自建还是外购，谁说了算？- 大数跨境

首页

自建还是外购，谁说了算？

AI驱动数字化转型

2026-09-16

导读：四种走法，最后都得拿同一组账去比，工程本身花的、对外做交易花的、内部协调磨掉的，还有失败要交的学费。哪条路总花销更省，又能拿出经得起验证的落地结果，哪条就是现在该走的。会算账的企业，不会死守一个格子，

Palantir从2007年起就把工程师派进客户现场，跟客户那边的人同吃同住，一起翻数据、找问题。这套做法叫FDE，前沿部署工程师。很长一段时间里，它只是圈内人的叫法，直到AI落地撞上"最后一公里"这堵墙，OpenAI、Databricks、腾讯、阿里云才跟着做起来，致远互联一口气组了42支团队。热闹归热闹，学像的没几家。多数企业把它当成一门新的外包生意，签一份驻场合同，以为这事就交出去了。

学不像，不在于技术。真正没算清的，是两笔账。一笔是这项能力该自建还是外购；另一笔是决定权留在现场，还是往上收。两笔账各有两个答案，交叉起来就是四种组合。哪一笔算错了，项目就死在哪一笔上。把它画出来，是一张四象限图，横轴是自建还是外购，纵轴是自上而下还是自下而上。图没有错，错的是多数人照着它给自己找个格子填进去，忘了它本来是一把算账的尺子。

PART 01

第一笔账：算边界

先把头一笔账摊开。

自建还是外购，说到底比的是两种协调方式谁的价码更低，这话科斯在1937年写《企业的性质》时就说明白了。用市场买能力，价码不在发票上。要找供应商、要谈、要签约、要盯着交付、出了争议还得扯皮。把能力养在内部，价码也不便宜，招聘、管理、激励，外加项目不饱和时那一屋子人的闲置。威廉姆森后来把这笔账掰得更细，他在拿诺贝尔奖的那次演讲里点了三个变量，事情的复杂程度、投入能不能挪作他用、意外扰动多不多。这三样越重，外购越贵。

放回FDE上看，这笔账格外清楚。外部团队能立刻带来稀缺技术和别处踩过的坑，客户付的却是采购成本、数据开放的风险、一份永远写不完的合同、交接时的知识流失，以及从此被供应商拿住的那只手。内部团队更懂自己家的事，专用知识能一寸寸攒下来，代价是人头、培养和内部协调。哪个总价低，边界就该往哪边挪一寸。

中国企业还多交一道税。私有部署、数据不出域，这些要求本身就把外部交易的成本抬高了，核心数据和生产系统根本没法彻底交出去。做交付的人里，有人说得直白，中国的FDE只有一条路，用平台和AI把交付成本压下去，用技能包、连接器、行业模板把复用率提上来。压不下去、复不起来，这笔账怎么算都是亏。这也是为什么Palantir那套厂商主导的打法搬到国内常常水土不服，它默认经验能在项目之间自由流动，而国内很多场景连数据都出不了厂门。

头一笔账算完，很多人以为结论出来了，自建或者外购，二选一。麻烦在于，另一笔账还没算。

PART 02

第二笔账：算权力

一线的实情，往往不在会议室里。哪个流程其实在空转，哪条规矩早就不作数只是没人敢废，用户为什么宁愿用表格也不碰那套系统，这些事散在一线，靠周报根本汇报不上来。哈耶克在1945年那篇《知识在社会中的运用》里讲的就是这个，做决策要的知识从来不集中在一个地方，它散在每个人手里。可预算、系统权限、跨部门调人的权力，偏偏攥在楼上。

于是FDE撞上一个别扭的处境。越靠近问题的人越没有说话权，越有说话权的人越不靠近问题。底下的人看得准病灶，上头的人拿得到药方，中间隔着一层组织。集中授权解决了钱和权限，却解决不了知识在哪；分散试错解决了贴近现场，却解决不了谁签字。四种走法的区别，不在风格，在成本结构。

自建，自上而下

这条路的优势是授权硬，钱能拨、系统能打通、部门能协调，碰上集团级数据、共同平台这种跨部门的硬骨头，没有这份权力根本推不动。代价长在内部，总部团队离业务越远，越容易退化成规划部和供应商管理部；项目接不上时，一群人还得养着。最怕楼上一句"今年必须落几十个场景"，各部门为了交差批量报需求，最后攒下一堆用例，真在用的没几个。检验这条路，不看别的，就看从业务问题到生产结果的时间有没有持续变短，业务部门愿不愿意接着用。团队多少人、项目多少个，都不算数。

自建，自下而上

这条路便宜在发现成本，担事的人就在现场，不用把肚子里的门道层层翻译给项目组；盘子小，失败了也亏得起。企业花一笔小钱，买到的是一个答案，这个场景到底值不值得往下做。它适合边界窄、结果能测、退了还能收回来的事，知识检索、报价辅助、内部数据分析都算。软肋在权力，一线往往没有生产系统权限，动不了跨部门流程，也担不起安全和长期运维。部门之间不通气，钱会重复花，系统会各成一套，最后冒出一堆没人管的影子系统。所以自下而上不等于撒手不管，中间得架一道明确的关口，试到什么程度进评审、谁给架构和安全托底、哪些能力该进共享平台、哪些该及时叫停。

外购，自上而下

战略上火烧眉毛、内部又确实没人，这条路最快。外来团队带来的除了人手，还有别的项目攒下的技术经验和失败教训，企业花高价买一段更短的学习曲线。卡点在合同。FDE进场时，问题和解法常常都还没定型，客户很难事先把每项工作、验收标准、责任边界写清楚；供应商手里握着更多技术信息，客户手里握着更多业务信息，两边想要的东西还不一样。客户要的是经营结果变好，供应商更在意的可能是合同验收、后续订单和产品推广。中国的大项目又多习惯固定范围、固定工期、固定验收，探索性的活儿一塞进这种合同，外部团队很容易滑回售前加开发加实施的老链条，现场真发现的东西反被合同挤没了。这条路想站稳，客户自己至少得有两个人扛事。一个懂业务，负责掂量这事值不值、并且真去改流程；一个懂技术，管架构、数据，管它上线以后谁来维护。技术方案可以交给外人，业务决策和生产责任不能。

外购，自下而上

多数人对FDE的印象就是这一格。外部的工程力量贴着现场坐下，先把流程摸一遍，再花个把月交出个能看见的东西。企业犯不着上来就押上一场全面转型，先投一笔钱，买一次边界画得清的试。外部带着新技术和跨项目经验，一线带着具体知识和使用动机，两种长处凑一处了。楼上的大盘子还没摆好，某个角落已经疼得受不了，这种企业多半就是从这里下手的。它最容易翻车的地方是原型成了、生产进不去。业务负责人有热情，却没采购权、没数据权、改不动系统；为了赶速度，团队绕开集团IT、安全和架构标准，原型做得越快，后面接进正式环境的返工越大。想从这一格迈第一步，这几个门槛得同时迈过。问题得实，效果得量得出来，头一段能碰的数据得有边界，还得有条路能通到正式生产。外来队伍要是只肯拿演示说话，不肯提前把生产的枷锁摸清楚，它交的货就还不能算数。

PART 03

核心变量永远是人

无论从哪个口子进，有一样东西不能缺，人。FDE项目是客户和工程团队一起干出来的，不是交钥匙。出钱的赞助人得说清公司愿意为哪种改变担责任，业务负责人和真实用户得回答结果有没有真变好，IT、数据、安全、架构的人得判断这套东西进不进得了生产、留不留得住，FDE团队管的是怎么用更低的成本把方案验出来、做出来。四类角色缺一类，项目就以不同的方式歪掉。只有技术，方案容易离业务越来越远；只有业务，想法就停在设想里。外部团队单干，原型缺授权，也缺人接。全靠高层推，指标漂漂亮亮，现场纹丝不动。选哪一格，决定能力从哪进来；人的结构，管的是它走不走得到生产。

PART 04

中国市场的混合路线

中国市场大概率会走出一条混合路线。一边是私有部署和数据不出域把外部交易成本抬高，逼着核心、高频的能力往里收；另一边是复合型人才实在稀缺，技术又变得快，企业离不开外部供给。组织内部同样拧着劲儿，大企业靠的是自上而下的预算、安全和架构治理，真问题却总出在离客户、离设备、离流程最近的那批人手上。

结论就是，规模到了这个量级，很难在哪一格上钉死不动。更常见的走法是一路挪，外部团队陪一线把局部场景验出来，管理层看清价值再开资源，内外一起干，高频又核心的部分慢慢内化，外部继续补那些稀缺的。Palantir自己的公开说法也差不多，成熟阶段叫"基本能自给自足"，日常运营和面向业务的活儿由内部团队接，工程师只在加速用例或需要咨询时进场。这条路能转起来，跟它手里同时握着核心平台和前线工程两套体系有关，前线工程师尽量贴近问题，跟核心团队来回对，反馈最后变成产品里的新功能。Foundry里不少功能，像Pipeline Builder和Ontology Manager，最早就是工程师在客户现场捣鼓出来的。国内学这套的大厂也在往同一个方向靠，阿里云的做法是把客户侧的业务、数据、IT人员和厂商侧的产品、算法、工程人员凑成一个团队。可坐到一起只是形式，能不能当场作决定才算数。

照搬Palantir，得留个心眼。中国的环境是多主体、异构的，很多经验只能留在单个项目里，团队能复用方法，代码、数据连接和运行资产未必复得起来。方法可以借，整套厂商主导的路子不能直接当标准答案。这条混合路线也不意味着外部能力最终都得退场。碰上一门技术天天翻新、企业一年也用不上几回，或者供应商的体量优势摆在那儿，那还是花钱买省心。反过来，项目高频发生、现场知识专用到别人接不住、合同和反复交接的成本一路往上走，那就该收回内部。

PART 05

怎么选：回到算账本身

真要选起点，先看四件事。项目会不会反复出现。越频繁，固定团队越养得起，自建越划算。要用的知识有多专用？如果它生长在企业自己的数据、系统、流程和关系里，合同装不下，就留在内部自己养。问题要跨几个部门。跨得越多，越需要上面的钱、授权和治理；只是一个角落的事，那从一线起也行。失败了能不能低成本收回来？能退、能测的，放一线试；碰核心生产、安全和重大流程的，得早点纳入正式治理。

四种走法，最后都得拿同一组账去比，工程本身花的、对外做交易花的、内部协调磨掉的，还有失败要交的学费。哪条路总花销更省，又能拿出经得起验证的落地结果，哪条就是现在该走的。

会算账的企业，不会死守一个格子，也不会一年一换。

【声明】内容源于网络

AI驱动数字化转型

专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

内容 1087

粉丝 1

AI驱动数字化转型专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。

总阅读11.3k

粉丝1

内容1.1k