FDE Wiki

深色模式

海外案例 ​

给想看清「FDE 这套打法在海外到底交付出了什么」的人。20 条有公开来源的案例，含 4 条失败与回摆。每条标了证据等级，数字都写了口径。

阅读前请先看 README 里的证据等级约定：A = 一手可独立核对，B = 一方自述、来源可点开但无第三方核实，C = 二手转述或行业流传。等级低不等于假，等级低意味着不能拿去当统计引用。

本页按五组排列：Palantir 系（G1–G7）、前沿实验室系（G8–G12）、独立交付商（G13–G17）、企业内部团队（G18）、失败与回摆（G19–G20）。

本页目录 ​

一、Palantir 系 ​

G1 Palantir × Airbus，A350 产能爬坡与 Skywise ​

证据等级 A。

背景与问题。 2015 年夏，Palantir 伦敦办公室的工程师 Nabeel Qureshi 被派往法国图卢兹。客户是空客，题目由空客最高层亲自定：把 A350 的月产量从 4 架爬到 8 架，再往 16 架走。注意题目的措辞——不是「升级数据基础设施」，是「每个月能下线几架飞机」。Qureshi 在图卢兹住了一年半，每周四天泡在总装厂里；因为 A350 的部件在英国、西班牙、德国、法国四国生产，他常年在四国之间飞。

难在哪。 飞机在总装线各站位之间流转，上一站留了什么尾巴靠车间口口相传，缺件散落各处，质量问题的处置记录躺在另一个系统里。要回答「79 号飞机现在什么状态」得问好几拨人。所有生产数据锁在 SAP 里，表名长得像 S3F1_Z，字段含义只有极少数 IT 老兵说得清。

FDE 做了什么。 团队没有先在现有 SAP 表上搭报表（那样两三周就能演示，但界面上仍然是字段代号的世界），而是先花几周建了一个概念映射层，把外星表名映射成「零件、工单、飞机、站位」这些人和业务真正使用的概念，再在上面搭应用。代价是前期几乎没有可演示的东西，客户会问「你们这几周在干什么」。映射完成后做出统一界面，Qureshi 形容为「造飞机版的 Asana」：班组长打开屏幕就能看到 79 号飞机在 31 站、剩这些工单、零件在哪、历史上同类质量问题怎么处置。

结果。 制造节奏当年提升约 4 倍（当事人自述，播客交叉印证；空客官方未单独发布过归因数据）。这段合作长成了空客与 Palantir 共建的 Skywise 航空数据平台，Skywise 于 2017 年发布，如今服务上百家航司。当年那个概念映射层就是 Palantir ontology（本体） 的起源，后来成为 Foundry 最大的差异化功能。

教训。

  1. 客户用什么语言描述任务，你的交付定义就该是什么语言。听到自己把任务复述成「升级数据设施」时警惕——你正在把一个价值上亿的问题降级成一次 IT 采购。
  2. 遇到外星表名，先别急着出报表。检验标准只有一条：一线的人能不能用自己的话向系统提问。
  3. 「前期没东西可演示」的压力是真实的，扛法是把映射层的进度本身变成可汇报的里程碑。
  4. 端到端只为眼前这个客户建，抽象和规模化留给后方产品团队。

来源。 Nabeel Qureshi《Reflections on Palantir》（当事人一手自述）；Lenny's Podcast 对谈 Nabeel Qureshi（补充任务措辞、SAP 表名、四国飞行细节）；Palantir 官方推文确认合作始于 A350 产能爬坡。

G2 Palantir × Tampa General Hospital，护理协调 ​

证据等级 B。

背景与问题。 坦帕总医院（Tampa General Hospital）是佛罗里达州的大型学术医疗中心。病床、麻醉恢复室（PACU）、转院接收、脓毒症患者的处置分散在多个系统里，床位与人力的供给和需求无法在同一个屏幕上对齐。

FDE 做了什么。 2024 年医院选定 Palantir AIP，建了一套覆盖全院的 Care Coordination Operating System（护理协调操作系统），把预测出院、床位供给、转运与临床路径放进同一个运营视图。医院方面反复强调的一点是交付节奏的变化：过去以月和年为单位解决的问题，现在以小时和天为单位迭代。

结果（医院与厂商自述口径）。 患者安置时间下降 83%；麻醉恢复室滞留下降 28%；脓毒症患者平均住院天数下降 30%；护理协调项目被医院归因为「帮助挽救了近 600 条生命」。最后这个数字是医院自己的归因计算，无独立审计。

教训。

  1. 医院这类场景的价值不在「AI 回答得准不准」，在于把分散在多个系统里的供需放进同一个视图——这和 G1 的概念映射层是同一件事。
  2. 「挽救 600 条生命」这类归因数字，引用时必须带上归因方和口径，否则会被当成临床试验结论。

来源。 Tampa General Hospital 官方新闻稿（2024 年 6 月）；Healthcare IT News 报道；MedCity News《How Tampa General Hospital's Partnership with Palantir Is Shortening Its Innovation Timelines》（2025 年 2 月）。

G3 Palantir × Cleveland Clinic，虚拟指挥中心 ​

证据等级 B。

背景与问题。 克利夫兰诊所要在床位与照护人力有限的前提下，尽可能多接收来自外院的转诊病人。难点是入院、出院、转运（ADT）三条流的预测彼此独立，谁也说不清明天下午还剩几张床。

FDE 做了什么。 在 Palantir Foundry 上建 Virtual Command Center，把入院、出院、转运的预测与床位、照护人力的供给放在一起做匹配。

结果（厂商与医院口径）。 上线后数月内，主院区接收的外院转诊病人增加约 8%。

教训。 值得注意的是这个案例的优化函数写在收入与服务能力侧（多接收多少转诊），不是成本侧（省了多少人力）。同一套技术能力，函数写法不同，长出来的东西完全不同——见 G18 Kavak。

来源。 BD Emerson《Palantir in Hospitals: On Top of the EHR》（第三方综述，转述医院公开表述；8% 这个数字未找到医院官方原始出处，引用前建议再核）。

G4 Palantir × NHS 联邦数据平台（FDP） ​

证据等级 A（合同与议会文件），结果未知**。**

背景与问题。 2023 年 11 月，Palantir 拿下英格兰 NHS 的 Federated Data Platform（联邦数据平台）合同，用于打通全国医院与整合照护系统的运营数据，官方目标是「让数百万患者获得更连贯的照护、帮助削减等待名单、减少出院延迟」。

合同口径（注意这里最容易被引错）。 合同总额常被写作 3.3 亿英镑 / 七年，但这是最高上限（随着更多 trust 接入才会用满），可覆盖至多 240 家 NHS 机构；授予 Palantir Technologies UK Ltd 的公布金额为 1.822 亿英镑。第一期在 2027 年 3 月到期，是否续约需要英国卫生与社会关怀部主动触发延期条款。

结果为什么标「未知」。 截至 2026 年，平台已在英格兰多数急症 trust 上线，NHS England 按季度公布收益数据；但一个跨党派议会委员会已正式建议政府退出该合同，英国医学会（BMA）则指示医生限制参与。2026 年 4 月英国下议院就 FDP 举行过专门辩论。这是本库里少见的「技术已部署、政治结论未定」的案例。

教训。

  1. 公共部门项目的「结果」有两层：运营指标和政治合法性。只交付前者、忽略后者的项目，会在续约节点上被推翻。
  2. 引用合同金额时区分「上限」和「已授予金额」，这两个数字差了将近一半。

来源。 NHS England 合同说明页；NHS England FDP 常见问题；英国议会 Hansard，2026 年 4 月 16 日下议院辩论记录；pharmaphorum 关于 3.3 亿英镑合同的报道；The Conversation《Palantir and the NHS – 10 things you need to know》。

G5 Palantir × 美国国防部 Maven Smart System ​

证据等级 A。

背景与问题。 Project Maven 起于 2017 年的算法战跨职能小组，目标是用 AI 处理卫星、无人机等传感器产生的海量影像，快速发现、识别、跟踪目标。Palantir 承接的是其中的 Maven Smart System（MSS）。

规模变化。 2025 年 5 月 21 日，美国国防部把 MSS 软件许可的合同上限上调 7.95 亿美元，至接近 13 亿美元、有效期到 2029 年；一年前这个上限还只有 4.8 亿美元。国防部给出的理由是「需求增长」。当时公开的用户规模为超过 2 万名活跃用户，跨 35 个以上的军种与作战司令部工具。新增经费首先覆盖五个作战司令部：中央司令部、欧洲司令部、印太司令部、北方司令部/NORAD、运输司令部。2026 年 Maven 进一步被确立为国防部的 program of record（正式列编项目）。

教训。

  1. 这是「从前线抽象出产品」这条路径最极端的样本：一个最初为特定任务定制的系统，在几年里变成跨多个司令部的通用工具，并最终拿到独立预算。
  2. 合同上限一年内涨 1.6 倍，说明在政府场景里采纳率本身就是最强的销售。

来源。 DefenseScoop《'Growing demand' sparks DOD to raise Palantir's Maven contract to more than $1B》（2025 年 5 月 23 日）；DefenseScoop《DOD components face 'aggressive' timeline for Maven Smart System transition》（2026 年 4 月 15 日）；SpaceNews 报道。

G6 Palantir × Scuderia Ferrari ​

证据等级 B，结果未知**。**

背景。 法拉利车队自 2016 年起使用 Palantir Foundry，技术团队用它围绕赛车性能、开发与可靠性做决策。2022 年 2 月双方扩大合作，Palantir 成为法拉利车队官方合作伙伴，动力单元（Power Unit）工程师用 Foundry 快速整合并分析多源数据，Palantir 品牌出现在赛车与车手赛服上。

为什么标「未知」。 公开材料里没有任何量化结果（圈速、可靠性、开发周期都没有公开数字）。这一条收进来的价值不在结果，在于它是一个赞助与交付混合的合作形态——品牌曝光是对价的一部分，因此案例本身不适合用来论证「FDE 交付带来了多少业务价值」。

教训。 看到「战略合作伙伴」「官方技术伙伴」这类措辞时，先找结果数字。找不到，就把它归到市场合作，不要当交付案例引用。

来源。 Business Wire 官方通稿（2022 年 2 月 10 日）；法拉利官网。

G7 Palantir AIP Bootcamp：把交付前置成获客 ​

证据等级 B。

背景与问题。 企业软件的传统销售周期是 12 到 18 个月：先谈，再 POC，再采购。Palantir 在 2023 年 AIP 发布后换了一套打法。

做了什么。 AIP Bootcamp 是 5 天的现场活动，客户带着自己的真实用例来，由 Palantir 工程师带着从零做出可用的东西。官网页面不标价，只有留资表单。官方博客里的口号写得很清楚：

"Learn to fish, eat a fish. An AIP Bootcamp isn't about abstract learning or using pre-baked apps. Bootcamps enable participants to tackle their real use cases today while developing the intuition and skills to build independently moving forward. Plan to do both."

同一篇博客还提到需求侧的状态：「We have a growing backlog of AIP Bootcamps due to the overwhelming demand.」

结果（二手聚合口径，慎引）。 到 2024 年 6 月累计完成的 bootcamp 超过 1300 场；转化率被广泛引述为 70% 到 75%（不同来源口径不同，有的写「一个季度内转为付费合同约 70%」）；平均单笔交易额超过百万美元。这三个数字都不是 Palantir 官方口径，来自研究机构与财经媒体对财报电话会的汇总，属于二手。

教训。

  1. 培训不是产品，是获客成本。 5 天的免费或象征性收费交付，换来的是六到七位数的年合同和被压缩到数周的销售周期。
  2. 这一招能成立的前提是产品本身能在 5 天里做出真东西。没有这个前提，同样的动作只会变成一次昂贵的售前。
  3. 引用转化率时务必注明是二手数据，Palantir 从未在官方页面公布过这个数字。

来源。 Palantir 官方 AIP Bootcamp 页面（一手，无价格与转化率）；Palantir 官方博客《Deploying Full Spectrum AI in Days: How AIP Bootcamps Work》；GTM Foundry《Palantir's Bootcamp GTM Strategy》（二手分析，转化率与单笔金额出处）。

二、前沿实验室系 ​

OpenAI 的 Forward Deployed Engineering（FDE）团队由 Colin Jarvis 领导，公开自述的定位是：进入企业现场，解决「价值在数千万到数十亿美元量级」的问题，交付可进生产的 LLM 应用，而不是做长期咨询。团队规模从 2024 年初的 2 人涨到 2024 年底的约 52 人。方法上强调 eval 驱动开发、深度嵌入业务领域、确定性组件与概率性组件的配比、以及从单个客户的方案里抽出可产品化的部分。

G8 OpenAI FDE × Morgan Stanley ​

证据等级 B。

背景与问题。 摩根士丹利的财富管理顾问需要在数十万份研究报告里找答案，传统检索方式让报告的实际使用率很低。

做了什么。 OpenAI FDE 团队与摩根士丹利共同交付了面向财富顾问的 GPT-4 助手，重点在检索质量、评测框架与合规护栏，而不是模型本身。

结果（OpenAI 团队公开自述口径）。 财富顾问中的采纳率 98%；研究报告的使用量增至原来的 3 倍。

教训。 采纳率是这类案例里最硬的指标，因为它无法靠口径注水——没人用的系统做不出 98%。反过来说，任何只报「准确率」不报「采纳率」的企业 AI 案例，都值得多问一句。

来源。 ZenML LLMOps Database 对 Colin Jarvis 访谈的整理《OpenAI: Forward Deployed Engineering: Bringing Enterprise LLM Applications to Production》。

G9 OpenAI FDE × John Deere ​

证据等级 C。

背景。 John Deere 是 OpenAI FDE 团队在起步阶段的第一批客户之一（团队自述）。项目是给农户提供 AI 驱动的农事建议。

结果（二手转述，慎引）。 多家媒体转述称，该部署帮助农户减少约 70% 的化学品用量，并使客户互动量增至 6 倍。这两个数字没有找到 OpenAI 或 John Deere 的官方原始出处，只在二手报道与聚合分析中出现，因此本卡定为 C 级，不建议作事实引用。

教训。 这一条收录的意义是提醒：FDE 领域大量流传的「客户 + 数字」组合是二手的。 看到一个漂亮的数字，先找它的第一手出处；找不到就降级。

来源。 MarketScale《OpenAI's $150 million enterprise push puts forward deployed engineers inside client operations》（二手）；John Deere 作为团队早期客户的表述见 ZenML LLMOps Database 整理。

G10 OpenAI FDE × Klarna 与 T-Mobile：从客户现场长出产品 ​

证据等级 B。

背景与问题。 Klarna 的客服场景里有 400 多条政策规则，最初的做法是人工为每条政策写 prompt——不可维护。T-Mobile 的客服场景被 OpenAI 团队描述为「复杂度是 Klarna 的 10 倍」。

做了什么。 团队把「为每条政策手写 prompt」改造成参数化系统。这条路径后来的走向很值得注意：Swarm 这个实验性框架先在 Klarna 得到验证，再在 T-Mobile 的 10 倍复杂度下得到二次验证，加上 GitHub 上的社区反响，OpenAI 才决定把它产品化为 Agents SDK。

结果（团队自述口径）。 FDE 团队整体在客户处实现 20% 到 50% 的效率提升；一家欧洲半导体制造商的早期部门效率节省 20% 到 30%，整体目标 50%。

教训。

  1. 产品化的决策门槛应该是「在两个量级不同的客户现场都验证过」，不是「一个客户说好用」。 这条是本库里最可迁移的一条。
  2. 前线做定制、后方做产品的分工，在 Palantir（G1）和 OpenAI 是同一套逻辑。

来源。 ZenML LLMOps Database《OpenAI / Ramp / Nominal / Dataland: Forward-Deployed Engineering for Enterprise LLM Adoption》；ZenML LLMOps Database 对 Colin Jarvis 访谈的整理。

G11 OpenAI Deployment Company：把 FDE 做成一家公司 ​

证据等级 A（事件本身），结果未知**。**

事件。 2026 年 5 月 11 日，OpenAI 宣布成立 OpenAI Deployment Company，专门帮助企业在核心工作流中构建与部署 AI 系统（官方公告：OpenAI launches the Deployment Company，产品页 openai.com/business/the-openai-deployment-company）。要点：

项内容
初始资金超过 40 亿美元
关键收购收购英国应用 AI 咨询与工程公司 Tomoro，带来约 150 名有经验的 Forward Deployed Engineer 与 Deployment Specialist
Tomoro 背景2023 年成立，与 OpenAI 结盟，总部伦敦，另有爱丁堡与曼彻斯特办公室
股权结构OpenAI 持有多数并控制；与 TPG 领投的 19 家机构合作，Advent、Bain Capital、Brookfield 为联合领投的创始合作方

为什么重要。 这是 FDE 这个岗位在 2026 年最大的结构性变化：前沿实验室不再只是「顺便派几个工程师去客户现场」，而是把交付独立成一家有 40 亿美元资本的公司。 对想入行的人来说，这直接改变了岗位供给的形状；对做 AI 交付生意的人来说，这意味着最上游的模型厂商开始亲自下场做交付。

结果标「未知」的原因。 截至 2026 年 9 月，这家公司成立才四个月，没有任何可核对的交付结果。

教训。 判断一个岗位是不是真趋势，看有没有人愿意为它单独设一家公司、配一笔独立资本。

来源。 digit.fyi《OpenAI acquires Scottish AI firm Tomoro in $4bn deployment drive》；Techstrong.ai《OpenAI Launches $4 Billion Venture for Enterprise Market, Acquires Tomoro》；MediaPost 报道（2026 年 5 月 12 日）。官方公告页 https://openai.com/index/openai-launches-the-deployment-company/ 本次直连返回 403，正文要点经上列多家媒体交叉印证，与 ../09-now/2026-timeline.md 的口径一致。发布日期以官方口径的 2026 年 5 月 11 日为准（部分媒体记为 12 日）。

G12 Anthropic 客户案例集：EvenUp、Spellbook、Notion ​

证据等级 B。

背景。 Anthropic 的 Applied AI 团队承担的是与 FDE 类似的职能：把 Claude 落进企业的真实工作流，并把踩到的坑反哺回产品。官方客户案例页公开了一批带数字的结果。

结果（Anthropic 官方客户页口径）。

客户场景公布结果
EvenUp法律文书起草单份文书从 15 小时降到 15 分钟
Spellbook合同审阅每月完成 53 万份合同审阅
Pictet工程与研究「把数周的工作变成数小时」（无量化）
DXC保险核心系统覆盖「数十亿份保单」的后台（无效率数字）
Deepgram软件工程交付「4 到 10 倍」更耐用的代码（口径不明）
League产品开发开发周期缩短一半

一条值得单独记的观察。 Notion 在 2022 到 2026 年间为把 agent 做进生产环境，完整重建了四到五次 agent 基础设施，才最终发布 Custom Agents。这条比任何效率数字都更接近交付现场的真相。

教训。

  1. 「15 小时到 15 分钟」这类对比要看清分母：它通常指某一类标准化文书，不是全部工作。厂商案例页给的是最好的那个切片。
  2. Notion 的四到五次重建说明：agent 类产品的失败大多不是一次性的，而是反复重来。 给项目排期时，把「会推倒重来」当默认，不是当风险。

来源。 Anthropic 官方客户案例页；ZenML LLMOps Database《Anthropic: Building Production AI Agents: Lessons from Claude Code and Enterprise Deployments》（Notion 反复重建的出处）。

三、独立交付商 ​

G13 Distyl AI × 财富 20 强医保公司 ​

证据等级 B。

背景。 Distyl AI 由前 Palantir 的 Arjun Prakash 和 Derek Ho 于 2022 年创办，判断浓缩成一句话：「The model is not the bottleneck. The operating model is.」他们把 FDE 本身做成商业模式——工程师驻场不走、亲手重建流程、收入和结果挂钩，并自研 agent 平台 Distillery，合同是「平台订阅 + 派驻工程师」打包卖。

问题。 客户最初想要的是一个能问答的 AI 助手，最好一个季度上线。Distyl 的诊断指向另一个方向：如果只把聊天机器人架在现有流程上，分析师该翻的文档还得翻、该等的排期还得等。要动真格，得先花几个月把调查工作流拆开重建，然后才谈部署 AI。

做了什么。 团队驻进客户现场，先重构调查工作流，再部署 AI Insight Engine：分析师用自然语言提问，引擎生成可执行的 SQL、分析结论和可视化。定价原则是能量化结果的场景按结果收费，难量化的用传统服务计费。

结果（Distyl 官网口径，客户名未公开，无第三方审计）。 早期公布的口径是：2000 余名分析师的单次调查从以小时、以天计压缩到分钟级，客户每年节省超过 2300 万美元。截至 2026 年 9 月，Distyl 官网案例页已更新为按场景拆分的口径：事前授权场景「预计节省超 2 亿美元、每月 20 万+ 案件加速审批」，合同场景「年省 1600 万美元、60 万+ 合同变为可查询」，RPM 场景「年省约 5000 万美元、政策更新周期从 12 个月缩到 3 个月」。新旧口径不可直接相加，同一版页面里不同客户、不同场景的数字也不可相加（见 G14 的提醒），引用时请指明你用的是哪一版页面、哪一个场景。按客户拆开的对照表见 ../04-methodology/value-accounting.md 第 6.3 节。

公司层面。 2023 年 4 月种子轮 700 万美元（Khosla Ventures、Lightspeed）；2024 年 11 月跟投 2000 万美元；2025 年 9 月 B 轮 1.75 亿美元、估值 18 亿美元（官方通稿未指明领投方，参与方 Coatue、Dell Technologies Capital、DST Global 跟投）。公司宣称部署项目 100% 进入生产环境（自述口径，无第三方核实）。注意：../01-lineage/fde-as-a-service.md 依据 Crunchbase News 把 B 轮领投方写成 Khosla Ventures 与 Lightspeed，与本卡依据的 PR Newswire 官方通稿不一致；以官方通稿为准，Khosla 与 Lightspeed 是 2023 年种子轮的投资方。

教训。

  1. 客户开口就要 chatbot 时，先陪一个一线分析师把完整流程走一遍，数清楚时间花在哪。时间大头在找数拼数，就先修流程，模型放最后。
  2. 谈按结果付费之前，先和客户财务一起把「节省怎么算」的口径写死。口径算不清的场景老实收服务费。
  3. 「先重构流程，再部署 AI」这个顺序本身就是差异化。信号很好认：如果你的方案不需要客户改任何工作方式，它多半也改不了任何业务数字。
  4. 小公司打大客户，一个可公开引用的数字（比如 2300 万美元）值得多冒一点商业风险。

来源。 Distyl 官网案例页（2026 年 9 月版）；Distyl B 轮融资通稿（PR Newswire，2025 年 9 月）；Yespress 深度报道（运营模式与定价原则）。

G14 Distyl AI × 财富 100 强电信运营商 ​

证据等级 B。

背景与做法。 同样是「平台 + 驻场」的打包合同，场景是客服与运营交互。Distyl 采用的案例写法是匿名客户 + 具名数字：不点客户名，但把成果数字做得很显眼。

结果（官网口径）。 预计运营支出节省超过 2 亿美元；75% 以上的交互由 AI 承接（AI-contained）。

⚠️ 别和 G13 的「2 亿美元」搞混。 Distyl 官网上有两个「预计节省超 2 亿美元」：本条是财富 100 强电信运营商的运营支出，G13 那条是财富 20 强医保公司事前授权场景的成本。两者是不同客户、不同场景，不可相加，也不能合并成一个「Distyl 累计为客户省了多少钱」的数字。同一批官网数字在 ../04-methodology/value-accounting.md 第 6.3 节有按客户拆开的对照表。

教训。 「AI-contained（AI 承接率）」是比「准确率」好得多的指标，因为它自带分母（全部交互）。做客服类项目时，优先和客户约定承接率与升级率这两个指标，而不是准确率。

来源。 Distyl 官网案例页。

G15 Sierra AI × Chime、Airtable、SoFi ​

证据等级 B。

背景。 Sierra 由 Bret Taylor 创办，做面向企业的对话式 AI agent，按解决量（per resolution）计费。它的交付模式是产品加深度实施，接近「产品化的 FDE」。

结果（Sierra 官网客户页口径）。

客户公布结果
Airtable80% 解决率
Chime70%+ 解决率
SoFiNPS 提升 33 个点
Rocket Mortgage转化率 4 倍
Redfin房源浏览量 2 倍
Singtel Group上线周期不到 10 周

一条必须写的纠错。 第三方广泛流传的 Sierra「每次解决 1 到 2.5 美元」或「1.5 美元」的单价，Sierra 官网从无此数字，公司也从未确认，不要采信。

教训。

  1. 按解决量计费把「AI 有没有干活」和「客户付多少钱」绑在了一起，这是目前海外最清晰的一种结果导向定价。
  2. 「上线周期不到 10 周」这类交付速度指标，在评估交付商时比效果百分比更有区分度——效果可以调口径，周期不能。

来源。 Sierra 官网客户页；关于定价的公开表述见 Stripe《Cheeky Pint》播客对谈 Bret Taylor（2026 年 3 月 10 日）转录。

G16 Decagon × Duolingo、ClassPass、Chime ​

证据等级 B。

背景。 Decagon 做面向消费品牌的客服 AI agent，同样是产品加实施。

结果（Decagon 官网口径）。

客户公布结果
Duolingo80% 分流率（deflection）
Chime70% 聊天与语音解决率
ClassPass成本下降 95%；上线时分流率比预期高 10 倍
Hunter Douglas完全由 AI 处理的会话带来 100 万美元收入
OuraCSAT 提升 3 倍
Curology成本下降 65%
Valon语音场景分流率 50%+
Rippling分流率提升 32%

注意一个细节。 Duolingo 的客户在案例里说的不是「AI 多准」，而是「以前每周至少半周时间花在维护他们的系统上」。维护成本是客服 AI 真正的隐藏账单，这一点在国内案例里几乎没人写。

教训。

  1. 同一批指标（分流率、解决率、CSAT）在 Sierra 和 Decagon 的客户页上口径接近，说明这个细分市场已经形成了行业通用口径——这是一个赛道成熟的信号，也是你和客户谈验收标准时可以直接引用的行业基准。
  2. 「成本下降 95%」这类极值要看清基数。ClassPass 的对照物是它原来的外包客服，不是零。

来源。 Decagon 官网与案例页。

G17 Harvey × 律所与企业法务 ​

证据等级 B。

背景。 Harvey 做法律领域的 AI，客户是律所与企业法务部门。

结果（Harvey 官网口径，截至 2026 年 9 月）。 覆盖 70 个国家、2400+ 组织、20 万+ 律师；月度采纳率 92%；典型用户每月节省 25 小时以上；客户包括 A&O Shearman、Dentons、CMS、Reed Smith、O'Melveny & Myers、Vinson & Elkins、Orrick、Blank Rome 等一百多家律所，以及德国电信、Repsol、Bridgewater、KKR、Comcast、宝洁、PwC UK 等企业。官网单独列了一个案例：CMS 通过把 Harvey 变成日常习惯，达到 95% 的采纳率。

教训。

  1. 法律是**「结果难以自动验证、但错误代价极高」**的典型领域。Harvey 能跑起来靠的不是自动化程度，而是把 AI 放在律师的复核之前而非之后。
  2. 律所这类合伙人制组织，采纳率是唯一有意义的指标——没有一个合伙人会因为 KPI 去用一个不好用的工具。CMS 的 95% 值得当作采纳率的天花板参照。

来源。 Harvey 官网客户页。

四、企业内部团队 ​

G18 Kavak：内部技术团队从降本增效走到开疆拓土 ​

证据等级 A（多来源交叉），结果成，但后续估值腰斩**。**

背景与问题。 Kavak 出现之前，墨西哥的二手车交易没有标准、没有质保，欺诈和里程表造假普遍。比车况更难的是钱：传统银行拒绝约 60% 的车贷申请，通过的年利率高到 30%。新兴市场约 80% 的人口因此无法获得汽车。

做了什么（第一阶段）。 Kavak 先定客户体验目标，再组建技术团队去开发买、卖、融资全流程的系统。每辆收进来的车走 240 项检查，在此之上用机器学习按里程、品牌、使用情况预测每个零件需要更换的概率，检测流程提速 70% 以上；定价上把公开行业数据和自己的成交数据合起来算，给出公允且持续更新的价格。

撞墙。 车检干净了、价格公允了、质保也给了，客户站在展厅里点头，最后还是走了——因为贷不到款。这个卡点不在 Kavak 的任何一个系统里，它在别人家的风控模型里，而那个模型看的是征信历史，而这个国家大部分人根本没有征信历史。

做了什么（第二阶段）。 Kavak 自己下场做金融，成立 Kavak Capital：用交易数据和算法评估还款能力而不是看征信历史，客户只需身份、地址、收入证明即可申请，年利率 14% 到 20%（对照银行的 30%）。

结果。 超过 50% 的 Kavak 成交带自家融资，而地区传统行业的平均水平只有 10%。 同期建了 75 个运营中心、90 天免费质保（可延长到 2 年）、7 天无理由退货、库存超 3 万辆车。六年内进入 9 个国家，进入两年内土耳其拿到约 10% 市场份额、阿联酋约 15%，峰值员工约 7000 人。

另一面（必须一起读）。 2021 年估值 87 亿美元，是拉美最值钱的创业公司。2023 年成本上升、扩张受挫，开始裁员，关闭哥伦比亚和秘鲁业务。2025 年三四月间完成 1.27 亿美元新融资，估值被砍到 22 亿美元，跌了 75%（SoftBank 与 General Atlantic 联合领投，另从高盛和汇丰拿到共 2 亿美元授信）。同年全球员工从峰值大幅收缩，管理层被重组，Bloomberg Línea 报道过前员工集体批评客服失灵与管理混乱。

教训。

  1. 优化函数决定了这批人是什么人。 同一批技术能力，函数写成「内部成本」就长出效率工具，写成「客户能不能拥有一辆车」就长出一块占成交一半的金融业务。
  2. 找新市场，去看现有系统正在拒绝谁。 银行拒了 60% 的人，那 60% 就是市场。企业内部要问的三个问题是：我们现在拒绝服务的是谁，为什么拒绝，如果用今天的数据和模型重算一遍还需要拒绝吗。
  3. 遇到「客户体验的卡点不在我们系统里」，别急着划到范围之外。判断标准是你手上有没有对方没有的数据——Kavak 有交易数据和车况数据，银行没有。
  4. 要论证「不只是降本增效」，用一个带对照的数字：自家融资渗透率 50% 对行业平均 10%。
  5. 开疆拓土的优化函数和资本市场的耐心是有冲突的。 估值跌 75%、关掉两个国家、管理层重组，这三件事和 50% 的渗透率是同一个故事的两半。在企业内部做这件事的正确顺序是，先用降本增效的项目建立信用和预算，再把优化函数换到客户侧。

来源。 Emerald Emerging Markets Case Studies（2024 年学术案例研究，摘要）；Harvard Digital Initiative Kavak 数据战略分析（检测提速 70% 出处）；Emergent《Kavak: The King of Used Car Sales》（240 项检查、50% 渗透率、利率区间、运营中心与员工数出处）；a16z 投资公告；Contxto 关于 1.27 亿美元融资与估值跌 75% 的报道；Mexico Business News 关于关闭秘鲁与哥伦比亚业务；Bloomberg Línea 前员工批评报道。保留意见：Kavak 的 NPS 公开资料查不到具体数值，本卡不使用任何 NPS 数字；2026 年 2 月 F 轮 3 亿美元与「已实现盈利」的说法来自二手数据库，无第一手财报佐证，未写进正文。

五、失败与回摆 ​

G19 Klarna：从替代 700 人到回聘人工 ​

证据等级 A。

第一幕（2024 年 2 月 27 日，Klarna 官方通稿）。 Klarna 与 OpenAI 合作的 AI 客服助手上线首月：

指标数字
处理会话230 万次，占客服会话的三分之二
等价人力700 名全职客服
平均解决时长从 11 分钟降到 2 分钟
重复咨询下降 25%
覆盖23 个市场、35 种以上语言
2024 年利润改善预估4000 万美元

通稿称 AI 在客户满意度评分上与人工持平。

第二幕（2025 年 5 月）。 Klarna 公开转向，开始重新招聘人工客服。CEO Sebastian Siemiatkowski 承认，以成本为驱动的自动化带来了「更低的质量」，并承诺客户「只要想要，永远能找到人」。公司转向混合模式：AI 处理高频常规问题，人工处理升级、复杂与高价值场景；新招聘面向学生、乡村劳动者和 Klarna 忠实用户，全远程岗位。

教训。

  1. 上线首月的数字和一年后的数字是两个东西。 引用「700 人」这个数字时，必须同时引用 2025 年的回摆，否则就是断章取义。这条对所有做 AI 交付案例传播的人都适用。
  2. 回摆的直接原因不是模型不行，是指标选错了：优化的是成本和处理量，没有优化复杂与情绪化工单上的满意度。
  3. 「AI 优先、人工兜底」和「人工优先、AI 提效」是两条不同的路，在合同和 SLA 里写清是哪一条，比事后调模型有用得多。

来源。 Klarna 官方通稿《Klarna AI assistant handles two-thirds of customer service chats in its first month》（2024 年 2 月 27 日）；Forbes《Klarna Reverses AI Push, Says Customers Prefer Human Support》（2025 年 5 月 18 日）。

G20 三个反面：Builder.ai / Scale AI / Deloitte 澳洲 ​

证据等级 A。 这三条不是同一类失败，放在一起是因为它们分别打在 AI 交付生意的三个不同要害上。

反面一：Builder.ai——用人力冒充 AI ​

2016 年成立（原名 Engineer.ai），创始人 Sachin Dev Duggal，宣传口号是让做 App「像点披萨一样简单」。2018 年 A 轮 2950 万美元，2023 年融资 2.3 亿美元（投资方含微软、Insight Partners、软银、卡塔尔投资局），估值一度超 10 亿美元，2023 年被 Fast Company 列为最具创新力的 AI 公司前三。

  • 2019 年 8 月，《华尔街日报》报道称 Engineer.ai「大部分编码工作用的是人类工程师而非 AI」，与其营销宣称矛盾。一位 2018 年底入职的高管在 2019 年 2 月提起诉讼，称公司是「smoke and mirrors」。
  • 2025 年 5 月，彭博社指其在 2021 至 2024 年间与印度公司 VerSe 做对倒交易（round-tripping）虚增营收，部分销售数字被夸大超过 20%。
  • 2025 年 2 月 27 日创始人辞任 CEO；2025 年 5 月 20 日新任 CEO 宣布进入破产程序，债权人扣押 2024 年 10 月借出的 5000 万美元；2025 年 6 月裁员约 1000 人（约 80% 员工）。

要害：诚实的边界。 Builder.ai 做的事本质是「用便宜的人力冒充 AI，按 AI 的价格收费」。它同时证明了两件事——这个套利空间真实存在，以及它一定会被戳穿。任何做 AI 交付的公司都在这条光谱上，区别只在于你是诚实地卖「人 + AI 的组合交付」，还是卖「纯 AI」然后偷偷用人补。

反面二：Scale AI——三周失去半数大客户 ​

2025 年 6 月，Meta 以约 148 亿美元收购 Scale AI 49% 的无投票权股份（部分报道写作 143 亿美元），创始人兼 CEO Alexandr Wang 转投 Meta，首席战略官 Jason Droege 接任 CEO。随后数周内，谷歌（当年原计划支付约 2 亿美元的最大客户）计划切割、OpenAI 停止合作，微软与 xAI 也在撤离。2025 年 7 月，Scale AI 裁员，当时员工约 1200 人。2024 年营收为 8.7 亿美元。

要害：客户关系就是股东名单的函数。 服务生意的护城河不在技术，在客户关系；而客户关系可以因为你的股东结构一夜清零——尤其当你的客户互为竞争对手时，你的股东名单就是你的业务风险清单。

反面三：Deloitte 澳洲——用 AI 做交付，因为幻觉退款 ​

客户是澳大利亚就业与工作场所关系部（DEWR），合同金额略低于 44 万澳元。报告于 2025 年 6 月交付，2025 年 10 月初公开：报告中有 12 条虚构的悉尼大学某法学教授报告引用、2 条虚构的瑞典教授引用、Robodebt 案法院判决引用错误，甚至把法官姓名拼错并伪造了归属于他的引语。Deloitte 退还了合同最后一期款项，官方声明措辞克制：

"The report has been updated to correct those citations and reference list entries which contained errors in the previously issued version..."

要害：交付环节的验证机制比生成能力更重要。 这是目前唯一一个「用 AI 做交付、因为幻觉被抓、被迫退款」的公开案例。任何要用 AI 生成交付物的团队，引用与事实核验必须是一道独立的、有人签字的工序，不能寄望于模型自查。

来源。 Builder.ai：Wikipedia 词条（汇总《华尔街日报》2019 年报道、彭博 2025 年报道与破产时间线）。Scale AI：Wikipedia 词条。Deloitte 澳洲：事件经过与合同金额来自本项目 2026 年 8 月生态调研的整理，原始报道链接待补（澳大利亚 DEWR 官网与主流媒体 2025 年 10 月报道）。

一页总结 ​

七条可以直接带走的判断：

  1. 看结果先看采纳率，不看准确率。G8 的 98%、G17 的 92%、C1 的 50% 都是这个家族。
  2. 客服类项目优先约定承接率与升级率（G14、G15、G16），这是这个赛道已经形成的行业口径。
  3. 交付速度（G15 的「不到 10 周」）比效果百分比更难注水，评估交付商时更有区分度。
  4. 产品化的门槛是在两个量级不同的客户处都验证过（G10），不是一个客户说好用。
  5. 政府与公共部门项目的结果有两层，运营指标和政治合法性，只交付前者会在续约节点被推翻（G4）。
  6. 「AI 优先、人工兜底」和「人工优先、AI 提效」要在合同里写清是哪一条（G19）。
  7. 用 AI 生成交付物时，引用与事实核验必须是独立工序（G20）。

延伸阅读 ​

来源 ​

按正文出现顺序（同一来源仅列一次）：

  1. Nabeel Qureshi《Reflections on Palantir》，当事人自述，无日期署名（约 2024 年）。https://nabeelqu.co/reflections-on-palantir/
  2. Lenny's Newsletter《Inside Palantir》对谈 Nabeel Qureshi，2025 年。https://www.lennysnewsletter.com/p/inside-palantir-nabeel-qureshi
  3. Palantir Technologies 官方推文，确认与空客的合作始于 A350 产能爬坡。https://x.com/PalantirTech/status/2046562892376400283
  4. Tampa General Hospital 官方新闻稿，2024 年 6 月。https://www.tgh.org/news/tgh-press-releases/2024/june/tgh-selects-palantir-ai-software-connected-care-coordination
  5. Healthcare IT News，坦帕总医院护理协调项目报道。https://www.healthcareitnews.com/news/tampa-generals-investment-ai-enabled-care-coordination-software-saves-nearly-600-lives
  6. MedCity News，2025 年 2 月。https://medcitynews.com/2025/02/palantir-tampa-general-innovation-tech/
  7. BD Emerson《Palantir in Hospitals: On Top of the EHR》，第三方综述。https://www.bdemerson.com/article/palantir-healthcare-hospital-operations
  8. NHS England，FDP 合同说明页。https://www.england.nhs.uk/digitaltechnology/nhs-federated-data-platform/security-privacy/contract-explainer/
  9. NHS England，FDP 常见问题页。https://www.england.nhs.uk/digitaltechnology/nhs-federated-data-platform/fdp-faqs/
  10. UK Parliament Hansard，下议院 NHS Federated Data Platform 辩论，2026 年 4 月 16 日。https://hansard.parliament.uk/Commons/2026-04-16/debates/2FDCA71C-D0C1-4738-BEE8-A4BDA311DB99/NHSFederatedDataPlatform
  11. pharmaphorum，《Concerns voiced as Palantir wins £330m NHS data contract》。https://pharmaphorum.com/news/concerns-voiced-palantir-wins-ps330m-nhs-data-contract
  12. The Conversation，《Palantir and the NHS – 10 things you need to know》。https://theconversation.com/palantir-and-the-nhs-10-things-you-need-to-know-281165
  13. DefenseScoop，2025 年 5 月 23 日，Maven 合同上限上调。https://defensescoop.com/2025/05/23/dod-palantir-maven-smart-system-contract-increase/
  14. DefenseScoop，2026 年 4 月 15 日，Maven 转型时间表。https://defensescoop.com/2026/04/15/palantir-maven-smart-system-pentagon-program-transition-feinberg/
  15. SpaceNews，五角大楼扩大 Project Maven 预算。https://spacenews.com/pentagon-boosts-budget-for-palantirs-ai-software-in-major-expansion-of-project-maven/
  16. Business Wire，Palantir 与法拉利合作通稿，2022 年 2 月 10 日。https://www.businesswire.com/news/home/20220210005312/en/Palantir-Technologies-Extends-Partnership-with-Ferrari-to-Bring-Data-Driven-Performance-Decisions-to-Race-Operations
  17. Ferrari 官网，续约公告。https://www.ferrari.com/en-US/formula1/en-AE/articles/ferrari-renews-partnership-with-palantir
  18. Palantir 官方 AIP Bootcamp 页面。https://www.palantir.com/platforms/aip/bootcamp/
  19. Palantir 官方博客《Deploying Full Spectrum AI in Days: How AIP Bootcamps Work》。https://blog.palantir.com/deploying-full-spectrum-ai-in-days-how-aip-bootcamps-work-21829ec8d560
  20. GTM Foundry《Palantir's Bootcamp GTM Strategy》，二手分析。https://www.gtmfoundry.vc/p/palantirs-bootcamp-gtm-strategy
  21. ZenML LLMOps Database，OpenAI FDE（Colin Jarvis 访谈整理）。https://www.zenml.io/llmops-database/forward-deployed-engineering-bringing-enterprise-llm-applications-to-production
  22. ZenML LLMOps Database，OpenAI / Ramp / Nominal / Dataland 条目。https://www.zenml.io/llmops-database/forward-deployed-engineering-for-enterprise-llm-adoption
  23. MarketScale，OpenAI 企业推进与 FDE 报道，二手。https://www.marketscale.com/industries/software-and-technology/openais-150-million-enterprise-push-puts-forward-deployed-engineers-inside-client-operations
  24. digit.fyi，OpenAI 收购 Tomoro 报道。https://www.digit.fyi/openai-acquires-scottish-ai-firm-tomoro-in-4bn-deployment-drive/
  25. Techstrong.ai，OpenAI Deployment Company 报道。https://techstrong.ai/articles/openai-launches-4-billion-venture-for-enterprise-market-acquires-tomoro/
  26. MediaPost，2026 年 5 月 12 日。https://www.mediapost.com/publications/article/414994/openai-launches-ai-services-outsourcing-company.html
  27. Anthropic 官方客户案例页。https://claude.com/customers
  28. ZenML LLMOps Database，Anthropic 生产级 agent 经验条目。https://www.zenml.io/llmops-database/building-production-ai-agents-lessons-from-claude-code-and-enterprise-deployments
  29. Distyl AI 官网案例页。https://distyl.ai/case-studies/
  30. PR Newswire，Distyl B 轮融资通稿，2025 年 9 月。https://www.prnewswire.com/news-releases/distyl-ai-raises-175-million-at-1-8-billion-valuation-to-help-global-enterprises-become-ai-native-302564270.html
  31. Yespress，Distyl 深度报道。https://yespress.io/distyl
  32. Sierra 官网客户页。https://sierra.ai/customers
  33. Cheeky Pint（Stripe）播客对谈 Bret Taylor 转录，2026 年 3 月 10 日。https://cheekypint.substack.com/p/bret-taylor-of-sierra-on-ai-agents
  34. Decagon 官网与案例页。https://decagon.ai/
  35. Harvey 官网客户页。https://www.harvey.ai/customers
  36. Emerald Emerging Markets Case Studies，Kavak 学术案例研究，2024 年（全文付费，本卡只用到摘要）。https://www.emerald.com/insight/content/doi/10.1108/eemcs-04-2024-0181/full/html
  37. Harvard Digital Initiative（d3），Kavak 数据战略分析。https://d3.harvard.edu/platform-digit/submission/kavak-leveraging-data-to-become-the-most-valuable-startup-in-latin-america/
  38. Emergent（Mikal Khoso），《Kavak: The King of Used Car Sales》。https://www.reademergent.com/p/kavak-the-king-of-used-car-sales
  39. a16z 投资公告。https://a16z.com/announcement/investing-in-kavak/
  40. Contxto，Kavak 1.27 亿美元融资与估值下跌 75%。https://www.contxto.com/en/funding/kavak-raises-127-million-round-and-ends-up-with-75-lower-valuation/
  41. Mexico Business News，Kavak 关闭秘鲁与哥伦比亚业务。https://mexicobusiness.news/automotive/news/kavak-cease-operations-peru-and-colombia-2024
  42. Bloomberg Línea，前员工批评 Kavak 客服与管理，单向视角。https://www.bloomberglinea.com/english/former-employees-lambast-kavak-for-customer-service-failures-bad-management/
  43. Klarna 官方通稿，2024 年 2 月 27 日。https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/
  44. Forbes，Klarna 转向报道，2025 年 5 月 18 日。https://www.forbes.com/sites/quickerbettertech/2025/05/18/business-tech-news-klarna-reverses-on-ai-says-customers-like-talking-to-people/
  45. Wikipedia，Builder.ai 词条（汇总《华尔街日报》2019 年、彭博 2025 年报道）。https://en.wikipedia.org/wiki/Builder.ai
  46. Wikipedia，Scale AI 词条。https://en.wikipedia.org/wiki/Scale_AI

全页保留意见。（一）G3 的「8%」、G9 的「70% / 6 倍」、G20 中 Deloitte 澳洲一节的原始报道链接，本次调研未拿到一手出处，已在正文中逐条标注，引用前请自行再核。（二）G7 的转化率与单笔金额、G11 的官方公告页，均缺一手链接。（三）所有厂商官网客户页（G12、G13、G14、G15、G16、G17）的数字都是一方自述口径，无第三方审计，引用时必须写明。（四）本页不使用任何未标注出处的「某财富 500 强企业」类传闻数字。

内容采用 CC BY 4.0 许可，商用请注明出处。欢迎 投稿与纠错。

© 2026 FDE Wiki · 维护者任鑫（公众号「AI 炼金术」）