這篇是影片的逐字稿，文字有經過整理。想看 Karp CNBC 專訪的完整文字分析版，請看：Palantir CEO 上 CNBC 開炮：企業對 AI Labs 的信任正在崩盤。想了解 FDE 模式的完整框架，請看：FDE 模式全解析。

開場：蠻多人覺得 Karp 講的不好，但我的感覺相反

大家好，今天來講一下我這週反響蠻多的一篇文章。

基本上那篇不是我寫的，是在講 Palantir 的 CEO Alex Karp 在 CNBC 採訪之後，炮轟一些頂級模型廠商的內容。

我覺得蠻訝異的一件事，是看到蠻多人覺得 Karp 講的不好。但我自己的感覺其實是相反的——我有很大程度是蠻贊成他說的東西。

AI 到底有沒有真正落地？

像第一個，現在的 AI 模型到底有沒有做到真正的落地？

我們可以明確感覺到，在做 AI Coding 的 Agent，它其實是有落地的。大家大量使用 AI 的 Agent 來做相關的 Coding。然後在 Coding 衍生的這些數位世界——只要能做出一些跟 Coding 有關的，像一些 IT Operation、像是一些數位的 Office 或 Excel 操作、或是一些資安的防護——其實 AI 都有辦法進去，因為它有足夠的 Assets。

另外也要感謝 OpenClaw 的開發者 Peter，他在今年有一個很新穎的嘗試。所以又帶來的是，我們直接把某台機器給它來用，然後產生出一個很好的數位助手。

所以這兩塊我個人認為是有落地的，而且在這邊衍生了很多的使用場景。

但企業老闆的真正痛點沒被解決

但嚴格上來說，我這段時間跟很多企業老闆溝通，他們也是有類似的看法——他們也看不到太多真正的落地。

因為對他們來說，現在的這些 Coding 的東西或是數位助手能幫到他，但他們真正的痛點其實並沒有被解決。

像我之前一直講的：OCR，有大量的文件要從紙本變成數位化，這個東西一直是個問題，一直沒有被解決。再來是他們有一些相關的流程、一些 SOP，都在人身上。他們請這些人來做這些事情的時候，最怕他們離職，而且交接傳承也不好。所以人一個個走了，就會造成整盤局有問題。

這個問題一直都沒有被解決。

解法：FDE 深耕現場

要解決這個問題，我不能說不難，但要怎麼做的方向是很明確的。

這其實也是 Karp 他們提出的——FDE（Forward Deployed Engineer）。簡單講，就是有人能夠在現場深耕業務，找到裡面的痛點，然後利用 AI——像是 Agent Coding 或一些自動化能力——幫助他能夠在現場先找出一些 POC 解決方案，來解決他們的問題。

等到這個 POC 過了一兩週、一兩個月之後，發現它有被大量使用，這代表這個東西是真需求，不是偽需求。這時候再由 AI Coding 或更好的相關團隊，把它做在產品上面。

所以像這樣的 practice，雖然外面已經有標準答案了，但其實要做這件事情是很難的。

我之所以可以講很難，是因為我從之前的物流界、到現在其實都在做類似的事情，我知道它的難處在哪邊。

難處在於你需要有足夠能力的 FDE——他要願意深耕到現場裡面去，有足夠的 AI 能力，知道什麼叫 AI 的邊界、什麼東西可以做、什麼東西還不能做，還要有足夠的 people skill，並且願意在裡面把相關流程和 SOP 抽出來。

這個東西結論就是體力活。所以它會直接碰到無法 scale 這個環節。當然我自己是有方法來做 scale，基本上就是我自己的能力跟經驗了。

企業 Alpha 被偷走的恐懼

第二個問題是，Karp 講到他所認識的老闆都很討厭這些 AI 的另一個原因——他們不只沒有提供價值，還製造焦慮，然後讓企業自己把公司的一些重要的 Alpha 交出去。

Alpha 其實就是每一家公司在行業裡面的一些最關鍵的資訊、關鍵的數據、關鍵的護城河。然後藉由使用 AI 的過程當中，把它偷出來，變成模型廠商的智慧資產。下一次就再用 20 塊美金的訂閱費，賣給所有它的競爭對手。

這是他們最害怕的事情。

當然這也是因為老闆他們自己用，把這東西交出來。你也不能怪人家——畢竟大家都知道使用這些 20 塊美金的付費方案，他們法律上都有承諾不會拿來做訓練。但實際上大家是不是真的這樣子，沒有人知道。

地端三件套：2026 年都到位了

所以就衍生到另外一件事：企業要做 AI 轉型的時候，要特別在意——我的這些資料的控制權到底在哪裡？是在雲端的模型裡面，還是在你自己這邊？

如果在你自己這邊，你就要做「三件套」：

  1. 算力：備出足夠的本地算力
  2. 本地模型：建立一個自己的模型
  3. Application Layer：Karp 講的這一層——Agent 編排、自動化流程、業務介面

我在今年個人覺得，這三個東西都慢慢到位了。

模型這邊，中小企業可以選擇像 Qwen 3.6 27B 或 35B 這樣的小模型。效果在做現代辦公工作——寫文案、操作工具、甚至寫一些 code——都沒什麼問題。當然沒有像前沿模型那麼好，但也夠用了。這樣的小模型，用消費級的硬體，像我自己用的 RTX 5090，基本上都跑得很順。

大型公司的話，六月出了 GLM 5.2，大家明確感覺到它跟現在的 Opus 4.7/4.8 非常接近。根據第三方 benchmark，GLM 5.2 和 Opus 4.8 在 head-to-head 對比是 8:7，而 API 價格只有 Opus 的五分之一。所以大的模型，現在也有開源版本了。

Application Layer 這邊，像 OpenClaw 這樣的 Agent 框架（GitHub 380K+ stars）、Hermes、或是比較傳統的 n8n，其實都能把 Agent 編排做好。

企業 AI 轉型的兩條路

所以現在企業要做 AI 轉型，最大的問題就在兩件事：

第一，怎麼 deliver 價值？ 你可能要導入 FDE 的模式，或是找 FDE 的團隊來協助你把轉型做成功。

第二，你的基礎設施是不是掌控在你這邊？ 選擇本地模型、本地知識庫。如果做到這兩件事，基本上就可以把 Karp 講到的問題消滅了。

我對 Karp 言論的立場

我對 Karp 的言論其實是一個很 mutual 的看法。

他有一大部分是在賣他公司的產品，沒錯。但他也有一大部分在講真正的問題。

現在雲端的模型廠商一直在鼓吹：用這個模型就能做了，你可以用很便宜的價格就做到數位轉型。但事實上目前看起來不是——我們會害怕企業的 Alpha 被偷出去、你們提供的服務也不穩、然後現在又在漲價。

所以現在的 AI 轉型，必須朝向：FDE 來負責把價值擠出來，並且把企業的 Alpha 從實體數位化之後，用本地開源的基礎設施落地在企業裡面。

這才是目前看起來可以做的做法。

結尾：流量密碼與延伸閱讀

最後還是要講，果然在寫文章的時候去引用一些重量級文章，還是一個流量密碼的保證。我沒有特別想要做這件事情，只是它剛好發生了。

謝謝 Karp。

如果你對 FDE 或本地部署有興趣，歡迎在部落格或連結裡留言跟我討論。

關鍵洞察

  1. AI Coding/Agent 有落地，但企業痛點沒有。OCR 數位化、SOP 在人身上、怕離職帶走知識——這些問題模型廠商沒有在解。Karp 講的企業不滿，不是空穴來風。

  2. FDE 是標準答案，但也是體力活。深耕現場 → POC 驗證 → 確認是真需求 → 產品化。這個流程需要同時具備 AI 能力、people skill、和願意做苦工的人。它天然無法 scale，這是最大的瓶頸。

  3. 地端三件套在 2026 年到位了。算力（RTX 5090 跑 27B 模型沒問題）、本地模型（Qwen 3.6 夠用、GLM 5.2 接近 Opus 水準且價格 1/5）、Application Layer（OpenClaw 380K+ stars、n8n、Hermes）。中小企業已經可以動手了。

  4. 企業 AI 轉型的兩個核心問題：怎麼 deliver 價值（答案是 FDE），怎麼保護 Alpha（答案是地端基礎設施 + 本地知識庫）。這兩條路不是互斥的，是必須同時走的。

延伸閱讀