一個比Anthropic更好的AI to B故事。
在美股，有一家AI公司很不一樣。
它不訓練大模型，第一個付費客戶是CIA，此後二十年主要服務美國政府部門、FBI、軍方，也做能源、航空、醫療。2020年上市時它幾乎被矽谷主流風投一致看空，但隨後近六年市值漲了20多倍。僅2025年一年，市值就從1700億美元升至4200億美元。截至2026年7月上旬，其市值穩定在3000億美元以上。
它叫Palantir。今年5月披露的Q1財報顯示，其單季營收16.3億美元，同比增速85%，經營利潤率超過60%。
在太平洋對岸，一批中國公司正在瞄準這個位置。
2025年11月3日，“Agentic AI第一股”明略科技以141港元的發行價掛牌，開盤上漲117.73%，市值直接突破400億港元。3個月後，“AI Harness”海致科技上市首日開盤一度大漲260%，市值一度觸及390億港元。
再加上迅策科技、更早上市的第四範式等公司，港股這一年多來接連迎來的“AI to B”新股，幾乎無一例外都在講同一個故事：中國的Palantir。
用AI改造企業生產流程，是過去兩年被反覆押注的方向之一，但至今仍沒有跑出真正的規模化閉環。Palantir用二十年提前給出了一種答案，而它的“學徒們”，正在賭自己能不能在本土市場跑通同一件事。
01.CIA、FBI是客戶，撐起3000億美元市值
Palantir成立於2003年。它的技術起點與矽谷主流的AI公司完全不同，創始人Peter Thiel起初只是為了創立一家提前預判並幫助打擊恐怖主義的巨量資料分析公司。
公司成立後的第一筆外部融資，來自於CIA旗下的風險投資機構In-Q-Tel。2005年，Palantir獲得了來自In-Q-Tel約200萬美元的投資，CIA也成為Palantir的第一個付費客戶。
早期的Palantir只做to G業務，第一款產品是Gotham，主要為政府、國防、情報和執法提供巨量資料分析服務，客戶包括美國軍方、CIA、FBI、NSA等等。
在積累了一定的技術能力後，2016年前後，Palantir又進入to B領域推出Foundry，定位為“企業的中央作業系統”，把政府場景中打磨過的能力搬到企業客戶手裡。其中最典型的案例是空巴與Palantir合作的Skywise平台，對飛機的數百萬個零件和複雜的供應鏈進行數位化管理。
它的服務底層邏輯是一個被反覆講述的概念——Ontology“本體論”。簡單來說，“本體”就是把一個特定行業內的所有知識進行語義統一之後的索引，更通俗地講，是一個懂得某個行業所有知識的“大腦”。
這個概念聽起來抽象，放到具體場景裡，價值才能顯現。
海致科技CFO何飛宏告訴「定焦One」，以電力行業為例，普通大模型面對“最近110千伏變壓器故障成本為什麼上升”這個問題時，往往會給出一段中性的分析，比如故障數量增加了18%，搶修時長增加了6小時，備件採購成本上漲了12%等等。
這是一個“看起來靠譜”的AI回答，但它無法告訴維運負責人接下來應該做什麼。而一套建立在“本體”之上的智能體則會像一個非常有經驗的電力維運老師傅一樣去思考：“我們這一波的變壓器有問題了，跟去年那波變壓器是不是同一批？是不是說明這波變壓器的總體質量不好？如果是，我們現在電網部署的還有那些是這個型號？”
二者的差別在於，前者只處理了資訊，後者呼叫了一整套沉澱下來的行業邏輯與流程。
本體論解決的是好不好用的問題，而FDE則解決了怎麼用的問題。FDE的全稱是Forward Deployed Engineer（前置部署工程師），這是Palantir獨創的一種交付方式。FDE模式本質上是把諮詢公司的服務能力產品化，把工程師派駐到客戶生產現場，通常一待就是幾個月，幫助客戶把軟體部署到業務的各個環節。
這種模式前期投入極高，一個資深FDE的人力成本遠高於普通工程師，但只要某個行業的“本體”沉澱下來，服務第二個同行業客戶時成本就會大幅下降，邊際成本會隨著客戶的增加而趨近於零。這也是為什麼Palantir的毛利率長期穩定在80%以上。
在AI興起之前，Palantir這套商業模式已經穩定運行了多年，但資本市場給它的估值上限不過是一家SaaS軟體服務公司的水平。
真正把這套模式的價值抬升到3000億美元估值的，是Palantir在2023年推出的AIP（Artificial Intelligence Platform，人工智慧平台）。
AIP並不是一個獨立的產品，它是搭在Foundry的本體層之上的一層AI編排介面。它做了兩件關鍵的事：一是把大模型作為可插拔的能力接入進來，企業可以選擇GPT、Claude、Gemini或者開源模型，AIP負責讓這些模型的推理能力用到企業自己的本體上；二是把過去需要幾個月定製溝通的部署過程平台化，企業可以在幾周甚至幾天內建構出一個能在自己業務流程裡跑起來的AI Agent。
這層意義遠遠超出提高效率。它讓Palantir從一家資料分析公司，變成了企業接入AI的推理層入口。
AIP上線之後，Palantir的營收開始加速，從2023年至今，季度營收增速從10%出頭一路爬到85%，淨利潤率從2023年的約10%擴張到2026年一季度的54%。
這套“FDE+本體+AIP”的組合，開始成為AI真正進入企業生產流程的標準形態。
02.中國四類公司，對標Palantir
在中國市場，“AI to B”和“Palantir”這兩個詞幾乎在同一時間被大規模講述。
這並非偶然。過去兩年，除了Coding以外，幾乎沒有任何一個AI應用能真正跑出嚴格意義上的商業化閉環。
海致科技戰略發展副總裁張環告訴「定焦One」，當前企業大部分需求都集中在Coding Agent主要是因為更多形態的Agent還沒有發展起來。但Coding也有適用邊界，它的主要作用是放大個人的能力邊界，是一個從個人需求自下而上發展出來的應用，而超大規模企業需要的to B Agent更多的是一個自上而下更複雜的系統化設計。
此外，Coding僅僅覆蓋了寫程式碼這一種高度標準化的B端生產場景，算力消耗的成本高，並且客戶粘低，市面上的Coding產品很多，企業客戶在採購時通常只會考慮誰的能力最強，或者誰的性價比最高，從一款Coding Agent遷移到另外一款幾乎沒有什麼成本。
Palantir的客戶則完全不同。建構“本體”的核心資料本身就是最大的遷移成本，Palantir的頭部客戶，一旦把業務邏輯全部跑在其平台上，替換成本高到幾乎不可能換供應商。
這意味著，如果某家中國公司能把這套高毛利、高留存、高定價、深客戶關係的模式在國內跑通，它的估值天花板將遠遠超過目前所有的對標者。
眼下正在爭奪“中國Palantir”這個頭銜的公司，大致可以歸為四類。
第一類是大模型公司和雲廠商。其中以智譜、月之暗面、MiniMax等為代表的大模型公司，嚴格意義上並不算“中國Palantir”的直接競爭者，它們的定位更接近模型能力的供應商。
智譜早期做過知識圖譜，知識圖譜是一種“本體”的技術路線，但相比於自己下場做B端服務，模型公司更願意跟企業級AI服務公司進行深度合作，理由也很簡單，它們沒有行業Know-how，也沒精力做B端的FDE。
真正在Palantir這條路徑上有全端能力的，是雲廠商中的部分玩家。百度、華為、阿里、騰訊有更全面的B端服務能力，並且這些雲廠商已經在為政府、公安、能源，或是B端企業客戶提供AI服務，在業務模式上更接近Palantir的Gotham或Foundry，以及二者的結合體。
第二類潛在的“中國Palantir”是諮詢公司和傳統SaaS公司。
埃森哲、德勤、麥肯錫、畢馬威在美國事實上與Palantir有一定的業務重疊，它們同樣都是以人力密集型交付切入客戶，但這條路在中國很難走通。
中國大型企業客戶很少願意為“諮詢”直接付費，項目化交付幾乎不產生可復用的產品資產，市場也不給這類玩家足夠的估值溢價。
第三類是資料治理型公司，這類公司多從資料中台、即時資料處理賽道起家，擅長多源資料整合、清洗、治理與可視化分析，底層資料整合能力突出，也積累了一定的行業Know-how資料，並且都有一套基於這些資料所開發的AI服務平台，代表公司有第四範式、滴普科技、迅策科技等。
一位行業內人士告訴「定焦One」，這類資料治理公司為企業提供的服務與Palantir類似，但它們共同的短板是“本體”較弱，從資料到“本體”有比較大的技術跨度。“如果只做資料治理就足以顛覆一切，Snowflake早就應該把Palantir干死了，但它沒有。”
最後一類是產業級AI公司，相較於資料治理型公司，它們在“本體”能力上做得更深。
在嚴肅的生產場景下，企業端通常需要確定性的執行能力，AI的整個推理過程需要可解釋、可追溯、可審計。在這種要求下，向量資料或者簡單的可視化資料往往無法精準地描述企業的所有生產要素。
比如去描述一家公司的股權關係，如果只有兩個股東，各自持股50%，那用簡單的一句話（向量資料），或者一張圖就能精準描述，但如果是20個股東，各自持股的比例不同，再加上多層的股權架構設計，用語言、或者簡單的圖表就很難描述了。
行業內目前採用的主流解決方案是知識圖譜，用圖資料在向量資料和關係資料之上再進行抽象和建模，技術門檻比資料治理更高，需要企業有較強的高性能計算技術儲備。
這條路徑上的代表玩家，包括“Agentic AI第一股”的明略科技、NLP起家並立足垂直大模型的拓爾思、在金融領域深耕知識圖譜多年的螞蟻，以及以政府服務起家，在國內處於知識圖譜第一梯隊的海致科技。這幾家公司中，除了螞蟻外，都曾被冠以過“中國Palantir”的頭銜。
它們同樣也是業務邏輯更接近Palantir的一類公司，以海致科技為例，它之所以被稱為“AI Harness”，主要是憑藉知識圖譜和圖模融合技術來給通用大模型套上一層“Harness”，讓AI在一個嚴謹的架構下運行，從而減少由於機率生成導致的AI幻覺。
何飛宏告訴「定焦One」，今天一個清華畢業的碩士生已經相當於一個水平很高的AGI個體，但是讓他去到一個新公司依然很難在短時間內把活兒幹好。即便是給他下達清晰的指令，或者讓他讀完所有的公司文件、會議紀要，他依然不能成為一個很好的一線員工。
更好的辦法是給他安排一個有經驗的老師傅來動態地指導他什麼時候該怎麼做，這個老師傅本質上就是一個“本體”，而知識圖譜是實現“本體論”的一種技術載體。
這裡提到的四類公司各有優勢，同時也各有短板。整體上看，中國今天還沒有真正意義上的Palantir，只有Palantir的幾種碎片化的對標者。
03.中國的Palantir應該是什麼樣的？
儘管從2025年年底至今，國內AI to B賽道熱度攀升、資本大規模湧入、各類玩家持續加碼佈局，但短期內依然難以誕生全方位對標Palantir的千億級巨頭。這一方面是由於Palantir的技術壁壘短期內難以複製，此外在不同的市場環境下，中國也未必需要一個完整版的Palantir。
Palantir的技術壁壘最難跨越的一點是時間維度上的積累。它的圖計算引擎在反恐、戰場這類零容錯場景裡磨了20年，這些場景裡的Know-how無法通過資本或大規模計算加速。
客戶付費能力則是另一個差異。Palantir有政府百億美元級的合同，這種量級的訂單能養得起頂級FDE工程師團隊長期駐場。國內的政企市場也存在類似的付費邏輯，長期合作的政務、公安、能源類客戶能支撐較重的駐場交付，例如海致科技過去十幾年主要服務的就是這類客戶。
但一旦跨到企業客戶，尤其是民營企業客戶，中國市場的付費邏輯就與美國出現顯著分野。
國內to B市場至今仍是以一次性交付為主導，客戶買的是驗收通過的系統，廠商賺的是當期的項目款，雙方都沒有強動力做長期的產品沉澱。加上國內客戶更願意為硬體、為看得見的功能付費，本體層這種看不見但決定長期能力的價值，很難賣出對應的價格。
這直接壓制了Palantir模式在中國被完全複製的可能性。
正因如此，前述四類“中國Palantir”對標者，短期內幾乎都難以以其現有形態跑通全端路徑。大模型公司缺乏行業Know-how，其主要精力仍在模型能力本身的迭代上；資料治理公司偏Foundry路徑，缺乏“本體”層，從資料到知識這一步沒人真正做出來；諮詢公司偏項目化交付，很難跑出Palantir式的產品沉澱；產業級AI公司則受限於規模，商業化天花板還沒打開。
這也是為什麼“中國Palantir”這個位置至今仍然空缺，不同類型的公司都在往這個位置逼近，沒有一家真正到達。
但這並不意味著本土AI to B賽道缺乏成長空間。隨著通用大模型技術趨於同質化，模型之間的能力差距持續縮小，產業落地能力將成為未來行業競爭的核心變數。
在“中國Palantir”的競逐中真正能跑出來的公司，需要同時具備至少三種能力：懂底層的圖計算和分佈式系統技術、懂具體行業的業務邏輯、並且願意沉下心做長期的髒活累活。沒有捷徑，也沒有資本市場熱度能替代十年以上的經驗沉澱。
這與AI時代通常的“短平快”節奏恰好相反，Palantir本質上是一個更接近傳統重工業的長期生意。
AI to B的行業終局未必是全盤復刻海外模式。中國to B市場的付費結構、客戶偏好、政策邊界與美國顯著不同，本土化的路徑可能孕育出更適配中國場景的頭部玩家，它未必看起來像Palantir，甚至可能不再需要用Palantir作為參照。
這一天何時到來，取決於四類玩家中誰能先完成能力的融合。目前來看，四類玩家中已有公司走出各自的第一步，它們最終可能不會長成Palantir的形狀，但同樣值得下注。(定焦One)