过去一天的信息量有点大：Anthropic 和 OpenAI 前后脚官宣成立合资公司，核心做一件事——把工程师派到企业内部做驻场交付。

OpenAI 拉了 TPG、Brookfield、Advent、Bain Capital，总额 100 亿美元

这件事对我这种每天试用 AI 工具、也要推动企业落地的产品经理来说，是一条非常明确的信号：从“卖 API”到“派人落地”，企业级 AI 的主战场在向深度交付转移。

关键信息速览（基于公开报道与官方公告）

• 两家公司在同一天宣布结构近似的合资公司，采用 Palantir 首创的驻场工程师（Forward-Deployed Engineer, FDE）模式。
• 合作方集中在大型私募股权基金（PE）：它们是“客户聚合体”，单体覆盖数百至上千家被投企业，能自上而下推动采购。
• 商业条款差异明显：OpenAI 为 PE 提供年化 17.5% 的五年保底回报（每年兜底上限约 7 亿美元）；Anthropic 不做保底、走普通股权。
• 财务结构考虑清晰：驻场服务毛利率约 30–50%，远低于 API 的 80%+。拆到新实体，母公司可保持“纯软件”财务画像与估值倍数。
• 两家均在推进 IPO 时间表，分拆合资公司有利于资本市场叙事与倍数区分。

两家合资公司一览

为什么是“找私募 + 驻场”

• 客户聚合效应：Blackstone（250+）、Apollo（200+）、TPG/Brookfield/Bain/Advent（各数百家）。PE 对被投企业有董事会席位和控制力，可加速统一采购。
• 销售周期压缩：传统企业 AI 采购 12–18 个月；PE 介入后可在数周内推进试点与签约。
• 双重收益对齐：PE 既分享合资公司收益，又通过推动被投企业提效增利，在退出时获取更高估值。
• 交付模式匹配：中型企业往往缺工程团队。FDE 与一线业务共创，能把“落地难”转为“流程嵌入”。

为什么要分拆成独立实体

• 毛利率结构差异：FDE 服务 30–50% 毛利率 vs. API/SaaS 80%+。混在母公司会拉低整体毛利率与估值倍数。
• 估值倍数分层：独立后，母公司可讲“纯软件”故事（约 25x 收入倍数）；服务实体以“软件+服务”倍数定价（约 10x），避免相互稀释。
• IPO 叙事清晰：据报道，Anthropic 目标 2026 年 10 月上市，OpenAI 也在推进；分拆便于在一级/二级市场分别讲最优叙事。

驻场工程师模式：优缺点与一个典型场景

• 优点
  • 落地深度：直接嵌入核心流程（如理赔、编码、风控、合规、客服等）。
  • 粘性强：定制集成与流程重构提升替换成本。
• 缺点
  • 人力密集：规模扩张受制于 FDE 招聘与培养速度。
  • 交付治理复杂：跨部门协作、数据权限、变更管理要求更高。

典型场景（医疗）：连锁诊所医生的时间大量花在病历文档、医疗编码、保险预授权、合规审查。FDE 与临床和 IT 同步办公，按真实工作流设计工具，形成“医生反馈—产品调优—流程重构”的闭环。

对采购方意味着什么：适配性与落地要点

• 适合的组织画像
  • 中型企业，存在明确的核心流程痛点，但内部 AI/数据工程能力有限。
  • 愿意在单一或少量高价值流程上做深度改造，接受并行运行与阶段性指标。
• 不太适合的情况
  • 强合规要求且必须完全本地化、隔离运行，但短期无法提供足够工程配合。
  • 预算周期僵硬、难以在 3–6 个月内完成试点与评估。
• 治理与合同要点（建议）
  • 交付边界：用例清单、数据域、接口范围、变更控制流程。
  • 指标体系：业务 KPI（如处理时长、首解率、拒付率）、模型指标（准确率、覆盖率）、财务指标（单用例 ROI、回收期）。
  • 计费方式：里程碑 vs. 成果导向；驻场人天与成效挂钩的混合模型更可控。
  • 数据与安全：数据驻留、访问最小化、审计轨迹、模型输出合规校验。
  • 可移植性：代码与配置资产归属、可替换性条款、退场计划（知识转移、SOP、文档）。

怎么在 Anthropic 与 OpenAI 之间做选择（从采购角度）

• 业务结构：多业务线、需要快速在多家子公司复制的集团，更可能受益于 DeployCo 的规模与合作网络。
• 行业聚焦：区域医疗、社区银行、中型制造这类中型组织，Anthropic 的定位与叙事更贴合。
• 交付深度与风险偏好：对条款稳定性、推进速度要求更高的集团，OpenAI 的金融化安排有利于快速启动；希望上下行风险共担、共创节奏更灵活的，可重点看 Anthropic。
• 技术侧偏好：模型家族、推理能力、长文本处理、合规与审计工具链，建议用同一数据基准做小样本对比；驻场只解决“怎么落地”，模型适配仍是关键。

我在项目里会怎么落地（可操作清单）

1. 三周评估 Sprint：锁定 1–2 个高价值流程，完成数据摸底、风险评估、效益模型，给出 go/no-go 结论。
2. 90 天试点：设定三类指标（业务/模型/财务），灰度上线并行运行；每两周复盘一次，明确是否扩大范围。
3. 扩展与标准化：将交付资产产品化（SOP、提示工程模板、评测脚本、观测与回滚机制），减少对单点 FDE 的依赖。
4. 合同护栏：成果资产化与可移植性条款、退出与知识转移计划、数据与安全审计节奏写入 SOW。

我会持续关注的观察点

• FDE 招聘与培养速度是否成为扩张瓶颈。
• 保底条款对 DeployCo 财务安全边际的影响，以及是否传导到项目定价。
• PE 介入后，实际采购周期能否稳定在“数周”级别。
• 行业模板化复用程度：会不会出现“银行套件”“医疗套件”的半标准化交付包。
• 母公司 IPO 进度与合资公司收入占比变化，是否影响中长期战略优先级。

结语

从“卖 API”到“派工程师”，头部厂商的选择把企业级 AI 的节奏定了下来：谁能更快把模型变成流程里的稳定产能，谁就更接近真实的收入。作为产品经理，我会把注意力放在“适配性”和“可移植性”两个词上——前者决定短期能否见效，后者决定长期的议价与自治能力。选择哪家不是口号问题，而是用你的流程与数据，做一轮严谨的小样本对比，然后在合同里把可预期的风险都结构化下来。