原文：The AI Services Wave: Lessons from Palantir in the New Age of AI，Joe Lonsdale（Palantir 联合创始人）+ 8VC 团队，2024 年 10 月
”被嘲笑的咨询公司”如何变成不公平优势
Palantir 加入 S&P 500 的那个月，Joe Lonsdale 写了这篇文章。他坦言，二十年来主流看法一直把 Palantir 当成”glorified consultancy”——一家服务公司，不是真正的技术创新者。这个判断基于一个事实：Palantir 的工程师花大量时间和客户坐在一起，而不是在硅谷的办公室里写产品。
但 Lonsdale 认为这恰恰是 Palantir 的不公平优势。团队把这批人叫做 Forward Deployed Engineers（FDE），他们痴迷于理解客户日常工作的每一个细节、业务模型和痛点。早期国防和情报客户的工作流程极其复杂，Palantir 没有经验，只能嵌入现场边做边学——这种”被迫”后来变成了方法论：在客户现场迭代平台，把具体需求抽象为通用组件，再应用到其他场景。
关键句：“Services have supported product revenue, not vice versa”——服务是产品的养料，不是反过来。年复一年，配置和人力投入在减少，而平台能做的事情在爆炸式增长。对于那些认为”一家公司要么是产品公司，要么是服务公司”的人来说，这仍然是反直觉的。
AI 时代的万亿美元机会：Services as Software
随着 LLM 的到来，“服务公司”突然变得性感了。AI 可以自动化混乱的、基于语言的人类工作流，甚至在捕捉错误和处理边缘情况上比人类更好。但 AI 不会在所有场景都完全替代人，因此**混合模式（AI + 人类运营）**往往是解决客户真实问题的最佳方式。
8VC 估算，美国服务业每年在 AI 可替代的工作职能上支出 5 万亿美元工资。很多行业在过去二十年全要素生产率（TFP）下降了，尽管 IT 支出在增长。问题出在：SaaS 通常只被用在非核心业务上，核心流程仍然是纸质或老旧系统。
8VC 投的一批公司代表了新范式——不是卖软件给这些行业，而是直接用 AI + 垂直整合的技术栈和服务对手竞争：
- Candid：医疗账单处理
- Loop：货运审计和支付
- Reserv：保险第三方管理
- Landbase：销售线索生成
这些公司提供和传统竞争者类似的服务，但用 AI 驱动更高的利润率和不可同日而语的服务质量（更快、更便宜、7×24）。核心逻辑：把大块人力从 COGS 中移除，既改变利润结构，又让业务更容易规模化。
四条建设原则
原则一：映射完整的业务 Ontology
Palantir 发展出了”业务 ontology”的概念——定义一个公司所有运营背后的数据 schema 和工作流。Ontology 由 data（数据）、logic（逻辑）和 action（行动）组成，本质上是业务流程地图（BPM）。
对于 AI Services 公司，第一步是映射 as-is 的端到端 ontology：今天工作是怎么完成的？每一步涉及哪些对象、数据和操作？每个对象有哪些状态和关系？这种全景式映射让你看清哪些环节该自建、哪些该外购、哪些该优先自动化。
Lonsdale 特别指出一个反直觉的顺序：大多数人以为先整合数据，再推导出 ontology，但实际是反过来的。在任何大型组织中，数据散落在无数格式和位置。Ontology 先建立结构，才能系统性地解决数据整合问题。Palantir 之所以成为数据整合和企业 AI 的领导者，就是因为在 20 年前就把 ontology 作为第一性原理。
SaaS 公司的 ontology 映射的是”客户工作流 → 软件”的关系；AI Services 公司的 ontology 更复杂，需要映射”客户 ↔ 员工 ↔ 软件系统”的三方关系。这要求同时具备技术文化和运营文化，并让两者形成正反馈循环。
原则二：痴迷于指标
有了 ontology，才能看清该测量什么。SaaS 公司的 KPI 已经标准化了，而且高毛利给了它们对运营指标不够精细的容错空间。服务公司恰恰相反——价值创造更复杂、更不可见，选错指标会直接导致 P&L 出问题。
Ontology 驱动的指标分析能揭示隐藏的杠杆点。比如在客服场景中，你可能发现”问题分类的准确性”比”初始响应速度”对整体解决时间和满意度的影响更大。Reserv 自动化理赔流程的部分环节后，能追踪影响不只是处理速度，还包括下游的客户满意度和现金流。
8VC 表现最好的服务公司有一个共同特征：他们不只是测量指标，而是活在指标里。每个人，无论角色，都能说出自己的关键指标以及自己的工作如何推动这些指标。
原则三：结合有机增长和收购增长
2010 年代风投普遍对收购式增长持警惕态度——很多时候 M&A 是产品缺陷或销售不力的创可贴。但 AI Services 的范式不同：收购传统服务公司可以解决冷启动问题（高监管壁垒、高切换成本的行业），让团队在早期集中精力验证技术驱动的利润率改善。
数学上很诱人：一家 15% 利润率的传统服务公司可能按 1x 收入交易；一家做好了的 AI 服务公司可能有 60% 利润率和更高增长率。投入 1 亿美元收购传统竞争对手，整合进 AI 平台后可以创造约 6000 万美元的现金流，按 10x 估值就是 6 亿美元的权益价值。
Lonsdale 把这描述为”下一阶段美国产业的核心载体”——最好的技术通过收购+整合的方式渗透进整个经济体。
原则四：组建适配的团队
SaaS 浪潮的赢家普遍拥有强技术文化和快速迭代能力。AI Services 浪潮对团队的要求更苛刻：需要同时拥有顶尖技术人才和顶尖运营人才，而且他们必须真正协作、互相学习、互相喜欢（“actually like each other”）。
技术人才不仅需要 AI 和软件开发能力，还需要对服务运营的细微之处保持好奇和尊重。运营专家则需要拥抱新技术、愿意重新思考既定流程——甚至包括替代自己的流程。
Palantir 的 Forward Deployed Engineers 是这种文化的原型。在当时，把工程师派到客户现场对硅谷顶级科技公司来说是完全陌生的做法。招到同时具备技术、运营和沟通能力的人极其困难，但在 AI Services 领域这种招聘理念是必需的。不意外的是，8VC 投资的很多 AI Services 公司的创始人和早期员工都是 Palantir 校友。
核心归纳
文章最后的押注：即使 AI 进化在今天停滞，仅仅把激进的效率带入 2 万亿美元的服务业工资支出，就已经是巨大的价值。这不是在赌 AGI 能”自己搞定一切”，而是在赌 AI + 人类运营的混合模式能在可见的未来重塑一个又一个行业。
从 Palantir 的经验中提炼出的四条原则——先建 ontology、痴迷指标、有机+无机增长、混合团队——不是理论框架，是 20 年实战沉淀的方法论。