文章总结： 本文分析了2026年5月OpenAI和Anthropic成立专门企业AI部署公司的战略意义，指出企业AI已从模型能力竞争转向部署实施阶段。核心发现包括：企业采购模型后仍面临场景识别、系统集成、流程改造等五大挑战；Palantir的FDE模式验证了现场部署价值；云厂商平台无法替代业务理解与组织适配。文章预测中国市场的部署层机会将出现在传统集成商和中转站的业务升级中。 综合评分： 87 文章分类： 解决方案,安全建设,技术标准,AI安全,云安全

基础模型公司下场做实施，中转站也不能只卖 token

四楼南侧东 四楼南侧东

表图

2026年5月18日 23:18 北京

在小说阅读器读本章

去阅读

过去几年，关于 AI 的讨论大多围绕模型本身展开。推理能力、上下文长度、成本和多模态表现，这些当然都重要。但 2026 年 5 月，OpenAI 和 Anthropic 前后脚做了件类似的事情：它们都把企业 AI 的“部署”拿出来，变成了一门独立的生意。

上周 5 月 11 日，OpenAI 宣布成立 OpenAI Deployment Company。按照 OpenAI 的说法，这家公司要帮助企业设计和部署可以在日常关键工作中使用的 AI 系统。它会把熟悉前沿 AI 部署的 Forward Deployed Engineers，也就是 FDE，嵌入企业组织内部，与业务负责人、技术团队和一线员工一起识别高价值场景，重构关键流程，并把模型连接到客户的数据、工具和业务流程中。OpenAI 同时宣布收购应用 AI 咨询和工程公司 Tomoro，为这家公司带来约 150 名有经验的 FDE 和部署专家。OpenAI Deployment Company 由 OpenAI 控股，启动时有超过 40 亿美元初始投资，参与方包括多家 PE、咨询公司和系统集成商。

更早一周前，Anthropic 也宣布与 Blackstone、Hellman & Friedman 和 Goldman Sachs 等机构成立一家新的企业 AI 服务公司。Anthropic 的官方表述是，这家公司会服务跨行业的中型企业，把 Claude 带进它们最重要的业务运营中。Anthropic 的应用 AI 工程师会与这家公司的工程团队一起，帮助客户识别 Claude 能产生最大影响的地方，构建定制化解决方案，并提供长期支持。多家媒体报道这家公司对应的资本规模约为 15 亿美元。

这两件事的重点是，OpenAI 和 Anthropic 没有把模型 API、企业版订阅或云上模型服务直接交给客户，也没有完全把落地工作外包给传统咨询公司和系统集成商等合作伙伴。它们选择亲自组织一支部署力量，并且把这件事做成单独公司。这说明企业 AI 已经进入一个新阶段。模型能力仍然是基础，但企业客户卡住的地方，越来越多在部署。

企业买到模型，不等于用上 AI

过去一年，我自己使用 AI 工具的感受越来越清楚：个人使用 AI，和组织使用 AI，是两件差别很大的事。

个人使用时，边界相对简单。电脑、文件、账号和工作习惯，都在一个人身上收敛。AI 可以帮我读资料、写代码、整理笔记和生成表格，只要我自己能判断结果是否可用，这件事就能向前走。即使中间有错误，也主要由我自己发现、修正和承担。

企业使用时，情况完全不同。企业里的 AI 要进入核心业务，就会碰到一整套复杂系统，里面有客户、订单、合同和项目，也有审批、权限、审计和责任归属。模型本身再强，也不能凭空知道企业到底有哪些流程，哪些数据可信，哪些动作可以自动执行，哪些动作必须由人确认。

所以企业采购一个模型，只是开始。更难的部分在后面。

第一是场景识别。很多企业当然都想用 AI，但“想用 AI”和“知道应该在哪些流程里用 AI”之间有距离。一个场景看起来很酷，不代表有真实 ROI；一个 demo 跑得很顺，不代表可以进生产环境。有价值的场景通常嵌在具体行业和具体岗位里，比如复杂工单处理、反洗钱告警研判、制造排产调整和安全告警处置。

第二是数据和系统集成。企业数据很少干净地躺在一个地方。它可能分散在 ERP、CRM、OA 和工单系统里，也可能散落在知识库、邮件、云盘和一堆 Excel 里。AI 要进入核心业务，就必须接触真实上下文，理解业务对象之间的关系，并在必要时调用系统完成动作。接一个模型接口远远不够，数据质量、字段口径、权限边界和接口稳定性，都会成为实际落地中的问题。

第三是流程改造。AI 进入业务后，不能简单把原来人的操作换成模型回答。很多流程需要重新设计。哪些环节由 AI 先处理，哪些环节由人复核？什么情况下自动执行，什么情况下升级给主管？AI 的建议如何进入现有审批流？如果模型输出和旧规则冲突，以哪个为准？这些问题如果不解决，AI 很容易停留在“旁边给建议”的状态，进不了关键作业链条。

第四是安全和治理。企业不会把核心业务交给一个无法解释、无法审计、无法回滚的黑箱系统。AI 系统需要权限控制、日志记录、输出评测和异常告警，也需要人工确认、版本管理和责任边界。尤其在金融、医疗、能源和制造等领域，AI 做错一次的代价可能并不低。模型可用，只是技术前提；组织敢用，才是商业前提。

第五是持续运营。传统软件上线后也需要维护，但 AI 系统的变化速度更快。模型能力可能每几周就变化一次，企业流程会调整，数据口径会变，监管要求会更新，用户习惯也会变化。一个 AI 系统今天能跑，不代表三个月后仍然稳定。它需要持续评测、调优和监控，也需要有人把新的模型能力重新翻译进业务系统。

这些工作放在一起看，企业 AI 更接近一个系统工程问题，模型采购只是其中一环。

Palantir 早就走在这条路上

从这个角度看，OpenAI 和 Anthropic 的动作其实并不突然。它们现在走向企业部署，某种意义上是在靠近 Palantir 很早就形成的方法。

Palantir 一直不太像典型 SaaS 公司，它的很重要的一部分能力来自 Forward Deployed Engineering：工程师深入客户现场，贴近具体问题，与核心工程团队一起把客户反馈转化为产品和解决方案。Palantir 自己在文档里把这种方法称为“人的反向传播”：工程师尽可能靠近问题，再把现场反馈传回产品和平台。

这也使得 Palantir 的市值没有太受到最近一年每股 SaaSpocalypse 的影响，虽然股价较历史最高有所回落，但其 PS 倍数（LTM）仍高达惊人的 60 倍。

这套方法重要，是因为 Palantir 长期处理的是复杂组织中的核心运营问题。它要把企业里的数据、业务逻辑、动作和安全策略整合成一个可被人和 AI Agent 使用的表示，Palantir 称之为 Ontology。放到供应链里，它可能是工厂、产线、客户订单和库存；放到医院里，它可能是病人、医生、床位和检查；放到安全运营里，它可能是资产、漏洞、告警和工单。

这和现在企业 AI 的问题高度一致。大模型可以生成文字、代码、计划和判断，但企业更需要 AI 在业务对象上工作。它要知道一个订单是什么状态，一个合同是否可以修改，一个告警应该发给谁，一个采购动作是否超过权限。缺少业务对象、数据底座、权限边界和工作流，AI 就很难从“会说话”进入“能做事”。

Palantir 的 AIP 之所以受到关注，也在于它把大模型接入企业操作系统的语境里。它关注的重点不止是模型回答问题的能力，还包括模型如何在企业的数据、规则、权限和流程中行动。OpenAI 和 Anthropic 现在做部署公司，虽然具体路径不完全一样，但方向上都承认了一点：企业 AI 的价值不止发生在模型被调用的那一刻，更取决于模型能否嵌入真实业务并产生可度量的运营变化。

云厂商也在补这一层，但平台不能替代部署

当然，看到这个问题的不只有基础模型厂商。云厂商也在快速补企业 AI 部署这一层。

Microsoft Foundry 把模型、Agent 和工具放到统一平台里，强调运行、评测、监控和治理。Google Cloud 的 Gemini Enterprise Agent Platform，也就是原来的 Vertex AI 相关能力升级后的方向，强调帮助企业构建和治理企业级 Agent，并把模型、数据和开发工具放在一个平台里。AWS Bedrock 则强调以生产规模构建生成式 AI 应用和 Agent，提供模型选择、Agent 开发、安全护栏和企业系统连接能力。

这些平台很重要。没有云厂商提供的模型服务、运行环境、评测工具和安全能力，大量企业 AI 项目很难从实验走向生产。长期看，MaaS、Agent 平台、模型路由和治理工具都会不断成熟，企业自己使用 AI 的门槛会下降。

但平台能力主要解决建设可行性的问题，不能自动回答“该建什么、怎么嵌进业务、组织如何接受、风险谁承担”。

企业不会因为云上有了 Agent 平台，就自动知道哪个流程最值得改造。IT 部门也不会因为模型目录里有几百个模型，就自动解决数据口径、权限边界和系统集成。业务部门更不会因为有了低代码工具，就自动改变自己的工作方式。企业 AI 的部署难点，一半在技术，一半在组织。技术平台可以不断降低复杂度，但在相当长一段时间里，业务理解、流程重构、现场实施和持续运营仍然需要人。

这也是 OpenAI 和 Anthropic 会走到今天这一步的原因。它们当然希望模型和平台尽可能标准化，但企业核心业务很少是标准输入输出。越往核心流程走，越需要懂业务、懂系统、懂模型和组织的人在现场把这些东西拼起来。

这是阶段性现象，但这个阶段可能不短

我倾向于把 OpenAI 和 Anthropic 亲自下场做部署，理解为一个阶段性现象。它说明 AI 还没有成熟到“企业自己买来就能用好”的程度，也说明当前 AI stack 仍然不够稳定，标准化和自动化程度还不够高。

如果未来真的发展到 AGI，甚至 ASI，模型也许可以自己完成大量部署工作。它可以理解企业流程、读取系统文档、生成集成代码和测试接口，也可以评估风险、重构工作流，并持续监控运行状态。到那个时候，今天很多咨询、集成和现场工程工作，可能会被模型和 Agent 大幅自动化。

但今天还到不了这一步。

今天的 AI 仍然需要大量上下文。它需要人告诉它业务目标是什么，哪些数据能用，哪些规则不能碰，哪些部门拥有决定权，哪些结果算成功。它也需要工程师把模型接到系统里，把权限和日志配好，把错误处理和回滚机制设计出来。很多时候，客户自己都没有把流程、数据和责任边界说清楚，更不用说让模型直接理解并执行。

从这个意义上，部署服务可以看作 AI 进入企业核心业务的必要中间层。越是想让 AI 做更重要的工作，越需要这层能力。

OpenAI 和 Anthropic 把部署相关业务单独设立公司，并引入外部投资人，也说明它们未必把这部分业务视为基础模型公司的长期主业。模型公司的核心仍然是模型、平台和生态。部署公司更像是现阶段打开企业市场、沉淀最佳实践、扩大模型使用和模型消费的组织形态。

这也是一个比较现实的安排。模型厂商需要知道企业到底怎么用 AI，需要从现场获得反馈，也需要把最成功的部署模式产品化，但大量现场工作本身未必适合完全放在模型公司内部，它需要资本、行业网络、实施团队和长期客户关系。

中国的部署层：集成商和中转站

如果把视角放回中国，这个判断会更明显，但中国市场的“部署”不能简单套用海外 FDE 模式。

OpenAI 和 Anthropic 现在说的前线部署，主要是在模型、软件、数据和流程层做工作。它们帮助客户识别场景，连接数据和工具，重构工作流，并建立评测和安全控制。模型调用仍然发生在公有云、模型平台或合作云基础设施上，一般不包括传统意义上的硬件采购和机房集成。

中国过去理解的“系统集成”要复杂得多。很多集成项目历史上包含大量硬件，例如服务器、存储、网络设备和安全设备。对不少集成商来说，硬件不仅是交付内容，也是收入规模的重要组成部分。到了 AI 时代，这部分需求不会马上消失，尤其是政企、金融、能源和制造客户，对本地化部署、专属算力、私有云和数据安全仍然有偏好。

但长期更值得看的是硬件之上的部署能力。中国企业软件市场过去一直很重项目制、定制化、私有化和系统集成，很多企业也没有形成足够标准化、可 API 化的业务系统。AI 要进入核心业务，就会碰到旧系统、数据口径、权限边界和人工流程。模型服务提供的是能力，客户需要的是可运行的业务系统。中间缺的那一层，仍然是咨询、集成、部署和运营。

这里还有一个新的变量：中转站。这类业务有些灰色，它们本来是从海外模型在中国不可用的缺口里长出来的，帮助用户访问 Claude 等海外模型，解决接口、支付和网络可达性问题。对很多开发者来说，使用方式很直接：改一个 base_url，用人民币付费，就能把海外模型接进自己的工具链。这个市场的存在，说明中国开发者和企业对先进模型有真实需求。

但单纯卖海外 token 很难形成稳固生意。模型厂商会继续加强访问控制，国内模型会继续追赶，云上 MaaS 也会逐步成熟。更重要的是，企业客户把代码、业务数据和系统结构交给不透明中转服务，本身就有很高的数据安全和合规风险。价格便宜和接入方便，只能解决早期采用问题，支撑不了长期信任。

中转站更有价值的出路，是从模型访问入口向企业部署层迁移。它们可以帮助客户做模型路由、成本管理、权限控制和日志审计，也可以进一步接入业务系统，处理数据边界和工作流。做到这一步，中转站就从 token 转发通道，变成一种新的 AI 集成商。

这类新集成商的起点和传统集成商不同。传统集成商往往从硬件和项目现场切入，中转站则从模型调用和开发者工作流切入。前者更懂客户现场，后者更接近 Agent 和模型生态。谁能补上可信、合规和业务理解，谁就更可能在中国 AI 部署市场里占据位置。

所以，中国 AI 应用机会未必都在大模型本身，也未必都在通用 Agent 产品上。大量真实价值可能出现在模型和业务之间那一层。传统集成商要从硬件项目走向 AI 部署，中转站也要从 token 生意走向业务系统。两条路径不同，但方向是一致的：离客户业务越近，价值越高。

写在最后

OpenAI 和 Anthropic 亲自下场做企业 AI 部署，说明企业 AI 的竞争正在从模型能力，延伸到部署能力。

模型仍然是基础。没有足够强、足够可靠、足够便宜的模型，企业 AI 不可能大规模落地。但模型能力进入企业以后，客户更关心的是它能否进入核心业务、连接现有系统、遵守权限和流程，以及出错以后的审计、回滚和追责。

在这个阶段，咨询、集成和现场工程不会因为 AI 出现而立刻失去价值。恰恰相反，它们可能会变得更重要。AI 基础设施会继续成熟，云厂商会把平台做得更好，模型厂商会把能力做得更强，企业自己的 AI 团队也会逐步成长。但在可预见的一段时间里，企业 AI 仍然需要有人把业务语言、组织规则和技术系统翻译成可运行的 AI 系统。

对中国市场来说，这个判断尤其重要。中国企业软件过去没有完全走成海外标准 SaaS 的路径，项目制、定制化、私有化和集成服务长期存在。AI 不会自动消除这些结构，至少在现阶段，它更可能重新抬高部署能力的价值。中转站也是这个逻辑下的新变量：它们先从模型访问和 token 生意切入，但如果想走得更远，也需要进入模型路由、权限控制、日志审计和业务系统接入。

模型很重要，但把模型放进真实业务，同样是一门大生意。无论起点是模型、云平台、硬件项目，还是中转站，最后都要落到同一件事：谁能理解客户现场，谁能把数据、流程和责任边界组织起来，谁就更接近企业 AI 的真实需求。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：表图 四楼南侧东 四楼南侧东《基础模型公司下场做实施，中转站也不能只卖 token》