69家AI转型供应商全景分析：部署是瓶颈，记忆与智能体是终局
本文回答一个问题：当大模型能力不再是稀缺资源，这69家帮企业"用上AI"的供应商，各自卡在价值链的哪一环，谁已经跑出真实营收。 • 主判断：市场重心已从"卖模型"转向"卖部署"。2026年5-7月，OpenAI、Anthropic、微软、AWS 四家合计投入约90亿美元成立驻场交付主体，把Palantir的FDE模式变成了行业标准动作。 • 估值先于营收：Wonderful 20个月做到50亿美元估值、Applied Compute 18个月做到32.5亿美元，服务型公司第一次拿到软件公司的倍数，但Wonderful 对应ARR仅约1亿美元。 • 供给仍远小于需求：据公开统计，美国可用的FDE人才池仅三千余人，而微软一家即宣布配置约6000人，缺口是数量级的。 • 长期护城河：流程测绘会迅速商品化，真正沉淀价值的是"企业大脑"（可自我迭代的企业记忆）与能独立承担岗位的智能体。 • 使用边界：九个子赛道、69家企业的分类沿用原始图谱口径；未公开披露融资与营收的公司已在文中标注，不做推测性补数。 |
这是2026年11月流传于投资圈的一张《AI Transformation Market Map》。它的视角不同于常见的大模型图谱：图中没有一家基础模型厂商的"模型能力"，出现的是帮别的公司把AI装进业务流程的服务商、平台与工具。换句话说，它画的是AI产业的"施工队"生态。
1.价值链分工：69家供应商的九个位置
先看全局。69家企业分布在三个大类、九个子赛道，数量分布极不均衡——部署与咨询服务占了34家，几乎一半；而平台与上下文层合计只有35家，其中真正的规模化公司屈指可数。这种不均衡本身就是判断依据：越靠近客户现场的环节越分散、越人力密集，越靠近数据与智能体的环节越集中、越容易形成赢家通吃。
子赛道 |
数量 |
代表性玩家与核心交付物 |
模型原生交付分支 |
6 |
OpenAI DeployCo、Anthropic Ode、Microsoft Frontier、AWS FDE、Google Cloud FDE、Anthropic × Hg；交付驻场工程团队 |
大型咨询 |
5 |
麦肯锡、埃森哲、BCG、德勤、普华永道；交付战略、组织与流程改造，并开始自建智能体平台 |
整合收购平台 |
1 |
Thrive Holdings；直接收购并运营企业，把AI装进被收购主体的作业流程 |
AI部署与垂直咨询 |
22 |
Palantir、Distyl、Wonderful、Applied Compute、Hang Ten、Conduct、Percepta、Arrakis 等；交付定制化生产系统 |
全栈转型平台 |
6 |
InstaLILY、UnifyApps 等；交付可复用的企业级AI操作系统与业务智能体 |
AI访谈与调研 |
4 |
Foaster、Ontora、Sona8、AX Atlas；交付面向全体员工的AI访谈与工作流测绘 |
流程与工作智能 |
5 |
Skan AI、Mimica、Larridin、Edra、Autostep；交付真实工作流的观测、建模与ROI度量 |
企业大脑与记忆 |
10 |
Glean、Onyx、PromptQL、Cognee 等；交付可被智能体调用的企业私有上下文 |
智能体平台与AI员工 |
10 |
Sierra、Gumloop、Lindy 等；交付能独立承担岗位任务的数字员工 |
三个大类的递进关系值得先说清：部署与服务负责把能力送进企业，是现金流最厚、壁垒最浅的一层；转型平台负责把一次性项目变成可复制的软件资产，是从服务向产品跃迁的中间态；上下文与智能体负责让AI真正"懂这家公司"，是唯一能长出长期护城河的一层。下面按这三层逐家展开。
2.部署与服务：现金流最厚，也最容易被替代
这一大类的共同商业模式是"人+项目"：派驻工程师、按里程碑或按效果收费。它的合理性在于，企业AI的真实瓶颈不是模型，而是数据打通、权限治理、流程改造和组织习惯，这些工作只能由懂业务也懂工程的人在现场完成。它的脆弱性同样明显：人力不可无限复制，交付质量依赖个体，客户一旦内部长出能力就可能流失。因此这一层的玩家正在从三个方向寻找出路——大厂用资本和品牌规模化，创业公司用速度和高客单价抢头部客户，PE则干脆把客户买下来自己做。
2.1模型原生交付分支：四家实验室用90亿美元把"咨询"变成标配
这六家机构的出现，是2026年最重要的产业事件。它们的共同点不是技术，而是承认了一件事：模型能力再强，也需要有人蹲在客户机房和会议室里把它接进真实的业务流程。
2.1.1OpenAI DeployCo：40亿美元、19家LP、150名驻场工程师
OpenAI Deployment Company（业界简称DeployCo）于2026年5月11日成立，是OpenAI控股的独立实体，而非内部部门。它的初始投入超过40亿美元，由TPG领投并担任锚定投资者，Advent、贝恩资本、Brookfield作为联合创始投资方，合计19家投资机构、咨询公司和系统集成商入局，董事席位由四家主要出资方分享。与常规合资不同，它对私募出资方承诺了带保底性质的年化回报，期限五年，这种"保收益+控股"的结构在服务型合资中极为少见，本质是把PE的资本周期和AI落地的慢回报做了嫁接。
它的能力底座来自一次收购。成立同期，OpenAI收购了英国应用AI咨询公司Tomoro，一次性获得约150名成熟的驻场部署工程师。Tomoro此前长期作为OpenAI的落地伙伴，服务过乐购、美泰、红牛、维珍大西洋航空、NBA等大型组织，这批人构成了DeployCo的第一支可派出的队伍。负责人为OpenAI前COO Brad Lightcap，业务向企业级战略条线汇报。
产品不是软件，而是一套交付方法。DeployCo的作业链路是：业务诊断、锁定高价值场景、打通私有数据与遗留系统、搭建生产级智能体工作流、上线并持续迭代，最后把可复用的部分抽象回OpenAI的Agent SDK与评测工具。它对外强调的不是"给你一套系统"，而是"让你的组织自己长出系统"，交付物必须在客户的真实业务指标上跑出结果，而不是停留在POC。已公开的标杆客户包括西班牙BBVA银行与美国约翰迪尔。
财务与估值方面，市场口径与官方口径存在差异。官方只披露"初始投资超40亿美元"，部分财经媒体此前报道的合资方案中曾出现"15亿美元出资、百亿美元估值"的版本，说明交易结构在谈判中经过调整。可以确定的是，它的收入模型是项目制服务费叠加长期运维合约，定价参照顶级咨询与系统集成商，而非SaaS订阅。
2.1.2Microsoft Frontier：25亿美元，一次配置6000人
微软在2026年7月2日推出Microsoft Frontier Company，投入25亿美元，配置约6000名工程师与专家常驻客户企业。它是四家里体量最大的一家，原因也最直白：微软拥有最庞大的企业客户基础和既有的现场服务组织，Frontier相当于把这部分能力重新编组、明确为"部署而非销售软件"的独立主体。
它的产品逻辑与Azure的销售逻辑刻意区隔：不追求客户多用云，而是追求客户的业务流程真的跑在AI上。因此Frontier的团队构成里，售前比例被压低，业务分析师与数据工程师的比例被抬高。客户以大型制造、金融、公共部门为主，交付形态多为混合云环境下的智能体集群。
6000人这个数字是理解整个市场的关键：据行业统计，全美真正具备FDE能力的工程师存量仅三千余人，微软一家的编制就已经超过了存量池。这解释了为什么2026年下半年FDE的薪资被迅速抬高，也解释了为什么创业公司必须靠"招Palantir老兵"这条捷径补人。
2.1.3Ode（Anthropic）：15亿美元，从收购Fractional AI开始
Ode是Anthropic与黑石、Hellman & Friedman、高盛共同设立的部署公司，2026年5月达成协议，7月中旬正式以"Ode with Anthropic"品牌启动，承诺资本15亿美元。后续出资方扩展到Apollo、General Atlantic、Leonard Green、GIC与红杉，资本结构比DeployCo更偏PE。
它的能力底座是收购来的Fractional AI。与DeployCo的"大规模派驻"不同，Ode选择的是"小分队"模式：向中型企业派驻小型前沿部署工程团队，用Claude搭建生产系统，团队规模通常在3到5人，交付周期以周计。这个选择与Anthropic的客户结构有关——它的企业客户中中型公司占比更高，承受不起微软式的重型项目。
Ode的定位语很明确：弥合"能用上AI"和"真的把AI部署下去"之间的落差。它不承诺改造整个组织，只承诺把一两个关键流程真正跑起来，然后再复制。这种克制的打法，使它在中型企业市场的获客成本明显低于同行。
2.1.4AWS Forward Deployed Engineering：10亿美元买"交付速度"
AWS于2026年6月30日宣布成立Forward Deployed Engineering组织，投入10亿美元，派驻数千名专家与客户共同开发、部署智能体方案。与前三家不同，它是亚马逊全资的内部编制，不是合资公司，由前沿AI工程与服务副总裁Francessca Vasquez对外发布，驻场团队规模由副总裁Asa Kalavade对外说明。
AWS的差异化在于"交付即自足"：官方表述是让系统在客户手上能自己跑起来，而不是制造长期依赖。这既是产品哲学，也是云厂商的现实选择——客户最终要为云资源付费，不需要为人力长期付费。它的客户集中在已有AWS存量的中大型企业，交付物多为Bedrock之上的智能体工作流。
2.1.5Google Cloud FDE：同一模式的云侧版本
Google Cloud的驻场部署团队在同一时期成型，是四大云厂商中最后补齐这块拼图的一家。公开披露的规模与财务细节有限，可确认的是它沿用了与其他三家一致的FDE编制逻辑：工程师进入客户现场，围绕Gemini与企业数据栈搭建可运行的业务流程，而不是交付方案文档。对客户而言，它的主要吸引力在于BigQuery与Workspace的既有数据资产可以低摩擦接入。由于细节未公开，此处不做规模推测。
2.1.6Anthropic × Hg：把PE被投企业当成批量客户
这条线是Anthropic与欧洲软件投资机构Hg的合作，把Claude的部署能力直接嵌入Hg的被投企业组合。它不设独立公司，而是以合作计划的形式存在，公开的交易金额与团队规模均未披露。价值在于渠道：Hg持有大量软件与商业服务公司，这些公司有统一的成本压力和技术栈，一旦某个部署模板验证有效，可以在组合内快速复制。这是"以资本关系替代销售费用"的典型做法，也是PE在这个赛道最省力的入场方式。
这一子赛道的判断：四家实验室合计约90亿美元的投入，宣告了"模型厂商不下场做交付"的时代结束。但它们的进入并不构成对咨询公司的替代，而是把整个市场的价格锚点抬高了——当OpenAI愿意为一个项目派150名工程师时，客户对交付深度的预期会同步上升，中小服务商必须证明自己更便宜或更快。真正的风险在三年后：一旦这些驻场团队把方法论沉淀成标准产品，纯人力型服务商的生存空间会被压到极窄。
2.2大型咨询：买下了最大的模型API份额，却仍在交付速度上落后
五家传统咨询机构是这场转型里最矛盾的一群人。它们既是前沿模型最大的机构买家，也是客户最信任的转型顾问；但它们的组织结构和收费模式，恰恰是最不适合"驻场交付生产系统"的。下面的数据能看出它们已经走了多远，也能看出它们为什么仍被业内认为落后。
2.2.1麦肯锡：4万名顾问配2万个智能体，Lilli成为内部标配
麦肯锡的公开口径是：约4万名顾问，对应约2万个AI智能体在岗，比例接近1比0.5。内部知识平台Lilli已覆盖4万名以上顾问的日常工作，检索、起草、数据分析由智能体承接，顾问的时间被重新分配到客户判断与关系维护上。这个比例在咨询业里是最激进的，也最接近"人机混编"的形态。
它对外的产品是转型咨询，而非软件。交付内容包括AI战略、组织与人才重构、流程再设计，以及与客户共建的AI交付中心。客户以大型集团、金融机构、主权基金和公共部门为主，项目周期通常在6到18个月。收入结构仍是按人天与成果计价，2026年的公开观察显示其AI相关业务已占到可观的营收比重，但具体拆分未披露。
它的真实短板在于"最后一公里"。顾问能把方案讲到CEO满意，却很少愿意长期蹲在客户的运维机房里调一个数据管道。这正是DeployCo和Frontier们抢走后续预算的入口：战略咨询做完，交付预算流向了模型厂商的驻场团队。
2.2.2埃森哲：8.5万AI人员、AI Refinery，并收购了Faculty
埃森哲是五大里唯一具备规模化工程交付能力的公司，公开数据为8.5万名以上AI与数据专业人员，交付平台为AI Refinery。它的单季营收约187亿美元，规模决定它可以同时承接数百个项目而不失控，这是纯咨询公司做不到的。
它的关键动作是收购Faculty。这家英国AI公司以务实的数据科学交付著称，收购补上了埃森哲在模型工程侧的短板。加上此前多年在云迁移、ERP改造上的存量，埃森哲是目前最接近"既会做战略又会做工程"的传统玩家。客户以制造业、零售、金融和公共部门的大型转型项目为主。
但它同时承受着最直接的价格压力。同样的智能体交付，模型厂商的驻场团队报价更低、承诺更硬，埃森哲必须靠规模和交付确定性来防守。业内对它的评价是：赢在能吃下大项目，输在单点创新的速度。
2.2.3BCG：2025年营收的四分之一来自AI相关工作
BCG的公开口径最具冲击力：2025年约25%的营收来自AI相关工作。这个比例远高于同业披露，意味着AI已经不是它的一项新业务，而是主营业务的一部分。内部据称已积累超过1.8万个由顾问自建的自定义GPT，用于行业研究与方案生成。
它的产品重心在"组织与流程"而非"系统"。典型交付是AI就绪度诊断、业务场景排序、组织能力建设、变革管理，配合客户的IT部门落地。客户集中在消费品、医疗、工业与金融。这种定位让它的项目更容易被高层接受，也更容易在交付阶段被工程方接管。
25%这个数字值得警惕地读。它既可能是真实的业务结构变化，也可能是口径较宽的统计方式（把含有AI元素的项目全部计入）。在没有分部披露的情况下，把它当作趋势信号比当作精确比例更稳妥。
2.2.4德勤：Sidekick铺了7.5万个席位，Zora对外卖
德勤的做法是"内部先用、外部再卖"：面向内部与EMEA客户的Sidekick已铺开约7.5万个席位，对外产品为Zora AI系列智能体。这说明它选择了与埃森哲相似的双轨路径——先用自家组织做验证场，再把验证过的能力打包出售。
它的客户以大型企业财务、审计、税务与咨询部门为主，交付常与既有的审计和合规流程绑定，这是四大独有的切入点：AI必须先在可审计性上过关，才能进入核心财务流程。
2.2.5普华永道：推出智能体平台，把交付标准化
普华永道在2026年推出自有的智能体平台，试图把过去按人天计价的咨询交付，转为可订阅的平台能力。公开的营收拆分与平台规模未披露，但方向清晰：以标准化产品降低对初级顾问人力的依赖，把高级顾问留在判断环节。
它的客户结构与德勤接近，税务、合规、风控是主要切入点。相对优势在于跨地域的一致性交付能力，相对劣势在于平台成熟度落后于纯软件公司。
这一子赛道的判断：五大咨询并没有错过AI，它们是最早的买单者与最响的倡导者，四大甚至把毕业生招聘规模压缩了约四成、把编制转向AI岗位。但它们的能力结构是"诊断+建议"，而当前市场愿意付费的是"交付+结果"。这解释了为什么2026年出现了PE直接出钱绕开咨询、扶持自有部署公司的现象——资本用脚投票，选择了更短的价值链。
2.3整合收购平台：不卖服务，直接把客户买下来
2.3.1Thrive Holdings：120亿美元估值，OpenAI入股的"AI改造型收购机"
Thrive Holdings从Thrive Capital拆分而来，是一家以"AI改造"为核心逻辑的收购与运营平台，2026年8月完成20亿美元融资，估值约120亿美元。它与这条赛道上所有玩家的根本区别在于：别人卖服务给客户，它直接把客户变成自己的资产。
OpenAI在2025年12月入股，是它模式成立的关键。交易结构不是简单的现金投资：OpenAI把自己的研究、产品与工程团队嵌入Thrive Holdings旗下的被收购公司，报酬的一部分以股权形式体现，且股权比例可随运营成效提升。这意味着OpenAI的工程师第一次以"股东收益"而非"服务费"的方式参与企业改造，动机从交付变成了经营结果。路透的报道同时指出，Thrive Holdings保留相关知识产权的所有权。
首批切入点是会计与IT服务。这两个职能的共同特征是规则密集、流程高频、人力成本占比极高，最适合被智能体批量替代。选它们不是因为技术最容易，而是因为替代后的利润弹性最大——同一笔收入，用更少的人完成，估值倍数立刻改变。
2026年10月的ADT交易展示了这套打法的规模。Thrive Holdings以每股10美元收购ADT，对应约76亿美元股权价值、153亿美元企业价值，并计划以ADT作为其智能家居安防业务的锚点。这笔交易的意义在于，它把AI改造的对象从"后台职能"推到了"有实体服务网络的前台业务"，难度更高，但可改造的空间也更大。
这个模式的财务逻辑与传统PE不同。传统PE买的是现金流，靠杠杆和成本削减获利；Thrive Holdings买的是"可被AI重写的作业流程"，靠的是把同一家公司的人均产出抬上去。它的风险也在这里：AI改造失败的损失由自己承担，没有服务合同可以兜底。目前它的收入并未单独披露，120亿美元估值主要建立在被收购资产的规模与改造预期上。
这一子赛道的判断：只有一家公司，但它代表了一种结构性可能——当交付能力足够强时，最划算的做法不是卖服务，而是买下需要服务的公司。这条路径对资本要求极高，也解释了为什么OpenAI愿意用股权换参与权：与其向PE收服务费，不如分享改造后的资产增值。
2.4AI部署与垂直咨询：Palantir系占了一半，资本愿意为"服务"付软件价
这是全图人数最多、也最值得细看的一个子赛道：22家，几乎全部成立于2023年之后，多数创始团队有Palantir、麦肯锡或大厂工程背景。它们的共同打法是"前沿部署"——工程师进现场，先把工作拆开看清，再建智能体接管，然后才谈复制。这条路径原本只是Palantir的内部方法论，如今变成了一个独立行业的通用语法。
2.4.1Palantir：FDE模式的原创者，也是这场竞赛的人才母港
Palantir成立于2003年，是把"前沿部署工程师"（FDE）写进公司基因的第一家企业。它的模式并不复杂，却极难复制：工程师常驻客户现场，把业务抽象成本体（ontology），在真实流程里把智能体接进去跑通，最后才沉淀成可复用的产品模块。过去二十年，这套方法只服务于政府与情报客户，直到AIP平台落地，才把它推向商业客户。
它的产品从Foundry的"数据整合层"演进为AIP的"决策执行层"。客户可以在AIP里用自然语言定义业务对象、约束与动作，再让模型在这些约束内执行。这个设计的商业价值在于：它把AI的能力边界锚定在客户自己的业务语义上，而不是模型参数上，因而更容易通过合规与审计。
它的客户结构在2026年已明显商业化倾斜。美国商业客户数与政府业务并重，制造业、能源、医疗、金融成为增长主力。财务上，Palantir是这条赛道上唯一具备规模化盈利能力的上市公司，其市值长期位居全球软件公司前列，收入模型是多年期订阅加前期部署服务，早期部署往往作为获客投入。
它对整张图谱的意义在于人才外溢。图中Distyl、Percepta、Conduct、Arrakis、Edra 五家由Palantir前员工创立或联合创立，此外还有多家未单独列出的公司同样源于这批人。业内称其为"Palantir黑手党"（Palantir mafia）——一整套被验证过的交付方法论，随着人的流动扩散成了一个新行业。
2.4.2Distyl AI：从OpenAI服务联盟起步，估值做到18亿美元
Distyl成立于2023年，两位联合创始人均出自Palantir：CEO Arjun Prakash曾负责公司早期商业合作、参与创建Foundry，并管理过30余人的前沿部署团队；Derek Ho则在商业拓展条线任职五年。公司成立当年即与OpenAI结成服务联盟，并完成700万美元种子轮，是最早被模型厂商"认证"的交付伙伴之一。
它的产品是"人+平台"的组合。对外交付多年期的财富500强部署项目，由驻场工程师与研究人员组成混合团队；平台侧的Distillery负责把重复出现的工作流模式沉淀为可复用的组件，让第二个客户不必从零开始。这种设计使它的人力效率高于纯项目制同行，也让它的毛利率更像软件公司。
客户与估值：客户以大型金融、医疗、消费与工业企业为主，公开披露的项目多为跨年度、跨部门的核心系统改造。按市场流传口径，其估值已达约18亿美元，较2023年种子轮时不可同日而语；具体营收未披露，但估值/收入比明显高于传统系统集成商，反映的是市场对"可复制交付"的溢价。
2.4.3Wonderful：20个月做到50亿美元，ARR约1亿美元
Wonderful成立于2025年初，创始人Bar Winkler（CEO）与Roey Lalazar（CTO）来自以色列企业软件圈，2026年9月完成5.5亿美元C轮，由Insight Partners领投、Salesforce参与，估值50亿美元，较六个月前B轮的20亿美元翻了2.5倍。公司成立至今累计融资超过8亿美元，14个月内完成四轮。
它的定位是"企业AI操作系统"：帮企业构建、运行并连接智能体。与纯服务商不同，Wonderful把交付过程中反复出现的集成、权限、评测、观测能力做成了平台组件，客户可以在其上自行搭建业务智能体，也可以由Wonderful的团队代建。它服务的市场超过30个国家和地区，客户以中大型企业的客服、运营、后台职能为切入点。
财务上最需要看清的一点是估值与营收的错配。公开报道显示其ARR约1亿美元，对应50亿美元估值，倍数约50倍。这在SaaS里属于高位，在服务业里几乎是史无前例。支撑这个倍数的不是当期收入，而是"平台化叙事"：投资人相信它能把服务收入逐步转成订阅收入。这个假设是否成立，2027年的收入结构会给出答案。
2.4.4Applied Compute：18个月、32.5亿美元，Elad Gil领投
Applied Compute于2026年11月完成3.5亿美元融资，估值32.5亿美元，由Elad Gil领投，投资方名单里有英伟达、黑石、Kleiner Perkins、Lux Capital，以及Shopify Ventures、HubSpot Ventures这类战略投资人。公司成立仅约18个月，是这批服务型公司里估值爬升最快的一家。
它的产品重心在"把模型能力工程化"而非"做咨询"。团队以模型微调、推理优化、评测体系建设为核心能力，帮客户把通用模型改造成在特定任务上稳定可用的生产组件。相比Wonderful的平台叙事，它更接近"高密度技术交付"，单项目人力更少、单价更高。
战略投资人的构成透露了它的客户方向：电商与CRM侧的基金入局，说明零售、电商、客户运营是其重点场景；英伟达的参与则意味着算力侧的合作关系。收入未披露，但以18个月做到32.5亿美元估值的节奏看，其收入增速大概率高于同业。
2.4.5Hang Ten（Vishal Sikka）：种子轮就叫板2500亿美元的IT服务市场
Hang Ten Systems由前Infosys CEO、前SAP CTO Vishal Sikka创立，总部位于帕洛阿尔托，目标是重构规模约2500亿美元的传统IT服务模式。种子轮融资规模在公开报道中存在两种口径：一种为3200万美元，另一种为8500万美元，差异可能来自是否计入后续追加与战略投资，此处不做单一结论。
它的主张是"AI原生的交付组织"：不再以人天计价，而是以交付结果和系统上线后的业务指标计价；团队规模刻意保持精简，把重复工作交给智能体。Sikka的背景使它在大型企业CIO圈层拥有罕见的信任度，这是它尚未公开客户名单却已被广泛关注的原因。
2.4.6Conduct：用AI改造ERP，SAP亲自入股
Conduct总部位于伦敦，三位创始人全部来自Palantir，2026年6月完成6000万美元A轮，由Index Ventures与ICONIQ联合领投，SAP作为战略投资方入局，累计融资约7200万美元。战略投资方的身份是这条赛道上最有信息量的一笔：SAP愿意投一家"改造ERP"的公司，说明它认可AI层可以长在自己的系统之上，而不是取代它。
它的场景选择极为具体：大型企业的ERP系统沉没成本极高、替换周期以年计，但其中的报表、对账、主数据维护、异常处理等环节人力密集且规则清晰。Conduct的做法是在不改动ERP内核的前提下，用智能体接管这些外围作业。客户集中在制造、零售与公共事业的中大型组织，交付周期以季度计。
2.4.7Percepta：General Catalyst的转型公司，用结果数字说话
Percepta是General Catalyst设立的AI转型公司，团队核心包含MIT背景的研究者与Palantir前员工，公开定位是"为财富500强与政府机构提供AI转型"。它是这条赛道上少数主动披露效果数字的公司。
公开案例数据包括：为一家财富500强金融服务客户带来80%的生产力提升与每年1700万美元的成本节约；为护理服务类企业创造约1亿美元的企业价值；把某州的关键审批流程耗时压缩90%以上。这类数字的说服力强于任何方法论表述，也是它能在政府与受监管行业获客的原因。
它的商业模式接近"转型合伙人"：不只交付系统，还参与客户的运营指标定义，部分项目与成果挂钩。这种结构对现金流要求高，但一旦跑通，客户黏性远高于项目制。
2.4.8Arrakis：3800万美元出隐身，赌工业场景而非办公室白领
Arrakis由两位Palantir巴黎办公室的前FDE创立——Haroun Beltaifa与Romain Fouilland（后者出身法国矿业Corps des Mines 精英技术官僚序列），2026年7月以3800万美元融资结束隐身状态。创始人公开表示，团队中约一半成员来自Palantir。
它押的是一个与主流不同的判断：AI最大的回报在工业与供应链，而不在办公室文书工作。产品围绕采购、供应链、生产排程、设备维护等场景构建智能体，客户是制造、能源、化工类重资产企业。这类场景的数据脏、系统老、容错低，正是纯软件公司做不进去、驻场团队才有机会的地方。创始人同时直言，Palantir的技术栈并非AI原生，这是它认为可以超越前辈的空间。
其余部署与咨询类公司（规模与融资未公开披露的早期团队）：
AuxoAI：面向制造与供应链的AI部署服务商，以数据平台与智能体结合的方式交付产销协同、需求预测类项目，客户多为中大型工业企业，融资细节未公开。
Turing：从AI人才与数据服务起家，近年把交付重心转向企业AI工程建设，同时运营面向高校的STEM智能体产品（GPAI，2026年已覆盖415所美国高校），形成"人才供给+产品"的双轮结构。
Invisible：以"AI+人工"混合运营见长，替客户承接后台流程的端到端运行，强调把自动化与人工复核编排在同一条流水线上，客户集中在科技、金融与消费品牌。
Augusta Labs：里斯本的应用AI实验室，主张把前沿智能转化为可测量的EBITDA提升，客户是受强监管的金融机构与大型机构，走"效果对赌"式的交付。
Tenex：由连续创业者与CMU背景团队组建的AI转型公司，主打速度与增长，客户以中大型企业的业务部门为主，公开的财务数据有限。
Varick Agents：以"智能体即交付物"为定位的小型团队，替客户搭建可独立运行的业务流程智能体，规模处于早期。
Limestone：面向受监管行业的AI部署团队，交付重点在合规边界内的流程自动化，公开信息有限。
Tribe AI：AI原生服务公司，与OpenAI、Anthropic均有合作，团队约35人，2026年5月收购Candor以扩充能力，客户为大型企业的AI产品建设，走"平台+服务"混合模式。
Deployment Inc：由印度二手车平台Cars24以500万美元孵化并独立运营，先把自家业务当第一个客户跑通AI工作流，再对外输出，属于"从甲方长出来的乙方"。
Flowscope：以流程观测与自动化编排为核心的早期团队，帮客户看清跨系统的工作流断点，再针对性部署智能体。
Marker：面向企业文档与内容流水线的部署团队，把非结构化资料转成可执行的业务动作，规模处于早期。
Hessian：YC出身，模式是"驻场先把工作测绘清楚，再在自家平台上搭建端到端智能体"，创始人自述是从Palantir式FDE与AI智能体的结合点切入。
LabO：以实验式交付见长的技术团队，替客户做小步快跑的AI验证，公开披露有限。
CXO.dev：从高管视角切入的服务品牌，替企业C层设计AI转型路线并组织落地，偏轻交付、重顾问。
这一子赛道的判断：22家公司里，真正跑出可验证规模的只有Palantir、Distyl、Wonderful、Applied Compute四家，其余多数仍处在"有方法论、缺案例库"的阶段。它们的共同风险是极度依赖少数资深工程师——一位能独立带项目的FDE，几乎决定一个客户的成败。这也解释了资本为什么愿意给高倍数：投的不是当期项目收入，而是这支团队能否把交付经验产品化。反过来说，一旦某个玩家证明"第二客户可以在没有原班人马的条件下上线"，它的估值逻辑就会被彻底重写。
3.转型平台：从一次性项目走向可复制的软件资产
如果说第一大类赚的是"人"的钱，这一大类赚的是"方法"的钱。它的核心命题是：把驻场工程师在客户现场反复做的事情——访谈、测绘、建模、观测——变成一套可交付、可订阅、可复制的软件。三组公司的切入点不同：全栈平台试图一次性覆盖企业AI的全部基础设施；AI访谈把"了解员工在做什么"这一步自动化和规模化；流程智能则把"工作到底怎么流动"变成可测量的数据。三者共同构成部署服务的上游，也是服务商摆脱人力约束的唯一路径。
3.1全栈转型平台：想当CIO的"AI操作系统"，但赢家未定
3.1.1InstaLILY：把"前沿部署工程师"做成产品，6000万美元B轮
InstaLILY以"第一个AI前沿部署工程师"为核心产品叙事，2026年完成6000万美元B轮，并正式发布产品Lily。这个定位很巧：它把这条赛道最稀缺的角色——能进现场、能改系统、能持续迭代的工程师——做成了一个可持续运行的软件实体，而不只是一支需要招聘的团队。
Lily的服务场景集中在"有实体运营网络"的行业：建筑工程、工业分销、物流、现场服务与医疗。公开的效果数据包括：在一家全国性分销商处，Lily覆盖了整个客户群的商机识别与跟进，带来超过2亿美元的新增年销售额，这部分覆盖是人力团队实际无法做到的；在一家工业供应商处，原本需要数小时的报价流程被压缩到秒级；现场技术人员的设备诊断从十五分钟降到即时回答。
这类数据的价值在于它证明了"平台化的FDE"确实可行。它的交付物不是报告，而是持续在客户系统里运行的工作实体。客户规模以中大型为主，定价尚未公开，但从B轮规模与落地案例看，其客单价应显著高于SaaS订阅，接近"按业务增量分成"的服务型合约。
3.1.2UnifyApps：8100万美元融资，CIO侧的"企业AI操作系统"
UnifyApps累计融资8100万美元，其中2025年10月的B轮为5000万美元，由WestBridge Capital领投、ICONIQ参与，企业软件老将Ragy Thomas以董事长兼联席CEO身份加入。它的自我定位是"面向AI的企业操作系统"，服务对象是企业CIO。
产品由三层构成：底层是跨系统的连接与数据层，中间是智能体编排与权限治理，上层是面向部门的业务应用。这套结构与过去几年的iPaaS+PaaS形态类似，但把"智能体"作为第一等公民，权限与审计内建其中。客户以中大型企业的IT与数字化部门为主，切入场景多为客服、销售运营、供应链与人事。
它的优势是"不绑定模型"：可以在不同模型间切换，这对成本敏感的大型客户有实际吸引力。劣势是它的定位与Salesforce、ServiceNow、微软的自有平台高度重叠，销售侧必须靠更强的实施能力取胜。
其余全栈平台（公开披露有限的早期团队）：
Codos：以"代码化交付"为特色的全栈团队，把驻场中形成的方案沉淀为可复用的代码仓库与模板，规模与融资未公开。
Within：面向中型企业的转型平台，主打从诊断到上线的短周期闭环，公开信息有限。
Ciridae：偏重流程与系统整合的全栈团队，交付形态接近轻量化的系统集成，处于早期阶段。
Dataleap：以数据底座见长的平台，把数据治理、语义层与智能体编排打包交付，客户多为已有数据仓库但难以支撑AI的企业。
这一子赛道的判断：全栈平台的野心最大，风险也最集中。它们要在同一时间对抗三类对手——模型厂商自带的Agent SDK、Salesforce/ServiceNow这类业务系统厂商、以及企业内部自建团队。目前为止，没有任何一家证明了"企业愿意为AI操作系统支付独立预算"，InstaLILY之所以看起来更靠谱，恰恰因为它没有卖平台，而是卖一个能干活的产品。
3.2AI访谈：把"了解员工在做什么"这门生意自动化
这一组的存在本身就是信号。传统咨询的第一步永远是访谈：找关键岗位的人聊，把隐性流程画出来。这一步耗时、昂贵、且高度依赖顾问的经验。四家公司试图用智能体替代它——批量访谈、自动归纳、输出流程图与改进建议。2026年YC春季批次里，登上这张图谱的公司有八家之多，访谈测绘是其中最拥挤的入口。
3.2.1Foaster：把全员访谈变成流水线
Foaster是YC孵化的AI访谈平台，核心能力是派出智能体对企业的员工进行结构化访谈，再把回答归纳成工作流地图与自动化机会清单。它的商业逻辑是"诊断即获客"：先用一份低成本的测绘报告敲开客户的门，再引导到后续的部署项目。客户以中型企业和大型公司的单个事业部为主，公开融资与规模数据有限。
3.2.2Ontora：从访谈走向组织知识的结构化
Ontora同样以AI访谈为切入点，但更强调把访谈结果沉淀为组织的结构化知识，而非一次性的诊断报告。它试图解决的问题是：访谈得到的隐性知识如果不被保存，会随项目结束而流失。产品形态接近"企业流程知识库+访谈引擎"，规模处于早期。
3.2.3Sona8：面向一线岗位的轻量访谈工具
Sona8把访谈对象下沉到一线执行岗位，用更短的会话收集真实的操作细节，再汇总为可执行的改进项。它适合连锁零售、物流、制造车间这类员工基数大、流程分散的组织，公开披露的财务数据有限。
3.2.4AX Atlas：把测绘结果可视化成决策地图
AX Atlas侧重输出端：把访谈与系统日志合成的结果绘制成可视化的组织工作地图，让管理者看到哪些环节人力密集、哪些环节可被智能体接管。团队规模与融资未公开，属于典型的"工具型早期公司"。
这一子赛道的判断：流程测绘正在快速商品化。当四家以上的公司用同样的智能体访谈方法、以相近的价格提供诊断时，诊断本身就不再是壁垒，而只是一个更便宜的开场白。真正稀缺的仍然是诊断之后的那一步——把发现的问题真的改掉。这也意味着，这一组公司里大概率会有多家被并购，成为大平台的"入口模块"，而不是独立长大。
3.3流程与工作智能：谁在真正为"结果"收费
与访谈测绘不同，这一组强调的是"持续观测"而非"一次诊断"。它们通过系统日志、应用埋点或人工采样，持续看清工作如何在组织里流动，并把AI带来的改变折算成可比较的指标。这是在AI预算普遍面临"证明ROI"压力的2026年，最刚性的需求。
3.3.1Skan AI：6300万美元C轮，做智能体的"上下文层"
Skan AI于2026年8月完成6300万美元C轮，由Cathay Innovation与戴尔科技资本联合领投，花旗创投、Bloomberg Beta、State Farm Ventures、Wipro Ventures参与，累计融资约1.2亿美元。它观察的不是流程文档，而是员工在应用里真实的鼠标与操作轨迹，据此还原出"工作其实是怎么做的"。
这个能力的价值在智能体时代被重新定价。当企业要部署智能体时，最大的难题是没人说得清某个岗位的真实操作序列，而文档里的流程图往往与实际相差很远。Skan的轨迹数据正好补上这块，因此它把自己定位为"智能体的上下文层"。客户集中在金融、保险、医疗与大型服务业，这类组织的系统多、流程长、合规要求高，对"真实工作数据"的需求最迫切。
3.3.2Mimica：把流程挖掘做成"可执行的自动化"
Mimica以流程挖掘与自动化生成为核心，先通过桌面端采集真实操作，再自动生成可运行的自动化脚本，让"发现"和"修复"发生在同一个工具里。它长期服务银行、保险与共享服务中心的后台运营，客户关注的是单据处理、对账、理赔这类高频重复环节。近年它把生成目标从脚本扩展到智能体工作流，公开的融资与营收数据有限。
3.3.3Larridin：3000万美元A轮，专门度量"AI到底带来了多少产出"
Larridin于2026年11月完成3000万美元A轮，由Pelion Ventures领投，a16z与Gradient Ventures继续跟投，累计融资4700万美元；客户数从2025年12月的1家增长到2026年11月的50家。它是这条赛道上最"反直觉"的一家：不卖AI，卖的是衡量AI投入的工具。
它解决的问题非常具体：企业一年在AI上花了多少钱、这些钱换来了多少"工作"——无论是人完成的还是智能体完成的。Larridin把AI支出与实际产出（工单量、审批量、代码提交、客服会话）对齐，让管理层能看到单位产出的成本变化。在预算审批越来越严的2026年，这种"能拿给CFO看"的能力本身就是稀缺品。
3.3.4Edra：红杉押注的"规模化智能体上下文"
Edra由Palantir AI平台的早期负责人与Yannis Karamanlakis共同创立——后者是Palantir第一位"前沿部署AI工程师"，专门负责把大模型从演示推进到生产。红杉在2026年3月公开了对其的投资，定位是"为规模化智能体提供上下文"。
它的判断是：智能体的瓶颈不在推理能力，而在它是否理解这家公司的业务事实。因此Edra构建的不是又一个聊天界面，而是能被大量智能体共享调用的企业事实层。客户以已有一定AI部署规模的大型企业为主，属于"部署之后才会需要"的产品，这一点决定了它的销售周期偏后但客单价偏高。
3.3.5Autostep：面向中小企业的流程自动化补位者
Autostep面向流程标准化程度不高的中小企业，用轻量的采集与模板化生成，把最常见的重复作业自动化掉。它不与Skan、Mimica争抢大型客户，而是吃被它们忽略的长尾市场，规模处于早期。
这一子赛道的判断：这一组的共同特征是"先度量、再改造"，与第一大类"先改造、后解释"的顺序正好相反。在预算宽松期，前者的说服力弱；在预算收紧期，后者的价值立刻凸显。Larridin的客户数在一年内从1家涨到50家，就是这种周期切换的直接证据。可以预期，2027年这一组的增长会快于纯部署服务商，因为它卖的是"决策所需的事实"，而不是"另一份承诺"。
4.上下文与智能体：唯一能长出护城河的一层
前两个大类解决的是"把AI送进去"和"把方法固化下来"，这一大类解决的是更根本的问题：AI能不能记住这家公司的事，并且独立把活干完。前者是"企业大脑"，后者是"AI员工"。这两组的区别不在技术栈，而在商业模型——企业大脑卖的是基础设施订阅，AI员工卖的是替代人力后的产出。当部署服务被商品化之后，价值会向这两组集中，因为只有它们的产品会随着使用而变得越来越懂客户。
4.1企业大脑与记忆：3亿美元ARR的领跑者，与一堆等着被收购的挑战者
4.1.1Glean：5月ARR突破3亿美元，15个月翻三倍
Glean于2026年5月宣布年度经常性收入突破3亿美元，而它从1亿到3亿只用了15个月；同期财富500强客户数量接近翻倍。这是整张图谱里最硬的营收证据：在69家里，能公开宣布3亿美元ARR的只有它一家。
它的产品是"工作AI"（Work AI）：把企业内部的文档、聊天、邮件、工单、代码仓库统一索引，形成可检索、可权限继承的知识层，再在其上提供搜索、助手与智能体能力。它的技术门槛不在检索，而在权限与语义：一份文件该被谁看到，必须与原系统完全一致，否则企业不敢用。这正是它能卖给大型组织的原因。
客户以科技、金融、零售、医疗的大型组织为主，很多是全员部署。这种"全员席位"的模式使它的收入规模随客户人数线性增长，也让它的续费率高于单部门工具。它的风险也很清楚：微软、Google、Zoom都在自己的协作套件里内建类似能力，价格战是必然的。Glean的应对是把重心从"搜索"转向"智能体的上下文供给"，让价值不依赖界面。
4.1.2Onyx：开源企业搜索，2026年10月被Zoom收购
Onyx是开源的企业知识搜索平台，可连接50多个应用，2026年10月被Zoom收购，并入Zoom AI Services。收购后保持独立运行、开源与可自托管，这一点对价格敏感的客户很关键。
它的价值在于"可自托管"：对不能把内部文档交给外部云的企业（政府、医疗、金融），开源自托管几乎是唯一可行路径。Zoom买它的逻辑也在于此——Zoom掌握大量对话数据，缺的正是把对话与企业知识连起来的检索层，而它此前在AI上的投入需要一个能落地到企业内部的知识底座。
对市场的含义是明确的：企业大脑这一层已经进入整合期。规模不足以独立上市的玩家，最好的出路是被协作平台或云厂商收购，成为其"企业上下文"模块。Onyx是第一个明确案例，不会是最后一个。
4.1.3PromptQL：把数据问答变成可执行的业务动作
PromptQL由Hasura团队推出，定位是"面向数据的企业AI平台"，让自然语言不只是查数，而是能触发确定性执行的业务流程。它的技术主张是把模型的不确定性与数据库的确定性分开：模型负责理解意图，执行交给可校验的程序。
客户多为已有数据仓库、但苦于"报表看得懂、动作落不下去"的中大型企业。在"企业大脑"这个谱系里，它偏向"行动侧"而非"检索侧"，这是它与Glean的核心差别。
4.1.4Cognee：750万美元种子轮，专做智能体的结构化记忆
Cognee于2026年2月完成750万美元种子轮，专注为智能体提供持久化的结构化记忆基础设施。它解决的是单个智能体的"失忆"问题：跨任务保留上下文、按需检索、按权限隔离，而不是每次都从零开始。
它的客户以正在自建智能体的技术团队为主，产品形态偏基础设施与开源结合，规模处于早期但方向明确——在智能体数量爆发后，"记忆"会成为像数据库一样的标准件。
其余企业大脑与记忆类公司（公开披露有限的早期团队）：
Hyperspell：YC出身，为智能体提供记忆与上下文接入的API服务，替开发者处理授权、索引与召回，规模早期。
Savant：YC出身，聚焦企业事实的结构化沉淀，让智能体调用的是经过验证的业务知识而非原始文档。
Trace：YC出身，从组织内部的决策轨迹入手，把"为什么这么决定"沉淀成可检索的记忆。
Hyper：以企业记忆检索为核心的早期团队，强调低延迟与权限对齐，公开信息有限。
Sentra：侧重上下文的数据治理与安全边界，确保企业记忆在合规前提下被调用，规模处于早期。
PipesHub：开源的企业数据与知识连接层，可自托管，主打把分散系统的内容统一到一个可查询的入口。
这一子赛道的判断：企业大脑这一层正在分化为两种生意。第一种是"卖界面"——搜索、助手、问答，这类产品会迅速被协作套件吞并，Onyx的结局就是样本。第二种是"卖上下文"——为智能体提供事实、记忆与权限，这类产品不依赖界面，反而随智能体数量增长而增值。Glean正从第一种转向第二种，Edra、Cognee直接生在第二种里。判断标准很简单：如果客户换掉聊天界面后产品还活着，它就在第二种生意里。
4.2智能体平台与AI员工：营收跑得比部署服务快得多
4.2.1Sierra：4亿美元ARR，估值150亿美元，AI员工的标杆
Sierra由Bret Taylor与Clay Bavor于2023年创立，2026年5月以超150亿美元估值完成9.5亿美元融资（Tiger Global与GV领投），10月底宣布ARR突破4亿美元，单季新增1.5亿美元。从1亿到2亿用了六个月，从2亿到4亿更快，是整个图谱中营收曲线最陡的一家。
它的产品是"按岗位交付的AI员工"，初期集中在客户体验：客服、售后、会员运营。其方法论与FDE同源——不卖通用工具，而是与客户共同定义某个岗位的职责、权限与升级路径，再交付一个能独立上岗的智能体。定价与结果挂钩的成分较高，这也是它客单价高的原因。
客户覆盖零售、电信、金融、医疗与科技的大型企业，2026年它还完成了对Takeoff的收购以扩充能力。它的关键洞察值得单独记录：当AI围绕"真实的工作岗位"构建、而不是围绕"实验"构建时，即使最大的企业也能在很短时间内看到效果。这句话解释了为什么它的营收增速远高于部署服务商——它卖的不是项目，而是可复制的岗位。
4.2.2Gumloop：5000万美元B轮，让每个员工都能造智能体
Gumloop于2026年3月完成5000万美元B轮，由Benchmark领投，Nexus VP、First Round、YC、Box Group与Shopify Ventures参与；客户包括Shopify与Instacart。它的定位是把智能体构建从工程师手里交到业务员工手里：拖拽式编排、内置企业系统连接器、团队级共享与治理。
它的产品重心在"可用性与治理的平衡"：既让非技术人员能快速搭出可用的流程，又提供管理员控制、VPC部署与观测能力。对中型企业而言，这是比自建平台更现实的选择。它的商业模式是订阅加用量，属于图谱里少数真正的SaaS形态。
4.2.3Lindy：面向中小企业的"AI员工团队"
Lindy以"组建一支AI员工团队"为产品叙事，用户可以像雇人一样为不同职能配置智能体，处理邮件、跟进线索、安排会议、更新CRM等日常事务。它面向的是没有IT预算做定制开发的中小企业，客单价低但获客快，属于典型的量取胜模型。公开融资细节有限。
它的局限也明显：一旦企业规模上来，权限、审计与系统集成的要求会超出这类轻产品的承载能力，客户容易在成长后流失到Gumloop或自建平台。
4.2.4其余智能体平台（公开披露有限的团队）：
Town：以个人助理式智能体起步，向企业场景延伸，强调低门槛与自然语言配置，规模早期。
Viktor：在协作工具内交付的AI员工，可直接在客户既有工作流里执行任务并汇报，减少切换成本。
Erna：面向企业内部运营的智能体平台，侧重多智能体协作与任务分派，公开信息有限。
Eragon：以垂直场景智能体为切入的早期团队，强调快速上线与闭环迭代。
Sauna：把智能体嵌入日常工作界面的团队，主张"AI应该出现在人已经在的地方"，规模早期。
Spaceflow：面向空间与设施运营场景的智能体平台，客户偏商业地产与物业管理。
Riplo：以短周期交付见长的智能体团队，替中小企业快速搭建可运行的业务智能体。
这一子赛道的判断：智能体平台的竞争已经分出层次。Sierra用"按岗位交付"的方式拿到了大客户与高营收，本质上是把服务能力产品化；Gumloop走的是"工具民主化"，赌的是长尾员工的自发需求；Lindy这类轻产品则在中间地带承压。真正的分水岭是治理能力——当一家企业同时跑着两百个智能体时，谁能说清每个智能体的权限、成本与产出，谁就能留下来。这也意味着下一轮整合的方向：智能体平台会向上吞并"记忆"，向下吞并"流程度量"。
5.结论：三层价值，三种时间尺度
把69家放回同一张价值链上，可以得到三个判断。
第一，部署层是当下的现金流，但不是长期的位置。四家模型实验室合计约90亿美元的投入、22家创业公司的扎堆，说明这一层正在被快速填满。它的问题不是需求不足，而是供给无法规模化——人才池只有三千余人，客户却遍布财富500强。这决定了它的高毛利会持续一段时间，但也决定了它的估值最终要向人力服务靠拢，除非完成产品化。
第二，平台层是过渡带，成败取决于能否把"第二客户"的成本降下来。全栈平台、访谈工具、流程智能三组公司的共同任务，都是把项目经验变成可重复的资产。Larridin的客户从1家到50家、Skan把自己重新定位为智能体的上下文层、InstaLILY把FDE本身做成产品，都是在做同一件事。判断它们的标准只有一个：交付第二个客户时，还需要派出同样多的人吗？
第三，上下文与智能体层是唯一能自我强化的位置。Glean的3亿美元ARR、Sierra的4亿美元ARR，都来自"用得越多越懂客户"的正循环。这一层的公司不需要每次从零理解客户，客户也很难把它们换掉——因为换掉意味着丢掉积累的记忆与调优。这也解释了为什么Onyx会选择被Zoom收购：独立留在这一层很光荣，但需要规模支撑。
对读者的决策提示：若以投资视角看，部署层的公司应关注"人均交付产值"与"第二个客户的复用率"；平台层应关注"ARR中订阅占比"；上下文层应关注"是否依赖自有界面"。若以企业采购视角看，最容易被高估的是全栈平台（它承诺太多），最容易被低估的是流程度量工具（它让后续所有投入都有依据）。
方法与口径说明：本文逐家分析所用的结构，是先明确"这家公司解决谁的什么问题"，再核对"它卖什么、卖给谁、账面上什么状态"，最后判断"它在价值链上占据哪一环、这个位置能被替代吗"。69家企业的分类沿用原始图谱口径（模型原生交付分支6家、大型咨询5家、整合收购1家、AI部署与垂直咨询22家、全栈平台6家、AI访谈4家、流程智能5家、企业大脑10家、智能体平台10家）。凡未公开披露的估值、营收与客户名单，文中均标注为未披露，未做推测性补数；同一事实存在多个公开口径时（如Hang Ten的种子轮规模、DeployCo的出资结构），已并列说明差异。
尚待验证的问题：其一，90亿美元的实验室部署投入能否在三年内形成可复用的产品，目前没有证据；其二，服务型公司50倍的估值倍数是否可持续，取决于订阅收入占比能否在2027年过半；其三，企业大脑的整合会走Onyx式的并购路径还是Glean式的独立扩张，尚无定论。
6.参考来源
[1]证券时报：《OpenAI新动作！砸40亿美元成立新公司，不卷模型卷落地》，2026-05-12，链接
[2] OpenAI：《OpenAI launches DeployCo to help businesses build around intelligence》，2026-05-11
[3] DEV Community：《The Deployment Land-Grab: Why Deployment Became AI's Main Event in 2026》，2026-10-24，链接
[4] SketricGen：《Microsoft's $2.5B Bet: Why AI Software Isn't Deployment》，2026-07-06，链接
[5] Refolk：《Microsoft's 6,000 FDEs vs a US Pool of 3,141》，2026-08-28，链接
[6] Plank Research：《Ode with Anthropic: FDE Profile》，2026-10-31，链接
[7] Amazon：《AWS invests $1 billion to embed AI forward deployed engineers with customers》，2026-06-30，链接
[8] Value Add VC：《Wonderful Valuation: $5B After $550M Series C》，2026-09-03，链接
[9] Ultrathink：《Applied Compute Raises $350M at a $3.25B Valuation》，2026-11-09，链接
[10] Lapaas Voice：《Former Infosys CEO Vishal Sikka raises seed round for Hang Ten Systems》，2026-06-25，链接
[11] Plank Research：《Distyl AI: FDE Profile》，2026-10-31，链接
[12] Tech.eu：《Former Palantir employees raise $60M for AI enterprise startup Conduct》，2026-06-17，链接
[13] Fortune：《Arrakis emerges from stealth with $38 million in funding》，2026-07-22，链接
[14] Percepta：《Scale and Impact》，链接
[15]新浪财经：《Thrive Holdings融资20亿美元：估值120亿美元与OpenAI关系紧密》，2026-08-13，链接
[16] Spaik：《AI Agents in Consulting: McKinsey, BCG, Bain and Beyond》，2026-09-14，链接
[17] F1GMAT：《Q1 2026 Consulting Trends: Outcome-Based Pricing & AI Agents Reach Production》，链接
[18] Unite.AI：《Skan AI Raises $63M Series C》，2026-08-12，链接
[19] Larridin：《Larridin Raises $30 Million in Series A》，2026-11-02，链接
[20] Sequoia Capital：《Partnering with Edra: Context for Agents at Scale》，2026-03-18，链接
[21] InstaLILY：《The Engineer That Never Leaves》，2026-07-01，链接
[22] UnifyApps：《UnifyApps raises $50M to become the Enterprise Operating System for AI》，2025-10-22，链接
[23] Glean：《Glean Surpasses $300M ARR》，2026-05-28，链接
[24] Zoom：《Zoom acquires Onyx》，2026-10-23，链接
[25] Sierra：《Our customers' ambition is accelerating our growth》，2026-10-30，链接
[26] Gumloop：《Announcing Gumloop's $50M Series B》，2026-03-12，链接
[27] PitchBook：《Cognee 2026 Company Profile》，链接
[28] Y Combinator：《Launch YC: Hessian — Automating business operations with forward-deployed AI agents》，2026-05-31，链接