用一个关键词总结Palantir AIP：Enterprise AI

推荐语

Palantir AIP重新定义企业AI：不是炫酷的模型，而是真正解决数据孤岛与业务流程痛点的操作系统。

核心内容：
1. 企业AI的三大核心痛点：数据割裂、流程复杂、安全合规
2. Palantir AIP的三大突破：统一语义层、业务对象抽象、内置安全治理
3. 典型应用场景：从"对表说话"到"对业务说话"的智能决策革命

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

很多AI产品强调的是模型本身，参数量多大、推理多快、效果多好。但企业真正痛苦的地方，并不是模型不够聪明，而是数据在各个系统里割裂，ERP、MES、CRM、PLM、IoT平台、Excel…每一块都是孤岛。业务流程高度复杂，跨部门、跨系统、跨国家，流程长到没人敢轻易动。安全与合规极度刚性，等级保护、国别合规、权限体系、审计追踪，一个环节出问题就可能是事故。

大部分AI应用停留在某个点上做一个Demo或PoC，看起来很酷，但上不了生产、接不进流程、控不了风险。这就不是企业要的Enterprise AI。

Palantir AIP的核心定位恰恰相反，它不是从模型出发，而是从企业运行系统出发，把AI变成这个系统的智能层和决策层。用Enterprise AI来概括AIP，有三个关键含义，一是面向企业，而不是面向个人或开发者玩具，从设计之初就假定多系统、多团队、多权限、多审计，是常态。二是企业级操作系统，而不是若干离散应用，数据、逻辑、流程、身份、治理，都在同一个底座里被统一描述和管理。三是AI作为嵌入业务的决策引擎，而不是陪聊，而是干活，AI不只是回答问题，而是驱动工作流、写回系统、推动业务状态变化。

AIP如何适配企业级现实世界呢？是通过复杂系统的统一语义层本体（Ontology）来实现的。要做Enterprise AI，第一件事不是上模型，而是让企业复杂世界有统一语义。Palantir在Foundry/Gotham时代就打磨出的本体（Ontology），在AIP中继续扮演基础角色。

我们把企业里的核心概念抽象成对象，比如制造业种的设备、产线、工单、物料、质量事件、供应商…，金融业中的客户、交易、产品、风险因子、事件、文档…，能源业中的资产、工况、场站、工单、告警…。并为这些对象定义属性与关系，包括结构化属性（温度、数量、金额…）、时序属性（时间序列传感器数据、价格走势…）、文档与附件（合同、检测报告、会议纪要…）、地理位置（坐标、区域、多边形…）等。

每个对象背后可能是多个系统的联接，比如SAP的一张表+MES的一张表+IoT平台的一串时序数据。这意味着在AIP里，AI不直接对表说话，而是对业务对象说话。比如模型不是在问“table_X中的column_12”，而是在问这个工厂过去30天的停机最高风险设备是哪些？对应的维修记录和供应链风险是什么？这就是典型的Enterprise AI思路，先把复杂世界抽象成统一语义，再让AI插在这个语义层之上。

权限、安全、审计从一开始就默认存在。一般AI产品的路径是先做一个炫酷的Demo，然后企业一问这个数据谁能看、谁不能看？模型能不能看到敏感字段？操作记录、决策记录、谁在什么时候看了什么，能不能审计？很多产品就卡死了。

AIP则反过来，安全和治理是系统的前置条件。AIP有统一的身份与权限模型，用户、组、角色，继承企业现有的IAM体系。权限粒度可以细到对象级（Object）、字段级（Property）、操作级（Action）。AI运行受同一权限约束

，模型读取数据时，继承调用者的权限视图。AI不能越权看到人看不到的东西。而且有全链路审计，哪个Agent调用了哪个工具、访问了哪些对象、推荐了什么决策、谁最终点击执行全部留痕。回溯和合规审查时，有清晰的AI决策轨迹。诸如此类设计，都是典型的Enterprise级别要求。所以，Enterprise AI不是企业用一下AI，而是AI完全融入企业安全与治理体系。

在AIP里，典型的场景是AI Agent以企业数据为上下文，基于本体理解当前状态（What’s going on?），AI提出若干可执行的决策选项，并给出理由（What could we do?），人在界面上审阅这些选项，选择其中一个或调整后执行（What will we do?），由AIP调用工具/系统接口，下发到实际业务系统中，改变状态（Make it happen）。这套模式，把企业的工作拆成三个角色：人负责制定目标做最终责任决策，AI负责理解、预测、生成方案，流程/系统负责执行、记账、留痕。这个三角结构，是典型的Enterprise AI结构，而不是单点问答+人工去点系统的弱集成方式。

AIP不是一个模型，而是模型生态与工具生态。从AI这个半边看，AIP做的是把模型工业化地嵌入到业务里，而不是换个LLM皮肤。API的多模型编排中LLM只是一个组件而已。在AIP的视角里，LLM是推理与生成引擎，但它不是唯一智能，大模型负责长文本理解、生成、规划、多轮对话。传统模型负责预测（需求预测、风险评分）、优化（排产、调度）、控制（MPC控制器）。规则引擎负责强约束、红线规则、必须执行的边界条件。

AIP更像是一个模型编排平台，某个Agent可先调用LLM做问题理解和策略规划，再调用特定的预测模型获得关键数值，再调用优化算法或规则引擎，生成满足约束的可执行方案。最后通过工具接口写回业务系统或触发流程。这种混合编排结构，是典型的Enterprise AI，而不是把一个ChatGPT放在系统前面。

AI模型不是直接看世界，AI是通过工具与企业世界交互。在AIP的逻辑里，模型不直接连数据库、连系统，而是通过工具（Tools）。查询工具按语义从本体中检索对象和关系。写入工具创建记录、更新字段、触发流程。还有很多域特定工具，比如制造业的工具生成排产方案、计算OEE、评估换线成本；金融业的工具计算风险暴露、情景分析、压力测试；供应链的工具重算供应方案、运力规划、库存调拨方案。这有两个好处，一方面安全可控，工具本身实现权限校验、输入校验、输出规范；模型只能用这些安全接口。二是可治理和复用，工具是企业级资产，可以在多个Agent、多条流程之间复用，形成AI化API目录。所以，AIP里的AI，不是直接操作世界的黑箱，而是通过治理良好的工具目录，与企业世界交互的智能层。

在很多产品里，Agent就是一个拟人化的聊天机器人。在AIP的语境下，Agent更接近虚拟岗位。数据上下文规定了这个Agent有权访问哪些对象、哪些系统、哪些历史案例。工具能力决定了这个Agent能调用哪些工具，能做哪些行动。业务场景则规定了这个Agent专注于某个流程如排产、质量分析、投资决策、危机响应…。协作方式方面明确了Agent是辅助一线员工？辅助管理者？还是在后台自动运行，生产告警与建议？

一个企业可以围绕角色与职责构建自己的Agent体系，比如：生产优化AI Planner、供应链风险AI Analyst、投资尽调AI Researcher、财务预测AI Co-pilot。这就是Enterprise AI，AI成为组织结构中的角色，而不是一个孤立应用。

Palantir AIP的Enterprise AI架构实现了从数据到决策的闭环，AIP的Enterprise AI架构可以拆成四层：第一层是数据与本体层，把真实世界的数据（系统数据、传感器数据、文档、日志）映射成统一本体，形成企业数字孪生的语义界面。第二层是智能与模型层，包括大模型+传统预测模型+优化算法+规则引擎，借助统一的工具接口，对本体进行查询与写入。第三层是流程与协同层，包括Dataflow（数据流），有ETL/ELT、特征构建、数据准备。AI flow（智能流）有模型调用、推理过程、Agent策略。Workflow（业务流）有审批、确认、任务派发、人机协同。第四层是体验与控制层，提供了不同角色的界面，如驾驶舱、任务面板、对话界面、控制面板。权限、安全、审计、监控、指标跟踪。这四层最终形成一个闭环：数据变化→AI发现模式&风险→生成可执行方案→人审核或自动执行→写回系统→数据再变化…。

Palantir AIP的Enterprise AI架构与传统IT系统最大的区别是，传统系统是流程驱动数据变化，而AIP的Enterprise AI是智能驱动流程选择与变形。

Enterprise AI和传统企业软件有本质不同。AIP和传统的企业软件（ERP、MES、CRM等）以及上一代企业信息化本质区别包括如下几个方面：

（1）从预定义流程到智能决策+动态流程

传统企业软件先由咨询+SI帮企业定义流程、配置系统。然后大家严格按这个流程走，系统负责记账和督促。AIP的Enterprise AI模式是流程里有大量决策节点，过去完全靠人拍脑袋，AIP把这些决策节点显性化：哪些是基于经验？哪些是基于数据？哪些可以基于模型？然后用AI去承接、增强、甚至主导这些决策，并把结果反馈回流程。结果是流程不再是死的，而是会根据智能的判断动态调整。

（2）从报表+BI到行动直接写回业务系统

传统信息化强调报表和看板，给用户一堆数据、一堆指标，让用户看得更清楚。至于看完之后怎么做，需要用户自己去别的系统点点点。AIP的Enterprise AI更强调在问题界面里，一次性完成：识别问题→诊断原因→生成方案→选择方案→下发执行指令。AI给用户的不只是洞察，而是已经准备好的操作选项。执行不是导出一个PPT再开会，而是通过工具直接写回业务系统。这就是Enterprise AI的区别，不只负责看，更要负责干。

（3）从单一场景应用到企业级AI操作系统

很多企业在AI上的现状是一地鸡毛式创新，这个部门找外包做了个智能质检。那个部门找咨询做了个预测模型。另一个部门接了个对话机器人。最后结果是三个PoC，三个孤岛，三个运维包袱。AIP的定位恰恰相反，它希望成为一个统一底座，在这个底座上数据共享语义，但权限各自控制。工具有统一治理，但可以多版本、多部门复用。Agent能基于统一本体理解企业，不用重复造轮子。从这个意义上看，Enterprise AI可以理解为：一整套让企业在统一平台上，持续、可控地迭代AI能力的操作系统。

站在企业实践的角度，把AIP当作Enterprise AI操作系统，一个比较现实的落地路径通常是：

（1）选一个高价值+可控范围的起始场景

比如制造业的某条产线的产能优化+停机预测。供应链场景中的关键物料的补货策略+风险监测。投资场景中的某一类资产（如半导体、AI）的研究与尽调协同。公共安全/国防场景中的某一类事件的感知与响应流程。场景要够痛、边界要清晰、参与者可明确。

（2）先打好本体和工具，再上Agent和Workflow

很多企业会反过来，先要一个酷炫的Agent，但那只是一个壳。更可行的路线是首先针对场景建好本体（Ontology），把相关对象、关系建起来。把现有系统的数据对齐到本体。把关键动作封装成工具（查询工具、写入工具、域特定工具）。再基于这些底层能力，定义一个或多个Agent和相应Workflow。这样，AI是建立在扎实企业语义+工具之上的，不是悬空炫技。

（3）把人-机协同设计成产品体验的一部分

Enterprise AI一定不会是AI完全替代人，而是有哪些决策必须人确认？哪些阈值以上，AI只能给建议不能自动执行？哪些领域需要专家在环的审阅？出错或争议时，如何通过审计日志回溯整个链条？AIP本身提供了很多支撑能力，但企业需要自己把这些选择固化成界面、权限和流程。

（4）让每一次Agent决策都变成训练企业的组织记忆

在AIP里，每一次AI参与决策的过程，都有能力被记录下来。比如当时的上下文，数据状态、对象关系、文档引用。Agent的推理轨迹，调用了哪些工具，做了哪些判断。人的反馈，采纳了哪个方案、修改了哪些参数、最终执行结果如何。随着时间推移，这些记录会变成企业的组织记忆，下一代的Agent可以吸收这些成功/失败案例，更新自己的策略。

（5）在新场景中引用旧案例。

这个可以帮助新员工快速理解“我们公司在这类问题上通常怎么决策”。这就是Enterprise AI的长期价值，它不只是一个算力工具，而是一个帮助企业逐步数字化、结构化经验与智慧的平台。

AIP实现了从AI产品到Enterprise AI操作系统的跃升。Enterprise AI这个关键词最能总结AIP。Enterprise AI关心的不是把模型跑起来，而是把企业运转方式升级成人+AI+流程的新范式。Enterprise AI解决的关键不是问答效果好不好，而是能不能在安全、合规、可审计的前提下，让AI真正驱动业务决策与执行。Enterprise AI提供的不是一个个孤立应用，而是一个统一的平台和操作系统，让企业可以持续、体系化地把AI融入核心经营活动。一句话概括，不是企业在用AI，而是AI成为了企业的一部分，这才是真正的Palantir AIP所代表的Enterprise AI。