PromptQL 上月签下首笔八位数订单，客户为一家财富 500 强企业。合同金额超 1000 万美元且不含 Token 消耗，最终成交价将更高。
PromptQL 前身为 Hasura，深耕 GraphQL 引擎近十年，协助 Airbus、Atlassian 和 Walmart 等企业打通内部数据接口。2022 年初，Hasura 以 10 亿美元估值完成 C 轮融资，跻身独角兽行列。
去年年中，公司更名为 PromptQL，全面转向 AI 赛道。其首款产品为可直接查询企业数据的 AI Agent，Beta 阶段即斩获多个七位数订单。今年春季，公司再次调整战略定位：打造多人共享的 AI 工作台，旨在成为 AI 时代的企业级"Slack"。
订单落地后，PromptQL 联合创始人兼 CEO Tanmai Gopal 发表公开复盘，详细剖析了项目停滞原因、人员配置策略及报价调整逻辑。
Tanmai 指出，进入大型企业意味着面对既定的采购议程。技术、安全、数据、组织、预算及长期回报等各环节均需签字确认，任何一项悬而未决都会导致订单停滞。PromptQL 的核心打法，便是逐项缩短这张漫长的议程表。
01 企业 AI 架构未定，客户被迫延长决策链
两年间，PromptQL 多次调整产品形态，根本原因在于企业 AI 参考架构尚未稳定，产品边界、交付方式及用户入口仍在快速演变。
Tanmai 将此归因于三大上游挑战：
- 企业 AI 应用参考架构尚未定型；
- 买卖双方均处于生存转型的关键期；
- 具备数据调用与任务执行能力的 Agent 加剧了安全压力。
在此次大单成交前，PromptQL 已历经两次方向调整带来的震荡。大客户虽察觉变化，却难以像创业公司般迅速转身，通常采取延长决策链的应对策略：增加评估部门、提升确认高管层级、重走安全与采购流程。每增加一层不确定性，议程表上便多出一位签字人。
许多企业虽有明确的 AI 采购意愿，但缺乏推进所需的确定性——他们想买，却不知该信任谁。这便是采购议程表越变越长的根源。
02 单个“拥护者”难推大单，“领航员”需具号召力
大公司内部难以形成统一的 AI 判断：技术团队关注架构与数据，安全团队聚焦风险，业务高管看重 ROI，一线员工则通过实际体验定义价值。即便某位负责人全力支持，其影响力往往也仅限于所在部门。
Tanmai 将关键角色定义为Navigator（内部领航员）。此人需具备两项核心能力：能召集所有相关方，并能赢得他们的信任。仅有广泛关系而缺乏威望，项目难成共识；仅有威望而无执行力，流程无法跑通。
理想的组合是一位资历深、受信任的管理者搭配一位行动力强的年轻执行者：前者负责促成对话，后者负责落实环节。
在此笔订单中，客户方的企业发展团队充当了领航员角色。他们曾在美国东海岸安排高密度的一天行程：一小时技术深谈、数场 CXO 短会，以及与另一位 CXO 团队的晚餐，一天内完成九场集中式内部评审。
判断内部支持者能否推动大单的标准很具体：他能带你见到多少原本见不到的人。
03 客户派出 CXO，供应商亦需高管坐镇
当客户动用高管与核心部门推进项目时，若供应商仅派遣解决方案工程师，双方从伊始便不在同一决策层面。
此阶段客户关注的问题已超越技术答疑，涉及价值传达、执行责任人、推广时间表及阻力协调。解决这些问题，需要一位能代表供应商做出判断与承诺的高管。
PromptQL 派遣了总裁兼 COO 全程协同，Tanmai 将此角色称为FDX（Forward Deployed eXecutive，前置部署高管），对应常见的 FDE（前置部署工程师）。
正如同事所言："You sell to who you sound like."（你能从哪个层级思考和表达，就能把销售推进到哪个层级。）
小公司未必能长期派驻总裁，但创始人天然是最高配置。难点在于是否愿意让创始人投入完整时间，将注意力聚焦于单一客户。
PromptQL 联合创始人兼 CEO Tanmai Gopal（左）与总裁兼 COO Suku Krishnaraj（右）
04 移除安全争议与前置数据治理障碍
该订单曾连续数周停滞，起因是客户网络安全团队耗时审查技术栈中的所有系统。
AI 时代安全压力剧增，攻击量增长两至三倍，AWS 安全公告数量达去年的 2.5 倍。然而客户推进 AI 的速度极快，无暇听供应商逐条解释基础设施安全性。
PromptQL 通过产品架构直接消除疑虑：采用单租户部署，直接运行在客户自有云环境中。此举使安全团队最担忧的问题从采购议程中消失。单租户和 BYOC（自带云）或将成为企业 AI 的常规要求，不再作为额外卖点。
数据准备亦是同理。企业数据新旧混杂，若要求客户在启动前迁移数据、提升质量或统一本体，采购流程恐难落地。产品应先接纳数据现状，将问题收敛为延迟与成本。鉴于 LLM 推理往往是速度瓶颈，数据层的优化空间比想象中更大。
这与 Snowflake 等强调上下文层的观点看似冲突，实则关注层面不同：Snowflake 关注 Agent 如何理解语义，PromptQL 关注项目启动条件。
上下文建设的关键在于时机与主体。PromptQL 将权衡纳入产品自身的 Context layer，让客户先启动项目，再逐步积累上下文。这依托于 Hasura 十年积淀的虚拟数据层、行级权限及属性访问控制能力，已在大型客户生产环境中得到验证。
“无需搬迁数据”对 PromptQL 而言，是十年技术底蕴的兑现。
05 软件预算固化，Token 预算尚存增长空间
解决技术、安全和数据问题后，关键在于资金来源。企业软件预算通常按年度规划，年初即已分配完毕；而 Token 消耗是近年少数仍在增长且易获批的预算科目。
因此，PromptQL 采用带承诺金额的消费型定价：平台侧签署承诺金额，Token 按实际用量单独结算。这也是开篇所述八位数合同不含 Token 的原因。
此结构兼顾买卖双方：供应商获得可预测收入，客户无需在见证价值前一次性承担全部成本。
消费型定价有其适用边界，更值得复制的是其背后的动作：先摸清客户可获批的预算科目，再反向调整报价单。定价既要反映产品价值，也要适配客户的组织现实。
PromptQL 当前以 OLU（自定义标准化用量单位）计费，公开方案按需付费，企业版提供定制定价。
06 客户核算第二本账：合作后留下何种资产？
过去客户评估供应商重点在于“几年后能否提供最佳产品”，如今更多企业追问：“合作能否加深我们的护城河？”
供应商需交付两份回报：一是产品当下创造的结果，二是客户可长期保留的内部能力。
PromptQL 提供的两类新型数据资产包括：
- 覆盖全组织的共享 Context；
- 经人工确认的 Agent 行为记录。
这两类数据距离进入企业资产负债表或许已不足一年。
以 Instacart 为例，同指标在内部可能有六种不同定义，掌握定义的人散落在各团队，决策者往往无从确认。传统文档更新永远追不上业务变化，知识缺口难以靠单纯增加投入填平。
共享 Context 的价值在于将散落在团队、系统及人身上的经验沉淀下来。这些经验生于公司内部，沉淀出的资产自然独属于该公司。
多数产品难创全新数据资产，但每家供应商都应回答：客户使用一段时间后能带走什么？一套理顺的流程、一批验证过的知识或一组复用方法，皆可成为长期合作的理由。
07 成交越快，信任越需提前建立
企业级销售的推进还需做到三点：
- 产品必须真实可用并证明价值；
- 供应商要有独到观点，并以客户可吸收的方式给出方案；
- 企业销售依然需要耐心。
企业级 AI 大单鲜少由一次演示促成。客户每前进一步都承担新技术、组织及职业风险。供应商的真正职责，是将这些风险逐项转化为可接受、可解释且可签字的选择。
References：
- https://x.com/tanmaigo/status/2092030269733876016
- https://promptql.io/blog/killing-slack-was-the-only-way-to-make-ai-accurate
- https://hasura.io/blog/from-graphql-to-promptql-a-new-chapter-begins
- https://techcrunch.com/2022/02/22/graphql-developer-platform-hasura-raises-100m-series-c/
- https://venturebeat.com/ai/promptqls-usd900-hour-ai-engineers-are-coming-for-mckinseys-ai-business
- https://the-ken.com/podcasts/zero-shot/ai-psychosis-a-30-day-sprint-and-killing-slack-with-tanmai-gopal-promptql-hasura/
- https://www.snowflake.com/en/blog/agent-context-layer-trustworthy-data-agents/