推荐语

当AI巨头纷纷成立咨询公司，企业AI竞争从模型性能转向实际部署与流程融合。

核心内容：
1. AI产业从“平台生态”向“咨询交付”的战略转型
2. 传统软件标准化模式在AI时代面临的挑战与局限
3. AI巨头成立服务实体的具体案例与深层动因

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

在全球AI产业进入大规模应用爆发的前夜，一个显著而深远的策略性转向正在重塑AI厂商与企业客户之间的关系。

过去三十年，企业软件的主流商业逻辑是“平台加生态”。SAP、Oracle、Microsoft 等厂商提供标准化软件、数据库、云平台和开发工具。埃森哲、德勤、普华永道、IBM Consulting、TCS、Infosys 等咨询与系统集成公司承担业务蓝图、数据治理、本地化实施和变革管理。

软件或云厂商赚取许可证或订阅收入，服务商赚取人天和项目收入，企业客户在两者之间完成复杂转型。

这个分工曾经非常有效。它支撑了 ERP、CRM、HCM、供应链系统、云迁移和 SaaS 的黄金时代。

公开报道显示，Anthropic 在 2026 年 5 月宣布与 Blackstone、Hellman & Friedman、Goldman Sachs 等机构共同成立一家新的企业 AI 服务公司。

这家公司将作为独立实体运行，嵌入 Anthropic 的工程与合作资源，面向中型企业，把 Claude 带入核心业务运营。

几乎同一时间，OpenAI 也被多家媒体报道正在与 TPG、Bain Capital、Brookfield、Advent 等私募和资产管理机构推动名为 The Deployment Company 的企业 AI 部署合资平台，目标同样是帮助企业把 AI 真正放进业务流程。

Google Cloud 也在持续强化 Gemini Enterprise、行业解决方案和合作伙伴体系，把 AI 从工具调用推向企业级工作流重构。

大家很快把这件事概括为：AI 巨头向咨询行业宣战。

这句话有夸张成分，但方向并没有错。模型公司发现：企业 AI 的最大瓶颈已经不在模型，而在部署、流程、组织和治理。

一、比如SAP 模式的边界：标准化软件为什么不够了

传统企业软件的成功建立在一个基本假设上：企业流程可以被抽象、标准化、配置化。

SAP 的伟大之处，正在于它把财务、采购、库存、生产、销售、人力资源等企业活动抽象为一套可复制的流程语言。Oracle、Salesforce、Workday、ServiceNow 等公司也沿着类似逻辑发展：软件厂商封装通用能力，咨询生态负责把这些能力嵌入具体企业。

在这个模式里，软件功能相对确定。系统怎么记账、怎么审批、怎么创建订单、怎么生成报表，大体可以通过配置、接口和二次开发完成。复杂性主要来自客户行业差异、组织流程差异和历史系统差异，因此交给第三方生态处理是合理的。

但 AI 不是传统软件模块。

大模型的能力是概率性的，输出会随上下文、提示词、模型版本、数据质量和工具调用方式变化。Agentic AI 更进一步，它不仅回答问题，还要拆解任务、调用系统、生成草稿、触发流程、等待人工确认，甚至在某些条件下执行业务动作。

这就让“产销分离”的旧体系出现功能性脱节。模型厂商如果只提供 API，第三方实施商未必理解模型能力边界；实施商如果只懂流程和系统集成，又未必能处理幻觉、模型漂移、评估集、提示词治理、RAG 质量、工具权限和数据边界。企业客户夹在中间，容易得到一个看起来很聪明、但无法进入生产环境的演示系统。

这正是 AI 巨头开始走向重型化服务的根本原因。

企业购买 AI，是为了业务结果。银行希望缩短授信审批周期，制造企业希望降低计划异常和库存波动，医疗机构希望减少医生文书负担，客服中心希望提升一次解决率，软件团队希望缩短从需求到代码的周期。对管理层而言，模型能力只有进入这些指标，才算真正创造价值。

问题在于，模型不会自动变成业务结果。

二、Palantir 模式的回归：AI 公司为什么需要 FDE

Palantir 长期实践的重型交付路径。

Palantir 的核心组织发明之一，是前瞻部署工程师，即 Forward Deployed Engineer，通常简称 FDE。FDE 不是传统售前，也不是普通实施顾问。他们更像是带有业务视角的架构师和工程师，直接嵌入客户现场，在真实数据、真实流程和真实约束里构建系统。

这种角色的关键，不只是“懂技术”，而是同时承担三件事：理解客户业务、编写和调整系统、把现场经验反向带回产品。

在传统系统集成模式下，客户需求通常沿着“客户、咨询方、厂商研发”的链条传递。反馈周期长，信息损耗大，一线问题很难快速变成产品能力。在 FDE 模式下，反馈是闭环的。工程师在现场看到数据清洗困难，就会推动 ETL、知识库和数据连接能力优化；在法律、医疗、金融场景里发现长文本推理偏差，就会推动评估和上下文能力改进；在多个银行反复构建类似信贷审核 Agent 后，就会把通用流程抽象成可复用的行业组件。

这就是服务驱动的产品进化。

AI 时代重新放大了 FDE 的价值。因为大模型要真正进入企业，必须在业务语境中被训练、约束、评估和运营。提示词不是一句咒语，RAG 不是接一个向量库，Agent 也不是套一个工具调用框架。它们都需要在真实流程里反复校准。

这也是为什么 Anthropic 的公告里反复强调，工程团队要坐到客户业务人员身边，理解医生、IT 人员和一线员工的工作方式，再围绕真实流程构建工具。多家媒体把 OpenAI 和 Anthropic 的新动作与 Palantir 的 FDE 模式联系起来，并不是偶然。

AI 巨头需要的不只是销售团队，而是能进入客户现场、理解业务流程、重构工作方式、长期维护系统的前线工程组织。

它们不是简单地“做咨询”，而是在建立模型商业化的下一层基础设施。

三、为什么是合资公司：AI 巨头的估值工程

更值得玩味的是，AI 巨头并不是简单把咨询团队并入母公司，而是选择与私募和资产管理机构成立合资公司。

这背后有非常精密的财务和战略设计。

第一，是保护核心毛利。

模型公司希望资本市场把它们看成高增长、高毛利、高技术杠杆的平台型公司。专业服务则是劳动力密集型业务，毛利通常低于软件和模型订阅。如果把庞大的咨询团队直接放进母公司报表，可能会稀释其科技公司估值叙事。通过合资企业承接服务业务，模型公司既能获得交付能力，又能避免母公司财务结构过早变重。

第二，是杠杆式扩张人才。

企业 AI 交付需要大量工程师、解决方案架构师、行业专家、数据工程师和项目负责人。用 Blackstone、Goldman Sachs、TPG、Bain、Brookfield 等资本方的资金来扩张，可以减少对模型研发资金的占用，也能更快收购或吸纳成熟 AI 服务团队。Reuters 的报道已经提到，OpenAI 和 Anthropic 相关合资平台正在接触可帮助企业部署 AI 的服务公司，意图吸纳数百名工程师和顾问。

第三，是精准获得企业入口。

私募和资产管理机构掌握大量组合公司。这些公司通常有明确的降本增效压力、较强的董事会驱动力和相对集中的决策链条，但又缺乏大型企业那种成熟 AI 平台团队。它们是企业 AI 落地的理想场域。对 AI 巨头而言，这是一条比传统销售更快的分发通道。

第四，是把 AI 变成资本运营工具。

对私募机构来说，AI 服务公司不只是一个投资标的。更大的价值在于把 AI 用到自己的组合公司里，提高运营效率、改善利润率、推动估值重估。AI 不再只是技术采购，而变成投后管理和企业改造工具。

这就是为什么这类合资公司如此重要。它们既想获得 Palantir 式深度定制带来的护城河，又想保留模型公司轻资产、高估值的叙事。它们既是服务公司，也是分发网络、学习机器和估值工程。

四、传统 IT 服务业的通缩压力

AI 巨头下场做企业服务，对传统咨询和 IT 服务业构成的冲击，并不只在客户争夺。

更深的冲击来自服务劳动本身的自动化。

传统 IT 服务商建立在“劳动力杠杆”上。大量初级工程师、测试人员、维护人员和交付顾问，承担编码、配置、测试、文档、迁移和运维工作。管理咨询公司则通过合伙人、项目经理、顾问金字塔完成诊断、方案、访谈和汇报。

AI 会同时压缩这两座金字塔的底部。

代码生成、测试脚本生成、系统文档整理、流程访谈摘要、业务规则抽取、报表草稿、迁移脚本和知识库构建，都会被 Agent 部分自动化。一个小型 FDE 团队配合 AI 工具，可能完成过去一个更大外包团队才能完成的交付物。

这会带来 IT 服务业的通缩：同样的项目，所需人天减少；同样的成果，客户愿意支付的人工溢价下降；同样的实施工作，价值从“执行人力”转向“架构判断、行业经验和模型能力”。

印度 IT 服务商已经最先感受到这种压力。TCS、Infosys、Wipro 等公司过去既是 AI 巨头的合作伙伴，也是企业系统实施的主要承包商。现在，OpenAI、Anthropic 等模型公司进入企业服务，本质上是在它们的利润池上方架设新入口。

咨询公司的独立建议权也会受到挑战。

过去，咨询公司可以作为相对中立的技术选型顾问，帮助客户比较 SAP、Oracle、Microsoft、Google、AWS 等不同方案。但当咨询公司与 AI 巨头建立更深的联盟、认证和路线图绑定时，它们会越来越像特定平台的外围执行团队。

服务商不会消失，但价值会重新分层。低上下文、可模板化、可自动化的交付工作会被压价；真正稀缺的是能定义业务问题、设计 AI 行动边界、整合多系统、多模型和多团队的高阶架构能力。

这也是“服务即软件”的另一个版本。过去软件帮助服务人员工作；现在 AI 开始把一部分服务工作固化为软件本身。原本流向中间商的利润，会被模型公司、平台公司和掌握行业模板的交付组织重新分配。

五、AI 巨头的最大诱惑：从模型供应商变成架构定义者

如果只卖 API，模型公司面临一个危险：模型能力可能变成智力大宗商品。

今天领先的模型，几个月后可能被追平；今天的上下文窗口、推理能力、代码能力、多模态能力，很快会成为市场标配。企业客户最终会比较价格、延迟、安全、合规和生态，模型供应商的议价权可能下降。

但如果模型公司通过 FDE 和服务团队进入企业工作流，它的身份就发生变化。

它不再只是提供一个“智能引擎”，而是在定义企业如何拆解任务、如何组织 Agent、如何设计审批、如何接入 ERP 和 CRM、如何建立评估指标、如何处理异常、如何让人和 AI 分工。

这就是从模型供应商到架构定义者的跃迁。

当一家公司定义了一个行业的任务拆解模式、Agent 交互规范、数据流转逻辑和治理框架，它就不只是技术提供商，而是在成为行业数字基础设施的一部分。

这也是 AI 巨头下场做咨询真正想要的东西。

咨询费是小钱，架构主导权才是大钱。短期收入来自项目，长期价值来自标准、平台、数据、工作流和客户锁定。

留、中国市场：肥沃土壤与结构性壁垒并存

如果把这个趋势放到中国市场，会出现一个很有意思的局面。

一方面，中国企业对 AI 的态度非常积极。公开调研普遍显示，中国企业和公众对 AI 应用保持较高乐观度，制造、金融、能源、政务、医疗、零售、交通等行业都有强烈的效率提升需求。很多企业不是不想用 AI，而是不知道如何把 AI 稳定放进生产流程。

另一方面，中国企业的 AI 能力结构并不均衡。许多企业缺少专职 AI 团队，缺少既懂业务又懂模型的复合型人才，AI 治理制度也处在早期阶段。大量项目仍停留在知识库问答、办公助手、报表生成和单点自动化，距离核心流程重构还有很长距离。

这意味着，中国市场天然需要重型交付。

但中国市场也有结构性壁垒。

第一，服务付费意愿仍然不足。很多企业愿意为硬件、云资源和软件许可证付费，却不一定愿意为高溢价的咨询和工程服务持续付费。FDE 模式如果无法证明明确 ROI，很难大规模复制。

第二，行业数字化基础差异巨大。同样是制造企业，有的已经完成工业互联网和数据中台建设，有的仍停留在设备孤岛和手工报表阶段。如果每个项目都采用高成本 FDE 模式，交付成本会失控。中国厂商必须把重型服务逐步产品化，把行业经验固化为模板、组件和低代码工具。

七、企业真正需要警惕的风险

AI 巨头做咨询和服务，对企业当然有价值。它能缩短从试点到生产的距离，帮助企业获得稀缺工程能力，也能把最新模型能力更快带进业务。

但企业不能因此把 AI 战略外包给模型供应商。

第一是平台偏见。

如果一家 AI 巨头参与诊断你的业务问题，它天然会把自己的模型、工具、云伙伴和生态能力放在方案中心。这未必错误，但企业不能把它误认为完全中立的战略建议。

第二是锁定风险。

企业 AI 一旦进入核心流程，就会沉淀大量提示词、评估集、工具接口、业务规则、Agent 状态、审计记录和员工使用习惯。如果这些资产全部绑定在单一模型和单一服务体系上，未来迁移成本会很高。

第三是治理风险。

AI 服务公司如果同时代表模型供应商、资本方和客户利益，责任边界会变复杂。谁对模型错误负责？谁拥有实施过程中形成的行业模板？客户数据是否会反向用于产品优化？资本方是否会优先推动组合公司采用某一技术路线？这些问题如果不提前写进合同和治理机制，就会在项目深入后变成组织风险。

第四是能力空心化。

很多企业可能会把 AI 改造完全交给外部服务公司，希望对方直接交付结果。这在短期内有效，但长期看很危险。AI 会进入企业的工作方式、数据结构和决策机制，企业如果不建立自己的产品、数据、流程和治理能力，就会在最关键的智能化阶段失去主导权。

这与过去 ERP 或云迁移不同。ERP 可以外包实施，但企业必须掌握流程蓝图；云可以外包迁移，但企业必须掌握架构原则；AI 可以借助外部工程师部署，但企业必须掌握智能行为的边界。

八、CIO、CTO 和管理层该如何重新选择 AI 伙伴

面对 AI 巨头咨询化，企业最重要的不是拒绝，而是重新设计采购和合作方式。

第一，不要从模型开始，而要从经营问题开始。

企业应该先明确哪些流程存在高频、可衡量、可干预的痛点，例如销售跟进、客服分流、采购异常、财务对账、代码迁移、合规审查、知识检索和运营分析。AI 服务商可以参与解决问题，但不应替企业定义所有问题。

第二，评估供应商的交付工程能力，而不只是模型榜单成绩。

企业需要问：供应商是否有 FDE 或类似前线工程组织？是否懂行业流程？是否能接入核心系统？是否能设计评估集？是否能处理权限、审计、合规和人工兜底？是否愿意对业务指标承担一定责任？

第三，把 AI 项目放进企业架构，而不是放进创新实验室。

真正有价值的 AI 项目一定会碰到身份、权限、数据、系统接口、审计、人工审批和责任归属。企业必须建立 AI 治理控制面，决定哪些模型可以用，哪些数据可以进入上下文，哪些工具可以调用，哪些动作必须人工确认，哪些结果需要持续评估。

第四，坚持多模型和可迁移原则。

企业不必在每个场景都使用多模型，但架构上应该保留模型路由、替换和对比评估能力。否则今天的实施效率，可能变成明天的议价劣势。

第五，要求能力转移，而不只是项目交付。

好的 AI 服务项目不应只交付一个 Agent 或一个自动化流程，还应交付评估方法、提示词治理、工具接口规范、审计机制、运营手册、内部培训和业务负责人能力。企业需要让自己的团队从项目中长出来，而不是永远依赖外部前线工程师。

第六，用结果衡量，而不是用热闹衡量。

AI 项目的指标不应是上线了多少个助手、调用了多少次模型、做了多少场培训，而应是流程周期缩短多少、错误率下降多少、人均产出提升多少、风险事件减少多少、员工是否真正改变了工作方式。

如果这些指标不能被定义和持续追踪，所谓企业 AI 咨询很容易变成新一轮昂贵试点。

AI 巨头不是在卖咨询，而是在争夺工作系统的定义权

AI 巨头倾向于建立自有咨询和专业服务团队，并不是对传统生态模式的简单否定，而是面对 AI 技术复杂性和业务重塑深度做出的必然选择。

在 SaaS 时代，软件公司卖的是工具和席位。在 AI 时代，最有野心的公司想卖的是结果和产能。要卖结果，就不能只站在 API 后面；要交付产能，就必须进入客户流程；要进入客户流程，就必须理解业务、数据、权限、治理和组织行为。

这就是 Palantir 模式重新获得关注的原因。它代表的不只是重服务，而是一种新的企业 AI 商业化逻辑：模型、工程、业务和产品必须形成闭环。

未来几年，企业 AI 市场会出现一个新的分层。

第一层是模型和基础平台，决定智能能力的上限。

第二层是行业解决方案和 Agent 工作流，决定能力进入场景的速度。

第三层是治理与运营体系，决定 AI 能否长期留在生产环境。

第四层是组织再设计，决定企业能否真正把 AI 转化为经营杠杆。

AI 巨头成立咨询公司，正是因为它们发现，仅仅占据第一层已经不够。真正的价值会在第二层、第三层和第四层释放。

对咨询行业来说，这是一次压力测试。对 AI 公司来说，这是一次能力扩张。对企业来说，这是一次主导权考验。

最危险的企业，会把这件事理解成“终于有人能帮我们做 AI 了”。

最清醒的企业，会把它理解成另一个问题：当模型公司、资本方和咨询交付组织一起进入我们的核心流程时，我们是否有足够的架构能力、治理能力和业务判断力，决定 AI 应该如何改变我们自己？

AI 巨头不是突然想做咨询，而是在争夺企业智能化的控制入口。企业也不是在选择一家服务商，而是在决定未来自己的工作系统由谁定义。