过去一年，本体从相对小众的技术概念，迅速进入企业 AI 市场的中心。Palantir 的业绩和资本市场表现不断走高，国内科技厂商开始建设本体平台，金融、制造、能源、军工等行业也陆续把本体纳入 AI 建设方案。

但本体并不是新技术。十多年前，国内大型金融机构和企业架构项目已经尝试用本体或类似方法组织业务概念、对象、关系和规则，知识工程领域的研究还要更早。

既然本体早已存在，为什么过去没有大规模普及，偏偏到了今天，厂商和企业用户同时开始关注？

一种流行解释是 Palantir 火了，本体也被带火；Palantir 在战争中的应用又进一步放大了关注。这解释了本体为什么被更多人看见，却没有解释企业为什么真正需要它。

爱分析认为，Palantir 带来了关注，但没有创造需求。真正激活本体的是 AI，而且同时发生在需求端和供给端。企业要求 AI 读懂业务并交付业务结果，显著抬高了本体的价值；大模型又降低了本体的建设、维护和应用成本。两股力量在同一时期汇合，本体才跨过规模化落地的临界点。

01  

企业一直希望机器理解业务，本体是可实现性最高的技术路线

让机器理解企业，并不是大模型时代才出现的需求。从专家系统、规则引擎和企业架构，到知识图谱、模型微调和 RAG，企业长期都在尝试把业务知识、经验与规则交给机器，用于查询、分析、预测和辅助决策。

这些路线并没有失败。过去的区别在于，机器通常只参与业务链条中的一个环节，最终仍由人来理解上下文、判断例外并执行操作。人是默认存在的业务理解层，因此机器始终不能实时、完整的理解一家企业如何运行。

不同技术路线，在实时理解业务层面各具优劣势。

图 1：技术路线对比

所谓实时，一个层面是理解实时业务状态。模型微调、上下文工程、本体等都可以接入实时业务系统的数据源，真实理解业务当前运行状态。但 RAG、知识图谱都是静态知识，无法理解当下的业务。

实时的另一个层面是，可以适配业务高频迭代更新。模型微调由于高成本，无法及时更新； 上下文工程在每次任务执行时，都需要重新装配相关业务对象、规则，难以做到跨任务及时更新。

基于企业希望机器充分理解业务的需求，只有本体这条技术路线，是可实现性最高的。通过提供一套长期存在、统一治理并能够连接行动的业务表达，本体可以理解业务并及时适配最新业务规则。

02  

AI 开始要对业务结果负责，企业对于本体的需求更加旺盛

企业最初使用大模型，主要是写作、问答、总结、搜索和代码生成。这个阶段主要评价答案是否准确、语言是否流畅，出错后也可以由人复核。

Agent 进入企业生产场景和系统后，AI 开始参与分析、判断和执行。企业随之把评价标准从生成质量转向流程、成本、收入和风险等最终结果，这里的负责是用业务结果衡量 AI。

评价标准改变后，AI 不能只理解文本含义，而是必须知道当前处理的是哪一个客户、订单或设备，对象处于什么状态，适用什么规则，谁有权操作，可以调用哪些系统，以及执行后如何记录和反馈。否则，AI 可能给出知识上正确、业务上错误的行动。

本体把企业的数据和知识还原为真实业务对象，并把对象、状态、规则、权限与行动连接起来，使 AI 能够在特定条件和权限下执行正确动作。

这套业务表达也为其他技术路线提供了共同语境。RAG 据此缩小检索范围，知识图谱承载对象与事实，上下文工程为 Agent 调取所需信息，SFT 改善专业能力。它们围绕同一套对象、规则和行动边界协同工作，才能共同支撑业务闭环。

因此，AI 开始对业务结果负责，不只是本体需求上升的一个因素，而是需求变化的总开关。过去由人补齐的业务理解，现在必须被显性表达、统一治理并连接到行动。

03  

AI 创造了本体需求，也让本体第一次 " 做得起 "

需求出现，并不意味着市场必然爆发。本体过去没有普及，还有一个更现实的原因：经济账长期算不过来。

本体算不过来的经济账，卡在三个环节：建设、维护和应用。

传统本体建设需要业务专家、架构师和技术人员共同参与。团队要阅读制度和文档，理解数据库与系统，识别对象和关系，梳理规则与流程，再完成数据映射和应用开发。

真正困难的还不是第一次建成，而是让本体持续跟随产品、组织、流程和数据结构变化。

爱分析在调研中发现，十多年前，国内已有大型金融机构投入上百名业务和技术人员，花费半年甚至一年建设覆盖全行业务的信息架构和本体模型。只有金融、军事、反恐和超大型企业经营决策等高价值场景，才能承担这类投入。

大模型首先改变了本体建设方式。它可以辅助解析业务文档、数据库和接口，识别术语、对象与关系，梳理规则，生成初始模型和数据映射，并发现业务与数据的变化。业务人员也可以通过自然语言参与建模和校验。过去主要依赖专家手工完成的工作，开始转为 AI 生成、专家审核和持续迭代。

大模型还降低了维护和应用成本。企业可以持续比较业务材料与现有模型，及时发现需要更新的对象和规则；AI 编程则能围绕相对稳定的业务对象、规则和动作，更快构建分析界面、工作流和 Agent。

本体的使用范围也在扩大。过去复杂分析主要由少数同时懂业务、数据和分析方法的专家完成；现在，模型和 Agent 可以调用同一套本体，按业务人员的意图组合信息、执行分析并形成建议。

AI 既提高了本体的使用价值，又降低了建设和维护成本，还让同一套本体被更多应用反复调用。需求价值上升与供给成本下降同时发生，本体才有机会从少数高价值项目中的专业工程，转变为企业 AI 共享的基础设施。

04  

Palantir 没有创造需求，但验证了商业闭环

如果 AI 是本体被激活的根本原因，Palantir 的意义是什么？

答案不是发明了本体，而是用产品、客户和财务结果证明，以本体为业务基础，可以把 AI 转化为可执行、可复用、可规模化交付的业务能力。

Palantir 将 Ontology 称为其平台的核心。它把分散数据映射为有业务含义的对象、关系、状态、规则和行动；AIP 进一步连接大模型、Agent 和自动化能力。由此形成可以运行的业务闭环。数据先被还原为业务对象，模型在统一语境和权限下分析判断，再调用系统执行任务，执行结果继续反馈到业务状态和后续决策中。

这套系统验证了本体能够沉淀企业的业务语义、规则和行动能力，新应用可以复用已有的数据连接、对象、权限和动作，不必每次从集成和业务梳理重新开始。一次项目因此可能扩展为企业级部署，一次性交付也可能转化为持续收入。

Palantir 最新财务数据进一步验证了这种扩张。2026 年第二季度，公司实现营收 19.35 亿美元，同比增长 93%；美国商业业务收入 7.64 亿美元，同比增长 149%，美国政府业务收入 8.09 亿美元，同比增长 90%。

当季，Palantir 签下 220 笔金额不低于 100 万美元的合同，其中 98 笔不低于 500 万美元，73 笔不低于 1000 万美元。其中，美国商业业务新增合同总价值达到 21.32 亿美元，同比增长 153%；剩余合同价值达到 62.38 亿美元，同比增长 124%。

同时，过去 12 个月有收入贡献的客户数由 849 家增至 1049 家，前 20 大客户平均收入由 7500 万美元增至 1.24 亿美元，同比增长 67%。当季 GAAP 毛利率为 85%，营业利润率为 47%，净利润率为 55%。

在高增长业绩预期下，Palantir 还将 2026 年全年营收指引上调至 81.50 亿至 81.58 亿美元。

这些数据分别说明，企业 AI 的结果交付正在形成规模需求，客户愿意为进入核心业务的系统支付高价格，产品能够在客户内部持续扩展，深度交付也没有完全退化为依靠人天增长的项目生意。

当然，Palantir 的增长不能全部归因于本体，毕竟交付的是包含数据、软件、模型、权限、工作流和现场工程的完整系统。也正因如此，其业绩验证的不是一款本体建模工具，而是一条以本体为业务基础、让 AI 进入真实流程并交付结果的企业 AI 路线。

爱分析认为，AI 激活了本体，Palantir 完成了验证。产品验证本体能够支撑业务闭环，客户扩张验证它能够复用，财务数据则验证这种复用能够形成规模增长和商业回报。

战争应用则证明了本体和 AI 可以在高复杂度、高时效和高决策价值场景中发挥作用，也推动了军工市场采用。但这只能解释军工需求为什么加速，不能解释金融、制造、供应链和城市治理为什么同时关注本体。更普遍的根因，仍是 AI 正在从生成内容走向业务执行。

05  

中国市场的机会，不是复制 Palantir，而是沉淀平台资产

中国企业正在遇到同样的问题。

通用模型能力已经足够强，但模型不天然理解一家企业的业务对象、数据口径和业务规则，也不能直接进入核心系统安全执行。知识库、智能问数和单点 Agent 越多，统一业务语义、权限和行动体系就越重要。

爱分析在调研中发现，国内本体市场正在从概念讨论走向产品形成和项目验证。部分厂商已经推出覆盖本体建模、数据映射、规则、动作和 AI 辅助构建的平台；军工等高价值领域落地相对更快，金融、制造、供应链和城市治理也在出现早期项目。

当前仍是规模化落地的起点，建模成本、持续维护、业务闭环和价值评估并未自动解决。

中国市场也不需要简单复制 Palantir。国内企业的预算结构、采购制度、软件付费习惯和服务生态不同，项目制以及 " 产品加实施服务 " 的采购方式仍会长期存在。这决定了本土厂商既要靠实施进入高价值场景，也必须用平台沉淀对象、规则、连接器、权限、动作和评测能力。

没有平台，每个项目都要重新集成、建模和开发，增长只能依赖增加实施人员；只有平台、没有业务闭环，本体又会变成需要持续维护却难以证明价值的技术系统。更现实的路径是先在项目中交付业务结果，再把交付经验沉淀为平台资产，随后复用到更多场景和客户。

判断一家本土厂商是否具备长期机会，主要看四件事：能否利用 AI 缩短建设和维护周期，能否把本体连接到实时数据、权限和业务动作，能否在真实场景中交付可量化结果，以及能否把一次项目形成的资产持续复用。

前三项决定项目能不能做成，最后一项决定厂商能不能从项目公司走向产品公司。

中国最终跑出的本体厂商，未必拥有最像 Palantir 的产品界面，但一定要完成业务结果、平台沉淀和持续复用的商业闭环。

06  

结语

本体讨论了十多年，直到 AI 时代才真正升温，不是因为旧概念突然流行，也不只是因为 Palantir 的股价和业绩变得耀眼。

企业一直希望机器理解业务。过去机器只需提供知识、预测和建议，剩余的业务理解和行动判断可以由人完成；今天 AI 开始执行任务并接受业务结果检验，企业必须把对象、状态、规则、权限和动作显性表达出来。

本体由此从知识组织方法，升级为 AI 进入业务闭环的基础层。

大模型又降低了这套基础的建设、维护和应用成本，使本体第一次具备规模化落地的经济条件。Palantir 的产品、客户扩张和财务表现，则证明这条路线能够转化为真实业务结果和持续商业回报。

本体不是企业 AI 的全部答案，但正在成为连接数据、知识、模型与行动的关键基础。谁能让这层基础在真实场景中形成闭环并持续复用，谁才可能获得本体在 AI 时代释放出的价值。