研究了 Palantir 之后，我对"企业管理"有了 5 个完全不同的理解

2025 年，Palantir 营收 44.75 亿美元，同比增长 56%；客户数同比增长 34%，逼近千家；市值一度站上数千亿美元。但这家公司最值得管理者研究的，不是它的算法有多先进，而是它把"软件"做成了"组织操作系统"。

外界总在问：为什么一家卖数据分析平台的公司，能让美国军方、情报机构、顶级律所、百年建筑企业都"离不开它"？

答案不在技术，在组织。 Palantir 真正的产品，是一套让组织变聪明的方法论——而这家公司自己，就是这套方法论的第一个试验田。

最近，我顺着 Palantir 官方博客、年报，以及 Karp 的《The Technological Republic》做了一轮深挖。下面这 5 个问题，是我认为每一个管理者都该认真回答的。

一、组织架构如何升级：把"听得见炮火的人"和"造炮的人"分开，又打通

传统企业是职能烟囱：研发归研发，交付归交付，销售归销售。问题是一线遇到的最难的问题，要穿过层层转述才能触达后方；等炮火到位，战场早变了。

Palantir 的解法是一个"双轨制"：

• 后台是 Dev（Software Engineer）：隶属于 Product Development，做的是"一个能力，服务多个客户"——造平台、沉淀通用能力。
• 前台是 FDE（Forward Deployed Engineer，前沿部署工程师）：隶属于 Business Development，做的是"一个客户，多种能力"——常驻客户现场，把平台拼装成解决具体问题的方案。

更反直觉的是它的"扁平与授权"。Palantir 的工程师说："没有经理告诉我具体做什么、怎么做，我和团队共同决定架构。"FDE 被"快速赋予责任、被信任做重要决定"。

最妙的一点是"反向驱动产品"：FDE 在前线拼出的解决方案，常常沉淀回核心产品——"我们最有价值的一些产品增项，就源自一线。"于是形成了"客户现场 → 产品"的闭环。

给管理的参考： 1. 把"前端（懂业务、贴客户）"与"后端（做平台、沉淀能力）"分离又打通，让一线能直接呼唤中台。 2. 用"驻场 + 授权 + 回灌"机制：让听得见炮火的人不仅有权决策，还把经验系统化反哺组织。 3. 衡量一个组织的敏捷度，看的是"一线问题回到中台并被产品化"的速度，而不是汇报层级的数量。

二、组织的知识资产如何搭建：把专家脑子里的东西，"搬"进系统

最扎心的案例，是顶级律所 Kirkland & Ellis。

这家全球顶级律所用 AI 系统，把合伙人几十年的基金组建经验——哪些条款怎么谈、哪些风险怎么规避、哪些客户有什么偏好——全部结构化，变成了系统的"记忆"。结果：一个入职两年的律师，现在能调用合伙人才有的判断力。

这直接动摇了传统人才培养的底层假设——"经验靠时间积累"。当组织知识被结构化、可被 AI 调用，"时间"这个变量的权重就在下降。一个"结构化知识平台 + AI 辅助"的 2 年员工，可能比没有这些工具的 5 年员工产出更高。

Palantir 把这件事做到了极致，靠的是 Ontology（本体）。它把分散在 ERP、CRM、工业库、传感器里的数据，统一映射成"对象、属性、链接"（名词），再用 Action/Function 表达"动词"（流程逻辑）。专家的判断，被写进 Action/Function 的逻辑里。

• 知识在个人脑子里 = 人走茶凉、不可复用；
• 知识在系统里 = 随人员流动仍持续复利，且能被 AI 直接调用。

给管理的参考： - 别只让专家"写培训文档"。要设计"知识结构化"项目——把他做判断的逻辑、依据、例外情况，系统记录下来。 - 真正的人才壁垒，不再是个人能力，而是组织知识的可复用程度。 - HR 该牵头做的，是让组织意识到：有些知识现在不沉淀，以后就没了。

三、未来企业内部人机协作模式：人保留"否决权"，AI 做执行与推荐

McCarthy Building（160 年历史的建筑公司）的案例很有意思。它用 AI 构建了 Pulse 运营套件，把现场主管 70% 的时间——填表、对数据、写报告——接管了。现场主管 Dave Evans 说：

"这次合作让我可以专注于对客户和项目团队最重要的事，而不是被淹没在邮件、文档和数据中。"

而且他的工作满意度上升了。

关键是 McCarthy 做了一件很多企业没做的事——每一个 AI 推荐的行动方案，现场主管都有权否决。但每次否决都要写理由，都会变成 AI 下次学习的素材。

这正好对应 Palantir 的核心方法论：human-in-the-loop / decision dominance（人在回路、决策主导）。

• 人类始终掌握"最终提交权"；AI 只负责暂存待审。
• 随着团队信任提升，才逐步扩大 AI 的自主范围（渐进授权）。
• 人类每一次判断，都被记录、被沉淀为组织能力。

Palantir 的 AIP Bootcamp 把这种模式"教"给客户，最打动我的是它的一句话——"授人以渔，也给人鱼吃"（Learn to fish, eat a fish）：Bootcamp 不是抽象培训，而是让客户团队在 1–5 天里，用自己真实的数据、真实的业务问题，亲手搭出可用的 AI 应用；同时建立"以后能自己干"的直觉和能力。它还强调：

• 从聊天到自动化（move from chat to automation）：AI 的价值远不止聊天，而是把流程自动化；
• 让你的 AI 成为你自己的（make your AI your own）：把锁在非结构化数据和员工脑子里的知识产权，第一天就变成客户自己的竞争优势。

给管理的参考： - 岗位设计从"人做执行"转向"人做判断与治理、AI 做执行"。重新审视每个岗位 JD：哪些任务 AI 现在能做？哪些三年内能做 80%？剩下"只有人能做"的是什么？ - 绩效体系要新增"人机协作"维度：员工在和 AI 协作时，否决质量如何？判断有没有让组织更聪明？ - 别只买模型。先用 AIP Bootcamp 式的"实战共建"，让团队在真实问题上长出手感。

四、Palantir 为什么推崇 FDE：技术到价值的"最后一公里"

FDE 是 Palantir 最独特的发明之一。它为什么被极度推崇？因为它解决了一个所有 To B 软件都解决不了的顽疾：技术到价值的"最后一公里"。

FDE 不是顾问（顾问交付一次性分析报告就走），也不是传统实施工程师（按手册部署、验收即结束）。FDE 是"既写代码、又懂业务"的复合体——真正把既有软件产品部署到客户现场，去实现具体的业务成果。

它解决了三件事：

1. 信任：FDE 直接嵌入客户（国防部、车企产线、灾后救援），把高层的业务问题"技术分解"到代码行，在现场持续迭代、建立信任。
2. 场景落地：高大上的平台，落到客户具体的、脏乱的真实问题里，靠的是 FDE 在现场拼装、调通。
3. 反向驱动产品：一线 FDE 发现缺的功能，直接写进核心平台。"一些最有价值的产品增项，就源自现场。"

Karp 在《The Technological Republic》里反复强调：官僚机构是"缺陷系统"，容纳不下真正黑客的探索冲动。 FDE 本质上就是给"黑客精神"一个贴合业务的出口。

给管理的参考： - 培养"懂业务又懂技术"的复合人才，比单纯堆工程师数量重要得多。 - 用"驻场 + 授权 + 回灌"机制，让这类人才既解决客户问题，又反哺组织能力。 - 如果你的交付只是"实施验收"，你卖的是人力；如果能"现场沉淀为产品"，你卖的是杠杆。

五、Palantir 为什么推崇 Ontology：给大模型一张"企业世界的真实地图"

很多人以为 Ontology 就是个"语义层"。Palantir 官方明确说：不是。

Ontology 是"数据 + 逻辑 + 动作 + 安全"四位一体的决策系统。它表示的不是"数据"，而是企业的"决策"。

为什么它这么关键？因为企业最大的提效痛点，是"系统之间无法对话"：口径不一、语义冲突、数据孤岛。两个部门看到的"同一个客户"，可能是两套数据、两种定义。

Ontology 用单一语义层统一口径，把碎片化的系统统一成"对象—属性—链接"，再叠加 Action/Function（动词）和细粒度安全治理。于是：

• 破数据孤岛：所有系统讲同一种"企业语言"。
• 让 AI 真正可用：大语言模型（LLM）借 Ontology 获得"全规模、全保真的企业语义表示"，把组织沉淀的逻辑资产暴露成"AI-ready 工具"。这让智能体超越 RAG（检索增强生成），能在真实业务上"行动"，而不只是"回答"。

一句话：企业 AI 落地的前提，不是再买一个更聪明的模型，而是先建一张"企业真实地图"（本体）。 否则大模型只会对着孤岛数据幻觉。

给管理的参考： - AI 项目失败，八成不是模型不行，而是"企业真实地图"没建起来。 - 把"建本体"当成战略工程，而不是 IT 部门的脏活。 - 没有 Ontology 的 AI 转型，等于给一个不认识你公司的人发了一张全权委托书。

结语：Palantir 真正卖的，是"组织能力"

Palantir 的客户案例，表面都在讲 AI 落地，内核全是组织和人的命题。

律所的知识外部化，颠覆的是人才培养模式；建筑公司的岗位重定义，挑战的是岗位设计方法；否决权机制，重构的是绩效体系；FDE 和 Ontology，则是支撑这一切的两块基石。

最容易看到的失败是：系统上线了，组织却没变。

而让组织变的那个人，应该是你——不是 CIO，不是 CTO，是每一个真正对"组织能力"负责的管理者。

如果今天只能做一件事，建议从这三点里挑一个：

1. 做一个"岗位 AI 化盘点"：哪些任务 AI 现在能做、三年内能做 80%、剩下只有人能做的部分是什么。
2. 启动一个"知识结构化"试点：找一个即将退休/调岗的核心专家，把他的判断逻辑系统记录下来。
3. 下一次绩效面谈，多问一句："过去半年，你在哪些工作中用了 AI？你觉得 AI 的判断哪里不对，你是怎么处理的？"

技术解决不了"谁来做什么、怎么考核、能力从哪来"。这三个问题，是管理者的主场。