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。

在实际操作中，这套方法会先从企业的核心目标出发，例如“降低坏账率”“提升库存周转”“减少设备停机时间”，再向下拆解出可以量化的关键指标，并据此反推：哪些数据是必要的，模型应该优化什么，最终AI的输出如何直接影响业务结果。这样一来，AI不再是一个“看起来很先进”的技术项目，而是明确服务于某个业务结果的工具。

当这种方法在多个行业、多个项目中反复验证后，第四范式开始做一件更重要的事情：把“如何做这件事”的过程本身产品化。这正是“先知平台”的由来。

先知平台并不是替客户写业务系统的软件，而更像是一条“AI工厂流水线”：它把数据接入、特征工程、模型训练、评估、部署和持续迭代这些原本高度依赖人工经验的步骤，尽可能标准化和自动化。这样一来，当进入一个新的客户或新的行业场景时，团队不再需要从零开始“手工搭建”，而是可以在既有框架内快速生成适配模型。

与此同时，第四范式也逐步调整了交付方式。过去，需求理解、系统集成、模型开发几乎全部由自己完成；而现在，公司更倾向于与熟悉客户业务的软件公司或系统集成商合作。这些合作伙伴负责需求梳理、本地实施和系统对接，第四范式则专注于提供模型能力和平台工具。通过这种方式，原本高度依赖“人天”的端到端项目，被拆分为“平台能力+合作伙伴实施”的组合，交付效率和覆盖面都显著提高。

这种转变，与Palantir的发展路径有着明显的相似之处。Palantir早期同样以重度定制项目起家，后来通过Gotham、Foundry等平台，把数据整合和决策支持能力抽象出来，让同一套平台可以服务更多客户、更多场景。不同的是，第四范式所面对的是中国市场更复杂的IT环境和国产算力背景，因此在形态上更偏重“方法论+平台+生态协作”的组合。

从结果来看，这一转型的意义在于：第四范式不再只是“为某个客户做一个AI项目”，而是在尝试成为让更多企业“更容易把AI用到关键业务里”的基础设施提供者。这正是它被视为“中国式Palantir路径探索者”的根本原因。

水务大模型示意图图源：第四范式官网

放在中国软件版图中，第四范式站在哪里？

如果把第四范式放进中国软件产业的整体坐标系，它的独特性会更加清晰。

金蝶、用友、金山办公等做得非常好的是把云订阅与行业化产品结合，形成稳定的ARR（例如金蝶云订阅持续增长、用友云服务规模化），这是中国企业数智化的基石，但它们的商业模式与“把AI深度嵌入到国企/军工/复杂工业决策中”的模式并不完全重合。金蝶、用友擅长企业级管理软件与行业化云，而金山办公则在组织协作与文档协同领域用订阅实现高速扩张——这些企业的价值在于“广度+稳定的经常性收入”，而非单一客户的深度嵌入。

这些公司在中国长期扮演“把人力+交付能力带给大型客户”的角色。它们可以承接大规模落地工程、负责项目实施，但本质上更像“劳动力放大器”而非“把决策埋在平台里”的长期运营方。近年来，这些公司也在布局“全栈AI/云边端”能力（例如中软国际强调全栈AI产品与服务），并在行业内形成许多标杆案例，但要从“做工程”升级为“成为客户核心决策平台提供商”需要长期沉淀与很高的产品化能力。

与金蝶、用友这类企业管理软件公司相比，第四范式并不试图覆盖广泛的通用管理场景，而是聚焦“决策密度最高”的环节；与金山办公这样的订阅制SaaS相比，它不追求用户规模，而是追求在少数大型客户中深度嵌入；而与中软国际、软通动力等IT外包与系统集成公司相比，第四范式又不是以人力交付为核心，而是试图通过平台化，把“做模型、做决策能力”的部分标准化、规模化。

这使它处在一个相对稀缺的位置：既不完全是SaaS，也不只是外包，而更接近“组织级AI基础设施提供商”。

从这个角度看，市场把第四范式与Palantir对标，并非因为两者业务完全相同，而是因为它们试图解决的是同一类问题：如何让AI成为大型组织运转的一部分，而不是一个可选工具。

中国要走出自己的Palantir路线，还需要什么？

如果把第四范式视为一个样本，而不是孤立公司，那么问题就不再只是“它像不像Palantir”，而是：中国企业如何走出一条符合自身环境的AI应用之路。

从目前的实践来看，有三点尤为关键。

第一，中国的AI应用公司必须接受“早期不轻”的现实。

在算力、数据和流程尚未高度标准化的阶段，深度嵌入不可避免地意味着更重的交付、更长的周期。这并不是战略错误，而是产业阶段决定的成本。

第二，平台化与合作伙伴体系是规模化的唯一出路。

第四范式在沟通会上反复强调，通过合作伙伴来承接需求理解和系统集成，把自身聚焦在模型与决策能力本身，是降低边际成本、释放规模效应的关键。这一点，对于所有想做“AI基础设施”的中国公司都具有参考意义。

第三，真正的护城河不在模型，而在“被用起来的程度”。

无论是Palantir还是第四范式，真正决定长期价值的，都不是算法参数，而是其系统在客户业务中承担了多关键的角色。一旦AI成为不可替代的决策节点，商业模式和估值逻辑都会随之改变。

以Salesforce和Palantir为代表，从通用SaaS到嵌入式AI平台，软件产业正在经历一次深刻转向。第四范式未必会复制Palantir的路径和规模，但它所代表的，是中国AI应用公司在现实约束下的一种探索方向。

这条路不轻、不快，也不性感，但如果走通，它所构建的，将不只是一个公司的增长故事，而是中国在AI应用层面形成长期竞争力的关键一环。