题分流率达 80%，ClassPass 的客服成本下降 95%。Decagon 的 FDE 更多地扮演「把客户团队教会用这套系统的人」——交付的目标，是让客户的非技术人员拥有自助能力，这是第 7 章「产品化四问」中「能否被不会写代码的人使用」的最佳实践。（出处见附录 C）

变奏三：Harvey——打进普通软件进不去的地方

法律行业是企业软件的「百慕大」：顶级律所保密纪律森严、数据不出域（data residency，数据不离开客户指定的环境）、合伙人各自为政——自助式 SaaS 在这里一胜难求。Harvey（2022 年创立，2026 年 3 月完成新一轮融资后估值已达 110 亿美元）用 FDE 模式硬生生打了进去。

这家公司的出身有点特别：两位创始人，一位是律所出身的诉讼律师，一位是 DeepMind（谷歌旗下人工智能实验室）出身的科学家；种子轮 500 万美元，来自 OpenAI 创业基金。（出处见附录 C）

复盘它的打法，几乎每一步都能在本书方法论里找到对应。第一个大客户锁定全球顶级律所年利达（2023 年 2 月，3500 名律师、43 个办公室），随后普华永道（4000 多名法律专业人士）、佳利、麦克法兰接踵而来。在年利达内部，对接人大卫·韦克林（市场创新负责人）成为部署的所内轴心；节奏上从单一业务组切入，靠合伙人支持者推动，六个月实战后才横向扩张。客户研究是最难的一环：合伙人买单但不干活，律师助理干活但不买单，知识管理律师看到两边的盲区，所以 FDE 的访谈体系必须同时穿透三层人群——按 Harvey 部署方的复盘，部署里最难的不是模型，是客户研究这个回路。周期也拉得很长：单所部署六到九个月，FDE 从文档管理系统的数据管道，一路负责到逐合伙人的采纳演示。

效果是垂直人工智能里少见的猛涨势头：用户超过 10 万名律师、1300 家组织，覆盖美国百大律所的多数；年度经常性收入（ARR）从 2025 年 8 月的约 1 亿美元，涨到 2026 年 1 月的约 1.9 亿美元；估值一年内四连跳——30 亿、50 亿、80 亿、110 亿美元。（出处见附录 C）

Harvey 证明了 FDE 模式的边界在哪里：凡是「保密制度、数据不出域、关键用户自主权」三座大山同时存在的市场，产品化交付无解，只有人进去，才能把系统带进去。而这样的市场——法律、医疗、金融、政府——恰好是地球上利润率最高的企业服务市场。

变奏四：Databricks 与 Snowflake——平台厂商的嵌入式交付

变奏不只发生在模型公司。数据平台厂商面对的客户，大多不是人工智能原生公司，而是数据堆积如山、却不知怎么用的传统行业——这里的交付，同样只能靠工程师嵌进去做。

第一美国（First American）是美国产权保险行业的老牌公司，维护着 80 多亿份公开登记文件的影像，其中一大批是连元数据都没有的历史扫描件。它要把约 400 万份可追溯至 1930 年代的产权保单逐页分类、逐页提取数据字段，商用大模型的精度却不达标。Databricks 的工程师直接嵌进了客户团队——客户方主管数据与人工智能的副总裁普鲁布·纳辛纳（Prabhu Narsina）回忆：「他们几乎每天和我们一起开会，一起写代码，一起 debug。」最终的路线是在平台上微调开源模型，约 50 张 GPU 跑训练，微调周期从其他平台的两个多月压缩到两周。项目总账：成本降低 70%，工期缩短 75%，数据提取量提升 10 倍。（出处见附录 C）

托管服务商 Ensono 与 Snowflake 的合作，则把「救火」改造成了「防火」：它的预测引擎上线以来分析了超过 7500 万个事件与 900 万条告警，在一张工单演变成服务事故之前提前预警——重大事故减少超过两成，故障修复时长最多压缩七成。（出处见附录 C）

这两个案例补上的是变奏谱系里容易被忽略的一块：FDE 不是模型公司的专利。手里有平台、又肯把工程师派进客户现场的公司，都能进这个场子——区别只在于，现场经验最后沉淀成了平台能力，还是消散在又一单人力交付里。

---

平台适配注记（非原著内容）

• 1444 能力映射：本课考点对应 B1 行业机理与价值链、S2 场景定义与要素拆解、D1 驻场协同与项目推进，与平台能力诊断联动（AI 导师会按你的诊断缺口调整讲解节奏）。

• 本课自测（可对照正文自检，AI 导师结课小测将从中取材）：

  1. Palantir 的「笨办法」指什么？它如何被炼成护城河？
  2. 书中总结的 FDE「四种变奏」分别是什么？
  3. OpenAI「下场搬砖」这个案例说明了什么行业趋势？