前几天有人抛了一个问题：「哪些客户的续约风险正在上升，今天由谁介入？」
我把它原样丢给了一个 AI 助手，想看看它怎么答。
它的回答很诚实：答不了。它列出了这个问题需要同时拉齐的五个系统——CRM 里的客户关系、合同系统里的到期日、产品日志里的用量变化、工单里的故障、财务系统里的回款——然后说：「任何一个单独看都不够，五个信号交叉才能定位谁在恶化。」
这个回答本身没问题。但它暴露了企业 AI 的真实现状：AI 不缺智能，缺的是跨系统取数的资格。 它能看到每一个系统，如果它有资格的话。
有意思的是，最近两篇文章，从两个完全不同的方向，撞上了同一个问题。一篇是 Carlos Perez 的企业版 OpenClaw 万亿清算论，一篇是《读懂 Palantir Ontology》的完结篇——后者举的范例决策，一字不差就是上面那个续约风险问题。
两篇文章各讲了企业 AI 的一半。把它们拼起来，你会看到一条没人明说的路线。
一座山的两侧：拆墙与建墙
Perez 那篇讲的是拆墙。他的核心框架是把企业里的集成摩擦分成两类：承重墙（数据治理、审批流、审计痕迹，拆了塌房）和 寻租墙（专有 schema、集成税、锁定成本，只为厂商的商业模式服务）。企业里大多数墙是第二种，而 OpenClaw 式的绕过工具证明了这一点——「你的集成摩擦从来不是在保护我们，它只是挡了路。」所以综合层会出现，孤岛厂商建不了（因为跨孤岛综合会蚕食它们的坐席定价），最终由别人来建。
Palantir 完结篇讲的是建墙。它面对一个质疑：业务变化这么快的公司，本体（Ontology）刚建好就过时，还有必要建吗？它的回答是把 Ontology 分成三层：稳定核心（对象的身份、基本关系、权限边界、Action 的业务含义）、可变逻辑（评分模型、阈值、审批环节、Agent 可调用的工具范围）、实验边缘（一次性假设先留在沙盘里）。本体会过时，但过时的应该只是可变逻辑层，不是整个世界。
表面看，一篇在拆，一篇在建。但它们回答的是同一个问题：企业里哪些墙该拆、哪些墙该保，以及保下来的墙用什么形态存在。
Perez 说：承重墙留着。Palantir 说：承重墙要编译成软件——可共同使用、接受检查、随现实修改的软件。
合起来就是一句话：拆寻租墙靠绕过，保承重墙靠编译。 只拆不建，企业得到一堆没有语义的废墟；只建不拆，企业得到一座新的数字监狱。
Ontology 的三层，就是 Agent Spec 的三层
Palantir 那篇里最容易被略过、其实最重要的一个细节是：它说 Ontology 的稳定核心里包含「权限边界、Action 的业务含义，以及一次决策需要留下哪些证据」。
这不是技术词汇表，这是 组织词汇表。把它和我们前两天的讨论对照一下——Agent Spec 是数字员工的劳动合同里说，一份 Spec 由 Identity、Mission、Context、Permissions、Boundaries、Evals 组成。逐层对上：
Ontology 三层 Agent Spec 三层
─────────────────────────────────────────────
稳定核心：身份、关系、 identity / permissions /
权限边界、Action 含义 ←→ boundaries（合同主体条款）
可变逻辑：评分、阈值、 evals / 执行策略
审批环节 ←→ （绩效考核与工作方式）
实验边缘：一次性假设 一句话意图
←→ （待编译的 Human Intent）
# generated by hugo AI
这个同构不是巧合，它说明的是：Ontology 是 Agent Spec 的地基。 劳动合同要有标的物——「不得越权审批」这条 boundary，必须有一个「审批」的 Action 定义、一条权限边界的语义，才能被编译、被强制。没有 Ontology，Spec 就是一份指向虚空的合同。
所以 Palantir 在建的东西，往本质里说，是 Spec Compiler 的底座：先把企业的对象、关系、权限、Action 变成可计算的结构，然后 Agent 才能在这个结构上被授权、被问责、被考核。
它选了一条自上而下的路。而问题恰恰出在这条路的成本上。
Palantir 自己列出的四个死法
完结篇里有一节，列了企业 AI 落地最常见的四个死法。这四条值得逐字读，因为每一条都有一个对应的解法，而解法全在 Palantir 之外：
| 死法 | 本质 | 对应的解法 |
|---|---|---|
| 没人对决策结果负责 | 没有岗位因 AI 而改变工作 | 给 Agent 一个可问责的身份 |
| 显性规则进了 Prompt，例外留在人脑 | 知识没有编译完 | 把例外沉淀进 Spec |
| AI 能建议，但没有受控的 Action | 权限没有强制力 | boundaries 编译进运行时 |
| 第一个客户解决了，没有东西留下来 | 经验没有资产化 | 沉淀成可复用的模具 |
看出来了吗？这四条死法，恰好是四份没签好的合同：第一份缺甲方，第二份缺条款，第三份缺强制力，第四份缺资产归属。
Palantir 对这四个问题的答案是：派 FDE（Forward Deployed Engineer，前线部署工程师）进客户现场，用真实数据写出可运行的解法，把沉淀下来的连接器、评估集、权限模板变成下一个客户的起点。这个飞轮是成立的——它本质上就是软件工厂 3.0里的开模流程：FDE 是切模具的人，沉淀的资产是模具库，「下一个客户少做一遍定制」就是模具的摊销收益。
但这条路的成本结构决定了它的服务半径：FDE 是稀缺品，驻场是昂贵的。 Palantir 二十年来服务的是最大的几百家客户。而「每个企业、每个员工」的综合层需求，驻场模式覆盖不到。
这就是那条没人明说的路线的起点。
反向路线：钥匙串是现成的本体
Palantir 的路线是：先建 Ontology（稳定核心 + 可变逻辑 + 实验边缘），再让 Agent 长在本体上。自上而下，从结构到执行者。
组织平台的路线应该反过来：先让 Agent 以数字员工的身份存在，再从数字员工身上长回 Ontology。 自下而上，从执行者到结构。
为什么敢反着走？因为 Ontology 最难建的那个稳定核心——身份、关系、权限边界、审计证据——组织平台手里本来就是现成的：工号是身份，组织图谱是关系，审批链是权限边界的活体实现，审计日志是决策证据。Palantir 要花几个月在客户现场从零建模的东西，组织平台第一天就有。
这不是「我们也能做 Ontology」，这是一个结构性的不对称：钥匙串本来就是本体。
用那个续约风险的问题走一遍反向路线：
Palantir 路线（自上而下）：
建客户/合同/工单本体 → 配 Function 和 Action → 派人调参 → Agent 上岗
（周期以月计，需要驻场）
反向路线（自下而上）：
入职一个「续约风控专员」数字员工（带工号）
→ Spec 里声明 Context：CRM / 合同 / 用量 / 工单 / 财务
→ 权限边界：可读，不可改客户状态；可发预警，不可代签续约
→ evals：预警准确率、误报率、介入后的挽回率
→ 跑起来，驳回和例外回流修正 Spec
（周期以天计，不需要驻场）
# generated by hugo AI
注意第二段里发生的事：当这个数字员工开始工作，它的驳回记录、例外处理、权限申请，会 自动沉淀成企业自己的 Ontology——哪些字段真正影响风险判断、哪些例外必须升级给人、哪条 Action 需要第二个人批准。Palantir 要 FDE 现场挖掘的「藏在缝隙里的业务知识」，在反向路线里是数字员工的日常工作日志。
最强反方：Palantir 会不会直接吃掉这一层？
要正面回答一个问题：Palantir 已经在做 AI FDE（用自然语言操作 Foundry 的 Agent），它会不会顺着这条路往下走，把中端市场也吃掉？
我认为不会，原因有三个：
第一，治理层级不同。 Palantir 的治理是项目级的——在 Foundry 的租户里做 branch、review、merge。但企业的问责是组织级的：工号、岗位、审批链、汇报关系。Palantir 没有这些，它必须向客户的组织体系 借。借来的东西长不成地基。这正是Anthropic 领先行业 6 个月——但只有前两层算数里论证过的那件事：上下文可以重建，责任不能。模型厂商长不出责任结构，Foundry 同样长不出——它们是同一堵墙的两个侧面。
第二，成本结构不支持下沉。 FDE 驻场模式的毛利结构是为大客户设计的。把它改造成「每个企业都雇得起」的产品，等于要求 Palantir 革自己的命——这和销售孤岛厂商建综合层是同一种激励困境：不是做不到，是做了会杀死自己现有的利润。
第三，连 Palantir 自己都承认。 完结篇里有一句很诚实的话：「Palantir 给这个问题提供了一套很完整的产品答案，但它不是唯一答案，也不会自动解决组织问题。」它把自己定位成答案之一，而不是那个地基。
结尾：编译那只手
回到开头那个没人答得上来的问题。它之所以难，不是因为缺智能——AI 早就够聪明了——而是缺一只把「我们实际上怎样工作」编译成软件的手。
Palantir 证明了这只手的价值，并且示范了自上而下怎么造：先本体，后 Agent，用 FDE 付开模费。
组织平台的机会是证明另一条路：先 Agent，后本体，让每个数字员工的日常工作，自动成为企业 Ontology 的编译输入。 开模费不用驻场付，因为钥匙串是现成的。
这两条路最终会在同一个地方汇合——谁先到达，谁就拥有「企业实际如何工作」这一层的定义权。
一个问题留给你：你企业的数字员工，现在是长在本体上，还是长在空气里？
欢迎留言聊聊。