【文/网专栏作者 心智观察所】

在过去一年里，全球AI软件领域出现了一种颇具象征意义的分化：

一边是Salesforce这样的标准化订阅制SaaS巨头，持续推出AI功能，却面临收入增速放缓、资本市场反应平淡；

另一边则是Palantir——一家起家于政府与情报系统、长期以“定制化”“重交付”著称的公司，却在AI应用浪潮中实现收入加速与股价重估。

这一对比背后，隐藏的是一个更深层的变化：AI正在改变软件的价值交付方式。在这个背景下，中国的第四范式，正越来越多地被拿来与Palantir相提并论。

为什么AI时代重新“奖励”Palantir这样的公司？

先简单交代背景。

Palantir是一家美国软件公司，最早为政府、军方和情报机构提供数据分析系统，其核心产品并不是某个具体应用，而是把分散的数据、模型和业务流程整合成一个“决策操作系统”。后来，它把同样的能力推广到医疗、制造、能源等行业，用于支持复杂决策和跨系统协同。

近年来Palantir接连拿到大型政府与企业合同，例如被报道的与美国陆军达成的长期企业级协议（未来十年上限约100亿美元）以及面向海军舰船供应链和核潜艇项目的数亿美元合同。这些都不是简单的软件授权，而是把Palantir平台作为“军方运作中枢”来部署，这类合同同时带来大量长期收入与高切换成本。

在民营部门，Palantir的Foundry在医疗与制造供应链优化等场景里，显示了“把数据流、排班、库存、预测等不同系统合成一个决策视图”带来的实际经营改善：例如提升排班与资源利用、提前识别瓶颈，从而直接量化节省与效率提升，而这类改善比起“一个插件功能”更像是把客户的运营方法论做了重构。

图自Palantir官网

Palantir这类公司与Salesforce有着根本不同的逻辑。

Salesforce代表的是云计算时代的典型成功范式：企业业务流程具有高度共性，软件可以高度标准化，按用户数或模块订阅收费即可规模化增长。但AI的价值，恰恰往往不体现在“有没有某个功能”，而体现在是否介入关键决策、是否真正改变业务结果。

在AI应用中，决定成败的往往是：

数据是否可用、模型是否贴合具体业务、结果是否可解释、责任如何界定。这些因素高度依赖企业自身的流程与历史系统，很难被完全标准化。Palantir的做法不是试图把AI做成“通用功能”，而是把AI深度嵌入客户的真实运作体系之中，一旦上线，替代成本极高。

也正是在这个意义上，资本市场开始重新认识这类“看起来不够轻”的公司：它们增长未必线性，却一旦嵌入成功，就拥有极强的长期黏性。客户一旦把关键决策放在对方平台之上，迁移成本极高。因此市场愿意对这类企业给予溢价。

顺便一提，Palantir这家硅谷神秘而硬核的AI巨头最近宣布，绕过大学，直接招聘高中毕业生，如果成功转正，年薪直接给到17万美元。他们不看成绩单，不看竞赛奖项，只看一样东西：你解决真实问题的能力。

第四范式在做什么？从中国语境看“同构性”

如果把视角转向中国，第四范式所处的位置，恰恰落在这一变化的交汇点上。

第四范式是一家成立于2014年的中国人工智能公司，长期服务于银行、能源、制造、零售等大型组织，核心业务是把AI模型用于具体、垂直的业务场景中，例如金融风控、设备故障预测、供应链优化等。这些并不是面向大众的通用应用，而是直接嵌入企业关键系统的“内核能力”。

在第四范式2025Q3季报沟通会上，公司管理层对自身路径做了一个颇为坦率的总结：早期确实以项目制为主，为大型客户交付完整的AI系统；但在不断实践中，他们逐渐把“如何在垂直场景中训练、部署和复用模型”的方法论沉淀下来，形成了名为“先知”的AI平台。这一平台不直接替客户写业务系统，而是为合作伙伴和客户自身提供模型与决策能力的“底座”。

这一转型逻辑，与Palantir从“为单一客户做系统”走向“平台化操作系统”的过程高度相似。

不过，中国市场的特殊性，使得第四范式不得不走一条更“重”的路线。

在沟通会上，公司反复提到一个现实问题：在中国，尤其是在信创（信息技术应用创新，即国产软硬件替代）背景下，客户预算高度集中在硬件与算力采购上。国产GPU和服务器买回来了，但“怎么用起来”成为最大难题。于是，第四范式不得不通过“软硬一体”的方式交付，把模型、平台与算力适配打包，先解决可用性问题，再谈软件价值。

这也解释了一个外界常见的误解：看财务报表，第四范式毛利率不算高，甚至被认为“像在卖硬件”。但从公司披露的信息看，硬件本身几乎不贡献利润，其目的在于为平台和模型创造落地入口。拆分来看，先知平台的软件部分正在体现规模效应，净利润也从持续亏损走向盈亏平衡。

此外，第四范式的管理层在多次公开场合中都比较坦率地承认，公司早期的业务形态，更接近“AI解决方案公司”：每拿下一个大客户，团队就需要深入对方的业务现场，从头梳理流程、理解数据、训练模型、再把系统完整交付。这种方式虽然能解决问题，但高度依赖人力，项目之间难以复制，规模扩张也非常受限。

真正的转折，来自于公司在大量项目实践中逐渐意识到一件事：不同客户的业务场景虽然各不相同，但“把AI用起来”的路径，其实是有共性的。

比如，无论是银行的信用风控、零售的推荐系统，还是能源企业的设备预测维护，表面看是完全不同的行业，但在AI落地过程中，都会反复遇到类似问题：业务目标是什么？哪些数据与这个目标最相关？模型效果好不好该如何衡量？模型上线后，如何与原有系统协同运行？如果效果偏离预期，该从哪里调整？

正是在反复回答这些问题的过程中，第四范式逐渐形成了一套内部方法论，管理层将其称为“北极星指标”。简单来说，北极星指标并不是一个单一的数字，而是一种把企业战略目标、业务指标和AI模型效果串联起来的工作方法。