独家对话郭建锋：从Palantir到广联达，一条正在成型的产业AI路径

大家好我是秦明最近和朋友讨论Palantir非常多《本体、FDE内外Palantir的真相》。Palantir是过去一年全球AI科技圈最热的学习对象之一。它的技术产品、它的商业模式、它那个从指环王「真知晶球」里借来的名字被反复拆解、反复引用。几乎每一个想讲「AI落地」故事的团队都会在某一页PPT上提到它。但热度背后藏着一个问题人们盯着它今天的样子——高客单价、政企深度绑定、本体与FDEForward Deployed Engineer前线部署工程师——却很少回头看它是怎么一步步走到这里的。我们在研究过程中发现更关键的是Palantir在没有大模型的年代就已经运转了二十年。它真正沉淀下来靠的是另一套范式一套关于「如何让数据产生价值」的方法论。AI到来之后只是把这套范式的天花板抬高了——2023年Palantir营收22.3亿美元2024年增至28.7亿美元同比增长29%2025年再跳至44.8亿美元同比增长56%。三年营收翻倍、增速还在加快AI浪潮成了加速器。而今真正值得问的问题变成了这套范式能不能在中国的工程行业成立成立需要什么条件又有谁已经在按这个逻辑往前走了于是乎我们选择了广联达作为案例来回答。不是因为它是唯一的样本而是因为它足够具体且在中国工程软件领域有着足够的影响力也有对行业走向的明确判断。透过它或许能看清产业AI这条路究竟走到了哪一步。在广联达内部高级副总裁郭建锋几乎是最合适聊这个话题的人。这位清华出身的80后技术高管是典型的「懂技术、也懂产业」的复合型角色早年的经历让他对全球设计软件的范式演进有第一手的体感如今执掌广联达的业务平台和AI工程部又让他站在了「把模型能力翻译成工程落地」的最前线。广联达高级副总裁郭建锋01 大家都在学Palantir但学的是什么要理解Palantir得先承认一个容易被忽略的事实它的强大很大程度来自特定历史周期和复杂政商关系的叠加。后911时代的国家安全需求、In-Q-Tel美国中央情报局出资设立的风险投资机构的早期背书、PayPal帮的人脉网络——这部分是无法复制的也不该被简单照搬到另一个行业。那能学的是什么它解决数据与业务问题的思维打法。郭建锋告诉AI4ELAB过去我们发挥数据价值的方式是先花大代价把数据汇聚到一起治理干净再去里面找价值。问题是这样找到的价值往往有限——比如BI报表之类的东西投入巨大产出却很薄。广联达真正看中Palantir的地方是让数据价值能够发挥出来的新范式——先找到高价值场景围绕高价值场景做本体建模再围绕本体模型去找数据、接入数据形成业务孪生再用AI能力或算法能力去做模拟推演、支撑决策。Palantir的CTO Shyam Sankar有一个直白的比喻计算机存数据的方式是一行行、一列列的表格但人理解世界的方式从来不是这样的——我们看到的是对象是关系是「这个供应商」「这笔合同」「这个项目」之间的连接。本体建模做的就是把数据从表格语言翻译成能直接看懂的业务语言让组织第一次能清楚地「看见自己」。这个次序的翻转是Palantir二十多年真正沉淀下来的核心。不是先有数据再找价值而是先找到值钱的场景再回头决定需要什么数据、怎么建模。正是这套「本体驱动」的逻辑支撑起了它的FDE模式——工程师直接嵌入客户现场围绕真实业务建模而不是卖一套标准化的工具了事。如今AI来了Sankar在一次财报电话会上被问及Palantir的竞争壁垒他的回答核心只有一句优势归根结底来自本体论。在他看来本体论让Palantir站在了AI的「需求侧」而不是和大模型厂商一起挤在「供给侧」。这句话点破了一个本质模型本身正在快速商品化真正稀缺的是把模型能力转化为业务价值的那层结构。Palantir CTO Shyam Sankar当然这套范式并非Palantir独有。这套思路在硅谷也正在被反复验证。dbt的Semantic Layer、Anthropic推出的MCP协议、微软嵌入Fabric的知识图谱——路径各有不同但追求的是同一个目标在AI和企业数据之间建一个真正有语义理解能力的中间层让模型不只是读数字而是读懂业务。Palantir只是最早把这件事做到最彻底、最系统的那一个。所以问题就落到了中国语境工程行业有大量工业级精度要求的场景可靠性要求极高单靠大模型解决不了——同样的输入可能给出不同输出还会产生幻觉。这恰恰是本体论最有发挥空间的地方。换句话说Palantir的范式不仅可能在中国工程行业成立甚至可能比在其他行业更适配。但成立的前提是——得有人愿意承担本体建模那份「重」的投入。02 广联达在做一个中国版本的验证广联达给出的是一个正在进行中的答案。但验证范式的第一步是选对场景。本体建模是一件「重」活——前期要投入大量人力去梳理业务、定义对象、打通数据这意味着切入点不能随便选。郭建锋对这件事有很清醒的判断本体建模不能泛泛来做场景需要什么就建什么边界必须约束清楚否则投入会失控。切入点要同时满足两个条件——场景本身足够高价值且产品产生的价值能覆盖前期建模的重投入。广联达优先选了两个场景项目层面的经营决策和企业层面的经营决策。对应两款产品——PMSmart管项目PMLEAD管企业。「经营决策的价值非常高一个决策影响整个企业的收益」郭建锋说。数字能说明问题。郭建锋告诉AI4ELABPMSmart核心切入的是主材量控目前已在 100企业上千个项目进行了应用平均创效数十至百万元。PMLEAD这边更典型资金决策场景在引入这套系统之前用户对原系统给出结果的采纳率只有20%左右引入之后提升到50-70%多目前已能帮一家建筑子公司每月节约2000万元左右的现金流支出。采纳率这条从20%到70%的曲线本身就是Palantir范式有效性的证据。但更重要的不是单点数字而是这套方法能不能自我强化——这就要讲到本体建模真正的护城河飞轮。郭建锋接受AI4ELAB秦明的访谈郭建锋谈到本体建模的「重」在第一个场景上体现得最充分。但当你把第一个模型建起来做第二、第三个产品时会发现大量本体已经在前面建好了因为业务本身是延伸的、重叠的。于是新场景的边际建模成本开始下降。成本降低原本不划算的场景也能进来场景越多业务模型越强大边际成本进一步降低——一个正向飞轮就此转动起来。本体建模业务飞轮示意这才是产业AI护城河的本质——不是数据本身而是这个越转越快、越转成本越低的本体建模飞轮。Palantir之所以总和企业做长期深度合作根据Palantir官方SEC文件和财报2025年Q1-Q3美国商业客户收入增速各季度均超60%分别为71%、93%、121%Q4单季更达137%核心之一正是在帮对方把这个飞轮转起来。而当能力深入到客户的业务流程里商业模式也必然跟着重构。这就是从SaaS到WaaSWork as a Service再到RaaSResult as a Service的演变——它不是PPT上的三个时髦词而是责任和价值分配方式的根本变化。以AI算量为例。过去卖的是工具授权一个用户几千块钱。现在换个算法一张图纸帮客户省几块钱双方共享省下来的利润客户粘性也更强了——服务方已经深入到客户的业务流程里面。WaaS和RaaS的核心区别在于谁对结果负责。举个例子如果咨询公司用广联达的AI能力、他们自己审核结果是WaaS和广联达联合对外承接业务、共担结果就成了RaaS。背后是一整套关于价值如何在多方间重新分配的设计哪些价值链环节会被AI替代替代之后利益又如何重新切分。AI时代的多种商业模式郭建锋的判断是未来不会所有业务都被AI取代三种模式会长期混合共存。这一点Palantir本身就是最好的样本——它从来不是单一形态一边用标准化的平台订阅做规模化扩张一边靠FDE深扎进客户的运营现场把软件价值和客户的真实业务结果牢牢绑在一起。规模化的SaaS与深绑定的服务本就在同一家公司里并存。广联达的验证证明了产业AI的实现在工程行业不是不可能但它需要的不仅仅是一个更快、更强的基础模型还需要结合更深的业务建模能力以及愿意为之承担重投入的耐心。03 产业AI的下一步把视线放到整个行业会看到一个更完整的产业AI图景。产业AI不是把大模型用到工程行业那么简单它是把通用智能装进行业本体里——模型提供智能本体提供边界和语义两者合起来AI才能在工程这种严肃场景里真正可用。顺着这条逻辑往前推有三个思考。第一基础模型会越来越便宜本体会越来越重要。通用智能的商品化是挡不住的趋势谁也守不住——今天还领先的模型半年后可能就被追平。真正稀缺、而且越用越厚的是领域本体那一层。这是供给侧最确定的一个慢变量。第二工程行业的垂直Agent平台可能将出现。当大型玩家开始把核心能力通过MCPModel Context Protocol模型上下文协议、API标准化开放出来行业的创新层级会随之上移——创业者更多在成熟的能力平台之上做场景创新。而且任何企业都能把自己最核心的业务能力、行业know-how封装成可调用的能力单元skill开放出来。当可调用的能力足够多、足够标准一个面向工程行业的垂直Agent平台将成为可能——它把散落在各产品里的能力聚合、编排起来。届时用户只需描述需求系统就能跨产品调用能力、动态生成界面完成任务。第三产业AI正在从一个概念变成一条可被验证、可被复制的路。这条路不是凭空设想。Palantir用二十多年走通了它的前半段——从2003年的一纸情报合同到2025年近45亿美元营收的数据帝国证明了「本体驱动」这套范式在严肃场景里能成立、能赚钱、能滚起来。而在中国工程行业这条路才刚开始有人走清楚广联达是走得比较靠前的一个。方向已经清楚真正值得关注的从来不是某一家公司的成败而是这条路本身。它正在从一个被反复引用的概念变成一种可被验证、可被复制的产业现实。以上如果觉得不错随手点个赞、在看、转发三连吧也欢迎给AI4ELAB个星标⭐以便您第一时间收到推送谢谢阅读下篇内容再见。