案例 · AI 原生公司：Harvey / Sierra / Decagon / Cognition
本页你会看到：四家 AI 原生公司如何把「派工程师进客户现场」做成一门可增长的业务；OpenAI 与 Anthropic 怎样把 FDE 建制化，又怎样用「部署公司 / 合资公司」把交付规模化；这些做法里哪些是真机制、哪些只是供应商口径。
一句话：AI 原生公司卖的不是模型，是「模型 + 现场交付」的组合，而计价单位往往决定了工程师每天在做什么。
为什么把它们放在一起看
Palantir 的 FDE 模式创立于前大模型时代；2023 年之后，一批 AI 原生公司把同样的逻辑用在了法律、客服等具体场景里。它们规模不同、收费不同，但有一个共同点：产品能力靠现场部署长出来，而不是靠实验室打磨出来。
这一页按「四家创业公司 → 两家模型公司 → 建制扩散」的顺序看。读的时候请盯住三件事：客户是谁、按什么收钱、现场团队向产品团队交回什么。我们不追求把每家公司讲全，而是挑出可迁移的动作。
四家公司一张表
| 公司 | 切入场景 | 现场打法 | 计价 / 关键指标 | 口径 |
|---|---|---|---|---|
| Harvey | 律所与法律专业服务 | 灯塔客户秘密试点，单所部署数月 | 定价未公开；ARR 与估值 | 客户披露 B；营收与估值 C/D 待核 |
| Sierra | 企业客服 | 按「已解决会话」交付，快速上线 | 不解决不收费；客户解决率 | 收费结构 B；定价 D 第三方估算 |
| Decagon | 客服与客户体验 | 主管用自然语言写「智能体操作流程」（AOP） | 按会话 / 按解决 | 模式 B；客户数字 C 供应商口径 |
| Cognition | AI 原生公司 | 嵌入式 FDE 团队进驻合作伙伴 | 项目筛选、带教、效果度量 | A 官方博客 |
表格只能看轮廓。下面逐个拆。
Harvey：用灯塔客户打开一个专业行业
Harvey 的创始团队是「诉讼律师 + DeepMind 科学家」的组合，OpenAI 基金曾以 500 万美元参与种子轮（B，公开报道），这决定了它从第一天起就贴着法律行业做。
背景与问题。 法律工作是高价值、强专业、容错低的场景：合同、尽调、研究，每一步都要引用和复核。通用聊天机器人给不出可信答案，律所也不会为「差不多」付费。
做法。 Harvey 在 2022 年 11 月开始与年利达（Linklaters）做秘密试点：在真实业务里跑了约 4 万次查询，覆盖 250 个业务领域、50 种语言；年利达当时有约 3,500 名律师、43 个办公室（客户与公司官宣，B；单所部署周期 6-9 个月，待核）。试点足够深，2023 年 2 月双方正式官宣。一份被广泛引用的评价称，这是「15 年法律科技里没见过的游戏规则改变者」（C，公开报道）。随后普华永道在 2023 年 3 月引入 Harvey，覆盖 100 多个国家的 4,000 多名法律专业人士（B）。
结果。 据 Harvey 官方与公开报道，其客户已扩展到约 10 万名律师、1,300 家组织、60 个国家，百大律所中多数在使用（B）。另据二级行业来源，Harvey 的 ARR 曾在五个月内从 1 亿美元增至 1.9 亿美元，估值一年内连续跳升，2026 年 3 月达到约 110 亿美元（C/D，待核）。一项律所调研称，68% 的受访律所在生产环境使用 Harvey，深度用户每周节省约 11 小时（C，调研经第三方转引）。
可迁移经验。 第一，选一个付费能力与专业壁垒都高的行业，用一家标杆客户把流程跑穿；第二，把部署做深而不是做宽——4 万次真实查询积累的知识，才是后来规模化的本钱；第三，部署周期长不是失败，专业行业的「慢」是信任成本。
口径与限制。 客户数字来自公司口径，缺少独立审计；ARR 与估值来自二级行业来源和媒体转述，只能当参考。另外，律所使用率和「每周省 11 小时」是调研自报口径，不等于生产力提升的因果证据。
Sierra：按「解决」收费，把工程师绑在结果上
Sierra 创立于 2023 年，主打企业客服智能体（B，公开报道）。它最值得 FDE 借鉴的不是技术，而是计价单位。
做法。 Sierra 按「已解决的会话」收费，问题没解决不收钱（B，公开报道与官方口径）。这条规则把交付团队的行为直接改写了：不是为了上线而调参，而是为了「让这个客户的问题真的被解决」而调参。
结果。 官网客户案例给出的解决率包括：Funnel 94%、Ramp 90%、Casper 74%、WW 约 70%、AOL 64%（B/C，各客户口径不一，不宜横向直接比较）。上线速度上，官方博客称五个客户最快不到两周、最慢六周，有客户首日就解决了过半咨询（C，官方匿名客户组）。2026 年 3 月发布的 Ghostwriter 可以上传流程文档，自动生成生产级智能体，进一步把「部署」产品化（B）。
代价与限制。 按解决收费听上去对客户零风险，但供应商会把风险定价进合同：据第三方估算，Sierra 年门槛约 15 万美元起，首年常见 20-35 万美元，大单可达百万级，单次解决约 1-2 美元（D，第三方估算，非官方定价）。2024 年 10 月估值约 45 亿美元，此后继续攀升（B）。对 FDE 而言，这意味着每一次解决都是成本也是收入，评测、召回与人工兜底必须算得清。
Decagon：让客服主管自己写「操作流程」
Decagon 的切入点是客服运营。它提出 AOP（Agent Operating Procedure）：让客服主管用自然语言写出智能体的操作流程，而不是交给工程师写提示词（B，官方）。这个方法把「业务知识的所有权」还给了业务方，FDE 的角色从「替客户写规则」变成「教客户写规则并验证」。
客户结果方面，据 Decagon 客户案例页与第三方汇总：Chime 的解决率约 70%、Duolingo 约 80%、ClassPass 客服成本下降约 95%（C，供应商口径）。定价据第三方估算约 9.5 万美元起，按会话或按解决计费（D，估算）。
可迁移经验：把「可配置性」设计进产品，是 FDE 摆脱重复劳动的关键。如果每个客户的规则都要工程师手写，团队永远长不大；如果业务方能自己维护 AOP，FDE 就能去做更难的集成与评测。限制：供应商案例通常只报最好的客户，且「成本下降 95%」没有说明统计口径，不能直接当作行业基准。
Cognition × Cognizant：嵌入式 FDE 的一种形态
据 Cognition 官方博客 2026-01-28：Cognition 派出嵌入式 FDE 团队进驻 Cognizant，负责项目筛选、工程师带教与成效度量（A，官方）。
这个案例重要，因为它回答了一个常见问题：AI 原生公司人手有限，怎么服务大客户？ 答案是把 FDE 的「方法」复制给合作伙伴的工程师，而不是自己无限招人。对读者的启示是：FDE 的能力不只是自己交付，还包括把交付方法教给别人——这也是 L3 与 L4 能力的分水岭（见第 9 章）。
OpenAI 与 Anthropic：从「派工程师」到「建公司」
两家模型公司是 2024 年后 FDE 热潮的直接推手。
OpenAI。 其 FDE 团队 2024 年初成立，一年内从 2 人扩到 52 人，覆盖全球九座城市（B，Insight Partners 2026-04 与 FT 2025-11）。负责人 Colin Jarvis 在 2025 年 1 月于 X 上官宣前线部署职能（C，当事人帖文）。欧洲负责人谈到 John Deere 项目时强调，现场反馈会「反哺研究和产品」（B）。2026 年 5 月 11 日，OpenAI 成立部署公司（Deployment Company）：规模 40 亿美元、19 家投资方，并收购 Tomoro，麦肯锡、贝恩、凯捷为创始伙伴（A/B，OpenAI 官网与 Axios、路透、FT）。有报道称其向投资方提供 17.5% 保底回报，OpenAI 未确认（C，待核）。
Anthropic。 其应用 AI 团队一年扩了五倍；负责人 Kate Jensen 有一句被 FT 引用的判断：五百强银行与创业公司是「两个物种」（B，FT 2025-11）。企业客户两年内从不足一千家增至 30 万家以上（B）。生态侧，Anthropic 与埃森哲合作培训了 3 万名 Claude 认证顾问（A/B），与黑石等机构组建约 15 亿美元的企业 AI 合资公司、聚焦中型企业（B/C，公开报道）。安全与行业案例上，派拓网络 2,500 名开发者提速 20-30%、初级工程师快 70%（C）；诺和诺德的临床报告撰写从 10-15 周缩短到约 10 分钟（A，厂商口径，NovoScribe）。
建制扩散。 这条赛道已经不只属于两家模型公司：Databricks 把专业服务部门整体改组为 FDE 组织，12 个月服务 1,900 多家客户（A，官方博客 2026-06-11）；Salesforce 承诺招聘 1,000 名 FDE（B）；谷歌云一次放出 59 个 FDE 岗位（C）；德勤于 2025 年 12 月成立 FDE 业务线（C）。2025 年中企业 LLM 市场份额约为 Anthropic 32%、OpenAI 25%、Google 20%（B，Menlo Ventures 2025-07-31）。
共同模式：五个动作，一个飞轮
把上面的案例横向切开，重复出现的模式有五条：
- 窄场景起步：先做透一个高频、可衡量、有预算的流程（如合同审查、客服解决），而不是「企业级 AI 平台」。
- 真实数据试点：Harvey 的 4 万次真实查询、Sierra 的首日真实会话，都不是 demo 数据。
- 灯塔客户：用一家愿意深度陪跑的客户换行业信任，再复制到同行业。
- 按结果计价：按解决、按节省、按订阅续费，把 FDE 的激励绑在客户结果上。
- 产品反哺：把现场重复出现的动作沉淀成 Ghostwriter、AOP、模板与评测集，让下一个客户部署得更快。
这五条连起来就是FDE 部署飞轮：现场发现 → 窄场景验证 → 生产闭环 → 产品反哺 → 规模化。
| 案例 | 计价单位 | 被产品化的东西 |
|---|---|---|
| Harvey | 未公开 | 领域工作流、检索与引用体验 |
| Sierra | 已解决会话 | Ghostwriter、上线方法 |
| Decagon | 会话 / 解决 | AOP，业务方可自维护 |
| Cognition × Cognizant | 伙伴项目 | 项目筛选与带教方法 |
| OpenAI / Anthropic | 企业合同 + 部署公司 | 部署方法、伙伴网络 |
这张表是作者归纳（D）：把每家的计价方式和它沉淀下来的产品能力放在一起对照。
三个常见误读
- 误读一：按结果收费 = 客户零风险。 风险只是被定价进合同：门槛费、保底条款、按次单价都在转移成本。Sierra 的价位就是第三方估算，不是公开定价。
- 误读二：供应商客户案例 = 独立验证。 Decagon 的 70%/80%/-95% 来自供应商案例页；Sierra 各客户的解决率口径也不一致，不能横向排名。
- 误读三：灯塔客户可以复制。 标杆客户往往有特殊条件：高层支持、数据开放、愿意容忍早期问题。换一家客户，同样的打法可能推不动。
本章小结
- AI 原生公司的 FDE 模式，核心是「窄场景 + 真实数据 + 按结果计价 + 产品反哺」。
- 计价单位决定行为：按解决收费会逼出评测与兜底能力，按人天收费会逼出工时。
- 2026 年的新变化是「部署公司 / 合资公司」：模型公司出方法与品牌，伙伴出行业与人力。
- 供应商口径的客户数字只能作线索，不能当独立证据；本书统一标注口径。
给读者的 5 条启示
- 选场景先看付费与可衡量性。 客户愿意为结果付钱、结果能被计数，才值得投入。
- 把部署做深一次，再做宽。 一个客户跑穿流程积累的知识，比十个浅试点更值钱。
- 主动设计「客户能自维护」的配置层。 AOP、模板、评测集都是把 FDE 从重复劳动里解放出来的工具。
- 面试或提案时讲清计价逻辑。 你能说清「按什么算成功、失败了怎么算」，比罗列技术栈更专业。
- 看到惊人数字先问三件事： 谁统计的、样本多大、和什么比。供应商口径不是原罪，但必须标注。