2024年第四范式研究报告：技术为本，生成式AI助力大数据到决策智能

一、第四范式：决策智能解决方案领域龙头厂商

（一）提供以平台为中心的决策智能解决方案，助力企业智能化转型

决策智能解决方案领域龙头厂商，商业化落地趋前。第四范式成立于2014年9月，作 为国内决策智能解决方案领域龙头厂商，专注于提供以平台为中心的决策智能解决 方案，助力企业智能化转型，提升其智能决策水平。目前，公司产品及服务已广泛应 用于金融、零售、制造、能源电力、电信和医疗保健等领域，商业化落地趋前。

提供端到端企业级AI产品，满足企业在智能化转型过程中对基础设施、平台和应用 的需求。历经多年布局，公司开发了端到端的企业级AI产品体系，提供软硬件基础设 施和上层应用，解决企业在智能化过程中的落地价值受阻、算力投入激增等难题。 具体来看，为支持各场景产品快速开发，公司提供了先知AI平台，帮助企业快速构建 AI应用。同时，基于先知AI平台的模块化工具以及通用应用，针对产品营销、风险管 理、企业运营等场景打造了行业级AI应用，帮助根据客户个性化需求快速开发定制 化应用。此外，还提供了基于生成式AI的高效开发工具与服务。

核心团队成员产业经验丰富，股权结构较为集中。公司核心团队具有深厚的技术积 累，产业经验丰富，多名成员来自百度。创始人兼CEO戴文渊博士曾获得ACM国际 大学生程序设计大赛全球总决赛冠军。截至2024年6月30日，公司创始人戴文渊先生 直接持股22.79%，并通过北京新智等间接持股15.9%，合计持股38.69%。此外，公 司股东还包含国新启迪、红杉投资、创新工场、中移基金等。

（二）先知 AI 平台构筑内核，解决方案与 AIGS 服务两翼布局

公司主要产品及服务包含第四范式先知AI平台（4ParadigmSage）、SHIFT智能解 决方案（4Paradigm SHIFT）、AIGS服务（4Paradigm AIGS）三大业务板块。

1. 第四范式先知AI平台：所有业务的内核，降低AI应用构建与部署门槛

先知AI平台是公司开发的一套完整端到端的AI解决方案，提供低代码或无代码开 发环境，帮助企业快速构建AI应用，降低部署门槛。平台具备即插即用特性，支 持对接多模态数据，同时提供高效的算力管理，可以降低企业自建AI系统的成本。 目前，先知AI平台已支持覆盖交通运输、数据中心、金融、能源电力、运营商、 信息技术、智能制造、零售等14个行业。 在成立之初，公司便发布了首个使用了自动机器学习框架的商业化产品先知平 台1.0版本。历经近10年发展，先知AI平台已从1.0版本进化至5.0版本，功能逐步 提升，覆盖场景逐步完善。 ① 2015年，先知AIOS 1.0版本通过高维、实时、自学习框架提升模型精度； ② 2017年，先知AIOS 2.0版本利用自动建模工具HyperCycle，大幅降低模型开 发门槛；③ 2020年，先知AIOS 3.0版本规范AI数据治理和上线投产，完成建模到落地应 用“最后一公里”； ④ 2022年，先知AIOS 4.0版本引入北极星指标，最大化发挥AI应用价值，提升 企业核心竞争力； ⑤ 2024年，先知AIOS 5.0版本基于各行各业场景的X模态数据，构建行业基座 大模型。

先知AI平台包含操作系统Sage AIOS以及工具套件HyperCycle与Sage Studio。 Sage AIOS是一个企业级人工智能操作系统，提供用户友好界面，用户可以在 Sage AIOS上构建以及操作AI应用。而HyperCycle平台配备了无代码开发工具， Sage Studio平台则配备了低代码和无代码开发工具，包含HyperCycle ML、 HyperCycle CV、HyperCycle OCR、HyperCycle KB、ML Studio、CV Studio、 NLP Studio及Speech Studio等多种选择。企业IT人员可以根据场景需求选择相 关工具快速构建并部署应用，提升开发效率。

推出SageOne软件定义一体化解决方案增厚营收。若单纯依靠工具软件，难以 充分发挥软件优势以及支撑更高定价。因此，为发挥先知平台的性能优势并提升 收入规模，公司向下延伸至基础设施领域，推出了在硬件上预装先知平台及产品 的软件定义一体化解决方案SageOne，以满足工具用户开发应用后对算力的持 续增长需求。SageOne将软件和硬件之间的协同效应最大化，与在传统及广泛 使用的通用构架服务器上运行相比，SageOne利用软件定义的算力、网络和存 储资源优化，提升了AI解决方案的表现。因此，公司通过推出AI优化的软硬件一 体化解决方案，既能提升客户认可度，也能通过硬件资源增厚营收。

2. SHIFT智能解决方案：面向不同行业业务场景提供标准化解决方案

SHIFT智能解决方案基于先知AI平台技术和能力，面向不同行业业务场景提供标 准化解决方案。尽管这类解决方案是公司在提取出各场景在感知、认知、决策算 法上的共性后打造出的标准化产品，但在实际落地应用过程中，仍避免不了需要 针对客户需求进行二次开发或定制化开发。因此，该业务对应的毛利率相较于先 知平台业务更低。 2024年，公司发布了数十个解决方案产品，包括制造业领域的智能物资管控解 决方案、零售行业的智能供应链解决方案、医疗行业的慢病管理解决方案等。

3. 第四范式式说AIGS（AI-Generated Software）服务：提供基于生成式AI的高 效开发工具和服务

式说定位为基于多模态大模型的新型开发平台，提升企业软件体验与开发效率。 ① 2023年2月，首次发布式说（4Paradigm SageRA），将GPT这类大型生成 式语言模型与垂直领域知识进行融合，以满足企业级场景中对生成式AI的 需求； ② 2023年3月，发布了全新升级的式说，在原有生成式对话能力的基础上，加 入了文本、语音、图像等多模态输入及输出能力，并增加了企业级Copilot能 力，式说可以与企业内部应用库、企业私有数据等进行联网，对信息和数据 进行分析，回答员工的问询或执行相关任务，成为业务助手； ③ 2023年4月，首次公开展示大模型产品式说3.0，并首次提出AIGS战略—— 以生成式AI重构企业软件； ④ 2024年8月，正式发布企业级编程助手——AIGS CodeX，涵盖代码补全、 业务问答、代码审查、单元测试等10大核心功能，助力企业编码效率提升。 ⑤ 2024年9月，发布企业级软件重构助手——AIGS Builder，用生成式Agent 替代复杂的界面，让软件开发效率由“月级别”变为“天级别”甚至“小时 级别”。

（三）四大核心技术奠基，标杆客户持续渗透，覆盖行业逐步拓宽

全面布局AI各关键技术领域，孵化四大核心技术。根据官网，公司在预测技术、感 知技术、决策技术和基础架构等AI各关键技术领域全方位布局。具体而言，在预处理 阶段，公司通过AutoML、AutoGraph等技术优化模型构建与分析；在感知阶段，利 用自然语言处理和语音识别等技术实现数据理解和智能交互；在决策领域，环境学 习与强化学习技术进一步增强了模型的动态适应能力。此外，公司在AI基础架构方 面的分级存储与异构计算能力，为复杂场景的AI部署提供了可靠支持。历经多年研 发，基于各关键技术领域的布局，公司形成了自动机器学习、迁移学习、环境学习以 及自动强化学习四大核心技术，全面应用于公司的决策智能解决方案。

专家顾问助力研发与技术储备。公司专家顾问团队成员来自于国际顶尖研究机构与 高校，研究方向涵盖AI计算与存储架构研究、自然语言处理和大规模分布式优化算 法等多领域，高水平的专家顾问团队为公司在AI技术研发和解决方案优化方面提供 了强大支持。

屡获国内外权威奖项，持续扩大学术与产业影响力。公司以AutoML为核心，围绕多 技术领域持续探索。根据官网，公司累计获得300余项核心专利，发表400余篇顶级 学术论文。在学术合作与交流方面，公司与清华大学、南洋理工大学、斯坦福大学等 全球顶尖学府和研究机构建立深度合作关系，并积极参与国际学术活动，主办或参 与多项具有全球影响力的AI竞赛，持续扩大学术与产业影响力。

IPO募资持续加强研发能力，拓展产品领域。根据公司IPO募资计划，募集资金主要 用于加强基础研究、技术能力和解决方案开发以及扩展产品、建立品牌及进入新的 行业领域。其中前者具体包括投入核心技术研发团队，涵盖四大核心技术的研发团 队，以及新一代人工智能技术研发团队。此外，通过设立新研发中心、采购高性能计 算设备，以及与第三方服务商深化合作，公司将进一步增加技术储备，扩展研发能 力，保持在AI领域的技术领先身位。

从金融领域切入，触达行业持续拓宽。因为金融行业有大量高质量的数据积累，同 时，市场规模大、竞争激烈，在互联网金融冲击下，传统金融业的转型需求尤为迫 切。因此，在2015年，公司以招商银行为首个标杆客户，成功切入金融领域。目前， 公司业务已延伸至医疗、零售、能源、媒体等多领域，合作客户包括中信建投、瑞金 医院、永辉、中石油、人民日报和宁德时代等行业头部企业，触达行业持续拓宽。

金融与能源电力为优势领域，制造、零售和医疗等行业具备成长潜力。公司业务涵 盖能源电力、金融、运输、电信、科技、教育、制造、零售、医疗保健和媒体等行业， 其中金融与能源电力为公司的优势领域。2022年，能源电力和金融行业营收分别占 总营收的20.3%、16.9%。整体来看，由于公司下游行业覆盖广泛，因此能够抓住不 同行业数字化转型带来的增长机遇，有效分散行业整体周期性波动风险。目前，在 制造、零售和医疗保健等行业，公司也已突破多名标杆客户，有望在未来持续拓展， 打开成长空间。

客户数及客户平均收入持续提升。2021-2023年，公司总用户数分别为245/409/445 名，客户平均收入分别为824/754/945万元。标杆客户方面，2021-2023年，公司标 杆用户数分别为75/104/139名，标杆客户平均收入分别为1370/1790/1840万元。通 过渗透标杆用户，公司可以打磨技术，积累行业knowhow，并逐步建立业内品牌知 名度以拓展用户，此外，由于标杆客户对于解决方案的专业性和匹配度有更高要求， 决策权主要掌握在其自身，而非系统集成商，公司设置了内部销售团队直接服务。

直签客户营收占比有所提升，前五大客户集中程度下降。公司客户可分为直签客户 及通过解决方案合作伙伴签订的终端用户，前者为直接购买解决方案的终端用户， 后者为将公司解决方案融入其产品的第三方系统集成商。2021年以来，公司直签客 户营收占比大幅提升，2021年与2022年分别为43%与32%。尽管直签客户营收占比 有所提升，但集成商占比始终占据更重。在金融等特定行业，终端用户倾向于通过 系统集成商来简化采购流程并获取额外服务，因此公司通过直签与集成商并行的策 略以适应不同行业客户需求。此外，2018年以来，前五大客户集中度下降明显，表 明公司服务的客户范围持续扩大。2022年，集中度略有提升，达26%，或因某些标 杆客户有较大规模项目需求。

拓宽行业覆盖+标杆客户持续渗透+直销集成并行助推未来增长。公司以金融与能源 电力为优势领域，逐步在制造、零售、医疗等行业实现突破，标杆客户的高支付能力 为公司业绩提供稳定支撑，同时通过渗透头部客户带动行业拓展。而直签客户与系 统集成商并行的策略可以有效满足多样化客户需求。因此，公司通过逐步拓宽行业 覆盖、持续渗透标杆客户以及直销集成并行的客户策略实施，不断扩大用户基础， 提升市场影响力，为长期增长奠基。

（四）营收持续高增，有望扭亏为盈

营收高速增长，先知平台贡献主动力。2018-2023年，公司营收从1.28亿元高速增长 至42.04亿元，CAGR达101%。其中先知平台业务贡献了主要增长动力，2018-2023 年，先知平台营收CAGR达247%。2024Q1-Q3，先知平台业务营收达21.71亿元， 同增50%，营收占比67%。应用开发及其他服务业务同样保持较快增速，2018-2023 年CAGR达69%。2024Q1-Q3该业务营收达10.47亿元，同减5%，营收占比为33%。 其中SHIFT智能解决方案营收达6.88亿元，同减14%，营收占比为21%；而式说AIGS 营收达3.59亿，同增17%，营收占比为11%。

综合毛利率整体较为平稳。2018-2022年，公司综合毛利率稳中有升，由2018年的 42.7%上升至2022年的48.23%。其中2019年先知平台及产品毛利率明显下降，系新 业务SageOne毛利率较低，不仅需要公司提供服务器及相关硬件以及预先安装先知 软件的一体化解决方案，相较于其他业务也需要更多现场服务。2023年，公司毛利 率有小幅下降，主要由于公司业务扩展至新领域和新用户案例，导致硬件采购成本 和技术服务费占收入的比例上升。2024Q1-Q3毛利率下降，因下游算力需求旺盛带 来先知AI平台业务智能硬件收入占比提升。

销售与管理费用率持续下降。发展初期，公司从目标行业龙头企业作为切入点进入 市场，前期的市场扩张和品牌建设需要较大规模的销售开支，叠加数额较大的股权 激励和上市开支，因此销售费用率与管理费用率处于较高水平。2018-2020年，销售 费用率分别为75%/30%/26%，管理费用率分别为91%/49%/26%。近年来，伴随公司内部经营管理优化以及营收规模持续增加，费用率持续下降。2024年上半年，公 司销售费用率为7%，管理费用率为5%。 研发费用率逐步趋稳。公司在各关键技术领域布局，大力投入研发以维持技术领先。 2018-2021年，研发费用率均超50%，分别为151%/91%/60%/62%。伴随公司营收 规模扩大，以及在外包研发服务方面对供应商议价能力的提升，研发费用率逐步趋 稳，2023年研发费用率为42%。

经调整亏损净额明显收窄，有望扭亏为盈。2018-2021年，公司归母净亏损分别为 3.68/7.17/7.50/17.86亿元，亏损持续扩大，主要系以股份为基础的薪酬费用、赎回 负债的利息开支、上市开支以及高额的研发费用。剔除以股份为基础的薪酬支付、 赎回负债的利息开支和上市开支后，2021-2023年调整后归母净亏损分别为 5.59/5.04/4.15亿元，明显收窄。2024年上半年，公司净亏损收窄至1.52亿元。随着 公司经营效率与盈利能力逐步提升，规模效应将进一步显现，有望扭亏为盈。

二、决策智能是生成式 AI 典型应用场景，参与者多元

（一）决策智能空间广阔，参与者多元

决策智能（Decision Intelligence），也称为决策自动化（Decision Automation） 或AI决策（AI-Decisioning），指的是将规则引擎、机器学习和流程自动化等技术 相结合，推动智能化决策的实现。决策智能不仅能够帮助企业减少人为干预和错误， 还能加速决策速度，提升决策精度，从而在瞬息万变的市场环境中保持竞争优势。 因此，在金融、交通、能源和医疗等行业，决策智能对企业优化运营管理效率、加强 风险管理和提升竞争力具有重要影响。

LLMs（Large Language Model）可以赋能决策全流程。LLMs可以通过澄清复杂 或模糊的问题描述，帮助决策者明确问题，并生成引导性问题，促进深入探索。在设 计阶段，LLMs有助于问题的结构化，识别关键要素及其相互关系，并帮助制定评估 备选方案标准。此外，LLMs还能够通过分析大量文本数据，生成潜在解决方案。而 在决策选择阶段，LLMs通过模拟不同情境，预测可能的结果，并借助历史数据分析 帮助决策者对不同选项进行评估，最终做出基于数据的明智选择。因此，决策智能 是生成式AI的典型应用场景。

决策智能平台需满足多种条件。首先，决策智能平台需要提供直观的无代码界面， 使得业务分析师等非技术人员也能轻松建模复杂的决策逻辑，从而加速开发周期。 其次，决策智能平台需要做到与现有系统无缝集成，包括CRM、ERP和各类业务应 用等，这种集成能力可以确保决策过程能够基于最相关与最新的数据，且企业无需 更换现有系统，从而实现平稳过渡，减少运营中断。此外，决策智能平台应具备高度 可扩展性，能够处理不断增加的决策需求而不影响性能，确保企业在扩展规模和复 杂性时仍能高效运营，这对于银行和医疗等高度监管的行业尤为重要。

有多种软件工具可以帮助实现决策管理。例如，Tableau等数据分析工具通过提供完 整准确的数据信息支持决策过程，如生成数据可视化，帮助决策者更好理解问题， 但最终决策仍由人员负责；而Decioo等工作流管理工具通过决策流程的管理，确保 从问题定义到最终决策的整个过程有序高效；业务规则工具通过设定和自动化规则， 如在线商店根据客户评价数量发放优惠券，可以在标准化情况下实现自动化决策。 此外，常见的决策软件还包含流程自动化工具/RPA（自动化决策任务）、机器学习 工具（数据驱动算法）等。决策管理工具的应用范围和效果因类型及应用场景而异， 企业可以根据自身需求选择或组合合适的软件工具以优化决策管理。

决策智能平台市场参与者较为多元，涵盖了从垂直行业解决方案提供商到跨行业的 综合技术供应商，形成了丰富的生态体系。垂直行业厂商如Palantir、Provenir、FICO 和InRule等，主要提供针对特定决策问题的工具，通常具有较强定制化能力。而像 IBM、SAS等大型跨行业供应商则提供了更加全面通用的智能决策解决方案。IBM凭 借其在AI和大数据分析领域的领先地位，推出了多种决策管理工具，如IBM Watson 决策平台，提供机器学习和自然语言处理等技术支持，帮助企业优化决策过程。SAS 则以数据分析软件和决策管理解决方案著称，尤其在金融、健康、零售等行业具有 深厚技术积累。

国内市场竞争者以综合型互联网厂商和大数据分析厂商为主。根据灼识咨询数据， 在以平台为中心的中国决策类人工智能市场中，CR5达56.1%，其中第四范式以 22.6%的市占率位居首位，领先于百度、阿里巴巴、华为和腾讯等综合型互联网厂 商。此外，根据IDC统计，2022年，中国智能决策市场的规模达10.55亿美元，同增20.5%，其中第四范式、SAS和邦盛科技分别占比15.9%、6.9%、3.0%。随着企 业接受程度逐渐提升，IDC预计未来5年中国决策智能解决方案市场复合增长率将 超50%。

（二）生成式 AI 提供企业软件重塑可能，产品标准化程度有望提升

决策智能是生成式AI典型应用场景，在本节，我们将深入分析在大模型技术加持之 后，决策智能软件的产品体验与商业模式将发生的变化。

1. 从产品体验来看，生成式AI提供企业软件重塑可能，使得传统企业软件变革为生 产力工具

① 生成式AI的出现让企业软件以对话框式实现功能调用，重塑软件交互

传统的ERP、SCM和CRM等企业软件界面通常依赖于复杂的菜单、按钮和流程，用 户需要通过点击、选择和输入等操作来完成任务，需要用户理解具体功能和操作流 程，不仅增加了操作的复杂性，还可能导致员工的学习曲线较长，降低了效率。 然而，在生成式AI的支持下，只需要通过自然语言提问或指令就能实现功能调用。以 Palantir的AIP（Artificial Intelligence Platform）为例，员工可以直接用类似“帮我查 看今天的销售报告”或“我需要一份财务报表”这样的简单句子向AIP Assist请求， 而AI会自动理解并执行相应任务，无需用户掌握复杂的操作步骤或记住不同功能的 名称。

② 生成式AI可以对企业软件功能进行改造，使得传统企业软件变革为生产力工具

在传统的企业软件中，许多任务通常需要在多个界面之间切换，依赖手动操作。例 如，一个销售经理可能需要从CRM系统中查找客户信息，然后从财务系统获取相关 支付记录，最后通过ERP系统更新库存。而通过与用户的自然语言对话，AI Agent可 以通过COT思维链自动化这些跨系统、多步骤的操作，在后台无缝地调用不同功能 模块，根据任务的需要逐步完成多项操作。 例如，当某设备的传感器报警时，引入AIP驱动的Ask Adam系统会立即提取相关数 据，分析可能故障原因，并生成包含更换备件、调整参数等步骤的建议方案。同时， 技术员无需再手动搜索多个数据库，系统会自动调取并呈现与故障相关的控制文档 和维修记录。这种形式显著提升了企业的工作效率，降低了人为操作中的错误概率。

通过生成式AI和思维链的结合，AI Agent可以帮助企业用户完成多步骤复杂任务，使 得传统软件从单纯的增删改查转变为集感知、预测、决策和执行于一体的智能工具， 打破传统软件功能的局限性，推动企业生产力全面提升。

③ 为开发人员提供了大模型选择，可根据需求灵活构建应用，提升特定任务性能

生成式AI提供了多个不同的规模、能力和应用场景的大模型供开发人员选择，开发 人员可以根据自己的需求和资源选取最合适的模型。例如，对于在线客服或实时翻 译等实时性要求较高的应用，便需要选择GPT-4 Turbo等响应速度较快的模型，而对 实时性要求不高的后台处理任务，则可以选择其他资源消耗较小的模型。Palantir的 AIP平台提供了GPT系列、Llama系列等多种大模型选择，开发人员可以根据应用需 求灵活构建复杂的工作流和自动化应用，提升特定任务性能。

2. 从商业模式来看，生成式AI有望提升产品标准化程度

传统的大数据分析软件定制化程度较高，以项目制为主。这种定制化区别于SaaS公 司，可拓展性不强，往往需要从头开始进行分析、设计、开发、实施、测试等一系列 复杂工作。每个项目都是一个独立的工作单元，需要投入大量的人工、时间和资金， 这无形中提高了整个项目的成本，并且使得开发周期较长，难以快速响应客户需求 变化。 生成式AI有望提升产品标准化程度。AIGC能够通过与客户的交互、反馈和数据输入 来快速获取需求，这些需求可以帮助开发团队精准了解客户在不同情境下的实际问 题和期望，从而为AI系统的改进提供依据。因此，AIGC进一步加速了通用需求模式 和解决方案的提炼过程。这些需求可以被抽象化为通用组件（如自动化文本生成、 智能客服、数据分析模块等），在满足客户个性化需求的同时推广到其他客户或应 用场景，使得原本高度依赖个性化服务的领域，能够转化为可重复、可扩展的标准 化产品，在平台上以产品化形式提供给更广泛的客户群体。

第四范式的先知Inside模式符合这种商业模式转变趋势。 第四范式基于先知AI平台，逐步培育丰富生态。公司的先知AI平台类似于操作系统，通过构建一个可供合作伙伴和第三方开发者使用的操作系统，为各类企业和开发者 提供了一个统一的开发环境。这一平台不仅支持机器学习模型的开发和部署，还通 过提供标准化的接口和工具，方便合作伙伴快速开发并部署应用，降低开发门槛， 提升开发效率。多年来，众多应用开发者基于先知AI平台进行应用开发，积累了大量 行业know-how，生态逐渐丰富完善。 强调先知Inside模式，进行产品化输出。先知Inside模式指的是将先知AI平台的强大 能力“嵌入”到具体行业的需求中，构建智能化的产品和解决方案。因此，并不仅是 提供基础的AI技术服务，而是通过深度整合平台的各类技术和能力，将其转化为能 够直接应用于行业的定制化产品，增强了技术的行业适配性。根据公司2024年第三 季度业务进展公告，公司通过先知Inside模式已高效打造40余款AI产品，满足企业在 行业大模型建设过程中对应用、平台和基础设施的需求。 联合“范生态”合作伙伴，持续扩张产业生态力。公司基于先知AI平台的核心能力， 联合“范生态”合作伙伴，高效开发人工智能产品。截至2024年8月1日，已覆盖超 20个行业的研产供销服等各类场景。这种规模化应用与产品生态力的拓展，能够加 速AI在各行业的应用渗透率，也是未来公司持续增长的重要驱动力。

此外，对于公司而言，生态的核心意义在于：通过与合作伙伴的共同开发和推广，将 平台的能力转化为实际的行业应用，放大平台价值，降低研发和实施成本，提升客 户粘性，并最终构建具有强大竞争力和行业影响力的AI生态闭环。 1. 降低研发和实施成本，拓展应用边界。通过将个性化场景需求交由生态合作伙伴 完成，先知平台可以将核心研发资源集中于技术创新，而非细分场景的定制化开 发。此外，借助生态合作伙伴的力量，能够将平台的能力渗透到更多垂直行业， 拓展应用边界。 2. 增强客户粘性，构建竞争壁垒。生态体系可以提供丰富的行业应用与解决方案， 使客户能够更容易在平台内找到符合需求的服务，从而降低其迁移意愿。同时， 随着越来越多的行业合作伙伴加入生态，平台的资源和服务将变得更加完善，进 一步强化了竞争壁垒。3. 最终构建具有强大竞争力和行业影响力的 AI 生态闭环。生态伙伴的参与也为平 台带来更多行业需求反馈，帮助先知平台不断优化技术能力，如数据处理、多模 态支持和算法迭代等，促进了技术持续创新和平台升级。最终，伴随越多的企业 选择平台，平台的市场占有率和行业影响力将越强，从而形成正循环。

三、从大数据到决策智能：PALANTIR 与第四范式对比 分析

海外大数据分析公司Palantir在推出生成式AI产品AIP后，客户数量、营收增速等关 键数据表现亮眼，实现了再度崛起。基于产业共识和认知，第四范式在内的诸多公 司与Palantir在产品技术和业务发展有一定相似之处，但同时亦存在差异。在本章， 我们首先将从产品及客户维度对比PALANTIR与第四范式，探讨其异同所在，然后分 别对其进行展开论述。

（一）PALANTIR 与第四范式对比分析

从产品维度看，第四范式与Palantir的产品布局在核心场景上具备一致性。两者均提 供端到端的人工智能解决方案，强调低门槛的应用体验，支持从数据收集、处理到 模型训练和部署的全流程操作，以帮助企业优化业务决策流程、提升运营效率。此 外，从技术层面与商业逻辑来看，两者都具备强大的数据处理和管理能力，都支持 将AI嵌入至实际业务场景中以解决复杂的行业问题，强调将生成式AI作为工具。 但在具体的产品定位和生成式AI赋能角度等方面，两者存在差异。第四范式注重行 业大模型开发管理，提供企业级工具和平台；而Palantir专注于实时智能决策平台， 强调与数据、逻辑和业务行动的无缝衔接，通过本体论支持复杂工作流开发，目标 是成为企业的“大脑”与“指挥中心”。在生成式AI赋能角度方面，Palantir的AIP对 现有业务深度赋能，支持多模态数据的大模型集成，提供了高效工作流开发与智能 代理能力；而第四范式选取企业软件场景，通过生成式AI提升企业软件体验与开发 效率，以及通过先知AI平台来结合大模型能力，帮助用户构建行业大模型。

从客户维度看，第四范式与Palantir在客户结构、付费能力与意愿等方面具有明显差异。Palantir客户较为多元，遍布全球，覆盖政府与商业领域；而第四范式聚焦中国 市场，客户集中于金融、能源、电信等行业的大中型企业，强调本地化和行业深度定 制。同时，Palantir瞄准高价值客户，平均客单价较高；第四范式客单价相对更低， 更强调通过标杆客户及合作伙伴生态扩展客户覆盖。

（二）PALANTIR：从大数据到决策智能龙头，AIP 焕发新机遇

1. Palantir是一家基于大数据和AI能力的决策智能系统供应商

Palantir成立于2003年，最早负责开发反恐行动中所需的应用软件。其技术起源于 PayPal反欺诈技术，强调对大数据处理的分析速度和灵活性。通过垂直整合各不同 数据源，以及对结构化和非结构化的数据进行实时整合、分析来为用户提供可视化 的数据方案，帮助用户做决策。Palantir起初主要做G端业务，美国中央情报局CIA成 为公司的第一个客户，后续通过产品建设，将业务范围逐渐从G端拓展至B端，覆盖 多种垂类行业，包括金融、制造、能源、航空、医疗等。2023年4月发布AIP产品， 将生成式AI接入其核心产品Foundry以及Gotham。

Palantir四款产品打造优秀产品矩阵。Palantir分别于2008年和2016年推出Gotham （军用）和Foundry（商用）核心产品。并在于2021年和2023年先后发布Apollo和AIP 这两款辅助性产品。前者帮助公司优化产品部署效率助力企业端统一管理不同平台， 后者使得客户可以在保护自身数据安全的同时，调用包括GPT4和Google BERT等 其他大语言模型。 （1） Foundry：主要为商业端服务，帮助企业自身联接各部门数据、消除各不同部 门之间壁垒。客户可以引入自己的数据平台、数据湖、分析工具、机器学习服务 等，将它们插入Foundry的数据集成层和模型集成层后，扩展到操作工作流中。 通过构建范式的一致界面，对企业各不同数据源进行数据挖掘而达到优化决策 的目的。 （2） Gotham：应国防情报机构服务的大数据分析需求而生，主要面向政府部门， 提供威胁识别、国防等相关服务。能够将分散在各不同数据库的结构化数据如 日志文件、DNA序列等和非结构化数据如监控视频，图片，录音等整合在同一 个平台，建立联系以并从中提取有价值的结论。做到全面把握局势并能够进行 战术、作战和战略决策。 （3） Apollo：一个可扩展、可升级的软件管理和部署平台、用于快速升级、监控和 管理Palantir在全球范围内的各种软件部署。 （4） AIP：基于私有化数据对大语言模型进行定制部署与应用。当客户部署AIP之 后，AIP会调用大语言模型，并结合企业本体的数据，通过Foundry和Gotham分 别达成AIP商用和AIP军用的目的，完成实时决策。

Palantir最新产品AIP功能齐全，实现了构建、调试、开发的全流程赋能。构建板块 主要为AI工作流构建者设计，涵盖包括AI驱动的数据管道、AI驱动的逻辑构建、工作 流可视化、工作流监控。如工作流监控功能可以实现记录所有采取过的操作，并通过 本体Ontology进行指标跟踪，便于后期持续改进工作流程。迭代改进工作流功能中 包括了逻辑调试、型号比对、以及持续监控，通过不断改进和测试，持续优化性能并降低成本。在开发板块中，开发人员可选择在熟悉的IDE（集成开发环境）通过 Ontology SDK安装包无缝构建AI应用。

从商业模式上看，Palantir为客户提供标准化产品的基础上满足客制化需求。收入方 式有两种，第一种是通过将软件和定制咨询服务（包括对软件的运营，支持，维护） 打包成一个IT产品，以软件授权的方式进行收费。第二种是为按照客户需求为其提供 专业的服务，该服务按用户需求以此提供用户界面配置、培训、以及持续的数据建 模支持等。前者共有两种部署方式，分别是云化部署和本地化部署。云化部署赋予 客户在Palantir控制的托管环境访问特定产品的权利，客户在合同期内有对目标IT产 品的访问权。本地化部署则是赋予客户在合同期内在其内部的硬件基础设施或自有 云中使用Palantir核心产品功能的权力。 业务能够跑通的关键是合理的商业逻辑。Palantir的商业逻辑可分为前中期和中后期 两个阶段。在前中期通过高投入加提供试用的方式解决客户的痛点，吸引客户；在 中后期通过客户的规模化部署实现最终盈利。在刚接触客户时，为达到留住客户目 的，Palantir在此阶段会派工程师前往项目地线下进行并对客户所处行业及自身已有 的平台和数据库进行深度研究并完成部署。这段时间多为客户的试用期，客户需付 费的金额较少；当客户选择规模化部署后，付费自然变多，也就进入了盈利期。

从客户属性上看，Palantir客户群体主要集中于G端和B端。G端客户主要包括美国 陆军、美国空军、美国海军、英国NHS等。B端客户所处行业较为分散，其中包括制 造业、能源、医疗、交通运输、信息科技、服务业等等。以空客为例，在Palantir和 空客Airbus的合作里，产品从最开始辅助生产A350飞机，到为其创造航空业的中央 操作系统Skywise，为多家航空公司的飞机提供中央链接与支持，帮助各不同机场实 时监测飞机起飞降落时间，实现效率最优化。 从收入分布上看，G端贡献收入略高于B端贡献收入。FY24Q3，公司G端收入达4.0 亿美元，B端收入达3.2亿美元，G端收入占比56%，B端收入占比44%。客户整体支 付意愿较强。平均客单价近11个季度维持在134万美元。FY23Q3至FY24Q3的平均 客单价分别为121/122/113/121/131万美元。从地域维度上看，Palantir的主要客户仍 集中于美国。FY24Q3，美国地区客户贡献收入为5.0亿美元，英国地区贡献收入为 0.7亿美元，其他地区贡献收入为1.6亿美元，分别占比达69%、10%、22%。（客单 价计算方法为当季账单总额/当季客户数。其中，当季账单总额计算方式为收入-融资 收入+本期软件递延收入-上期软件递延收入）

2. 生成式AI接入后，Palantir关键数据表现大幅提升

Palantir的人工智能平台AIP推出后化为新增长引擎，大幅提升公司关键数据表现。 公司于2023年4月推出AIP平台后，收入和净利润数据在FY23Q2之后加速增长。24 年前三季度总收入达20.4亿美元，同比23年前三季度的16.2亿美元增长26%。收入 增速在FY23Q2出现拐点，FY23Q2至FY24Q3分别为13%/17%/20%/21%/27%/30%。 净利润方面，FY24Q3净利润达1.4亿美元，同增100%。

公司B端业务跑通，总客户数不断攀升。公司商业端收入在FY24Q3达3.2亿美元，同 比增长27%。政府端同比增速在最新季度FY24Q3创下新高达33%，FY23Q3至 FY24Q3增速分别为12%/11%/16%/23%/33%。总客户数量在FY24Q3达629个，同 比增长39%。拉长时间维度后我们发现，在推出AIP后，商业端收入相较于政府端收 入表现更好，商业端收入增速从FY23Q3开始维持20%以上的高增速，FY23Q3至 FY24Q3增速分别为23%/32%/27%/33%/27%。这印证了生成式AI接入后对B端垂类 行业扩展会起到更大的作用，B端客户也正是第四范式的核心客户群体。

调整后自由现金流同比大幅提升，Rule of 40健康度指标达68%。公司FY24Q3经调 整自由流达4.4亿美元，同比去年增长209%。SaaS公司健康度指标Rule of 40（计 算方式为营收增速+净利润率）亦在2024年第三季度达68%，相较FY23Q2的38%提 升了30个pct。Rule of 40在FY23Q2至FY24Q3分别达38%/46%/54%/57%/64%/68%。

3. Palantir成功要素解析：核心技术壁垒+超前布局AIGC，两者缺一不可

（1） 核心技术Ontology助力企业实现最优化决策，打造强产品力

Palantir将决策的完整过程分为三个层级，分别是数据层、逻辑层、以及行动层。通 过对底层的巨量数据进行处理，使这些经过处理的数据资产经过模型层和函数层后 转变为逻辑资产，再针对这些逻辑资产实现决策并回溯至源头，完成闭环。 具体来看，在数据层，可以分为源数据库（结构化数据、非结构化数据、ERP系统数 据等）和数据平台（数据处理、数据检索等）。逻辑层由人工智能模型（模型搭建、模型监管、实时模型反馈等）和动态知识图谱（对象和流程监管、操作谱系等）组 成。而最后的行动层又可划分为模块化业务流程（实时分析、数据可视化等）以及决 策编排（决策抓捕、源数据系统回溯等）。

基于此架构，Palantir构建了“Ontology”本体论，该技术原理成为Palantir高技术 壁垒产品的基石。公司在本体中构建了语义层、动能层和动态层。 ① 在语义层，Palantir将捕获非结构化数据、结构化数据、运营数据、边缘数据等 数据，以语义元素（semantic elements）代表对象、实体、属性，以动力学元 素（kinetic elements）代表活动、事件、操作和业务发展变换，并进行自有方 式呈现； ② 在动能层，无缝整合不同环境下的异构逻辑资产，构建范式的一致界面，并允许 以AI驱动的决策能够在多逻辑集合的环境中成功实施，以部分AI可实现的决策 代替传统的纯人工决策，减少工作量； ③ 在动态层，使人工或AI驱动的决策以同样的颗粒度完整写回到原层级，包括边缘 设备、企业管理系统、应用程序等，实现最终决策闭环。

（2） 提前布局AIGC，以AIP产品承接生成式AI时代红利

于企业而言，范式的大语言模型在很多情况下并不能够满足特定场景的需求，唯有 和①涵盖行业Know-how的产品以及②相关的专业数据库相结合，才能够解决最终的 实际问题，因此站在产品角度出发，AIP的接入很好的满足了上述的两点。 AIP接入Foundry/Gotham之后，能够实现外接大语言模型，以准确的分析结果为使 用者提供便利，同时也保障使用者本身的数据安全。使用者可以通过AIP在私人网络 中部署大语言模型或其他人工智能软件，并获得与其业务相关的实时、完全保真的 数据，包括所有操作、决策和流程，通过自然语言就可满足业务需求。此外，AIP也 会对大语言模型进行实时监控，进一步保障了用户自身的数据安全。

从业务驱动的角度分析，AIP接入后既对公司存量客户上的持续收入贡献给到了帮 助，也为公司带来了更多的增量客户。 ① 从存量上看，由于公司本身的两款核心产品Foundry以及Gotham本身功能齐全， 种类繁多，因此使用起来会较为繁琐。且从“开始使用产品”到“能够用好产品”往 往需要较长的时间周期。而自然语言的接入使得用户无需经过培训就可以用好 产品。因此，存量客户在体验到AIP的便捷性后，往往会选择在产品上附着AIP 功能，附着率的大幅提升为Palantir贡献了更多的收入。 ② 从增量上看，Palantir围绕AIP产品推出了AIP训练营。客户参加完该训练营后， 可以在1-5天时间内了解其全套产品体系，也能够体会到AIP所带来的操作便利 和AI再升级。这意味着公司的销售工作量大幅减少。能够在短时间内使得客户 体会到公司产品的全貌会增加双方合作的概率，而业绩表现也证明了这一点。

（三）第四范式：扎根行业核心场景，强调商业化落地的务实性

1. 我们分析公司产品与服务的布局逻辑，体现了从细分领域切入到逐步扩展的清 晰路径

① 初期，公司发现金融等行业有大量高质量的数据积累，同时，市场规模大、竞 争激烈，转型需求尤为迫切。基于此，公司为其提供应用开发服务，并推出了 先知AI平台——提供低代码或无代码开发环境，帮助企业快速构建AI应用，降 低部署门槛。平台具备即插即用特性，同时提供高效的算力管理，可以降低企 业自建AI系统的成本。 ② 若单纯依靠工具软件，难以充分发挥软件优势以及支撑更高定价。因此，为发 挥先知平台的性能优势并提升收入规模，公司向下延伸至基础设施领域，推出 了在硬件上预装先知平台及产品的软件定义一体化解决方案SageOne，以满足 工具用户开发应用后对算力的持续增长需求。SageOne将软件和硬件之间的协 同效应最大化，提升了AI解决方案的表现。因此，公司通过推出AI优化的软硬件 一体化解决方案，既提升了客户认可度，又能通过硬件资源增厚营收。 ③ 同时，公司向上持续拓展AI应用开发服务。考虑到客户内部非专业开发人员难 以构建复杂应用，公司组织专家团队针对特定业务场景控开发高质量应用。不 仅填补了平台初期“空白”的生态缺口，还进一步丰富了客户的平台使用体验。 ④ 而在生成式AI时代，公司发布先知AI平台5.0版本，可以帮助构建行业基座大模 型，推出式说大模型产品，并提出AIGS战略，从自然语言交互出发，帮助企业 提升使用体验和开发效率，重新定义企业软件操作方式，推动生产力工具变革。

目前，公司已经形成了覆盖工具平台、面向各行业的AI应用和深入专业领域的AI大模 型在内的企业级AI解决方案完整体系，不仅可以通过先知AI平台提供标准化产品，也 可以帮助企业基于先知AI平台能力进行高效灵活的定制化开发，客户可以根据需求 组合，降低智能化转型阻力。

2. 具体而言，公司在AIGC时代的产品布局主要有两个方向： 先知AI平台：在传统AI的基础上，结合大模型能力，行业客户可以通过平台上传 不同模态的核心数据，以较低门槛训练出解决核心问题的场景大模型； 式说AIGS服务：提出AIGS战略，发布式说大模型，以企业软件系统改造为切入 点，围绕Copilot到CoT的技术迭代路径，逐步明确发展方向，提升企业使用体验 与开发效率。

① 先知AI平台：升级为行业大模型平台

先知AI平台作为公司核心产品，伴随AI技术进步与下游需求变化而持续迭代。公司在 2024年3月发布的5.0版本，可以帮助构建行业基座大模型。例如，在水务领域，基 于过去两周机组子部件的运行状态，先知AI平台可以使用水电设备大模型“生成”未来 一周子部件的运行状态，并“生成”可能发生故障的设备、原因及维修方案。而基于汛 期内水文数据及气象数据，水务大模型可以“生成”未来一周的水文情况，识别发生洪 水及相关次生灾害险情，并自动“生成”一个应急预案。AI大模型通用性效果突破大大提升了各领域客户智能化升级的意愿，而公司的先知平台5.0可以帮助企业客户快速 打造面向特定场景的AI大模型，符合各行业客户需求。

② 推出式说AIGS服务，提供基于生成式AI的高效开发工具和服务

生成式AI提供企业软件重塑可能。企业在ERP、SCM和CRM等系统的部署中面临较 高成本和复杂的操作环境，因此企业软件在满足使用价值的优先级下有时会忽视用 户体验，存在界面复杂、开发效率低下和功能迭代耗时等问题。在这种背景下，生成 式AI提供了越过传统界面设计、重塑企业软件交互的可能性。由此，公司提出AIGS 战略提升企业软件体验与开发效率。 公司将AIGS分为三个发展阶段。1.0阶段（Copilot），大模型以Copilot的出现将企 业软件改造成自然语言的交互形式，背后是企业内部应用库、私有数据之间的“联 网”，AI可以调用软件内置的数据与功能协助执行任务；2.0阶段（知识库+ Copilot）， 在1.0的基础上，持续丰富对话框能力，积累企业用户的行为数据来形成基于企业规 则的知识库，该知识库可以作为AI一次次执行复杂工作的攻略，大模型能够参照这 个攻略自动执行操作；3.0阶段（思维链CoT+Copilot），进一步具备了思维链CoT 能力，能够在学习大量数据和规则后，形成有步骤的推理，可以拆分并执行复杂工 作，进一步赋能企业软件体验与开发效率。

推出式说大模型，进入AIGS 3.0阶段。公司于2023年2月推出式说1.0版本，然后在 两个月内迅速完成两次迭代，在2023年3月和4月分别推出了2.0版本和3.0版本。其 中式说1.0版本将大语言模型与垂直领域知识进行融合，以满足企业级场景中对生成 式AI的需求；2.0版本在原有生成式对话能力的基础上，加入了文本、语音、图像等 多模态输入及输出能力，并增加了企业级Copilot能力，可以与企业内部应用库、私 有数据等进行联网，对信息和数据进行分析，回答员工的问询或执行相关任务，成 为业务助手；目前的3.0版本则在Copilot能力的基础上进一步引入CoT能力。 基于以上能力，式说大模型具备四大优势。 （1）多模态：支持多模态输入输出，企业私有化部署，数据安全、不出本地，无需 调用外部大模型，成本可控； （2）知识库：信源为企业内部知识库、融合知识图谱交叉验证生成内容准确、可信、 输出结果可溯源； （3）企业级Copilot：执行可控、知错能改； （4）思维链CoT：多步推理、复杂任务拆分、形成数据飞轮。

知识库能力旨在解决大规模预训练模型存在的知识过时、上下文长度受限等问题， 提升生成内容的可信度，同时有效应对实际业务需求。其核心技术是记忆增强 （Memory Augmentation），通过引入外部记忆机制，为模型提供实时且可信的数 据支持，辅助推理和问题解决。这一机制结合了Memory Policy Learning和Reward Learning等技术，同时配备了完善的反馈机制，帮助用户在实际应用中不断优化知识 库能力，使其随着使用频次的增加而不断改进。

知识库与Copilot能力深度结合，使大模型从语言生成工具转变为具备视觉、听觉和 执行能力的多模态智能系统。式说大模型提供一整套专用于图像、视频、语音和3D 模型分析的专用模型，可以结合客户的专业数据，利用AutoML等技术实现持续学习和优化，不断迭代以适应更复杂的业务场景，大模型因此具备了更广泛的感知和操 作能力。

CoT（思维链）+Copilot指的是企业通过知识库中的现有操作规范，利用Automated CoT Extraction技术初步构建私有化思维链，由机器替代人工执行任务。因为企业 软件操作规范的局限性，难以应对复杂任务。因此，AIGS 3.0阶段的核心在于通过 学习让机器掌握更多思维链能力，完成更加专业的工作。其实现分为两阶段： （1）第一阶段，通过模仿学习实现Procedure Cloning，让系统从专家实际操作中学 习思维链，模仿解决复杂问题的过程。这种方式能够实现“知其然”，但因缺乏对决策 逻辑的深层理解，难以超越专家能力； （2）第二阶段，借鉴AlphaZero的自我博弈机制，以目标为导向，通过自我实验不 断优化能力。具体而言，公司利用大语言模型结合环境学习技术，构建虚拟环境，让 大模型在虚拟环境中进行迭代训练，线下学习构建预训练决策大模型。随后，通过 将预训练模型应用于实际业务场景，并结合实际反馈进行微调，最终超越人类专家。

式说大模型凭借多模态能力、Copilot功能和CoT推理技术，广泛应用于各领域。目前，式说已与上百家企业及合作伙伴合作，覆盖金融、零售、制造、医疗、物流等领 域，展现了生成式AI在重塑行业流程与提升效率方面的巨大潜力。例如，在航空制造 领域，式说通过支持二维搜三维、三维搜三维等高效搜索功能，成功解决了传统工 业设计软件在零件查找与组装中的效率瓶颈。在物流行业，式说帮助优化装箱方案 以提升运输效率。在医疗领域，式说协助医生高效管理患者随访。在零售行业，式说 帮助店务智能管理。

3. 整体看，公司的AIGC布局打通了从底层模型到行业应用的全链路，强调商业化 落地的务实性

公司在AIGC领域通过切入特定的企业软件场景，打通从底层模型到行业应用的全链 路——基于LLM和式说大模型底座，整合了知识库、Copilot和思维链等能力，帮助 构建行业大模型，支持金融、零售、医疗、制造、能源等多领域的复杂场景应用，为 不同行业提供可落地的端到端企业级解决方案。此外，让仅具备聊天或绘图等单一 能力的AI大模型升级为能够赋能实际生产场景的智能生产力工具，使得企业能够借 助其能力高效解决复杂任务。

行业大模型在商业形态上较为符合市场需求。区别于通用大模型，行业大模型直接 面向具体行业需求，基于不同模态的数据（如体检报告、欺诈数据、监测数据等）训 练出解决特定场景问题的模型，不仅细化了行业划分，还能够高效覆盖特定场景需 求，比单一的大语言模型更具实用性和针对性。例如，在金融行业，行业大模型能够 专注于风险控制、信贷评估等核心问题，而不是简单地与客户对话。这种聚焦性能 够帮助企业有效提升运营效率，优化业务决策流程，直接创造实际价值。 从成本端来看，行业大模型也是较为务实的选择。相较于通用大模型需要巨量资源 进行大规模训练，行业大模型以更小的参数规模便可满足大部分业务需求，显著降 低了算力与数据成本，降低了企业构建门槛。 而AIGS发展路径清晰可持续，可以有效拓宽成长边界。大模型技术的快速发展催生 了大量面向ToB领域的“类ChatGPT”产品。然而，这些产品大多未能有效解决企业 数字化转型中的核心痛点——企业软件系统的繁杂低效问题。公司在AI大模型市场 尚未成熟且竞争格局不明朗的背景下，提出以AIGS战略，发布式说大模型，以企业 软件系统改造为切入点，围绕Copilot到CoT的技术迭代路径，逐步明确发展方向，提 升企业使用体验与开发效率。这一差异化且务实的战略选择，为公司在生成式AI时 代奠定了清晰而可持续的发展路径，同时也拓宽了成长边界。

我们认为，在AIGC时代，相比单纯追求模型规模的“跑马圈地”，公司选择在特定 的行业与场景“纵向深耕”，避开了直接与OpenAI等巨头正面竞争。因为大模型在 企业落地的本质是作为工具来解决其核心诉求，公司的先知AI平台及AIGS服务注重 为企业客户创造价值，强调商业化落地的务实性，发展路径清晰可持续，有望驱动 公司实现长期增长。

四、数据质量与安全问题待解决，下游支付能力及意愿 存在不确定性

生成式AI助力大数据到决策智能的同时同样面临着诸多挑战。

1. 高质量数据稀缺，数据安全重要性愈发凸显

数据质量与数量影响行业的AI应用成熟度。AIGC技术依赖于大规模的数据训练， 而数据本身的质量与数量直接关系到模型的输出准确度。由于不同行业在数据数 量、数据质量、IT系统成熟度等方面存在差异，AI应用成熟度亦有所区别。根据灼 识咨询数据，在政府、汽车和金融等垂直领域，数据量相对较大，数据质量相对更 高，IT基础设施建设更成熟，因此成为AI技术的率先落地场景，AI占IT支出比例较 高。而伴随着上述挑战的逐步解决，未来在能源、制造业和医疗等行业，AI也将逐 渐成为推动企业数智化转型的重要引擎，释放较大市场潜力。

数据安全逐渐成为决策智能平台考虑的重点问题。决策智能平台通常需要接入多个 外部数据源，并处理大量客户隐私数据和商业机密，若这些数据在传输、存储和处 理过程出现泄露，可能引发法律风险，导致面临巨额赔偿和声誉损失。因此，如何 在保证数据隐私的前提下使用这些数据进行模型训练，成为了复杂的技术难题。 Palantir AIP的数据安全保护机制既符合美国市场高度监管环境要求，又增强了客 户的使用意愿。从技术角度出发，Palantir AIP内嵌的三种功能较好的解决了企业 对于数据安全的顾虑，具体包括Safe AI Handoff（AI安全框架）、Control Panel （控制面板）和AIP Automate（AIP自动化）。首先通过内置的Safe AI Handoff安 全框架将大语言模型引入到模型中，以Control Panel对大语言模型和其他AI相关应 用进行访问权限的定义，实现实时控制和监管，再通过AIP Automate对AI Agents 进行实时管控。这些功能集合使得AIP能够在大模型时代实现细颗粒度的数据权限 管控，有效保护了原数据以及整合后数据的安全。

2. 下游客户的购买意愿与支付能力存在不确定性，市场开拓面临挑战

对于决策智能产品软件厂商而言，其下游客户购买意愿与支付能力往往受到行业经 济状况、企业自身盈利能力、投资预算等多重因素影响。例如，不同客户群体的支 付能力存在较大差异，在一些利润较低的行业，客户预算有限，导致不得不通过降 价、延长付款周期等方式来促成交易。此外，若产品与服务的客单价较高，客户可 能需要在技术实施前进行深入了解和试用，而试用阶段往往无法立即带来回报。因 此，即便产品和服务具有较高价值，仍旧可能受到下游客户购买意愿与支付能力的 限制，导致市场拓展难度加大。 以Palantir为例，就有不少客户曾经使用Palantir的产品，但因为维护成本较高，且 自身预算不够充足而选择终止与其合作。根据Bloomberg，好时、可口可乐、美国 运通、纳斯达克、家得宝都曾在合同到期后选择与Palantir终止合作。因政府端客 户所涉及的大数据处理机密且敏感，很多都会涉及到国土安全层面，因此，美国之 外的其他国家在合作方选择方面有较大概率对Palantir这类公司产生排斥。法国国 土安全总局在2019年和Palantir签订了4年的合同，但是出于政治安全考虑，在近两 年选择更换合作伙伴，更变为法国本土企业Cybergem Chapsvision和Blueway。 第四范式在行业拓展上也付出了较多努力。公司通过一系列收并购，成功拓展了在 能源电力、金融、智能制造等多个行业的业务布局，扩大客户基础。例如，为加强 在能源电力行业的布局持股广州健新，为拓展金融行业而增资理想科技。

市场的不确定性加大了销售难度与回款周期，将对企业长期财务情况造成挑战。从 销售费用率来看，为了实现客户拓展，数据分析与决策智能相关厂商的销售费用率 较高，尤其是发展初期，对盈利水平造成了压制。而较高的应收账款营收占比也反 映了其面临的现金流风险和坏账压力。这些均对企业的长期财务稳健和可持续发展 造成了挑战。

总结来看，以Palantir为例，AIP助力其业务从传统的大数据分析向生成式AI加持的 决策智能转型，关键数据表现大幅提升，但同样面临着诸多挑战。我们发现，现阶 段的增长仍然保持在双位数，反映了当前大模型主要是对现有产品与服务的赋能增 强，并未带来从零到一的颠覆式变革。因此，生成式AI为下游客户创造了更多附加 值，并帮助企业提升竞争力，然而盈利能力的潜力和市场空间的扩展仍有待观察。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）