一、从模型崇拜到ROI账本
6月10日，市值超过3000亿美元的数据分析巨头Palantir首席执行官亚历克斯·卡尔普（Alex Karp）在接受访谈时，对当前大模型前沿实验室给出了颇为直接的评价。卡尔普指出，不仅是普通公众，许多私营企业对前沿实验室也普遍存在不满，因为这些模型公司往往不够了解客户的实际业务，而更关心如何实现“Token（词元）最大化”。在他看来，AI真正的价值在于如何落地实现，且至少在接下来的数年里都会是行业的核心命题。
就在卡尔普发声的同一周，Anthropic和OpenAI接连传出推进IPO的进展，模型层的资本热度仍在延续。然而，作为从企业服务市场厮杀出来的巨头掌舵人，卡尔普的发言点破了技术供给方与企业需求方之间的阶段性错配。Palantir在AI浪潮中的市值提振，恰恰受益于其独特的定位——它不直接研发底层大模型，而是专注于让AI在企业的真实业务中安全运行，即提供数据整合、流程嵌入和持续迭代的能力。
这种商业分野的背后，代表着两条截然不同的产业路径。模型公司的商业逻辑往往依赖Token的消耗量，通过更长的上下文窗口和更密集的计算来体现技术演进。但对企业客户而言，落地的逻辑是以更低的资源成本、更短的链路在真实场景中解决问题。Palantir通过其AI平台（AIP），尝试让企业在私有网络中接入大模型并结合自身数据，在保障商业机密的前提下嵌入工作流，其竞争优势本质上源于对客户业务流程的理解。
在国内的科技圈，类似的产业反思和落地实践也在同步发生。
二、从“数据平台”到“智能体网络”
明略科技（2718.HK）创始人吴明辉在此前探讨AI应用时曾谈到，行业当前的痛点不仅在于模型能力的强弱，更在于如何打通企业内部的数据隔阂、理解具体的业务场景并建立起安全信任。这种视角与海外同行的判断有着相似的底层逻辑，但在具体的演进路径上，中国企业正呈现出不同的解题思路。
如果说Palantir的核心解法是构建“统一数据底座加上大模型接入和私有部署”，那么国内的演进则更倾向于将大模型进一步包装为具备角色属性的“数字同事”，即强调Agent（智能体）的协作网络。
这种差异首先体现在对企业数据的挖掘深度上。Palantir较为擅长处理结构化和半结构化的传统企业数据，而国内的落地实践已经开始将触角延伸到人脑、交流中那些尚未被形式化的“暗默知识”。例如明略在今年5月推出的AI原生录音硬件Octic，其核心目的就是为了抓取并转译日常会议与交流中散落的信息，将其安全转化为智能体可调用的记忆资产。
在落地形态上，双方也走向了不同的组织架构。Palantir的AIP更偏向于一个功能稳固的平台，供企业调用AI能力。而明略的尝试则更具有网络效应，如明略提出的Octo智能体网络，让每个业务角色都拥有专属的Agent。目前，明略内部1400多名员工，总共拥有超过2900个AI Agent，这些Agent在真实工作流中相互协作与互审。
三、寻找中国市场的AI解法
卡尔普给行业的启示，或许并不是提供了一套可供直接复制的Palantir标准模板，而是明确了AI下半场的竞争标准。
在美国市场，Palantir的模式依赖于极强的头部资源关系和相对较长的交付周期，这类似于构筑一艘庞大的航空母舰。然而，面对中国市场碎片化的场景、多元的客户结构以及极致的ROI（投资回报率）要求，“航空母舰”式的平台往往显得过于沉重。
明略科技等国内企业的实践表明，更适合本土土壤的可能是一个让千艘小船自组织协作的网络。通过构建开源可信的智能体网络，让不同规模的企业和部门能够低门槛地配置自己的AI Agent，并在安全可审计的环境中流动协作。
AI产业的上半场是技术指标与模型的军备竞赛，而下半场则是真实商业场景的落地之战。大模型实验室作为引擎的提供者，其历史价值毋庸置疑，但如何将引擎组装成车、开上复杂的商业公路，则需要更多深谙行业know-how的落地推动者。
新闻来源 (不包括新闻图片): 有连云