本体论

核心句：本体论负责看清有什么，系统论负责看清怎么运行，公司研究负责判断这些对象关系能否长期创造价值。

第一部分：本体论到底是什么

第 1 章：为什么要学习本体论

杰哥最近是在研究 Palantir 的过程中接触到本体论，这个入口非常好。因为如果从哲学史进入本体论，很容易卡在“存在是什么”“实体是什么”“共相是什么”这些抽象问题里；但从 Palantir 进入，就会马上看到本体论的现实用途：它不是一种玄学，而是一种把复杂现实世界变成可理解、可连接、可操作系统的方法。

我们先把问题压到最底层：为什么要学习本体论？

因为很多判断错误，不是发生在推理过程，而是发生在对象定义阶段。你以为自己在研究同一个东西，其实对象已经定义错了。比如研究一家公司，如果一开始把它定义成“软件公司”，你会看软件收入、订阅、毛利率、销售效率；如果把它定义成“企业操作系统公司”，你会看它是否进入客户核心流程，是否掌握对象关系，是否改变客户决策方式，是否形成高切换成本。对象定义不同，后面所有判断都会不同。

这就是本体论的价值：它逼你先问——我到底在研究什么？这个东西由哪些对象构成？这些对象之间是什么关系？边界在哪里？状态如何变化？

普通分析经常直接跳到结论：这家公司好不好，这个产品有没有护城河，这个行业空间多大。但本体论会让我们慢下来，先建立对象世界。比如 Palantir 不只是“数据分析软件”，它真正做的是帮助客户定义现实世界里的对象：飞机、士兵、订单、供应商、风险事件、患者、药物、权限、任务、决策节点。然后把这些对象连接起来，形成一个可以被人和 AI 一起操作的系统。

这和传统软件非常不同。传统软件常常是功能集合：报表、看板、搜索、协作、流程审批。但本体论软件的核心是对象集合与关系结构。它不是先问“我要做什么功能”，而是先问“这个组织的现实世界由什么构成”。功能只是表层，底层是对象模型。

这对公司研究非常重要。很多公司表面上卖同一种产品，底层本体却完全不同。两个公司都叫 SaaS，一个只是把旧流程搬到线上，另一个却重新定义了客户的工作对象和责任关系。两个公司都叫 AI 公司，一个只是卖模型调用，另一个却进入客户工作流，让每一次使用都产生反馈、数据和能力改进。它们的收入模式可能相似，但商业模式完全不同。

所以，学习本体论，本质上是在训练一种更底层的观察能力：不要先被名称、行业标签、财务分类、市场叙事牵着走，而是先看清真实对象。

这也是为什么它适合 J 系统。J 系统一直强调“看对问题”。看对问题的第一步，不是找到答案，而是定义对象。如果对象错了，答案越精细，错得越稳。比如把 Anthropic 定义成“聊天机器人公司”，就会低估 coding 工作流、企业客户反馈、模型训练飞轮和组织文化的作用；把 Apple 定义成“硬件公司”，就会低估它作为个人计算入口、生态控制系统和服务分发平台的价值；把 Tencent 定义成“社交公司”，也可能低估它作为中国数字关系和身份入口的系统意义。

本体论学习不是为了多一个概念，而是为了减少误判。它让我们在分析之前先完成四件事：第一，分清对象。这里到底有哪些东西？谁是主体，谁是资源，谁是客户，谁是工具，谁是状态，谁是事件？

第二，分清关系。这些东西之间是交易关系、控制关系、依赖关系、反馈关系、权限关系，还是只是表面关联？

第三，分清边界。哪些属于这个系统内部，哪些属于外部环境？哪些是公司能控制的，哪些只是借来的红利？

第四，分清变化。对象不是静止的，它们会进入不同状态，会被事件改变，会被反馈强化或削弱。

如果用一句话概括：学习本体论，是为了在判断之前，先把世界拆成正确的对象、关系、边界和变化机制。

对 Palantir 来说，本体论是产品核心。对 J 系统来说，本体论是认知工具。对公司研究来说，本体论是底层框架。它能帮助我们从“看一家公司在卖什么”，升级到“看一家公司在重构什么现实对象系统”。

这就是为什么要学。

第 2 章：本体论的最小定义

本体论这个词听起来很大，但我们先不要把它哲学化。对 J 系统来说，最小可用定义是：本体论是一套定义对象、类别、属性、关系、边界和规则的方法。它把现实世界变成可识别、可连接、可推理、可操作的结构。

这个定义里有几个关键词。

第一个关键词是对象。对象就是我们要识别的“东西”。它可以是人、公司、产品、订单、合同、客户、服务器、模型、任务、风险、权限，也可以是一个流程、一次交易、一个状态。对象不一定是物理实体，只要它在系统里有稳定身份、属性和关系，就可以被建模成对象。

第二个关键词是类别。类别回答“这个对象属于什么类型”。比如某个人可以是员工、客户、审批人、医生、士兵；某家公司可以是平台公司、模型公司、工作流公司、交易市场、基础设施公司。类别不是标签游戏，它会影响后续判断。你把 Palantir 归为“咨询公司”“数据平台”“企业操作系统”，会得到完全不同的估值框架。

第三个关键词是属性。属性回答“这个对象有什么特征”。客户的属性可能包括行业、规模、预算、使用频率、决策链条；产品的属性可能包括功能、稳定性、集成难度、切换成本；模型的属性可能包括能力、速度、成本、上下文长度、可靠性。属性不是越多越好，关键是找出决定系统运行的核心属性。

第四个关键词是关系。关系回答“对象之间如何连接”。这是本体论最重要的部分之一。世界不是对象清单，而是对象之间的连接。客户使用产品，产品嵌入工作流，工作流产生数据，数据反哺模型，模型增强产品，产品提高客户留存。这是一组关系。真正的商业模式往往藏在关系里，而不是藏在单个对象里。

第五个关键词是边界。边界回答“什么算在系统内，什么算在系统外”。边界决定责任、控制、风险和价值归属。比如 Apple 的边界不只是 iPhone 硬件，而是设备、系统、App Store、开发者、支付、服务、用户习惯共同构成的生态边界。边界看错，就会误判护城河。

第六个关键词是规则。规则回答“在什么条件下发生什么”。企业系统里，规则非常重要：谁有权限审批，什么状态触发流程，什么风险需要上报，什么客户可以自动续约，什么数据可以被模型使用。没有规则，对象世界只是静态图谱；有了规则，它才变成可运行系统。

第七个关键词是推理。本体论不是为了画图好看，而是为了推理。比如如果一个客户属于高价值客户，正在使用核心工作流，产生高频数据，而且迁移成本高，我们可以推理它的续约概率更高；如果一个产品没有进入核心工作流，只是边缘工具，即使短期收入增长，也可能缺乏护城河。

所以，本体论和普通分类有本质区别。普通分类是把东西放进文件夹；本体论是定义对象世界的结构。分类只回答“它属于哪类”，本体论还要回答“它有哪些属性、和谁连接、处于什么状态、被哪些规则约束、如何变化”。

举一个公司研究例子。假设我们研究 Anthropic。

普通分类会说：Anthropic 是 AI 模型公司。

本体论分析会进一步问：Anthropic 的核心对象是什么？模型、客户、开发者、工程任务、代码库、算力、研究员、数据反馈、企业工作流。

它的关键关系是什么？模型进入 coding 工作流，客户使用产生反馈，反馈改进模型，模型增强产品价值，价值带来更多客户。

它的边界是什么？它不是完整云平台，也不是纯 C 端应用，而是在 frontier model、coding、企业工作流、安全文化之间形成边界。

它的规则是什么？安全使命、治理结构、产品优先级、算力分配、客户数据使用方式。

它的变化机制是什么？能力提升是否带来更多真实使用，真实使用是否带来更强反馈。

你看，这和一句“AI 公司”完全不是一个分析层级。

再看 Palantir。普通分类会说它是数据分析公司。本体论分析会说：Palantir 帮客户把现实世界对象化，把数据映射到对象，把对象连接到工作流，把工作流连接到权限和行动，让组织能在一个共同对象世界里决策和执行。

这就是本体论的力量：它让我们不再被表层名称欺骗。

最小定义再压缩一下：本体论 = 对象 + 类别 + 属性 + 关系 + 边界 + 状态 + 规则。

如果再压成一句：本体论就是把现实世界变成一个可理解、可推理、可操作的对象关系系统。

掌握这个定义，就够我们开始学习了。

第 3 章：对象：世界不是一团信息，而是由对象构成

本体论学习的第一块积木，是对象。

对象是本体论的起点。没有对象，就没有属性、关系、状态、规则，也没有推理。我们分析世界时，经常以为自己在处理信息，其实信息只是表层。真正要处理的是信息背后的对象。

比如一张销售报表，看起来是一堆数字。但本体论会问：这些数字分别属于哪些对象？客户是谁？订单是什么？产品是什么？销售人员是谁？合同处于什么状态？哪些订单已交付，哪些只是签约？哪些收入可持续，哪些是一次性？如果不把数字还原成对象，我们只能看到表面数据，看不到真实系统。

这就是本体论和普通数据分析的区别。普通数据分析容易问“数字是多少”，本体论先问“这个数字描述的对象是什么”。

对象可以很具体，比如一个客户、一台机器、一份合同、一名员工、一条生产线、一个代码仓库。对象也可以很抽象，比如一个任务、一次风险事件、一种权限、一段工作流、一个模型能力、一种客户状态。关键不在于它是否能摸到，而在于它是否在系统里有稳定身份，是否能被识别、连接和操作。

公司研究里，最常见的错误之一，就是没有把对象分清楚。

比如研究一家 SaaS 公司，只说“客户增长很好”。但客户不是一个整体。客户至少可以拆成多个对象：试用客户、付费客户、高价值客户、低频客户、核心工作流客户、边缘工具客户、即将流失客户、被销售推上来的客户、自然增长客户。不同客户对象的价值完全不同。

再比如研究 AI 产品，只说“用户很多”。但用户对象也要拆：消费者、开发者、企业员工、管理者、采购部门、API 调用者、插件开发者、生态伙伴。一个产品如果有很多浅层消费者，和一个产品被企业核心岗位高频使用，商业含义完全不同。

对象识别的关键，是找到真正参与系统运行的东西，而不是罗列表面名词。

我们可以用四个问题识别对象：第一，这个东西是否有身份？能不能被区分出来？比如某个客户、某个订单、某个模型版本。

第二，它是否有属性？比如规模、状态、权限、成本、频率、质量。

第三，它是否和其他对象发生关系？比如客户使用产品，产品产生数据，数据反哺模型。

第四，它是否会被操作或改变？比如订单从待处理变成已完成，客户从试用变成续约，风险从低变高。

满足这些条件，它就值得成为本体论里的对象。

Palantir 的强大，就在于它把客户组织里的现实对象识别出来。对于军队，现实对象可能是单位、装备、任务、目标、情报、补给、风险、行动方案。对于医院，现实对象可能是患者、医生、药物、病历、检查、治疗路径、保险、床位。对于供应链，现实对象可能是供应商、订单、库存、路线、港口、延误、替代方案。

一旦对象被定义出来，组织就不再只是看报表，而是能围绕对象行动。AI 也不再只是回答问题，而是可以理解“我正在影响哪个对象”。比如 AI 不只是说“库存可能不足”，而是识别具体 SKU、具体仓库、具体订单、具体客户承诺、具体替代供应商，并触发下一步工作流。

这就是企业本体论的意义：它把抽象组织变成对象世界。

在公司研究中，我们也要做类似动作。研究任何公司，先列出它的核心对象：客户对象：谁在付钱，谁在使用，谁在决策？

产品对象：卖的到底是什么，是工具、平台、入口、工作流，还是操作系统？

任务对象：客户用它完成什么任务？

数据对象：使用过程中产生什么数据？这些数据是否有价值？

组织对象：公司内部哪些团队、能力、文化支撑它？

资本对象：算力、现金、渠道、生态、监管许可等资源如何参与系统？

竞争对象：真正竞争的是同类产品，还是另一种完成任务的方式？

对象一旦列清楚，分析会立刻变得扎实。

例如研究 Apple。如果对象只定义为“手机”，你会看销量、价格、硬件创新。但如果对象定义为“个人计算入口”，你会看到设备、系统、账号、支付、应用、服务、开发者、用户习惯、隐私规则之间的关系。Apple 的价值就不只是卖硬件，而是控制了一组高频个人数字生活对象。

研究 Tencent 也是如此。如果对象定义为“社交软件”，你会看聊天和广告。如果定义为“中国人的数字关系操作系统”，你会看到身份、关系链、支付、内容、小程序、服务、企业微信、游戏、视频号之间的对象网络。

所以，本体论第一课不是学术概念，而是训练眼睛：不要看一团信息，要看信息背后的对象。

这句话很重要。没有对象，数据只是噪音；对象定义错，关系判断必然错；对象定义对，很多复杂问题会自然变清楚。

第 4 章：属性：一个对象为什么是这个对象

对象定义出来以后，下一步是属性。

属性回答一个问题：这个对象有什么特征？它为什么是它？

比如一个客户对象，它的属性可能包括行业、规模、预算、增长阶段、使用频率、续约概率、采购流程、技术能力、风险偏好。一个产品对象，它的属性可能包括价格、性能、可靠性、易用性、集成难度、可替代性、切换成本。一个 AI 模型对象，它的属性可能包括能力、成本、速度、上下文长度、幻觉率、安全性、工具调用能力。

属性让对象变得可判断。没有属性，对象只是一个名字。说“客户”没有意义，关键是这个客户是不是高频使用、是不是核心流程、是不是有预算、是不是能带来高质量反馈。说“产品”也没有意义，关键是这个产品是否进入工作流、是否可替代、是否产生数据、是否能扩展到更多任务。

但属性也容易制造误判。因为属性太多，而真正重要的属性很少。很多分析失败，不是没有信息，而是把噪音属性当成关键属性。

比如研究 AI 公司，很多人会看模型榜单排名。排名是属性，但未必是关键属性。对企业客户来说，可靠性、集成能力、权限控制、数据安全、工作流嵌入、结果可验证性，可能比一次榜单排名更重要。对开发者来说，代码能力、上下文长度、工具调用、调试体验、延迟和价格，可能更关键。

所以属性分析要区分三类：静态属性、动态属性、关键属性。

静态属性是对象比较稳定的特征。比如公司所在行业、产品类型、客户类别、创始人背景、商业模式类型。它们有用，但往往只能帮助初步定位。

动态属性是会变化的特征。比如客户留存率、使用频率、模型能力、单位成本、销售效率、组织规模、数据质量。这些属性更接近系统运行。

关键属性是决定对象价值的少数特征。它们不一定显眼，但会决定结果。比如 coding 场景的关键属性不是“程序员多”，而是结果可验证、反馈周期短、能进入真实工作流、能反哺模型训练、能加速 AI 公司自身研发。这些属性共同决定了 coding 为什么可能成为 AI 商业模式的重要入口。

本体论公司研究里，我们要特别训练识别关键属性。

举几个例子。

对 Palantir，关键属性不是“软件功能多”，而是：能否把客户现实对象建模；

能否连接多源数据；

能否嵌入关键工作流；

能否处理权限和责任；

能否让 AI 在企业对象世界里行动；

能否随着客户使用越来越深。

对 Anthropic，关键属性不是“有大模型”，而是：coding 能力是否领先；

是否进入开发者真实工作流；

使用反馈是否能改善模型；

企业客户是否愿意为生产力付费；

组织是否能保持高信任低内耗；

算力是否足够支撑增长。

对 Apple，关键属性不是“硬件参数”，而是：用户使用频率；

设备留存周期；

系统控制力；

开发者生态；

服务分发能力；

用户默认入口地位；

隐私与本地计算的系统优势。

这些关键属性一旦抓住，研究就不会浮在表面。

属性还有一个重要作用：区分同名对象。两个公司都叫平台，但属性不同。一个平台是流量分发平台，一个是交易撮合平台，一个是开发者平台，一个是企业工作流平台。它们的网络效应、成本结构、护城河都不同。仅用“平台”这个类别不够，必须看属性。

同样，两个产品都叫 AI Agent，也可能完全不同。一个只是聊天界面加工具调用，另一个真正理解企业对象、权限、状态和规则。表面类别一样，关键属性不同，价值天差地别。

属性还帮助我们识别状态。比如客户对象有“试用中、活跃使用、核心依赖、低频使用、即将流失”等状态。状态本质上是属性的一种动态组合。研究公司时，平均客户数不如客户状态分布重要。很多公司看起来客户多，但核心依赖客户少；有些公司客户数少，但每个客户都深度嵌入核心流程。

这就是为什么属性不能只停在描述，要进入判断。

我们可以用一个简单检查清单：这个对象有哪些属性？

最后压缩一下：对象回答“这是什么”，属性回答“它为什么重要”。

如果对象是骨架，属性就是骨架上的判断点。没有属性，本体论只是名词表；抓住关键属性，本体论才开始服务于公司研究。

第 5 章：关系：真正重要的不是对象，而是连接方式

本体论里最重要的部分，往往不是对象，而是关系。

对象只是节点，关系才让系统运行。一个客户、一个产品、一段数据、一个模型、一个团队，单独看都没有完整意义。真正的价值来自它们如何连接。

比如“客户”和“产品”之间可以有很多种关系。客户可能只是试用产品，也可能高频使用产品；可能只是边缘场景使用，也可能嵌入核心工作流；可能随时可替换，也可能深度绑定；可能只贡献收入，也可能贡献数据、反馈和生态扩散。关系不同，商业含义完全不同。

这就是为什么公司研究不能停在对象清单。你列出“客户、产品、数据、模型、组织、资本”，还不够。关键是它们之间是否形成强连接、反馈连接、难替代连接。

关系有很多类型。

第一种是交易关系。客户付钱，公司交付产品或服务。这是最容易看到的关系，也是最表层的关系。很多人把商业模式理解成交易关系：我卖什么，你付多少钱。但真正好的公司，绝不只有交易关系。

第二种是使用关系。客户是否真的使用产品，使用频率多高，使用深度多深。使用关系比交易关系更重要。客户付钱但不用，续约会有风险；客户深度使用，即使短期价格不高，也可能有长期价值。

第三种是工作流关系。产品是否嵌入客户完成任务的流程。如果一个产品只是偶尔打开的工具，它的关系较弱；如果它变成客户每天工作的一部分，它就开始进入工作流。AI 公司尤其要看这一点。模型如果只是聊天，价值有限；模型如果进入写代码、分析数据、处理工单、生成报告、调度供应链的工作流，价值就完全不同。

第四种是反馈关系。使用是否能产生反馈，反馈是否能改进产品。Anthropic 的 coding 飞轮就属于反馈关系：模型进入开发者工作流，真实使用产生错误、偏好、任务模式和工程反馈，反过来帮助模型和产品变强。没有反馈关系，增长只是销售；有反馈关系，增长会变成学习。

第五种是依赖关系。客户是否依赖这个产品完成关键任务。依赖越深，切换成本越高。Palantir 的价值就在于它不仅被客户使用，还可能成为客户理解和操作现实对象的基础层。一旦依赖形成，替换就不是换软件，而是重建对象世界和工作流。

第六种是控制关系。谁控制入口、规则、权限、分发、数据格式、生态接口。Apple 的强大，很大程度来自控制关系：它控制设备、系统、应用分发、隐私规则、支付接口和用户默认体验。控制关系决定谁能捕获价值。

第七种是语义关系。对象之间不仅要连接，还要有一致含义。比如企业里“客户”“订单”“风险”“完成”这些词，在不同部门可能含义不同。本体论的作用之一，就是让组织共享同一个对象语言。没有语义一致，系统会看似连接，实则混乱。

第八种是组织关系。公司内部团队之间如何协作，是否互相信任，是否有山头，是否能围绕同一目标工作。文章讲 Anthropic 的 high trust / low ego，本质上是在讲组织对象之间的关系。组织关系会直接影响产品关系和客户关系。

所以，关系不是软概念，而是商业模式和护城河的核心。

商业模式可以重新定义为：一家公司如何通过对象之间的关系创造价值、捕获价值，并让这种关系越来越强。

护城河也可以重新定义为：关键对象关系难以被竞争对手重构。

比如网络效应，是用户之间的关系越来越密；数据飞轮，是使用和数据之间的反馈关系越来越强；品牌，是用户心智和产品之间的信任关系越来越稳；规模经济，是成本和产量之间的关系越来越有利；工作流嵌入，是产品和客户任务之间的依赖关系越来越深。

用关系视角看公司，会发现很多表面强大的公司其实关系很弱。它们有收入，但客户关系浅；有用户，但使用关系低频；有数据，但数据不能反馈产品；有产品，但没有进入工作流；有生态，但没有控制关键节点。

反过来，有些公司短期收入看起来不惊人，但关系很深。客户离不开，产品嵌入流程，数据持续流入，组织能力不断积累，生态伙伴围绕它构建。这种公司值得认真研究。

本体论公司研究中，我们要画出关键关系图，而不是只写文字。最少要问：谁和谁连接？

举个例子，如果研究 Anthropic，我们不能只说它有模型、有客户、有组织文化。要看关系：模型进入 coding 工作流；开发者使用产生反馈；反馈改善模型；模型增强 Claude Code；Claude Code 提高开发者依赖；企业客户为生产力提升付费；组织文化提高人才留存；人才留存提高模型和产品迭代能力。这些关系连起来，才是它的商业模式解释。

最后压缩：对象决定你看见什么，关系决定你理解什么。

世界不是对象堆积，而是关系运行。公司不是资产清单，而是一组持续创造价值的对象关系。研究公司，真正重要的不是“它有什么”，而是“这些东西如何连接，并且连接是否越来越强”。

第 6 章：边界：本体论首先是一种划界能力

本体论还有一个容易被忽略但非常关键的能力：划边界。

边界回答的问题是：什么算这个对象的一部分，什么不算？什么在系统内，什么在系统外？什么是公司能控制的，什么只是外部环境？

边界一错，后面的判断都会偏。

比如研究 Apple，如果边界只画在硬件上，你会认为 Apple 是卖 iPhone、Mac、iPad 的公司。但如果边界画到生态层，你会看到设备、操作系统、App Store、开发者、支付、订阅服务、隐私规则、用户账号、默认应用、配件、线下服务共同构成一个系统。边界不同，看到的护城河完全不同。

再比如研究 Palantir，如果边界只画在软件功能上，它像一个数据分析工具；如果边界画到客户组织的对象世界，它更像企业操作系统；如果边界继续画到 AI Agent 行动层，它可能是企业 AI 的基础语义层。边界一变，估值逻辑也会变。

所以，本体论不是只定义对象，还要定义对象边界。一个对象不是天然给定的，而是由我们根据研究目的划出来的。划得太窄，会看不到系统；划得太宽，又会变得模糊。

公司研究里，常见的边界错误有几种。

第一，把产品边界当成公司边界。

很多公司真正有价值的不是单个产品，而是产品背后的生态、工作流、数据、渠道和组织能力。只看产品，会低估系统价值。

第二，把收入边界当成商业模式边界。

收入来自哪里，不等于价值在哪里形成。比如一家公司可能向企业收费，但真正的价值形成在数据反馈、工作流嵌入和生态控制里。如果只看收费对象，就会误判商业模式。

第三，把行业边界当成竞争边界。

公司未必只和同行竞争。Apple 的竞争不只是手机厂商，也包括谁控制个人计算入口；Tencent 的竞争不只是社交应用，也包括谁控制数字身份和关系链；Anthropic 的竞争不只是模型 API，也包括谁进入开发者工作流和企业智能基础设施。

第四，把组织边界当成能力边界。

有些能力不完全在公司内部，而在生态、开发者、客户、供应商、合作伙伴中。Amazon 的能力不只是内部运营，也包括第三方卖家、AWS 客户、物流网络和广告系统。边界画错，会错看能力来源。

第五，把当前边界当成长期边界。

优秀公司会扩展边界。Amazon 从图书到电商到云到广告；Microsoft 从操作系统到 Office 到 Azure 到 Copilot；Palantir 从数据整合到 operational ontology 到 AI 行动层。边界是动态的，不是静止的。

边界还决定责任。企业系统里，很多问题不是没人知道，而是边界不清：谁负责这个对象？谁有权限修改？谁对结果负责？哪个部门拥有数据？哪个流程触发行动？Palantir ontology 的一个重要作用，就是把对象、权限、责任和行动连接起来。没有边界，组织会混乱；边界太硬，组织会割裂。

J 系统做公司研究，也要特别注意边界。每次研究一家公司，至少问六个边界问题：这家公司的产品边界在哪里？

它的边界是否正在扩张、收缩，还是被竞争对手重画？

边界问题本质上是控制问题。谁定义边界，谁就定义游戏。平台公司强，是因为它能定义参与者边界、规则边界和分发边界。操作系统强，是因为它能定义应用和用户之间的连接边界。企业本体论强，是因为它能定义组织内部对象、权限、流程和行动的边界。

但边界也会带来风险。边界扩张太快，会让公司失焦；边界太封闭，会限制生态；边界不清，会引发责任混乱；边界被监管重画，会改变商业模式。比如平台公司常常面临监管重新划界：哪些数据可以用，哪些抽成合理，哪些行为属于垄断。边界不是中性的，它关系到权力和利益。

所以，本体论的边界能力，不只是学术分类，而是一种商业判断能力。

最后压缩一下：边界决定对象，边界决定责任，边界决定控制，边界决定价值归属。

公司研究不能只问“这家公司有什么”，还要问“这些东西到底算不算它的一部分，它能不能控制，它能不能从中捕获价值”。

本体论首先是一种划界能力。边界画对了，系统才显形；边界画错了，越分析越偏。

第二部分：本体论的核心构件

第 7 章：类别与层级

对象定义出来以后，下一步是类别与层级。

类别回答的问题是：这个对象属于什么类型？它和其他对象是什么上下位关系？

这是本体论里非常基础、但也非常容易出错的一步。很多公司研究的误判，表面上是估值错、竞争格局错、增长判断错，底层其实是类别分错了。

比如一家公司到底是工具公司、平台公司、工作流公司，还是操作系统公司？这不是文字游戏。类别不同，判断标准完全不同。

如果你把 Palantir 看成“数据分析工具”，你会问：它有没有更便宜的替代工具？报表能力强不强？数据可视化好不好？

如果你把 Palantir 看成“企业操作系统”，你会问：它是否进入客户核心工作流？是否定义客户组织里的对象、权限、状态和行动？客户切换它是否等于重建组织的数字世界？

同一个公司，类别定义不同，研究路径完全不同。

类别的作用，是把对象放进一个更大的理解框架。一个对象不是孤立存在的。它总是属于某个类，有上位类、下位类、相邻类和反类。

比如“Claude Code”可以被分到很多类别里：AI coding tool；

开发者生产力工具；

AI Agent；

软件工程工作流入口；

模型能力分发界面；

企业研发系统的一部分。

不同类别对应不同关键变量。如果它只是 coding tool，就看功能、价格、编辑器集成、开发者口碑。如果它是软件工程工作流入口，就要看它是否改变开发流程、测试流程、代码审查、团队协作和企业研发效率。如果它是模型能力分发界面，就要看它能否带来使用数据和模型训练反馈。

所以分类不是命名，而是选择研究框架。

类别还有层级。层级回答：哪个概念更大，哪个概念更小。

比如：公司 > AI 公司 > Frontier AI Lab > Coding 工作流 AI 公司；

软件 > 企业软件 > 数据平台 > Operational Ontology 平台；

入口 > 信息入口 > 搜索入口 > AI 搜索入口；

平台 > 开发者平台 > AI Agent 平台。

层级越高，越抽象，能帮助我们看大图；层级越低，越具体，能帮助我们看机制。研究时不能只停在一个层级。

如果层级太高，容易空。比如说“Apple 是科技公司”，这几乎没信息量。如果层级太低，也容易碎。比如只看 iPhone 15、iCloud、App Store 某个功能，可能看不见整个生态。

好的公司研究，要在多个层级之间切换。

以 Apple 为例：高层级：个人计算入口公司；

中层级：硬件 + 操作系统 + 服务生态；

低层级：iPhone、Mac、iOS、App Store、Apple Pay、iCloud、AppleCare、开发者工具；

机制层级：用户默认入口、设备留存、生态切换成本、隐私规则、服务分发。

如果只看低层级，Apple 是硬件公司；如果升到中高层级，它是个人数字生活的入口控制系统。这个层级变化，会直接改变估值和护城河判断。

类别错误最常见的几种情况：第一，把平台公司看成工具公司。

工具公司主要解决单点任务，平台公司连接多方对象并定义规则。比如 Shopify 如果只是建站工具，价值有限；如果它是商家操作系统和电商基础设施，价值就不同。

第二，把工作流公司看成 SaaS 公司。

SaaS 是交付方式，不是本体类别。真正关键是它是否嵌入客户工作流。一个 SaaS 只是在线表格，另一个 SaaS 可能重构客户销售、财务、研发或供应链流程。

第三，把入口公司看成内容公司或硬件公司。

Google 不只是搜索广告公司，它是信息入口。Apple 不只是硬件公司，它是个人计算入口。Tencent 不只是社交公司，它是数字关系入口。入口类公司的核心不是单一产品，而是默认位置和控制关系。

第四，把基础设施公司看成应用公司。

云、操作系统、支付网络、企业身份系统，很多时候价值在于承载别人运行，而不是自己完成某个单点任务。基础设施的关键属性是可靠性、规模、标准、生态和嵌入深度。

第五，把金融合约公司看成普通服务公司。

保险、支付、券商、基金、交易所等，本体上常常是风险、期限、信用、流动性和合约结构的系统，不只是“提供服务”。类别错了，风险看不见。

类别与层级训练，本质上是防止我们被表层标签带跑。

公司给自己的定义，市场给它的定义，财报行业分类，媒体叙事，可能都不是最适合研究的定义。我们要自己重新分类。

J 系统可以固定使用一个问题：这家公司被市场归到哪一类？它实际更像哪一类？如果换一个类别，关键变量会不会完全改变？

这个问题非常有用。

例如 Anthropic 被市场归为大模型公司。但如果我们把它定义为“coding 工作流公司”，关键变量会从模型榜单转向开发者工作流、真实工程反馈、Claude Code 留存和企业研发预算。如果定义为“组织发明”，关键变量又会转向文化、人才留存、使命、治理和内部协作效率。

不同类别不是互相排斥的。一个公司可以同时属于多个类别。但我们必须区分：哪个是表层类别，哪个是底层类别；哪个决定收入，哪个决定护城河；哪个是现在，哪个是未来可能演化方向。

最后压缩：类别决定研究框架，层级决定观察尺度。

分错类别，就会用错尺子。层级太低，看不到系统；层级太高，看不到机制。本体论公司研究的第一项基本功，就是把对象放进正确类别，并能在不同层级之间来回切换。

第 8 章：状态与事件

如果说对象回答“有什么”，属性回答“它是什么样”，关系回答“它和谁连接”，那么状态与事件回答的是：它现在处于什么情况？什么会改变它？

这一步非常重要，因为真实世界不是静态的。

公司、客户、产品、订单、风险、合同、模型、组织，都不是固定不变的对象。它们会进入不同状态，也会被事件触发变化。只看静态对象，会低估系统运行；看懂状态和事件，才开始接近真实商业。

状态就是对象在某个时间点的情况。

比如客户对象可以有很多状态：潜在客户、试用中、活跃使用、深度依赖、低频使用、即将流失、已流失、重新激活。

订单对象可以有状态：待确认、已付款、生产中、运输中、延误、已交付、退货。

软件任务可以有状态：待处理、进行中、阻塞、测试中、已上线、回滚。

风险对象可以有状态：低风险、中风险、高风险、已触发、已处置、复盘中。

模型能力也可以有状态：不可用、勉强可用、可辅助、可独立完成、可规模化部署。

状态看起来只是标签，但它决定行动。一个客户处于“试用中”和“深度依赖”状态，公司应该采取完全不同的动作。一个库存处于“正常”和“临界不足”状态，供应链系统要触发不同流程。一个 AI 输出处于“未经验证”和“已通过测试”状态，能不能进入生产环境也完全不同。

事件则是改变状态的动作或发生的事情。

客户签约是事件，导致客户状态从潜在客户变成付费客户。客户连续 30 天未使用是事件，可能导致状态变成流失风险。代码通过测试是事件，让任务状态从开发中变成可上线。监管政策变化是事件，可能改变公司业务边界。模型成本下降是事件，可能改变产品商业模式。

状态与事件的组合，是企业系统运行的基本语法。

Palantir 的 ontology 为什么重要？因为它不是只保存对象清单，而是让企业看见对象状态和事件变化。对于军队来说，某个单位在哪里、装备是否可用、任务是否完成、风险是否升高，这些都是状态；情报更新、补给延误、目标移动、命令下达，都是事件。系统必须理解状态和事件，才能支持行动。

对公司研究来说，状态变化比静态数据更重要。

很多财务数据是状态快照，比如某个季度收入、毛利率、现金余额。它们有用，但不够。真正要看的是状态如何变化：客户从试用到活跃的转化率如何？活跃客户是否变成核心依赖？产品是否从边缘工具进入核心工作流？模型能力是否从演示可用变成生产可用？组织是否从创业团队状态进入规模化管理状态？

状态迁移比状态本身更有信息量。

比如一个 AI 产品有很多注册用户，这只是状态。更关键是这些用户是否从尝鲜状态迁移到日常使用状态，再迁移到工作流依赖状态。如果不能迁移，用户数只是噪音。如果能迁移，商业模式才开始成立。

研究 Anthropic 的 coding 方向也一样。不能只看 Claude Code 发布了什么功能，而要看开发者任务状态是否被改变：过去需要人工写、调试、测试的任务，现在是否被模型部分接管？企业研发流程是否从“人写代码、AI 辅助”迁移到“AI 生成、人审核、系统验证”？这种状态迁移才是商业价值。

状态与事件还帮助我们识别飞轮。

飞轮不是一句“越用越强”。它必须表现为一系列状态变化和事件循环：用户开始使用；

使用产生真实任务数据；

数据或反馈被系统吸收；

产品能力提升；

用户使用频率加深；

客户状态从边缘使用变成核心依赖；

更多客户被吸引；

比如我们判断一家公司正在变强，应该能看到什么状态变化？客户是否变得更依赖？续约是否改善？使用频率是否提高？产品是否进入更核心流程？竞争对手是否更难替代？组织是否能承载更大规模？

如果这些状态没有变化，增长可能只是短期销售推动，不是系统增强。

本体论公司研究可以固定问：这个对象有哪些关键状态？

最后压缩：对象告诉我们看什么，状态告诉我们现在怎样，事件告诉我们为什么会变。

公司研究不能只看对象清单和财务快照，要看对象状态如何迁移，以及公司是否拥有触发关键状态变化的能力。

第 9 章：规则与约束

对象世界要能运行，不能只有对象、属性、关系和状态，还必须有规则与约束。

规则回答：在什么条件下，会发生什么动作或结果。

约束回答：哪些事情不能做，或者只能在特定条件下做。

没有规则，对象世界只是地图；有了规则，地图才变成系统。

比如在企业里，一个订单对象不是想改就改。谁能改？什么时候能改？改了以后是否需要审批？是否影响库存、收入确认、客户承诺和财务报表？这些都是规则和约束。

一个风险对象也不是随便标记。什么指标超过阈值算高风险？谁负责处置？多久必须响应？是否触发上报？是否影响权限？这些规则决定了系统能不能运转。

AI 要进入企业，最大难点之一就是规则与约束。普通聊天模型可以回答问题，但企业 AI Agent 如果要行动，必须知道它能动什么对象、不能动什么对象、什么动作需要审批、什么数据不能访问、什么状态不能跳过。

这就是为什么本体论在企业 AI 里重要。它不仅定义对象和关系，还必须连接权限、流程、规则和约束。否则 AI 只能停在建议层，不能进入操作层。

规则一般有几种类型。

第一种是业务规则。

比如客户信用不足不能发货；库存低于安全线触发补货；合同金额超过某个阈值需要高级审批；某类客户只能使用某类服务。业务规则把现实经验固化进系统。

第二种是权限规则。

谁能看什么数据，谁能修改什么对象，谁能批准什么动作，谁能把 AI 输出推到生产环境。权限规则决定系统安全边界。

第三种是流程规则。

任务必须按什么顺序推进，哪些状态不能跳过，哪些事件必须记录，哪些动作必须通知相关人。流程规则决定组织协作。

第四种是合规规则。

哪些数据不能跨境，哪些客户需要 KYC，哪些行业受监管限制，哪些模型输出必须留痕。合规规则决定公司能不能长期运行。

第五种是经济规则。

价格如何计算，成本如何分摊，收入何时确认，佣金如何发放，激励如何触发。经济规则会改变人的行为。

第六种是系统约束。

算力、延迟、可靠性、数据质量、接口限制、组织规模，都是约束。约束不是坏事，它让系统更真实。没有约束的分析往往是空想。

研究公司时，规则与约束经常被忽略。很多商业叙事说得很漂亮，但一进入规则层就破了。

比如一个 AI 产品声称可以替代企业员工完成复杂任务。但企业真实规则是：关键动作需要权限，敏感数据不能外流，决策需要审计，错误需要追责，流程不能跳过。如果产品不理解这些规则，就很难进入核心工作流。

再比如一个平台声称能撮合供需。但如果交易规则不清，责任归属不清，纠纷处理不清，信用约束不强，平台就很难长期稳定。

规则与约束也是护城河的一部分。

Apple 的生态强，不只是因为产品好，还因为它定义了开发者规则、应用审核规则、支付规则、隐私规则和系统权限规则。规则定义权就是权力。

Amazon 的强大，也来自规则系统：卖家如何上架、物流如何履约、广告如何竞价、评价如何影响排序、Prime 如何改变用户行为。它不是简单商城，而是一套规则驱动的交易系统。

Palantir 的价值更明显。企业客户的对象世界里，权限、责任、流程、合规非常复杂。Palantir 如果能把这些规则和对象模型连起来，就不仅是数据平台，而是行动系统。

J 系统做本体论公司研究时，要固定检查规则层：这个公司的产品是否理解客户真实业务规则？

它是否拥有规则制定权，还是只能服从别人的规则？

规则与约束还有一个很重要的反演用途：判断故事能不能落地。

一个商业模式，如果只在“没有约束”的世界里成立，就不是真商业模式。真正的公司必须在成本、权限、监管、客户流程、组织能力、技术限制中运行。约束越真实，分析越可靠。

所以，规则与约束不是细节，而是现实世界的骨架。

最后压缩：规则让对象世界可运行，约束让对象世界保持真实。

没有规则，AI 不能行动；没有约束，商业分析会变成幻想。研究公司，必须问：它不仅知道对象是什么，还知道什么能做、什么不能做、什么条件下可以做吗？

第 10 章：语义与推理

本体论的核心不仅是对象和关系，还包括语义与推理。

语义回答：这些词到底是什么意思？

推理回答：在这些对象、关系、规则之上，我们能推出什么？

这两个东西非常关键。因为很多系统看起来有数据、有字段、有流程，但语义不一致，推理就会错。

比如“客户”这个词，在销售部门可能指潜在客户，在财务部门可能指已付款客户，在产品部门可能指实际使用者，在法务部门可能指合同主体。如果一个企业系统不统一“客户”的语义，后面的数据分析、AI 推理、流程自动化都会出问题。

再比如“收入”这个词，可以是签约金额、确认收入、现金收入、经常性收入、净收入。不同语义混在一起，会导致严重误判。

公司研究里也一样。很多争论不是事实分歧，而是语义分歧。

比如“平台”是什么意思？有人把有很多用户的产品叫平台；有人把多边网络叫平台；有人把开发者生态叫平台；有人把基础设施叫平台。如果语义不清，讨论就会乱。

“护城河”也是这样。有人把规模大叫护城河，有人把品牌强叫护城河，有人把短期领先叫护城河。但从本体论看，护城河应该定义为：关键对象关系难以被竞争对手重构。这个语义一清楚，很多伪护城河就会暴露。

语义一致，是推理的前提。

推理不是神秘能力。它本质上是在对象、属性、关系、状态、规则之间做连接。

比如：如果一个产品进入客户核心工作流；

如果客户每天高频使用；

如果使用产生高质量数据；

如果数据能改善产品；

如果替换产品会打断客户流程；

那么我们可以推理：这个产品可能有较高切换成本和反馈飞轮。

这就是推理。

再比如：如果一个 AI 产品只在演示中表现好；

但不能处理客户权限、数据安全、流程规则；

也不能进入生产环境；

客户使用后没有持续反馈；

那么我们可以推理：它更可能是 demo 产品，而不是企业级工作流产品。

语义越清楚，推理越稳。

Palantir 的 ontology 之所以重要，一个原因就是它为企业建立共享语义层。不同系统、部门、数据源里的信息，可以映射到同一个对象世界。这样，人和 AI 才能围绕同一套对象语言工作。

没有语义层，AI 可能会看似聪明，实际乱连。它不知道“订单完成”在这个企业里到底意味着发货、签收、收款，还是收入确认；不知道“高风险客户”是信用风险、合规风险、流失风险，还是操作风险；不知道“负责人”是审批人、执行人、销售 owner，还是法律责任人。

企业 AI 的真正难点，不是模型不会说话，而是模型是否理解企业语义。

公司研究也要建立自己的语义纪律。每次用一个关键词，都要尽量定义清楚。

比如：“入口” = 用户高频开始任务的位置，不只是流量大；

“平台” = 连接多方对象并定义规则的系统，不只是用户多；

“工作流” = 用户完成任务的连续动作链，不是单点功能；

“商业模式” = 对象关系如何创造、捕获并增强价值，不只是收费方式；

“护城河” = 关键对象关系难以被重构，不是短期领先；

“AI Agent” = 能在对象世界中感知状态、调用工具、遵守规则并改变对象状态的系统，不只是聊天机器人。

定义语义，是为了后续推理不乱。

推理还需要可证伪。好的推理不是漂亮解释，而是能指出如果哪些对象关系不存在，判断就错了。

比如我们说 Anthropic 的 coding 工作流可能形成飞轮，就必须能被证伪：如果 Claude Code 没有高留存，不能进入真实工程流程，客户反馈不能改进模型，企业不愿为生产力付费，那这个飞轮判断就要降级。

这就是本体论推理和普通故事的区别。普通故事只讲“听起来合理”；本体论推理要说明“对象、关系、规则、状态如何连起来，以及哪里会断”。

J 系统以后做公司研究，可以固定使用这个推理格式：定义关键概念语义；

列出核心对象；

标注关键属性；

画出对象关系；

识别状态变化；

加入规则与约束；

推出商业判断；

给出反证条件。

最后压缩：语义让对象世界不混乱，推理让对象世界产生判断。

没有语义，数据越多越乱；没有推理，本体论只是图谱。真正有用的本体论，是能在清楚语义之上，推出可验证、可反证的判断。

第 11 章：本体论、知识图谱与数据库的区别

学本体论时，很容易把它和数据库、知识图谱混在一起。三者确实有关，但不是一回事。

最简单的区分是：数据库保存数据，知识图谱保存实体关系，本体论定义对象世界的语义、类别、规则和约束。

数据库更像仓库。它关心数据如何存储、查询、更新。比如客户表、订单表、产品表、交易记录、日志数据。数据库很重要，但数据库本身不一定理解这些数据是什么意思。

知识图谱更像关系网络。它关心实体之间的连接。比如某个人属于某家公司，某家公司投资了另一家公司，某个产品使用某项技术，某个客户购买某个服务。知识图谱比数据库多了关系表达，但它也未必完整定义规则、权限、状态和操作逻辑。

本体论更像世界模型。它不仅问有哪些实体和关系，还问：这些对象属于什么类别？哪些属性重要？关系是什么意思？状态如何变化？什么规则约束操作？哪些推理成立？谁能改变对象？改变后触发什么流程？

这就是为什么 Palantir 的 ontology 不是普通数据库，也不是普通知识图谱。

如果只是数据库，Palantir 的价值就是把不同系统的数据接在一起。但现实中，企业早就有很多数据仓库、BI 工具、数据湖。问题不是没有数据，而是数据和现实行动之间断开。

如果只是知识图谱，Palantir 的价值就是把实体关系画出来。但企业真正需要的不只是“知道谁和谁有关”，而是能围绕对象状态做决策、分配权限、触发工作流、执行行动。

Operational ontology 的关键在 operational。它不是静态知识结构，而是能服务行动的对象系统。

比如在供应链场景中：数据库可以记录订单、库存、供应商、运输路线。

知识图谱可以显示某个订单依赖某个供应商，某个供应商位于某个地区，某条路线经过某个港口。

本体论则要进一步定义：订单是什么状态？库存低到什么程度触发风险？谁有权限更换供应商？替代路线会影响哪些客户承诺？如果延误超过某个阈值，系统应该通知谁？AI 可以建议什么，不能自动执行什么？

这就是差异。

公司研究里，也不能把“有数据”误判成“理解对象”。很多公司说自己有大量数据，但数据本身不是护城河。关键是：数据是否映射到关键对象？是否有语义？是否能更新状态？是否能触发行动？是否能改进产品？是否有权限和规则保护？

同样，也不能把“有知识图谱”误判成“有本体论”。知识图谱如果只是实体关系展示，可能只是高级地图。本体论必须更进一步：它要定义对象类别、属性、状态、规则、约束、推理和操作。

AI 时代，这个区别会越来越重要。

大模型可以生成语言，但要进入企业，就必须接入真实对象世界。企业不能让 AI 在一堆无语义的数据表里随便猜，也不能只给 AI 一张静态关系图。AI 需要知道对象是什么、状态是什么、能做什么、不能做什么、改了以后影响谁。

所以，企业 AI 的落地路径很可能是：数据层 → 语义层 → 对象层 → 工作流层 → 行动层。

数据库主要在数据层。知识图谱主要在语义关系层。本体论则跨越对象层、规则层和工作流层。它让 AI 从“读数据”走向“理解业务对象”，再走向“安全行动”。

这对公司研究也有启发。以后看 AI 企业软件公司，不要只问它有没有数据接入、有没有大模型、有没有智能问答，而要问：它有没有定义客户真实对象？

如果没有，它可能只是“数据 + 聊天”；如果有，它才可能成为企业 AI 的操作层。

我们也可以用一个比喻收束：数据库像仓库，东西放得整齐；

知识图谱像地图，告诉你谁和谁连接；

本体论像操作系统，定义对象、规则、权限和行动方式。

当然，这个比喻不完美，但够用。

最后压缩：数据库让数据可存取，知识图谱让关系可看见，本体论让对象世界可理解、可推理、可操作。

公司研究里，如果一家公司只拥有数据，不等于拥有本体论；只画出关系，不等于能改变现实工作流。真正值钱的是：它是否把客户现实世界变成了一个可以被人和 AI 共同操作的对象系统。

第三部分：本体论与系统论

第 12 章：本体论和系统论的区别

学到这里，我们已经有了本体论的基本构件：对象、类别、属性、关系、边界、状态、事件、规则、语义和推理。现在要把它和 J 系统里长期重视的系统论接起来。

本体论和系统论很容易混在一起。它们都在帮助我们理解复杂世界，也都关心对象之间的关系。但两者的核心问题不一样。

本体论回答：这个世界由什么构成？

系统论回答：这些东西如何相互作用、运行、反馈、失控和进化？

一句更短的压缩是：本体论定义世界，系统论解释运行。

本体论更像是在建立一张高质量的对象地图。它问：有哪些对象？对象属于什么类别？有什么属性？边界在哪里？对象之间是什么关系？状态如何定义？规则是什么？

系统论更像是在观察这张地图怎么动起来。它问：对象之间的作用如何形成反馈？哪个变量是杠杆点？哪里有延迟？哪里有正反馈放大？哪里有负反馈稳定？系统为什么会失控？为什么好意图会产生坏结果？

如果只有本体论，没有系统论，我们会得到一个静态图谱。它可能很清楚，但不一定能解释变化。

如果只有系统论，没有本体论，我们会得到很多抽象机制，比如反馈、延迟、耦合、涌现、非线性，但可能不知道具体对象是什么，容易变成大词套大词。

真正有用的是把两者合起来：先用本体论看清对象世界，再用系统论解释对象之间如何运行。

举一个简单例子：公司管理。

本体论会先定义公司里有哪些对象：员工、岗位、任务、流程、指标、客户、产品、合同、权限、激励、会议、反馈、管理者、组织文化。

系统论会进一步问：这些对象如何相互作用？指标如何改变员工行为？激励如何放大短期主义？流程如何制造延迟？权限如何影响责任？客户反馈如何传回产品？管理者的注意力如何成为稀缺资源？

如果只看本体论，你可能列出一套公司对象清单，但不知道为什么公司会内耗。如果只看系统论，你可能说“组织反馈失灵”，但说不清到底哪个对象、哪条关系、哪个状态出问题。

公司研究也是一样。

研究 Palantir，本体论先帮助我们定义：Palantir 不是普通数据软件，而是帮客户建立企业对象世界的平台。它处理的对象包括资产、任务、风险、权限、工作流、数据源、行动者和决策节点。

系统论接着解释：这些对象如何形成反馈？客户使用越深，业务对象越完整；对象越完整，AI 越能行动；AI 越能行动，客户工作流越依赖；依赖越深，切换成本越高；切换成本越高，Palantir 的商业模式越稳。

这时我们才真正理解它。

再看 Anthropic。本体论会问：Anthropic 到底是什么对象？模型公司、coding 工作流公司、frontier AI lab，还是组织发明？它的核心对象包括模型、开发者、企业客户、代码任务、算力、研究员、反馈数据、组织文化。

系统论会问：coding 工作流是否形成反馈飞轮？开发者使用是否带来真实反馈？模型进步是否提高使用频率？组织文化是否降低内耗并提高人才留存？算力瓶颈是否限制增长？OpenAI 追赶是否打断正反馈？

你看，本体论负责拆对象，系统论负责看运行。

这两个工具结合起来，可以避免两种常见误判。

第一种误判，是“对象清单误判”。分析者列出很多东西，以为自己理解了公司：产品、客户、收入、团队、市场、竞争。但如果不看这些东西如何反馈和变化，就只是静态清单。很多尽调报告很厚，但没有系统判断，就是这个问题。

第二种误判，是“机制空转误判”。分析者说很多系统词：飞轮、网络效应、生态、平台、反馈、复利。但如果不具体定义对象和关系，这些词就变成漂亮话。很多商业分析写得很高级，但落不到可验证对象，也是这个问题。

J 系统要避免这两种误判。正确顺序应该是：先用本体论定义对象；

再用系统论连接关系；

再看反馈和状态变化；

最后才形成商业判断。

我们可以把它压成一个公式：本体论 + 系统论 = 可运行的对象世界。

本体论让世界可识别，系统论让世界可解释。前者解决“看见什么”，后者解决“为什么这样运行”。

在公司研究中，二者的分工可以更明确：本体论：这家公司是什么？服务什么对象？改变什么关系？边界在哪里？

系统论：这些关系如何反馈？哪些变量会放大？哪些延迟会导致误判？系统如何失控？

投资判断：这种对象关系和反馈机制能否长期创造价值、捕获价值，并抵抗竞争？

最后压缩：本体论是公司研究的骨架，系统论是公司研究的动力学。没有骨架，机制会空；没有动力学，骨架会死。

第 13 章：从对象关系到系统反馈

本体论讲关系，系统论讲反馈。两者之间的桥，就是“对象关系如何反复作用并改变系统状态”。

一个关系如果只是一次性连接，商业价值有限。真正重要的是关系能不能形成反馈回路。

反馈回路的意思是：一个动作产生结果，这个结果又反过来影响下一轮动作。

比如客户使用产品，这是关系。客户使用产生数据，数据改进产品，产品变好后吸引更多客户，这是反馈。关系变成反馈，系统才开始有复利。

公司研究里，我们经常听到“飞轮”。但飞轮不能只当口号。一个飞轮必须回答四个问题：哪些对象参与？

以 Anthropic 的 coding 方向为例。

参与对象包括：模型、开发者、代码任务、真实工程环境、反馈数据、训练系统、企业客户、算力、产品界面。

关系是：开发者用模型完成代码任务；模型在真实工程环境中暴露能力边界；用户行为和结果形成反馈；反馈被产品和训练系统吸收；模型 coding 能力提高；能力提高带来更多开发者使用；更多使用带来更多反馈。

这就是一个可能的反馈回路。

但我们还要问：这个反馈是否真的闭合？企业客户是否允许反馈进入训练？反馈质量是否足够高？模型能力提升是否真的来自用户反馈，而不是主要来自预训练和算力？开发者使用是否高频、深度、稳定？如果这些条件不成立，飞轮就会弱很多。

所以系统反馈不是信仰，要有传感器。

正反馈是系统里最容易制造巨大公司的机制之一。它的特点是：越强越强。

网络效应是正反馈：用户越多，其他用户越愿意加入。数据飞轮是正反馈：使用越多，数据越多，产品越好，使用更多。规模经济也是正反馈：产量越大，单位成本越低，价格或利润越有优势，进一步扩大规模。

但正反馈也容易被误判。不是所有增长都是正反馈。销售砸钱带来的客户增长，不一定增强产品；补贴带来的交易增长，不一定增强网络；媒体热度带来的用户，不一定提高留存。

真正的正反馈必须让系统能力增强，而不只是让指标变大。

负反馈则是稳定机制。它的特点是：偏离被拉回。

公司管理中，预算控制、风险管理、质量检查、客户投诉处理、监管合规，都是负反馈。负反馈不一定让公司高速增长，但能防止失控。

很多高增长公司崩溃，不是没有正反馈，而是缺少负反馈。增长飞轮跑得很快，但风险、成本、质量、组织复杂度没有被及时拉回，最后系统失稳。

这对 AI 公司尤其重要。模型能力、用户增长、算力投入、资本市场预期，可能形成强正反馈。但安全、成本、可靠性、监管、组织复杂度，需要负反馈。如果只有正反馈，没有负反馈，系统可能爆炸式增长，也可能爆炸式失控。

Palantir 的本体论价值，也可以从反馈角度理解。它帮助客户建立对象世界，不只是为了看清楚，而是为了形成更快、更真实的反馈。一个企业如果不知道库存真实状态、任务真实进度、风险真实位置，就没有反馈。没有反馈，决策只能靠汇报和猜测。

本体论把对象状态显性化，系统论把状态变化纳入反馈回路。

例如供应链系统：对象包括供应商、订单、库存、运输路线、客户承诺、替代方案。

状态包括库存水平、订单进度、路线风险、供应商可用性。

事件包括延误、需求变化、港口拥堵、供应商中断。

反馈是：风险事件改变对象状态，系统识别影响范围，触发替代方案，执行后更新状态，再继续监控。

这才是可运行系统。

公司研究中，我们可以用“反馈回路检查清单”：哪个对象状态被改变？

反馈不是越多越好，而是越真实、越快、越可操作越好。

很多互联网公司有大量用户数据，但反馈质量不一定高。用户点击可以优化推荐，但未必能提高真实价值。AI 公司有大量对话数据，也不一定能改进高价值任务能力。企业软件如果进入核心工作流，获得的反馈可能少但质量高。

这就是为什么 coding 重要。代码任务结果相对可验证，反馈周期短。能不能运行、测试是否通过、错误在哪里，都比普通文本任务更明确。这种反馈质量高，才可能形成更强学习回路。

最后压缩：关系是连接，反馈是连接反过来改变系统。

公司研究不能只问“谁和谁连接”，还要问“这种连接是否会反过来增强公司能力”。只有关系，没有反馈，是静态结构；有反馈，而且反馈真实、快速、可重复，才可能形成复利。

第 14 章：复杂系统中的对象变化

本体论容易给人一种静态感觉：对象、类别、属性、关系、边界，好像都可以被稳定定义。但真实复杂系统里，对象会变化，关系会重组，边界会移动，类别也会升级或失效。

这正是本体论必须和系统论结合的原因。

在复杂系统中，对象不是永远固定的。一个对象可能从工具变成平台，从产品变成入口，从公司变成生态，从数据集合变成操作系统。公司战略的本质，很多时候就是重新定义自己和客户世界里的对象关系。

比如 Amazon 一开始是在线书店。按照早期对象定义，它的核心对象是书、消费者、订单、仓库、网站。但随着系统演化，它变成电商平台，核心对象增加了第三方卖家、物流网络、评价系统、广告位、会员关系。后来 AWS 出现，它又变成云基础设施公司，核心对象变成计算资源、开发者、企业客户、API、数据中心、生态伙伴。

如果分析者一直把 Amazon 定义为“网上卖东西的公司”，就会错过对象本体的演化。

Apple 也是一样。它不是一直保持“硬件公司”这个对象定义。iPod 时代是设备 + 内容分发；iPhone 时代是个人计算入口；App Store 之后是开发者生态和应用分发平台；服务收入增长后，又多了一层高毛利服务系统。对象边界在不断扩张。

AI 时代这种对象变化会更快。

一个模型公司可能先是 API 公司，后来变成开发者平台，再变成企业工作流系统，再变成 agent 操作层。一个聊天产品可能先是消费应用，后来变成搜索入口、内容生成入口、办公入口、软件操作入口。类别会变，边界会变，竞争对手也会变。

复杂系统中的对象变化有几种典型形式。

第一种，是对象升级。

一个单点工具升级为工作流工具，一个工作流工具升级为平台，一个平台升级为操作系统。升级的标志不是公司自己宣传，而是它连接的对象更多、关系更深、规则定义权更强、客户状态更依赖。

第二种，是对象降级。

一个曾经的入口可能被新入口架空，一个平台可能退化为普通工具，一个品牌可能失去默认选择地位。对象不是只会升级，也会被系统重构而降级。

第三种，是对象合并。

原来分散的对象被一个新系统整合。比如手机把相机、音乐播放器、电话、地图、支付、社交入口合并到一个设备里。AI Agent 可能把搜索、写作、代码、办公、数据分析、流程操作部分合并到一个智能工作界面中。

第四种，是对象分裂。

一个原本统一的对象被拆开。比如传统电视被拆成硬件屏幕、流媒体内容、广告网络、订阅服务、推荐算法。传统银行被拆成支付、借贷、理财、风控、账户、身份等多个对象。

第五种，是边界迁移。

原来属于客户内部的能力，被 SaaS 公司拿走；原来属于软件公司的能力，被云平台吸收；原来属于人类专家的能力，被 AI 系统部分接管。边界迁移会改变价值归属。

第六种，是关系重组。

对象没变，但关系变了。比如用户还是用户，内容还是内容，但从搜索分发变成推荐分发，整个商业模式就变了。企业还是企业，软件还是软件，但从人操作软件变成 AI 操作软件，工作流关系也会改变。

公司研究必须关注这些变化。

很多投资误判来自把过去的对象定义固定化。一个公司过去是什么，不代表未来还是什么。一个行业过去的价值链边界，不代表 AI 时代还一样。真正重要的是识别对象是否正在发生本体变化。

Palantir 的研究价值就在这里。它提示我们：企业软件可能不再只是功能模块，而是企业对象世界的建模层和行动层。如果这个变化成立，企业软件的本体会改变。

Anthropic 也类似。如果它只是模型 API 公司，竞争会非常激烈；如果它变成 coding 工作流公司，边界更深；如果它进一步成为企业研发系统里的 agent 操作层，价值又不同。

对象变化还要求我们区分“名称不变”和“本体已变”。

比如“搜索”这个词可能还在，但 AI 搜索和传统关键词搜索的对象关系完全不同。传统搜索连接的是用户查询、网页、广告关键词；AI 搜索连接的是用户意图、答案生成、工具调用、任务完成、可信来源。名称相同，本体不同。

“办公软件”也可能名称不变，但如果 Copilot 或 Agent 深度嵌入，Office 的本体可能从文档工具变成知识工作操作层。

J 系统做公司研究时，要固定问：这个公司当前被定义为什么对象？

复杂系统里的对象变化，也提醒我们不要过度自信。对象正在变的时候，早期信号常常模糊。我们不能因为有一个漂亮新定义，就认为它已经完成转变。必须看状态迁移证据：客户行为是否改变，收入结构是否改变，工作流是否改变，组织能力是否匹配，竞争边界是否改变。

最后压缩：复杂系统里，对象不是静态名词，而是会随关系、边界和反馈一起演化的结构。

公司研究的高阶能力，不只是定义公司是什么，而是看出它正在变成什么，以及这种变化是否有证据支撑。

第 15 章：失控、误判与对象定义错误

本体论和系统论结合起来，最有价值的地方之一，是帮助我们识别失控和误判。

很多系统失控，不是因为人不努力，也不是因为数据不够，而是因为对象定义错、关系判断错、边界画错、反馈看错。

如果一开始把对象看错，后面的系统运行分析都会偏。

第一种常见错误，是把错对象当成关键对象。

比如研究一家企业软件公司，分析者把“功能数量”当成关键对象，但真正关键的对象可能是客户工作流、权限系统、数据语义和组织决策节点。功能越多，不一定价值越大；如果没有进入关键工作流，功能只是堆积。

研究 AI 公司时，也容易把模型榜单当成关键对象。但真正关键的可能是任务完成率、客户使用深度、反馈质量、部署约束、单位经济模型和组织执行力。模型能力重要，但不是唯一对象。

第二种错误，是把表层关系当成因果关系。

比如看到用户增长和收入增长同时发生，就以为用户增长导致收入增长。但可能真正原因是补贴、渠道推广、宏观周期或一次性大客户。表层相关不等于因果关系。

本体论要求我们问：哪些对象之间真的有因果连接？系统论要求我们问：这个连接是否形成稳定反馈？

第三种错误，是把静态属性当成动态机制。

比如说一家公司“有大量数据”，这是静态属性。但数据是否能进入产品改进，是否能形成反馈，是否有权限使用，是否有质量，是否独占，才是动态机制。没有机制，数据只是资产负债表外的故事。

同样，说一家公司“有很多用户”也是静态属性。用户是否高频、是否付费、是否产生网络效应、是否形成切换成本，才是机制。

第四种错误，是把收入模式当成商业模式。

一家公司按订阅收费，不代表它有 SaaS 护城河；按 API 收费，不代表它有平台能力；做广告变现，不代表它有入口控制力。收入模式只是钱流，商业模式是对象关系如何创造价值、捕获价值并增强系统。

这点在 AI 公司里特别重要。很多模型公司都可以按 token、订阅、API 或企业合同收费。但真正差异在于：它是否进入真实工作流，是否能交付可验证结果，是否能吸收反馈，是否能形成能力复利。

第五种错误，是把数据集合当成操作系统。

很多公司有数据平台，有 dashboards，有 BI，有数据湖，但这不等于它拥有客户对象世界。操作系统必须定义对象、关系、权限、状态、规则和行动。只看数据，不看对象和工作流，会高估很多数据公司的价值。

第六种错误，是把组织口号当成组织机制。

文章讲 Anthropic 的文化，但我们不能只听文化叙事。真正要看组织对象关系：人才是否留存，团队是否低内耗，关键资源如何分配，创始人是否能 say no，使命是否真的改变决策，治理结构是否支持长期目标。文化如果不能体现在对象关系和状态变化里，就是口号。

本体论帮助我们把误判拆回底层：到底哪个对象、关系、属性、边界、状态或规则被误读了。

系统论帮助我们继续追问：这个误读会如何扩散？会形成什么坏反馈？会在哪个延迟后暴露？

举个例子，假设一家公司把自己定义成平台，但实际上只是工具。这个对象定义错误会带来一串连锁误判：管理层按平台投入生态，投资者给平台估值，组织开始扩张多边业务，成本上升，但用户之间没有真实网络效应，最后增长放缓、估值压缩、组织失控。

这就是对象定义错误导致系统失控。

再比如，一个 AI 公司把自己定义为“企业 Agent 平台”，但实际上没有权限系统、规则理解、工作流嵌入和审计能力，只是聊天 + 工具调用。这个本体定义过高，会导致产品承诺超过能力，客户试点后难以生产部署，销售周期拉长，收入质量下降，市场叙事破裂。

本体论公司研究要做反演：如果这家公司失败，最可能是哪个对象不存在？

J 系统一直强调“不解难题”“避开/趋向”“不内耗”。在公司研究里，本体论也服务这个原则。它不是让我们更复杂，而是帮我们早一点看清：这个问题到底是不是同一个对象？这个机会是不是真机会？这个飞轮是否真闭合？这个护城河是不是叙事？

如果对象定义阶段就发现不清楚，就不要急着做复杂估值。先退回来定义对象。否则很容易在错误对象上做精细分析。

最后压缩：很多误判不是答案错，而是对象错。很多失控不是执行错，而是边界、关系和反馈定义错。

本体论负责防止我们一开始看错东西，系统论负责防止我们低估错误如何扩散。两者合起来，是公司研究里的反误判工具。

第四部分：Palantir 与企业本体论

第 16 章：Palantir 的 ontology 到底是什么

Palantir 的 ontology，不能简单理解成“知识图谱”，也不能只理解成“数据模型”。如果这样理解，会把它看浅。

更准确地说，Palantir 的 ontology 是一套企业现实世界的对象模型：它把一个组织里真实存在的人、物、流程、任务、权限、风险、资产、事件和决策，变成可以被软件和 AI 理解、连接、推理、操作的对象系统。

传统数据平台常常从数据开始：这个系统有什么表，那个系统有什么字段，哪些数据要打通，哪些报表要展示。Palantir 更深一层的问题是：这些数据背后对应的真实对象是什么？订单是什么？库存是什么？风险是什么？客户是什么？任务是什么？谁有权限操作？什么状态下触发什么动作？

这就是从 data integration 到 operational ontology 的变化。

数据整合解决的是“数据在哪里”。本体论解决的是“这些数据代表什么真实对象，以及这些对象能如何被行动”。

举一个供应链例子。普通数据平台会把供应商、订单、库存、运输、财务数据接进来，做成看板。管理者可以看到库存多少、订单多少、延误多少。但 Palantir 式 ontology 会进一步定义：某个订单对象依赖哪些供应商，经过哪些路线，影响哪些客户承诺，处于什么风险状态，有哪些替代方案，谁能批准修改，AI 能建议什么动作，动作执行后如何更新状态。

这不是报表，而是操作系统。

所以 Palantir 不是把数据“展示”出来，而是把客户组织的现实世界“对象化”。对象化之后，组织内部的人、软件和 AI 才能围绕同一个世界工作。

这点非常重要。很多企业的问题不是没有数据，而是数据和行动断开。销售系统、财务系统、库存系统、客服系统、生产系统各有一套语言。每个部门都说自己有数据，但没有一个统一对象世界。结果是：开会靠汇报，决策靠经验，执行靠人工协调，AI 只能在外围做问答。

Palantir 的 ontology 试图解决这个断裂。

它把分散系统里的数据映射到统一对象上。例如一个“客户”对象，可能同时连接 CRM、合同、财务、客服、物流、风险、产品使用数据。一个“飞机”对象，可能连接维修记录、零件库存、任务安排、飞行状态、风险事件、人员权限。一个“患者”对象，可能连接病历、检查、药物、医生、床位、保险和治疗路径。

一旦对象被统一，企业就不再只是查询数据，而是能理解对象状态，并围绕对象采取行动。

这就是 ontology 的核心：让企业现实世界变成可理解、可推理、可操作的对象系统。

它和知识图谱的区别在于，知识图谱常常停留在“谁和谁有关”。Palantir ontology 更强调 operational：谁能操作、操作什么、在什么规则下操作、操作后改变什么状态、如何反馈到系统。

它和数据库的区别在于，数据库保存数据，ontology 定义现实对象。数据库可以告诉你某个字段的值，ontology 要告诉你这个值属于哪个对象、意味着什么状态、影响哪些关系、触发什么行动。

它和普通业务流程软件的区别在于，流程软件通常固定流程，ontology 更接近企业对象层。流程是对象之间的一种运行方式，但 ontology 先定义对象世界，再让流程、权限、AI 和人围绕对象世界运行。

所以，如果用一句话定义 Palantir ontology：它是企业现实世界的数字对象层，把数据、业务、权限、工作流和 AI 行动连接到同一套对象模型里。

这也是为什么 Palantir 在 AI 时代突然变得更重要。因为 AI 如果只接数据库，很容易变成会说话的数据查询器；如果接入 ontology，AI 才知道自己面对的是什么对象、什么状态、什么规则、什么行动边界。

企业 AI 的难点不是模型会不会回答，而是它能不能在真实组织中安全、准确、可审计地行动。Palantir ontology 的意义，就在于给 AI 提供一个可行动的企业对象世界。

第 17 章：企业为什么需要本体论

企业为什么需要本体论？因为大组织的真实问题，常常不是“没有数据”，而是“没有共同对象世界”。

一个企业越大，系统越多，部门越多，流程越复杂，语言就越容易分裂。销售有销售的客户，财务有财务的客户，产品有产品的用户，法务有合同主体，客服有工单对象，风控有风险对象。每个部门都在说“客户”，但他们说的可能不是同一个东西。

这种语义分裂，会制造决策摩擦。

管理层问一个简单问题：这个客户到底健康吗？销售说客户关系很好，财务说回款慢，产品说使用率下降，客服说投诉变多，风控说风险升高。每个答案都可能是真的，但没有统一对象世界，这些信息无法自动合并成一个可行动判断。

本体论的价值，是把这些分散视角统一到同一个对象上。

企业不是一堆数据表，而是一组不断变化的对象：客户、订单、产品、库存、员工、任务、风险、合同、资产、权限、流程、事件。企业运行的本质，是这些对象之间不断发生关系、状态变化和反馈。

如果企业没有本体论，几个问题会反复出现。

第一，信息碎片化。

数据散在不同系统里，不同系统之间靠人工导出、Excel、会议和邮件连接。每个部门都看见局部，没人看见完整对象。

第二，语义不一致。

同一个词在不同系统里含义不同。比如“完成”到底是任务完成、客户验收、财务确认，还是合同结束？如果语义不一致，自动化和 AI 推理都会出错。

第三，责任不清。

对象状态出了问题，不知道谁负责。订单延误是销售、供应链、财务、供应商还是物流的问题？风险对象没有 owner，系统就无法闭环。

第四，权限混乱。

企业里的对象不是所有人都能看、都能改。谁能看到客户数据？谁能修改合同？谁能批准折扣？谁能让 AI 执行动作？没有权限模型，AI 不能安全进入核心业务。

第五，反馈太慢。

很多企业的问题不是没人知道，而是反馈链太长。前线发现问题，层层汇报，决策层看到时已经滞后。对象状态如果不能实时更新，管理就会靠延迟信号。

第六，AI 无法行动。

AI 可以读文档、回答问题，但如果不知道企业对象、状态、规则和权限，它不能真正执行工作。它不知道改哪个对象，触发什么流程，影响哪些部门，风险在哪里。

这就是企业需要本体论的根本原因：企业要把现实运行变成一个共享、可操作、可反馈的对象世界。

Palantir 的强项，正是把这种复杂现实落到系统里。

比如在国防场景里，企业对象换成作战对象：部队、装备、地点、目标、情报、任务、风险、补给、命令、权限。指挥系统需要知道的不只是数据，而是这些对象处于什么状态、彼此如何关联、哪个动作会改变局势。

在制造业里，核心对象是产线、机器、零件、供应商、订单、质量问题、维修任务、库存、交付承诺。管理者需要的是对象状态和行动方案，而不是孤立报表。

在医疗里，核心对象是患者、医生、病历、检查、药物、保险、床位、治疗路径、风险事件。AI 如果要辅助医疗系统，必须理解这些对象和规则。

企业本体论还有一个更深的作用：它让组织从“人脑协调”变成“系统协调”。

没有 ontology，很多协调靠资深员工的经验和关系网络。谁知道哪个系统有数据，谁知道哪个流程能绕，谁知道哪个人能批，谁知道哪个风险要提前处理。这些知识散在人脑里，很难规模化。

有了 ontology，至少一部分组织知识可以系统化：对象是什么，状态是什么，关系是什么，规则是什么，谁负责，下一步动作是什么。

这对 AI 时代尤其重要。因为 AI 只有接入系统化的组织知识，才能从“聪明助手”升级为“企业行动者”。

最后压缩：企业需要本体论，不是为了画漂亮图谱，而是为了让组织拥有一个共同的对象世界。

没有共同对象世界，数据会碎、语义会乱、责任会散、反馈会慢、AI 会停在外围。有了本体论，企业才有可能把数据、流程、权限、决策和 AI 行动连接成一个运行系统。

第 18 章：Palantir 如何把现实世界数字化

Palantir 把现实世界数字化，不是简单把纸质流程搬到线上，也不是把数据接进一个大屏。它真正做的是：把现实世界中的对象、关系、状态、规则和行动，映射到一个可运行的数字系统里。

这个过程可以拆成六步：对象定义、数据映射、关系建模、权限控制、工作流嵌入、决策闭环。

第一步，对象定义。

Palantir 首先要和客户一起定义：这个组织的真实世界里，到底有哪些关键对象？不同客户的对象完全不同。军队里是任务、单位、装备、目标、情报、补给；医院里是患者、医生、药物、病历、床位、检查；能源公司里是油井、设备、管道、维护任务、风险事件；供应链里是订单、供应商、库存、运输路线、客户承诺。

对象定义是最关键的一步。如果对象定义错了，后面数据再多也没有用。因为系统会围绕错误对象运行。

第二步，数据映射。

企业原有系统里有大量数据，但这些数据分散在 ERP、CRM、MES、财务系统、邮件、文档、传感器、日志、Excel 里。Palantir 要做的不是简单搬运数据，而是把数据映射到对象上。

比如某个客户对象，可能对应 CRM 里的销售记录、合同系统里的协议、财务系统里的回款、客服系统里的工单、产品系统里的使用数据。映射完成后，企业看见的就不再是一堆表，而是一个完整客户对象。

第三步，关系建模。

对象不是孤立的。订单依赖供应商，供应商影响库存，库存影响交付，交付影响客户承诺，客户承诺影响收入和信誉。Palantir 要把这些关系建出来。

关系建模决定系统能不能推理。如果系统知道一个供应商中断，会影响哪些订单、哪些客户、哪些收入、哪些替代路线，它就能支持决策。如果只是知道“供应商中断”这个数据点，价值就小很多。

第四步，权限控制。

企业对象不是所有人都能看、都能改。权限是企业本体论能否落地的关键。谁能查看敏感客户？谁能修改订单？谁能批准预算？谁能让 AI 执行动作？谁的操作必须留痕？

没有权限控制，系统不能进入核心业务，只能做外围分析。Palantir 强调 operational，就必须处理权限、审计、责任和合规。

第五步，工作流嵌入。

很多软件失败，是因为只提供看板，不进入工作流。员工看完数据，还要回到原来的系统里操作，最后软件变成另一个信息孤岛。

Palantir 的目标是嵌入客户工作流：当某个对象状态变化，系统能触发任务、建议行动、分配责任、更新状态。比如库存低于阈值，不只是展示红色预警，而是关联替代供应商、订单优先级、客户影响和审批流程。

第六步，决策闭环。

行动之后，系统要更新状态，记录结果，并形成反馈。决策不是一次性的，而是循环：看见状态，判断问题，采取行动，更新对象，观察结果，再修正。

这就是控制论意义上的闭环。

Palantir 的数字化，不是把现实世界复制到屏幕上，而是建立“现实—数据—对象—行动—反馈”的回路。

这和普通数字化有根本区别。

普通数字化常常是流程线上化：以前纸上审批，现在系统审批；以前人工报表，现在自动报表。它提高效率，但未必改变组织理解现实的方式。

本体论数字化则更底层：它重新定义组织看见什么对象、如何理解对象关系、如何分配权限、如何采取行动。它改变的是组织的感知和行动结构。

这也是为什么 Palantir 项目常常需要深入客户现场。因为对象不是凭空设计出来的，它来自真实业务。外部软件供应商如果不了解客户的任务、风险、权限、例外情况和组织语言，就很难建立可用 ontology。

这里也有一个潜在护城河：一旦 Palantir 帮客户建立了深度 ontology，它就不再只是软件供应商，而是客户组织运行模型的一部分。替换它，可能意味着重新定义对象、重做数据映射、重建权限、重建工作流、重新训练组织习惯。

但这也带来风险：项目复杂、交付重、规模化难、客户差异大。如果每个客户都需要大量定制，增长效率会受限制。Palantir 的长期关键，就是能不能把这些本体论建设能力产品化、模块化、可复用化。

最后压缩：Palantir 数字化现实世界的路径，不是数据上屏，而是对象定义、数据映射、关系建模、权限控制、工作流嵌入和决策闭环。

真正的企业数字化，不是让管理者看到更多数据，而是让组织围绕真实对象更快、更准、更安全地行动。

第 19 章：Ontology 与 AI Agent

AI Agent 要真正进入企业，必须站在 ontology 上。

原因很简单：Agent 不是聊天机器人。聊天机器人只需要回答问题，Agent 要感知状态、调用工具、执行动作、改变对象、承担结果。只要涉及行动，就必须知道自己在操作什么对象，遵守什么规则，影响哪些关系。

如果没有 ontology，企业 Agent 很容易变成“会说话但不能真正干活”的系统。

比如一个销售 Agent，如果只接入文档和 CRM 字段，它可以回答客户信息、总结会议、写邮件。但如果它要真正推进销售流程，就必须理解客户对象、联系人对象、合同状态、报价规则、折扣权限、审批流程、风险标记、下一步任务。否则它不知道什么能做，什么不能做。

一个供应链 Agent 也一样。它不能只说“库存有风险”。它要知道哪个库存对象、关联哪些订单、影响哪些客户、有哪些替代供应商、谁能批准调整、调整会影响什么成本和交期。

企业 Agent 的关键能力不是语言，而是对象操作。

这就是 ontology 的意义。它为 Agent 提供一个结构化世界：有哪些对象；

对象有什么属性；

对象处于什么状态；

对象之间有什么关系；

哪些事件会改变状态；

哪些规则约束行动；

哪些权限允许操作；

操作后如何反馈。

没有这套对象世界，Agent 只能猜。

大模型本身擅长语言和模式识别，但企业行动需要确定性、可审计、可追责。一个 Agent 不能因为“觉得可以”就修改合同，不能因为“推测风险低”就放行交易，不能因为“看起来合理”就改供应链计划。

它必须在规则内行动。

所以，未来企业 AI 的核心问题可能不是“哪个模型最聪明”，而是：哪个系统能让模型安全进入企业对象世界。

Palantir AIP 的意义就在这里。它不是简单给企业接入大模型，而是试图把 LLM 放在 ontology、权限、工具和工作流之上，让模型能理解企业对象，并在可控范围内采取行动。

这和普通 AI 应用有很大不同。

普通 AI 应用可能是：用户提问，模型回答。

企业 Agent 应该是：用户提出目标，Agent 识别相关对象，读取状态，理解规则，调用工具，生成方案，必要时请求审批，执行动作，更新对象状态，记录审计，继续反馈。

这就是从问答到操作的变化。

例如：用户说：“帮我处理这个订单延误。”

没有 ontology 的 AI 可能会写一封道歉邮件。

有 ontology 的 Agent 应该能识别：这是哪个订单对象，延误原因是什么，涉及哪个供应商、哪个客户、哪个合同承诺、哪个库存对象，有哪些替代路线，哪些动作需要谁批准，预计成本如何，客户影响如何，执行后更新哪些状态。

这就是企业 Agent 和聊天机器人的差距。

Ontology 还解决 Agent 的边界问题。Agent 最危险的地方，是能行动但边界不清。它可能访问不该访问的数据，执行不该执行的动作，跳过审批，错误理解状态，造成真实损失。

企业本体论必须和权限、审计、责任绑定。Agent 每一次行动，都应该能回答：操作了哪个对象？

从公司研究角度看，这会改变我们判断 AI 软件公司的方法。以后不能只看它有没有 Agent 概念，而要看它有没有对象层、权限层、工作流层和行动闭环。

很多所谓 Agent 公司，可能只是“模型 + 工具调用 + UI”。这类产品能做演示，但很难进入复杂企业核心系统。

真正强的企业 Agent 公司，需要理解客户对象世界，能接入业务系统，能处理规则和权限，能被审计，能长期嵌入工作流。

这也是 Palantir 的潜在优势。如果它已经在客户那里建立 ontology，那么接入 AI Agent 时，它比普通模型公司更接近行动层。模型公司有智能，但未必有企业对象世界；Palantir 有对象世界，再把智能接进去，就可能形成企业 AI 操作层。

当然，风险也在这里。Palantir 的 ontology 如果太重、太定制、太依赖交付团队，就可能限制扩张。模型公司和云平台也可能从另一侧切入，建立自己的语义层和工作流层。

所以判断不能停在口号，要看落地证据：Agent 是否真的操作对象？是否进入生产工作流？是否有权限控制？是否带来可衡量结果？客户是否扩大使用？

最后压缩：AI Agent 要从“会回答”变成“会行动”，必须站在 ontology 上。

模型提供智能，ontology 提供对象世界，权限和规则提供安全边界，工作流提供行动路径。四者合起来，企业 AI 才能真正落地。

第 20 章：Palantir 的商业模式新解释

如果用传统软件视角看 Palantir，很容易问：它到底是卖软件、卖平台、卖数据分析，还是卖咨询服务？这些问题都有道理，但还不够底层。

从本体论角度看，Palantir 的商业模式可以重新解释为：它帮助客户建立并运营一个企业对象世界，然后在这个对象世界上嵌入工作流、决策和 AI 行动。

这意味着 Palantir 卖的不是普通软件功能，而是客户组织的“可操作现实模型”。

普通软件卖功能。比如报表、协作、审批、搜索、自动化。

普通数据平台卖数据整合和分析能力。

Palantir 如果成功，卖的是更深一层：让客户知道自己的现实世界由哪些对象构成，这些对象处于什么状态，彼此如何影响，谁能操作，AI 如何参与行动。

大企业天然复杂。系统多、数据多、部门多、流程多、责任分散。Palantir 通过 ontology 把复杂性压到对象层，让组织围绕共同对象工作。这能减少信息摩擦和协调成本。

第二，提高决策速度。

如果管理者能看到真实对象状态和影响关系，就不必等层层汇报。系统可以更快识别风险、模拟方案、触发行动。

第三，进入核心工作流。

Palantir 的价值不在于让客户偶尔看报表，而在于嵌入任务、供应链、国防、制造、医疗、能源等核心工作流。进入越深，替换越难。

第四，形成高切换成本。

一旦客户的对象定义、数据映射、权限、流程、AI 行动都建在 Palantir 上，替换就不是换一个软件，而是重建企业对象世界。这种切换成本可能非常高。

第五，成为企业 AI 入口。

如果未来企业 AI 的关键是 Agent 进入真实工作流，那么谁掌握企业对象世界，谁就可能成为 AI 行动入口。Palantir 的 ontology 可能让它站在模型和企业现实之间。

这就是 Palantir 商业模式最值得研究的地方。

但我们也要保留反证。

第一，ontology 是否真的可规模化？

如果每个客户都需要大量人工定制，Palantir 的商业模式会更像高端服务 + 软件，而不是高扩展 SaaS。它可以很有价值，但估值框架要更谨慎。

第二，客户是否愿意把核心对象世界交给 Palantir？

越核心，价值越高，也越敏感。数据、权限、流程、AI 行动都关系重大。客户信任和合规约束会限制扩张速度。

第三，云厂商和模型公司是否会向下进入 ontology 层？

Microsoft、Google、Amazon、OpenAI 都可能通过企业软件、云、数据平台、Agent 框架，逐步建立自己的对象层。Palantir 的领先不等于永久垄断。

第四，Palantir 的对象世界是否足够产品化？

真正强的商业模式，需要在定制深度和产品复用之间找到平衡。如果太通用，解决不了复杂问题；如果太定制，规模效率受限。

第五，AI 是否会降低 ontology 构建成本？

如果大模型能自动理解企业系统并生成对象模型，Palantir 的部分交付优势可能被削弱。但反过来，也可能增强 Palantir，因为它可以用 AI 更快构建 ontology。

所以，对 Palantir 的判断不能简单二分：不是神话，也不是普通软件。它更像一场关于企业对象世界控制权的竞争。

如果它能证明：ontology 能快速部署；

客户能持续扩大使用；

AI Agent 能在其对象层上安全行动；

交付越来越产品化；

客户切换成本越来越高；

那么它的商业模式就可能比传统软件更深。

如果不能证明，它就可能退回到高价值但重交付的企业软件/咨询混合模式。

J 系统研究 Palantir，要抓住这个核心问题：Palantir 到底是在卖软件，还是在成为企业现实世界的对象操作层？

这一个问题，决定了它的长期价值上限。

最后压缩：Palantir 的商业模式，不是卖数据平台，而是把客户的现实世界对象化、操作化、AI 化。

它的护城河不在功能清单，而在客户对象世界、工作流、权限、行动和反馈的深度绑定。它的风险也在这里：越深越强，越深也越重。

第五部分：本体论公司研究方法

第 21 章：公司研究的第一问：这家公司到底是什么对象

传统公司研究常常从行业开始。

这家公司属于什么行业？市场空间多大？竞争格局如何？收入增长多少？毛利率多少？估值贵不贵？

这些问题都重要，但不是第一问。

本体论公司研究的第一问应该是：这家公司到底是什么对象？

这句话看起来简单，其实非常关键。因为公司不是天然等于财报里的行业分类，也不是天然等于它现在卖的产品。公司可能是一个产品集合、一个平台、一个网络、一个工作流系统、一个操作系统、一个市场、一个组织能力体，甚至是一个金融合约结构。

如果第一步定义错了，后面所有研究都会错位。

比如 Palantir。如果你把它定义成“数据分析软件公司”，你会用 BI 工具、数据平台、咨询服务的标准看它。你会问：它报表强不强？替代工具多不多？项目交付是不是太重？

但如果你把它定义成“企业现实世界的对象操作层”，问题就变了。你会问：它是否定义客户组织里的关键对象？是否嵌入工作流？是否连接权限、规则和行动？AI Agent 是否能在它的 ontology 上执行任务？客户替换它是否等于重建业务对象世界？

这两个定义带来的价值判断完全不同。

再看 Anthropic。如果把它定义成“大模型 API 公司”，你会看模型能力、token 价格、API 调用量、算力成本和竞争压力。如果把它定义成“coding 工作流 AI 公司”，你会看 Claude Code 是否进入开发者日常工作流，真实工程反馈是否反哺模型，企业研发预算是否迁移，开发者是否形成依赖。如果把它定义成“frontier AI lab + 组织发明”，你还会看文化、人才留存、治理结构、使命和内部协作。

这不是文字游戏。定义公司本体，就是选择研究对象和判断尺度。

公司至少可能有几种本体形态。

第一种，产品公司。

产品公司主要靠一个或多个产品创造价值。关键变量是产品是否解决真实需求、体验是否好、成本是否可控、用户是否愿意付费。很多消费品、工具软件、硬件单品属于这个层次。

第二种，平台公司。

平台公司连接多方对象，并定义规则。比如商家和消费者、开发者和用户、广告主和流量、创作者和观众。平台的关键变量不是单一产品功能，而是多边关系、规则制定权、网络效应和价值捕获方式。

第三种，工作流公司。

工作流公司嵌入客户完成任务的连续动作链。它不是只提供工具，而是改变客户如何工作。它的价值来自使用频率、嵌入深度、切换成本、数据反馈和流程依赖。

第四种，操作系统公司。

操作系统公司定义其他对象运行的环境、接口、权限和规则。Apple、Microsoft、Android、Palantir 在不同层面都可以用操作系统视角研究。关键变量是控制权、生态、标准、接口和默认位置。

第五种，网络公司。

网络公司的价值来自节点之间的关系。社交网络、支付网络、交易网络、物流网络、开发者网络都属于这一类。关键变量是网络密度、双边/多边效应、冷启动、迁移成本和反网络效应。

第六种，基础设施公司。

基础设施公司承载其他公司或用户运行。云、支付、算力、物流、身份、数据层，都可以是基础设施。关键变量是可靠性、规模、单位成本、标准化、生态嵌入和资本强度。

第七种，组织能力公司。

有些公司表面上卖产品，底层真正强的是组织能力：持续创新、供应链管理、文化协作、资本配置、销售体系、研发系统。Costco、Toyota、Apple、Anthropic 的某些部分，都必须从组织能力看。

第八种，金融合约系统。

银行、保险、交易所、资管、支付公司，很多时候不是普通服务公司，而是信用、风险、期限、流动性、监管和合约结构组成的系统。

一家公司可能同时属于多个本体类型。关键不是选一个标签，而是判断哪个本体定义最能解释它的价值创造和护城河。

所以本体论公司研究的第一步可以固定为：市场通常把它定义成什么？

哪个定义最能解释收入、客户依赖、护城河和失败路径？

这一步做完，后面研究才不容易跑偏。

最后压缩：公司研究的第一问，不是它赚多少钱，而是它到底是什么对象。对象定义错，估值越精细，误判越稳定。

第 22 章：公司研究的对象清单

定义公司本体之后，下一步要拆对象清单。

公司不是一个单一对象，而是一组对象关系。要研究一家公司，不能只看公司本身，还要看它服务谁、改变什么任务、提供什么产品、产生什么数据、进入什么工作流、依赖什么组织能力、消耗什么资本、面对什么监管和竞争。

本体论公司研究至少要拆九类对象。

第一类，客户对象。

客户不是一个词。客户至少要拆成付费者、使用者、决策者、影响者、采购者、续约者。有些公司付费者和使用者是同一个人，有些不是。企业软件里，使用者可能是员工，决策者是部门负责人，采购者是 IT 或财务，付费主体是公司。

如果不拆客户对象，就会误判需求。

比如一个 AI 工具，工程师很喜欢，但 CIO 不批准进入企业；或者管理层愿意买，但一线员工不用。前者有使用需求但缺采购闭环，后者有采购但缺真实价值。

研究客户对象，要问：谁真正痛？谁真正用？谁真正付钱？谁决定续约？谁承担切换成本？

第二类，任务对象。

客户不是为产品本身付费，而是为完成任务付费。任务对象回答：客户用这个产品完成什么事情？

任务可以是写代码、处理订单、寻找信息、管理库存、审批合同、投放广告、生成内容、分析风险、协调团队。任务越高频、越刚需、越可验证、越有预算，商业价值越大。

AI 公司尤其要看任务对象。一个模型能聊天不等于有商业模式。它是否解决高价值任务，才是关键。

第三类，产品对象。

产品对象回答：公司交付给客户的到底是什么？是工具、平台、接口、模型、工作流、系统、服务，还是组合？

很多公司产品名称相似，但本体不同。一个“Copilot”可能只是辅助写作工具，也可能是工作流入口。一个“平台”可能只是功能合集，也可能定义多边规则。产品对象必须拆清楚。

第四类，数据对象。

数据对象回答：产品使用过程中产生什么数据？这些数据属于谁？质量如何？是否独占？是否能反哺产品？是否受隐私和合规限制？

数据不是天然护城河。只有当数据映射到关键对象、能改善产品、能被合法使用、能形成反馈时，数据才有商业价值。

第五类，工作流对象。

工作流是客户完成任务的连续动作链。产品是否进入工作流，是判断商业模式深浅的关键。

一个产品如果只是偶尔被打开，它是工具。一个产品如果嵌入客户日常工作，改变任务流程，它才有机会形成依赖。企业 AI 的价值，很大程度取决于能否进入真实工作流。

第六类，组织对象。

公司内部组织也是对象。创始人、研发团队、销售团队、交付团队、文化、激励、治理结构、人才密度，都会影响商业模式。

Anthropic 的文章提醒我们：组织文化不是软因素。high trust、low ego、mission-oriented，如果真实存在，会影响人才留存、战略聚焦和执行效率。

第七类，资本对象。

资本不仅是现金。算力、服务器、数据中心、渠道资源、品牌、专利、牌照、供应链、合作伙伴，都是资本对象。AI 公司尤其要看算力资本，平台公司要看生态资本，制造公司要看供应链资本。

第八类，监管对象。

监管不是外部背景，而是很多公司的核心对象。金融、医疗、国防、数据、AI、平台经济，都受规则影响。监管会改变边界、成本、进入门槛和竞争格局。

第九类，竞争对象。

竞争对象不一定是同行。真正竞争者可能是客户自建、旧流程、Excel、人工、云平台、模型公司、开源工具、替代工作流。

比如 Palantir 的竞争者不只是数据软件，也可能是客户内部 IT、云厂商、咨询公司、传统系统集成商，以及未来的模型/Agent 平台。

拆对象清单的目的，不是把东西列全，而是找到关键对象。

研究公司时，所有对象不可能同等重要。我们要判断：哪个对象决定价值创造？哪个对象决定价值捕获？哪个对象决定护城河？哪个对象一旦不存在，商业模式就不成立？

可以用一个固定模板：客户对象：谁用、谁买、谁续约？

任务对象：客户要完成什么高价值任务？

产品对象：公司交付的是工具、工作流、平台还是系统？

最后压缩：公司不是一个对象，而是一组对象关系。研究公司，就是先把客户、任务、产品、数据、工作流、组织、资本、监管和竞争对象拆清楚。

第 23 章：公司研究的关系图谱

对象清单只是第一步。真正重要的是关系图谱。

本体论公司研究要问：这些对象之间如何连接？连接是否强？是否形成反馈？是否难以被替代？

关系图谱比对象清单更接近商业模式。

比如客户和产品之间，不只是“购买关系”。可能有试用、采购、日常使用、深度依赖、共同开发、数据反馈、生态共建等多种关系。不同关系，商业价值完全不同。

公司研究最重要的关系，至少有六组。

第一组，客户—产品关系。

客户为什么使用产品？使用频率多高？使用是否刚需？产品解决的是边缘需求还是核心需求？客户离开产品会不会痛？

如果客户只是被销售说服购买，但使用浅，关系弱。如果客户每天靠产品完成关键任务，关系强。

第二组，产品—任务关系。

产品是否真正改善客户任务？改善的是效率、成本、质量、风险、收入，还是体验？改善能否量化？是否可验证？

AI 产品尤其要看这一点。能生成内容不等于完成任务。真正有价值的是让客户任务状态发生变化。

第三组，产品—工作流关系。

产品是否进入工作流？是工作流外的辅助工具，还是工作流内的必经节点？它是否改变任务顺序、责任分配、审批方式、数据流和决策方式？

进入工作流，才可能形成切换成本。

第四组，使用—数据关系。

客户使用是否产生数据？这些数据是否高质量？是否能被公司合法获取？是否能改善产品？是否越用越好？

这决定数据飞轮是否成立。

第五组，数据—模型/产品关系。

数据不是价值本身，数据必须能改进模型或产品。用户行为、任务结果、错误反馈、偏好选择、流程状态，如果不能进入改进机制，就只是日志。

Anthropic coding 飞轮的关键，就在于真实工程反馈能不能提高模型和产品能力。

第六组，组织—战略关系。

组织是否支撑战略？如果战略要求长期聚焦，但组织激励鼓励到处开项目，就会冲突。如果战略要求进入企业核心工作流，但组织只有轻量产品团队，没有交付和客户理解能力，也会冲突。

组织和战略不匹配，是很多公司失败的隐性原因。

关系图谱还要看强度。关系可以分四层：第一层，接触关系。客户知道你、试过你，但没有持续使用。

第二层，使用关系。客户会用，但可替代，切换痛感不强。

第三层，工作流关系。客户日常任务依赖你，切换会影响效率。

第四层，对象世界关系。客户的对象定义、数据、权限、流程和行动都围绕你运行，替换你等于重建系统。

Palantir 如果成立，追求的是第四层关系。很多 SaaS 停在第二或第三层。很多 AI 工具还停在第一层。

关系图谱还要看方向。有些关系是单向的，比如公司向客户卖产品。有些关系是双向的，比如客户使用产品，产品获得反馈，反馈改善产品。有些关系是多边的，比如平台连接用户、开发者、广告主、商家。

双向反馈关系，通常比单向交易关系更有复利。

关系图谱最后要看断点。

一个商业模式看起来漂亮，常常有一条关键关系其实不成立。比如：客户使用很多，但数据不能反哺产品；产品能力强，但不能进入采购；收入增长快，但客户没有依赖；生态很大，但公司不能捕获价值。

所以研究关系图谱，要固定问：哪条关系创造价值？

最后压缩：商业模式不是对象清单，而是对象关系如何形成价值循环。

公司研究必须从“它有什么”进入“这些东西如何连接，连接是否越来越强”。

第 24 章：商业模式的本体论解释

商业模式不是怎么收费。

收费方式只是商业模式的外壳。订阅、广告、抽佣、API、license、服务费、交易费，都只是钱流。真正的商业模式，是对象关系如何创造价值、捕获价值，并让系统能力增强。

用本体论重新定义：商业模式 = 一家公司通过重构对象关系，持续创造客户价值、捕获部分价值，并让这种关系越来越强的机制。

公司改变了什么对象状态？客户原来有什么任务、痛点、成本、风险或机会？公司产品让哪个对象变得更好？

比如 Google 改变的是用户寻找信息的状态。Amazon 改变的是商品发现、购买、履约的状态。Palantir 改变的是企业对象可见性和行动能力。Anthropic 如果成立，改变的是开发者完成 coding 任务的能力。

第二层，价值捕获。

公司如何从创造的价值中拿走一部分？通过订阅、广告、抽佣、API、硬件利润、云服务、服务费，还是生态分成？

价值创造不等于价值捕获。很多公司创造了巨大用户价值，但捕获不到。比如开源项目可能创造价值，但商业化难；内容平台上创作者创造价值，平台能否捕获取决于规则和控制权。

第三层，价值增强。

客户使用之后，公司能力是否增强？如果客户用完，公司没有变强，那是线性生意。如果客户越用，公司数据越多、产品越好、网络越强、生态越大、组织越懂客户，那就是复利生意。

第四层，价值防守。

竞争对手能否重构这些对象关系？客户能否轻易切换？关键资源是否稀缺？规则是否由公司定义？工作流是否深度绑定？

这四层合起来，才是商业模式。

传统商业模式分析容易停在第二层：怎么收费。真正高质量公司研究，要同时看四层：创造、捕获、增强、防守。

用 Anthropic 举例。

如果只看收费，它可能是 API 收费、订阅收费、企业合同。这个层次很浅。

更深地看，它创造的价值是提高开发者和企业研发效率；捕获方式是 Claude、Claude Code、API、企业服务；增强机制可能是真实 coding 使用反馈反哺模型和产品；防守机制可能是模型能力、工作流嵌入、开发者习惯、企业部署和组织文化。

如果增强机制不成立，它就是高增长 AI 服务公司；如果增强机制成立，它可能是 AI coding 工作流飞轮公司。

再看 Palantir。

收费方式可能是软件订阅、平台合同、服务/部署收入。但本体论解释是：它帮客户建立企业对象世界，创造决策和行动价值；通过长期合同捕获价值；通过深入工作流和 ontology 积累增强价值；通过高切换成本和客户深度绑定防守价值。

这就比“卖软件”更准确。

商业模式的本体论解释，还能帮助我们识别伪商业模式。

第一种伪商业模式，是只有收费，没有深价值创造。

短期能卖，但客户使用后价值不明显，续约风险高。

第二种，是有价值创造，没有价值捕获。

用户很喜欢，但不愿付费，或者平台/生态其他方拿走价值。

第三种，是有增长，没有增强。

靠销售、补贴、渠道、融资推动增长，但客户使用没有让产品、数据、网络或组织变强。

第四种，是有叙事，没有防守。

公司说自己有 AI、有数据、有平台，但关键对象关系很容易被复制或替代。

AI 时代尤其要警惕这些误判。

很多 AI 公司看起来增长快，但要问：客户为什么持续用？任务结果是否可验证？使用是否高频？反馈是否进入模型或产品？是否能从 token/订阅升级到 workflow/outcome？客户是否愿意把核心流程交给它？

如果答案不清楚，商业模式还没真正闭环。

J 系统以后研究商业模式，可以固定使用这张表：价值创造：它改变哪个对象状态？

最后压缩：商业模式不是钱流，而是对象关系创造价值、捕获价值、增强价值和防守价值的闭环。

收费方式只是结果，飞轮和护城河才是核心。

第 25 章：护城河的本体论解释

护城河不是一个标签。

很多分析里，护城河被说得太轻：品牌是护城河，规模是护城河，数据是护城河，网络效应是护城河，技术领先是护城河。但这些词本身不代表护城河。真正要问的是：哪一种关键对象关系难以被竞争对手重构？

用本体论定义：护城河 = 公司掌握的关键对象关系，在竞争中难以被替代、复制或重构。

这个定义有两个重点。

第一，护城河不是某个单独对象，而是关系。

品牌不是护城河，用户心智和产品选择之间的稳定关系才是护城河。数据不是护城河，数据和产品改进之间的反馈关系才可能是护城河。规模不是护城河，规模和单位成本、服务能力、价格优势之间的关系才是护城河。

第二，护城河必须难以重构。

如果竞争对手很容易用钱、技术、渠道或时间复制，这就不是深护城河。真正的护城河要么需要长期积累，要么依赖复杂关系，要么需要生态协同，要么被规则和习惯保护。

我们可以重新解释几类常见护城河。

第一，品牌护城河。

品牌不是知名度。品牌是用户在不确定环境下，对某个产品形成默认信任和选择偏好。它连接的是用户心智、风险感知、身份认同和购买行为。

茅台、Apple、Costco 这种品牌强，不只是名字响，而是用户愿意在关键场景默认选择它。

第二，网络效应。

网络效应不是用户多。它是用户之间的关系让产品价值增加。微信的关系链、Visa 的商户和持卡人网络、开发者平台的开发者和用户关系，都属于网络效应。

如果用户多但彼此不增强，网络效应就弱。

第三，数据护城河。

数据护城河不是数据量大。它必须满足几个条件：数据独特、持续产生、质量高、能合法使用、能改善产品、改善后带来更多使用。否则数据只是库存。

AI 公司尤其要看这个。对话数据很多，不等于能提高高价值任务能力。真实工作流里的可验证反馈，可能比海量低质量数据更重要。

第四，规模经济。

规模经济不是公司大。它是规模增加后单位成本下降、服务能力增强、供应链议价力提高，进而形成价格或利润优势。没有成本关系，规模只是体量。

第五，工作流嵌入。

这是企业软件和 AI 公司非常重要的护城河。产品进入客户核心工作流，客户迁移成本高，组织习惯、数据、权限、流程都绑定进去。Palantir 如果有护城河，很大一部分来自这里。

第六，生态护城河。

生态不是合作伙伴多，而是多方对象围绕公司定义的规则运行。Apple 的开发者、用户、设备、支付、系统接口；Microsoft 的企业身份、Office、Azure、开发者；Amazon 的商家、物流、广告、Prime，都有生态关系。

第七，组织文化护城河。

文化不是口号，而是组织内部对象关系。如果一个组织长期高信任、低内耗、人才留存高、战略能聚焦、冲突能解决，这种关系难复制。Anthropic 的文章所讲的 secret sauce，如果真实，就属于组织关系护城河。

本体论护城河分析要特别警惕“伪护城河”。

伪护城河通常有几种：短期技术领先，但没有客户关系和反馈；

用户很多，但切换成本低；

数据很多，但不能改善产品；

品牌知名，但购买决策不受它影响；

规模很大，但成本不下降；

生态很热闹，但公司不能定义规则或捕获价值；

文化叙事强，但人才流失高、组织内耗重。

所以护城河研究不能问“有没有品牌/数据/网络”，而要问：哪个对象关系难以重构？

最后压缩：护城河不是公司拥有什么，而是竞争对手难以重构哪些对象关系。

真正的护城河一定体现在关系强度、反馈增强、切换成本、规则控制或组织复利上。

第 26 章：失败路径的本体论解释

好的公司研究，不能只讲为什么会成功，还要讲怎么会失败。

本体论特别适合做反演。因为它能把失败拆成对象、关系、边界、状态、规则和反馈的断裂。

一家公司失败，通常不是抽象地“战略错了”，而是某个关键对象不存在，某条关键关系不成立，某个反馈没有闭合，某个边界被误判，某种状态变化不可持续，或者组织结构无法支撑业务对象。

第一种失败：关键对象不存在。

比如公司以为自己服务的是高价值客户，但实际客户没有预算；以为用户有强痛点，但痛点只是尝鲜；以为有数据资产，但数据质量差、不可用、不可合法使用。

对象不存在，商业模式从根上不成立。

第二种失败：关键关系断裂。

产品和任务没有强关系，客户用了也没有明显改善；客户和产品没有依赖关系，随时可替代；使用和数据没有反馈关系，越用不一定越强；数据和模型没有改进关系，所谓飞轮不存在。

第三种失败：反馈不成立。

很多公司讲飞轮，但实际只是线性增长。比如靠销售拉客户，客户使用浅，反馈无法改进产品，续约靠继续销售推动。这不是飞轮，是销售机器。

第四种失败：边界被误判。

公司以为自己能扩展到更大边界，但客户不接受；以为自己是平台，其实只是工具；以为自己是操作系统，其实只是一个功能模块；以为自己控制生态，其实受制于更上层平台。

第五种失败：状态变化不可持续。

客户从试用到付费容易，但从付费到深度依赖困难；用户增长快，但留存弱；收入增长快，但毛利恶化；AI demo 好看，但生产部署困难。这些都是状态迁移失败。

第六种失败：规则与约束被忽略。

AI 产品常见问题是忽略企业权限、合规、安全、审计、责任。消费者产品常见问题是忽略监管和平台规则。金融产品常见问题是忽略风险周期。规则一旦进入，故事就变形。

第七种失败：组织无法支撑业务对象。

公司想做企业深工作流，但组织只适合轻产品；想做平台，但缺规则治理能力；想做 frontier AI lab，但留不住顶级人才；想长期聚焦，但创始人和组织不断分心。

组织对象和业务对象不匹配，战略会落空。

本体论反演的好处，是它能让失败路径具体化。

比如研究 Palantir，失败路径可以这样拆：客户 ontology 建设太重，难以规模化；

大客户深度绑定，但新增客户复制慢；

云厂商或模型公司向下进入对象层；

AI 降低 ontology 构建成本，削弱交付优势；

客户不愿把核心对象世界交给外部供应商；

产品化不足，长期更像高端服务公司。

这些都比一句“竞争加剧”更清楚。

研究 Anthropic，失败路径也可以拆：coding 优势被 OpenAI/Google 追平；

Claude Code 没有形成高留存工作流；

客户反馈不能真正反哺模型；

算力瓶颈限制增长；

企业客户最终更依赖 Microsoft/Google 生态；

mission 文化在扩张中稀释，组织优势下降。

本体论反演要求我们每次研究都问：哪个核心对象如果不存在，判断就错？

公司研究最危险的，不是看不到机会，而是看到机会以后自动补齐了中间缺失的关系。好叙事会让人误以为对象关系已经成立。本体论反演就是专门打断这种过度补全。

最后压缩：失败不是抽象发生的，而是从对象不存在、关系断裂、反馈不闭合、边界误判、状态迁移失败、规则约束被忽略、组织不匹配开始的。

研究一家好公司，必须同时写出它为什么好，以及它会在哪个对象关系上失败。

第六部分：案例训练

第 27 章：用本体论研究 Anthropic

Anthropic 是一个非常适合练习本体论公司研究的案例。因为它表面上很容易被归类：大模型公司、OpenAI 竞争对手、Claude 的母公司、AI API 供应商。但如果只停在这些标签上，就很容易把它看浅。

本体论研究的第一问是：Anthropic 到底是什么对象？

它至少有四种可能定义。

第一，它是 frontier AI lab。这个定义强调它站在模型能力边界上，核心对象是研究员、模型、算力、数据、训练方法、安全研究和产品化能力。用这个定义研究，重点要看模型能力是否持续领先、算力是否跟得上、研究组织是否能持续产出、模型成本是否下降、安全和能力之间如何平衡。

第二，它是模型产品公司。这个定义强调 Claude、API、企业订阅和开发者使用。核心对象是用户、开发者、企业客户、模型接口、价格、响应速度、可靠性、上下文长度、工具调用。用这个定义研究，重点是产品体验、客户留存、收入增长、单位经济和竞争替代。

第三，它是 coding 工作流公司。这个定义更深。它不把 Anthropic 只看成卖模型，而是看它是否进入开发者真实工程流程。核心对象变成代码任务、代码库、测试、bug、PR、IDE、开发团队、企业研发流程、反馈数据。关键问题也变成：Claude Code 是否从“好用工具”变成“研发工作流的一部分”？开发者是否每天用？企业是否愿意把真实工程任务交给它？使用反馈是否能反哺模型能力？

第四，它是组织发明。这个定义来自那篇 Anthropic 文章里最有意思的部分：Anthropic 的特殊性可能不只在模型，而在组织文化。它的对象不是产品，而是人才、使命、信任、低 ego、透明写作、治理结构和战略聚焦。用这个定义研究，重点不是看某一次模型榜单，而是看这个组织是否能在高压 AI 竞争中长期降低内耗、留住顶级人才、保持判断一致。

这四种定义不是互相排斥，而是层层叠加。Anthropic 的真正价值，可能来自它们之间的关系：frontier lab 产生模型能力，模型产品进入客户场景，coding 工作流产生高质量反馈，组织文化支撑长期聚焦和人才留存。

如果用对象清单拆 Anthropic，核心对象包括：模型、算力、研究员、开发者、企业客户、代码任务、真实工程反馈、安全使命、组织文化、产品界面、API、资本和竞争者。

关键关系有几条。

第一，模型—开发者关系。模型是否真的提高开发者效率，而不是只在 demo 里表现好。

第二，开发者—工作流关系。开发者是否把 Claude Code 放进日常工作，而不是偶尔尝鲜。

第三，使用—反馈关系。真实 coding 使用是否能产生有价值反馈，反馈是否能改善模型和产品。

第四，组织—战略关系。Anthropic 是否真的能 say no，把资源压到最关键方向，而不是像很多 AI 公司一样四处开线。

第五，使命—治理关系。安全使命是否只是叙事，还是通过治理结构、客户选择、产品边界和人才吸引真实影响公司行为。

用本体论看 Anthropic，商业模式就不只是“API 收费”或“订阅收费”。更深的商业模式是：通过 coding 这种可验证、高频、强反馈的真实工作流，把模型能力、客户价值和模型改进连接成飞轮。

这也是它的关键反证。如果 Claude Code 不能形成高频留存，如果企业客户不愿把核心研发流程交给它，如果使用反馈不能进入能力改进，如果 OpenAI、Google 快速追平 coding 能力，那么 Anthropic 的“工作流飞轮”定义就要降级，回到更普通的模型产品公司。

所以 Anthropic 的本体论结论不是简单“它是好公司”，而是：

Anthropic 值得研究的核心，不是它有没有大模型，而是它是否能从 frontier AI lab 进化成 coding 工作流里的能力飞轮公司，同时用组织文化维持长期聚焦。

第 28 章：用本体论研究 OpenAI

OpenAI 和 Anthropic 的对比，非常适合训练本体论里的“多重对象定义”。因为 OpenAI 太大、太快、太多线，如果只用一个标签，很难看清。

OpenAI 到底是什么对象？

它可以是 frontier AI lab，可以是 ChatGPT 消费入口，可以是开发者平台，可以是企业软件供应商，可以是 Agent 平台，可以是模型基础设施公司，也可能想成为 AI 时代的新操作系统。

这就是 OpenAI 的复杂性：它不是一个清晰单一对象，而是一组正在争夺未来入口的对象集合。

如果把 OpenAI 定义为 frontier AI lab，核心对象是模型、研究员、算力、数据、训练系统、安全、资本。研究重点是 GPT 系列是否保持领先，推理模型是否形成能力优势，训练和推理成本是否可控，算力和资本是否足够。

如果定义为消费入口，核心对象是 ChatGPT 用户、对话、记忆、搜索、任务、内容生成、插件/工具、用户习惯。研究重点是 ChatGPT 是否成为用户默认的信息和任务入口，而不只是一个偶尔使用的聊天工具。

如果定义为开发者平台，核心对象是 API、SDK、开发者、应用、工具调用、Agent 框架、模型选择、价格、可靠性。研究重点是开发者是否在 OpenAI 生态里构建应用，还是把它当成可替换模型供应商。

如果定义为企业软件公司，核心对象是企业客户、权限、安全、数据连接、工作流、合规、部署、续约。研究重点是 OpenAI 是否能进入企业核心流程，而不是只提供模型能力。

如果定义为 AI 操作系统，核心对象就更大：用户意图、模型、工具、应用、数据、身份、支付、设备、浏览器、Agent、企业系统。这个定义野心最大，但也最难成立。因为操作系统不是说出来的，而是要控制接口、规则、生态和默认入口。

OpenAI 的关键对象关系，和 Anthropic 很不一样。

Anthropic 的优势叙事是聚焦。OpenAI 的优势叙事是广度、资本、品牌、用户入口和快速试错。它的对象关系是多线并行：ChatGPT 连接消费者，API 连接开发者，企业产品连接公司，Agent 连接任务，硬件和浏览器可能争夺入口，模型能力连接所有产品。

这带来一个本体论问题：这些对象之间是协同，还是互相分散？

如果 ChatGPT 的消费入口能给开发者平台带来流量，开发者生态能丰富 Agent 能力，企业产品能提供高价值场景，模型能力能支撑所有入口，那 OpenAI 可能形成一个巨大的 AI 平台系统。

但如果每条线都消耗资源，却没有强关系闭合，就会变成对象过多、边界过大、组织压强不足。多线下注既可能是探索优势，也可能是战略熵增。

用系统论看，OpenAI 的最大变量是：广度能不能转化为平台协同，而不是内部分散。

OpenAI 的护城河可能来自几类对象关系：第一，用户入口。ChatGPT 已经占据很多用户的 AI 默认入口，这是非常重要的心智和习惯关系。

第二，开发者生态。如果开发者围绕 OpenAI 构建应用，它就不只是模型供应商，而可能成为 AI 应用平台。

第三，模型能力和品牌。领先模型会吸引用户和开发者，用户和开发者又会带来更多分发和反馈。

第四，资本和算力。OpenAI 能调动极大资源，这在 frontier model 竞争里非常关键。

但它的失败路径也很清楚。

第一，模型能力被追平，API 层变成商品化。

第二，ChatGPT 用户很多，但没有足够深的工作流嵌入，留在“高级问答和生成工具”层面。

第三，Agent、浏览器、硬件、企业产品多线推进，但没有形成统一对象世界，组织被复杂度拖累。

第四，企业客户最终更依赖 Microsoft、Google、AWS 这些已有身份、权限和工作流入口的平台。

第五，安全、监管、版权、成本和商业化之间的约束越来越强，限制扩张。

所以 OpenAI 的本体论判断可以这样压缩：

OpenAI 不是单一模型公司，而是一个试图从 frontier lab 进化为 AI 时代入口和平台的复杂对象集合。它的关键不在于线多，而在于这些线能否形成统一的入口、生态和工作流关系。

第 29 章：用本体论研究 Google

Google 是最适合用本体论重新研究的公司之一。因为市场常常把它定义为搜索公司、广告公司、云公司、AI 公司，但这些定义都只抓到一部分。

Google 到底是什么对象？

从最底层看，Google 是信息世界的组织和分发系统。它的核心不是搜索框本身，而是连接用户意图、网页内容、广告主、数据、算法和分发入口。

传统搜索时代，Google 的对象世界非常清楚：用户输入关键词，搜索引擎理解意图，网页被排序，广告主按关键词竞价，用户点击结果，点击和转化反馈继续优化系统。

这个对象关系非常强。用户意图、网页索引、广告关键词、点击反馈、广告变现构成一个巨大的商业飞轮。

所以 Google 的商业模式不是简单“卖广告”。更准确地说，它控制了信息寻找任务的默认入口，并把用户意图转化为广告竞价对象。广告只是价值捕获方式，真正的底层对象是“用户意图”。

AI 时代的问题是：搜索这个对象本体正在变化。

传统搜索连接的是“问题—网页”。AI 搜索连接的可能是“意图—答案—行动”。用户不一定想要十个链接，而是想要一个答案、一个总结、一个比较、一个决策建议，甚至一个自动完成的任务。

这会改变 Google 的对象关系。

过去，网页是核心对象。Google 索引网页，给网页分发流量。广告主购买关键词，用户点击网页。AI 时代，答案可能直接在模型里生成，网页变成训练材料或引用来源，用户点击可能减少，广告展示方式需要重构。

这就是 Google 面临的本体挑战：它的旧对象世界很强，但 AI 正在重画信息入口的对象关系。

Google 的核心对象包括：搜索用户、查询意图、网页/内容、广告主、广告关键词、YouTube 内容、Android 设备、Chrome 浏览器、Gmail/Workspace 用户、Cloud 客户、Gemini 模型、TPU/算力、开发者、企业客户。

这些对象之间有多条强关系。

第一，搜索—广告关系。这是 Google 的现金牛。用户意图越强，广告价值越高。

第二，Android/Chrome—入口关系。Google 不只靠搜索框，也靠浏览器、手机系统、默认搜索位置守住入口。

第三，YouTube—注意力关系。YouTube 是视频内容和广告的对象系统，也是 AI 时代内容生成、推荐和创作者生态的重要资产。

第四，Cloud—企业关系。Google Cloud 是进入企业 AI 和数据工作流的对象，但与 Microsoft、AWS 相比，企业工作流关系仍然较弱。

第五，Gemini—全产品关系。Gemini 如果成功，不应只是一个聊天模型，而要嵌入 Search、YouTube、Android、Workspace、Cloud，重构 Google 的对象关系。

Google 的优势是对象资产极其丰富：入口、数据、算力、研究、广告系统、浏览器、移动系统、视频平台、企业云。但它的难题也在这里：对象太多，旧系统太赚钱，新系统可能伤害旧现金流。

AI 对 Google 的挑战，不只是技术竞争，而是商业模式迁移。传统搜索广告的对象关系是：用户查询后点击网页和广告。AI 答案如果减少点击，广告对象要重新定义。广告可能从关键词竞价变成意图场景、答案赞助、交易转化、Agent 推荐，但这些新对象关系还没有完全稳定。

Google 的失败路径包括：第一，AI 搜索削弱传统点击，旧广告模型被侵蚀。

第二，Gemini 虽强，但产品整合慢，用户心智被 ChatGPT 抢走。

第三，企业 AI 入口被 Microsoft 和 OpenAI 占据，Google Cloud 仍然偏基础设施。

第四，组织过大，旧利益系统阻碍新对象关系形成。

第五，监管重画搜索、广告、浏览器和移动系统边界。

但 Google 也有反击路径。

如果 Gemini 能深度嵌入 Search、YouTube、Android、Workspace 和 Cloud，Google 可能把旧的信息入口升级为 AI 意图入口。它不只是回答问题，还可以理解用户长期上下文、完成任务、连接视频/地图/邮件/文档/云服务。

所以 Google 的本体论判断是：

Google 的核心不是搜索框，而是用户意图的组织、分发和商业化系统。AI 时代真正的问题，是它能否把“关键词—网页—广告”的旧对象关系，升级为“意图—答案—行动—商业结果”的新对象关系。

第 30 章：用本体论研究 Apple

Apple 很容易被误解为硬件公司。这个定义不算错，但太浅。

Apple 当然卖硬件，iPhone、Mac、iPad、Watch、AirPods 都是重要对象。但如果只把 Apple 定义为硬件公司，就会低估它真正控制的对象关系。

本体论看 Apple，更好的定义是：个人计算入口和体验控制系统。

Apple 的核心对象不是单台设备，而是用户、设备、操作系统、账号、应用、开发者、支付、服务、隐私规则、默认设置、线下服务、配件和使用习惯构成的生态对象世界。

Apple 的价值来自这些对象之间的强关系。

用户购买 iPhone，不只是买硬件，而是进入一套体验系统。iPhone 连接 iOS，iOS 连接 App Store，App Store 连接开发者，开发者提供应用，应用增加用户依赖，用户习惯增强设备留存，留存带来服务收入，服务收入增强生态价值。

这就是 Apple 的关系图谱。

Apple 的硬件是入口，操作系统是规则层，App Store 是分发层，Apple ID 是身份层，支付和订阅是交易层，iCloud 和服务是持续关系层。它不是单点产品，而是个人数字生活的对象系统。

AI 时代研究 Apple，关键问题是：Apple 的本体是否会变化？

过去 Apple 的强项是设备、体验、系统整合和生态控制。AI 时代，用户入口可能从 app 和搜索，部分转向智能助理和 Agent。如果用户开始通过 AI 完成任务，而不是打开一个个应用，Apple 的入口位置会被挑战。

但 Apple 也有独特优势。

第一，它控制个人设备。很多 AI 任务发生在用户私人上下文里：照片、邮件、日历、消息、位置、健康、联系人、应用行为。Apple 的本地设备和隐私体系，可能成为个人 AI 的重要对象层。

第二，它控制操作系统权限。AI 如果要操作手机里的应用、通知、文件、设置和个人数据，必须经过系统权限。Apple 在这里有天然边界控制力。

第三，它控制体验标准。Apple 不一定最先推出最强模型，但它擅长把技术变成普通人可用、可信、低摩擦的体验。

第四，它有高价值用户群和支付关系。服务、订阅、App Store、Apple Pay 都是商业化对象。

但 Apple 的风险也很明确。

第一，模型能力不足。如果个人 AI 的核心体验依赖模型能力，而 Apple 长期落后，就会影响入口控制力。

第二，AI Agent 绕过 app。如果用户通过外部 AI 助手完成任务，Apple 的应用分发生态可能被削弱。

第三，监管限制 App Store 和默认入口，削弱规则控制权。

第四，硬件创新放缓，服务增长不足以支撑估值。

第五，Apple 的封闭生态可能在 AI 时代阻碍开放集成。

用本体论研究 Apple，不能只问 iPhone 销量，而要问：用户个人数字生活的对象世界，是否仍然以 Apple 设备和系统为中心？

更具体地问：用户的身份对象是否仍在 Apple 体系内？

用户的私人数据对象是否仍主要在 Apple 设备上？

应用和服务是否仍依赖 iOS 分发？

AI 助手是否由 Apple 控制，还是由 OpenAI/Google/其他 Agent 控制？

Apple 是否能把本地上下文、隐私、安全和体验整合成个人 AI 入口？

Apple 的本体论结论可以这样压缩：

Apple 不是单纯硬件公司，而是个人计算入口、系统规则和体验控制公司。AI 时代的关键，是它能否把设备入口升级为个人 AI 上下文和行动入口。

第 31 章：用本体论研究 Tencent

腾讯也很容易被表层分类误导。它可以被说成社交公司、游戏公司、内容公司、广告公司、支付公司、云公司。但这些都只是局部。

从本体论看，腾讯最深的对象定义是：中国人的数字关系操作系统。

这个定义的核心不是“聊天”，而是关系。

微信不是普通通信工具。它连接个人身份、熟人关系、群关系、公众号、小程序、支付、视频号、企业微信、服务通知、线下商家、政务服务和内容分发。它不是一个 app，而是中国数字生活的关系对象世界。

腾讯的核心对象包括：用户、微信账号、好友关系、群、公众号、小程序、支付账户、商家、游戏玩家、内容创作者、广告主、企业微信组织、视频号内容、开发者和服务提供者。

这些对象之间的关系非常强。

第一，身份—关系链。微信账号几乎等同于很多人的数字身份，好友关系和群关系沉淀了巨大迁移成本。

第二，关系—沟通。用户每天通过微信沟通，形成高频默认入口。

第三，关系—支付。微信支付把社交关系和交易关系连接起来，扩展到线下商业和服务。

第四，关系—内容。公众号、视频号、朋友圈让内容在关系网络中传播。

第五，关系—服务。小程序把大量服务嵌入微信，不需要用户跳出关系入口。

第六，关系—企业。企业微信把组织协作和客户关系连接到微信生态。

所以腾讯的商业模式不是简单“社交 + 游戏 + 广告”。更深层是：它掌握了中国数字关系网络，并在这个关系网络上分发内容、服务、支付、游戏和商业流量。

AI 时代，腾讯的关键问题是：关系入口能不能变成 AI 入口？

微信拥有海量场景，但 AI 不是天然就能在微信里爆发。因为微信的核心是关系和服务，不是知识问答。腾讯要找到 AI 和关系网络的结合点。

可能的方向包括：第一，个人助理。基于聊天、日程、文件、公众号、小程序和服务通知，帮助用户处理日常事务。但这会涉及隐私和权限。

第二，企业微信 Agent。企业微信连接组织、客户和流程，可能比消费微信更适合 AI 工作流。

第三，内容生成和分发。视频号、公众号、广告系统都可以被 AI 改造。

第四，游戏 AI。腾讯游戏拥有内容、用户、虚拟世界和互动场景，AI 可以改变生产和体验。

第五，小程序服务 Agent。AI 可以帮用户在小程序生态里完成任务，而不是自己逐个操作。

腾讯的优势是入口深、关系强、场景多、支付和服务闭环丰富。劣势是组织复杂，AI 原生心智不如 OpenAI，微信极度克制，AI 产品化可能不够激进。

腾讯的失败路径包括：第一，微信关系入口强，但 AI 使用心智被其他产品抢走。

第二，AI Agent 如果绕过小程序和公众号，可能改变服务分发方式。

第三，组织内部业务多，AI 战略难以形成统一压强。

第四，监管和隐私限制 AI 深度使用社交数据。

第五，视频号、广告、游戏等 AI 改造有价值，但未必形成统一 AI 入口。

用本体论研究腾讯，不能只问“腾讯有没有大模型”。更关键是：腾讯能否把 AI 嵌入它最强的对象关系——数字身份、社交关系、支付、内容和服务。

如果 AI 只是另一个功能，它价值有限。如果 AI 能在微信对象世界里帮助用户完成服务、沟通、交易、内容和企业协作，它就可能成为腾讯生态的新操作层。

腾讯的本体论结论可以这样压缩：

腾讯最深的本体不是社交软件，而是中国数字关系操作系统。AI 时代的关键，是它能否把关系入口升级为服务和工作流 Agent 入口。

第 32 章：用本体论研究 Amazon / Microsoft / Meta

这一章把 Amazon、Microsoft、Meta 放在一起，不是因为它们相似，而是因为它们分别代表三种重要对象系统：交易与基础设施、企业工作流、社交图谱与注意力。

先看 Amazon。

Amazon 不是简单电商公司。它至少有四个对象系统：交易系统、物流系统、云基础设施、广告系统。

交易系统连接消费者、商品、卖家、评价、价格、搜索、推荐和支付。物流系统连接仓库、库存、配送、Prime、供应链和交付承诺。AWS 连接开发者、企业、计算资源、存储、数据库、AI 服务和云生态。广告系统连接消费者购买意图、商品搜索、卖家投放和平台流量。

Amazon 的强大在于这些对象系统可以互相增强。电商带来消费者和商家，商家带来广告需求，Prime 增强用户留存，物流提高交付体验，AWS 提供高利润基础设施，AI 可以改造搜索、推荐、客服、广告、供应链和云服务。

AI 时代 Amazon 的关键问题是：它能否把交易意图、物流能力、云基础设施和 AI Agent 连接起来。比如用户不是搜索商品，而是让 Agent 完成采购；商家不是手动运营，而是让 AI 管理广告、库存和定价；企业不是只买云资源，而是在 AWS 上部署 AI 工作流。

Amazon 的风险是：电商低利润、监管压力、云增长竞争、AI 模型层不一定领先。但它的对象系统非常厚，尤其在交易、物流和云基础设施上。

再看 Microsoft。

Microsoft 最深的本体，不是软件公司，而是企业工作流和身份系统公司。

它控制的对象包括 Windows、Office 文档、企业账号、身份权限、Teams 协作、Azure 云、GitHub 开发者、Dynamics 业务流程、LinkedIn 职业关系、Copilot AI 助手。

Microsoft 的优势在于企业对象世界已经在它这里：员工用 Office 写文档，用 Teams 沟通，用 Outlook 收邮件，用 Azure 部署系统，用 GitHub 写代码，用 Entra 管身份权限。AI 如果要进入企业工作流，Microsoft 有天然入口。

Copilot 的本体论意义，不是“Office 加 AI”，而是把 AI 放进企业已有对象世界里：文档、邮件、会议、表格、代码、身份、权限和云资源。

这和 OpenAI 的区别很重要。OpenAI 有强模型和用户心智，Microsoft 有企业工作流和权限对象。企业 AI 真正落地，可能更依赖后者。

Microsoft 的失败路径是：Copilot 体验不够好，企业付费意愿低；AI 功能只是附加层，没有真正改变工作流；Azure 在模型和云竞争中受压；复杂产品线导致体验碎片化。但它的本体优势非常清楚：企业对象、身份、权限、工作流都在它手里。

最后看 Meta。

Meta 的本体是社交图谱、注意力和内容分发系统。

它的核心对象包括用户、好友关系、关注关系、内容、创作者、广告主、推荐算法、消息、群组、Reels、WhatsApp、Instagram、Facebook、Quest 和 AI 内容生成工具。

Meta 的商业模式不是简单广告，而是通过社交和兴趣关系捕获注意力，再把注意力卖给广告主。它最强的是内容分发和广告系统。

AI 时代，Meta 有几个方向。

第一，AI 改造内容生产。生成图片、视频、广告素材，让创作者和广告主生产效率提高。

第二，AI 改造推荐和广告。更好理解用户意图和内容，提高广告转化。

第三，AI 助手进入 WhatsApp、Instagram、Messenger，成为社交场景里的个人助理或商业助理。

第四，开源模型 Llama 可能成为生态策略，增强开发者关系和行业影响力。

第五，AI + 眼镜/VR 可能争夺下一代计算入口。

Meta 的优势是用户规模、社交图谱、内容流、广告系统和开源模型影响力。风险是社交关系被内容推荐稀释，年轻用户迁移，监管和隐私限制，AI 助手不一定形成高价值任务入口，Reality Labs 消耗资本。

这三家公司放在一起看，可以训练一个重要能力：不同公司有不同对象世界。

Amazon 的关键是交易、物流、云和广告如何互相增强。

Microsoft 的关键是企业身份、权限、文档、协作、云和 Copilot 如何嵌入工作流。

Meta 的关键是社交图谱、注意力、内容生成、广告和下一代入口如何重组。

它们都在做 AI，但 AI 进入的对象世界完全不同。不能用同一套“有没有大模型”去判断。

最后压缩：

AI 时代公司研究，不能只看谁的模型强，而要看 AI 进入了哪个对象世界。Amazon 是交易和基础设施对象世界，Microsoft 是企业工作流对象世界，Meta 是社交注意力对象世界。对象世界不同，AI 的商业模式也完全不同。

第七部分：J系统本体论公司研究模板

第 33 章：十个固定问题

本体论公司研究，最怕变成“知道很多概念，但研究时还是按老方法走”。所以必须把方法压成固定问题。

以后研究任何公司，先问这十个问题。

1. 这家公司到底是什么对象？

   这是第一问，也是最重要的一问。

   不要急着说它是科技公司、AI 公司、SaaS 公司、消费公司、平台公司。先问：它真正创造价值的对象形态是什么？

   它可能是：

   产品公司；

   平台公司；

   工作流公司；

   操作系统公司；

   网络公司；

   基础设施公司；

   组织能力公司；

   金融合约系统；

   入口公司；

   生态控制公司。

   同一家公司可以有多个定义，但必须判断哪个定义最能解释它的价值创造、价值捕获和护城河。

比如 Anthropic 如果只是模型 API 公司，估值逻辑和竞争逻辑会更残酷；如果它是 coding 工作流飞轮公司，关键变量就变成开发者使用深度、真实工程反馈和企业研发流程嵌入。

这一步的目的，是防止一开始用错尺子。

2. 它服务的真实世界对象是什么？

   公司不是服务抽象市场，而是服务真实对象。

   要问：它服务的是谁？客户是谁？使用者是谁？决策者是谁？付费者是谁？它到底帮客户处理什么真实对象？

   Palantir 服务的不是“数据”，而是企业里的订单、资产、风险、任务、权限、供应链、军队行动、患者状态等真实对象。

   Google 服务的不是“搜索框”，而是用户意图。

   Apple 服务的不是“手机需求”，而是个人数字生活、身份、计算、沟通、支付和应用使用。

   如果真实世界对象没找清，公司研究就会浮在产品名词上。

3. 它改变了哪些对象关系？

   商业价值通常不在单个对象里，而在对象关系里。

   要问：这家公司让哪些对象之间的关系发生了变化？

   客户和任务的关系是否改变？

   产品和工作流的关系是否改变？

   数据和模型的关系是否改变？

   用户和内容的关系是否改变？

   企业和决策的关系是否改变？

   开发者和软件生产的关系是否改变？

比如 Amazon 改变了消费者、商品、卖家、物流和广告之间的关系。Microsoft Copilot 如果成立，是改变员工、文档、会议、代码、邮件和企业知识之间的关系。

这一步防止我们只看“它有什么”，而忘记看“它改变了什么连接”。

4. 它嵌入了哪个工作流？

   产品有用，不等于商业模式深。

   真正重要的是：它有没有进入客户完成任务的连续动作链。

   要问：客户是在工作流外偶尔用它，还是在核心流程里离不开它？

AI 产品尤其要过这一问。很多 AI 工具很好玩、很好演示，但没有进入工作流，只是边缘工具。真正有价值的是进入写代码、做财务、管理销售、处理供应链、做客服、投广告、写报告、做投资研究这些任务链条。

工作流越核心，使用越高频，切换成本越高。

5. 它掌握哪些关键状态变化？

   公司研究不能只看静态对象，要看状态变化。

   要问：它能让客户、任务、产品、数据、风险、订单、内容、代码、用户行为发生什么状态迁移？

   比如：

   客户从试用变成深度依赖；

   任务从人工完成变成 AI 辅助完成；

   风险从不可见变成可监控；

   订单从延误风险变成可替代方案；

   用户从偶尔使用变成默认入口；

   产品从工具变成工作流节点。

   状态变化是价值的证据。没有状态变化，商业故事只是叙事。

6. 它的产品使用是否形成反馈飞轮？

   飞轮不能只说，要拆。

   要问：客户使用之后，公司是否变强？如果客户越用，公司并不会更强，那就是线性生意；如果客户越用，数据、模型、产品、网络、生态、组织能力越强，才有复利。

   反馈飞轮要拆成四步：

   使用产生什么反馈？

   反馈是否真实、可验证、可合法使用？

   反馈是否能改善产品或模型？

   改善后是否带来更多使用？

Anthropic 的 coding 飞轮，关键就看真实工程反馈是否能改进模型和产品。Palantir 的飞轮，关键看客户 ontology 越深，工作流和 AI 行动是否越依赖它。

7. 它如何创造价值、捕获价值、增强价值？

   商业模式不是怎么收费，而是三件事：

   创造价值：它让哪个对象状态变好？

   捕获价值：它如何从中收费？

   增强价值：客户使用后，公司能力是否增强？

   很多公司只做到其中一项。

   有些公司创造价值，但捕获不到。比如很多开源工具。

   有些公司能收费，但价值不深，续约困难。

   有些公司增长快，但没有增强机制，靠销售和补贴推动。

   好的公司要三者连起来。

8. 它的组织结构是否匹配业务对象？

   公司不是只有外部对象，内部组织也是对象。

   要问：它的组织能力是否支撑它要做的事？

如果公司要做企业深工作流，就需要交付、客户理解、权限、合规和长期服务能力。如果公司要做 frontier AI lab，就需要顶级研究员、算力、工程系统和低内耗文化。如果公司要做平台，就需要规则制定、生态治理和冲突处理能力。

组织和业务对象不匹配，战略会落空。

Anthropic 的文化之所以值得研究，是因为它可能支撑了战略聚焦和人才留存。OpenAI 的多线下注之所以有风险，是因为对象太多，组织压强可能被摊薄。

9. 它的护城河是哪一种对象关系？

   护城河不是标签。

   要问：竞争对手最难重构哪条对象关系？

   是用户心智和购买行为的关系？

   是客户工作流和产品的关系？

   是数据和模型改进的关系？

   是开发者和平台规则的关系？

   是供应链和成本结构的关系？

   是组织文化和人才留存的关系？

   是生态参与者和默认入口的关系？

   如果说不出是哪条关系难以重构，护城河判断就还不扎实。

10. 它最可能在哪个对象、关系、边界或反馈上失败？

    最后必须反演。

    要问：如果这家公司失败，最可能错在哪里？

    关键对象不存在？

    客户没有真实预算？

    产品没有进入工作流？

    数据不能反哺产品？

    飞轮没有闭合？

    边界画得太大？

    监管改变规则？

    组织无法支撑战略？

    竞争者重构了关键关系？

这一步是防止被好故事骗。

最后压缩：

十个固定问题的核心，是逼我们从公司标签进入对象世界，从收入故事进入关系结构，从增长叙事进入反馈证据，从看好结论进入失败路径。

第 34 章：本体论公司研究输出格式

有了十个问题，还需要一个固定输出格式。否则每次研究都会散。

以后 J 系统写本体论公司研究报告，可以按下面结构输出。

一、公司本体定义

先用一段话定义这家公司到底是什么对象。

格式可以是：我们不把 X 主要定义为 A，而更倾向于把它定义为 B。因为它真正改变的不是某个单点产品，而是某组对象关系。

例子：

我们不把 Palantir 主要定义为数据分析软件公司，而更倾向于把它定义为企业现实世界的对象操作层。因为它真正改变的不是数据展示，而是企业如何定义对象、连接工作流、分配权限并让 AI 参与行动。

这部分要明确：市场定义是什么，我们的定义是什么，为什么。

二、核心对象表

列出这家公司涉及的核心对象。

至少包括：客户对象；

使用者对象；

任务对象；

产品对象；

数据对象；

工作流对象；

组织对象；

资本对象；

监管对象；

竞争对象。

对象表不是越多越好，而是要标出关键对象。

每个对象至少写三点：它是什么；

为什么重要；

如果它不存在或被误判，会影响什么。

三、关键关系图

用文字或图示说明对象之间的关系。

至少要写出：谁连接谁；

连接强度如何；

是单向关系还是反馈关系；

是否进入工作流；

是否形成切换成本；

是否能被竞争者替代。

如果一家公司没有强关系，只有对象堆积，它的商业模式通常不深。

四、状态变化机制

写清楚公司让哪些对象状态发生变化。

比如：用户从陌生到默认使用；

客户从试用到深度依赖；

任务从人工到 AI 辅助；

风险从不可见到可管理；

数据从静态记录到模型反馈；

产品从工具到工作流节点。

状态变化是价值创造的证据。

五、工作流嵌入点

明确产品嵌入哪个工作流。

要写清楚：客户原来的工作流是什么；

公司产品嵌入哪个环节；

嵌入后改变什么动作；

这个环节是否高频、刚需、可验证、有预算；

客户切换成本来自哪里。

AI 公司尤其要写这一节。因为没有工作流嵌入，AI 很容易停在 demo 和工具层。

六、反馈飞轮

如果有飞轮，要具体拆。

标准格式：初始能力是什么；

用户如何使用；

使用产生什么反馈；

反馈如何改善产品/模型/网络/组织；

改善后如何吸引更多使用；

哪个环节最容易断。

禁止只写“形成数据飞轮”“形成网络效应”这种空话。

七、商业模式解释

按四层写：价值创造：改变哪个对象状态；

价值捕获：如何收费，谁付钱；

价值增强：客户越用，公司是否越强；

价值防守：竞争者为什么难以重构关系。

这比单纯写收入模式更深。

八、护城河判断

护城河要写成对象关系，而不是标签。

格式：我们认为 X 的护城河主要不是 A，而是 B 关系难以被重构。

例如：Palantir 的护城河如果成立，主要不是软件功能，而是客户对象世界、权限、工作流和 AI 行动之间的深度绑定关系。

同时要写护城河是否增强、稳定还是衰减。

九、失败路径

至少写 3 到 5 条。

每条失败路径都要落到对象、关系、反馈、边界或规则上。

不要只写“竞争加剧”“增长放缓”这种结果词。要写为什么会发生。

比如：关键对象不存在；

产品没有进入核心工作流；

数据不能反馈模型；

客户不愿开放权限；

边界被监管重画；

组织无法支撑交付；

竞争者控制更上层入口。

十、可证伪指标

最后一定要写可证伪指标。

本体论公司研究不能只给解释，还要告诉我们后续看什么来验证。

可证伪指标可以包括：客户留存；

使用频率；

工作流嵌入深度；

扩展收入；

单客户使用场景数量；

数据反馈质量；

模型能力变化；

部署周期；

续约率；

切换案例；

组织人才流失；

监管变化。

最后压缩：标准输出格式的目的，是让公司研究从“观点文章”变成“对象—关系—反馈—反证”的可复盘报告。

第 35 章：本体论公司研究检查清单

写完一篇公司研究后，必须用检查清单过一遍。

这不是形式主义，而是防误判。

1. 有没有先定义对象？

   如果文章一上来就讲收入、估值、产品、竞争，而没有定义“这家公司到底是什么对象”，就不合格。

   必须明确：我们采用什么本体定义，为什么不采用市场默认定义。

2. 有没有区分收入模式和商业模式？

   收入模式是怎么收费。商业模式是如何创造、捕获、增强和防守价值。

   如果只写订阅、广告、抽佣、API、license，就还没写到商业模式。

3. 有没有画出关键关系？

   对象之间的关系必须清楚。

   客户和产品是什么关系？产品和工作流是什么关系？使用和数据是什么关系？数据和模型是什么关系？组织和战略是什么关系？

   没有关系图谱，就容易变成对象清单。

4. 有没有识别反馈？

   任何“飞轮”“网络效应”“数据护城河”的表述，都必须拆成具体反馈。

   反馈如果不能闭合，就不能称为飞轮。

5. 有没有指出边界？

   公司的边界在哪里？它控制什么，不控制什么？它是否在扩张边界？边界会不会被平台、监管、客户或竞争者重画？

   边界不清，护城河和估值都会乱。

6. 有没有区分静态属性和动态机制？

   “用户多、数据多、技术强、品牌好”都是静态属性。它们是否能转化为机制，才是关键。

   要问：这些属性是否带来反馈、切换成本、成本优势、规则控制或客户依赖？

7. 有没有把组织当成对象研究？

   公司不是只有外部商业模式，内部组织也是系统。

   创始人、文化、人才、激励、治理、组织结构，是否匹配业务对象？如果不匹配，战略可能落空。

8. 有没有找到失败路径？

   只写成功逻辑，不写失败路径，是不完整研究。

   失败路径必须具体到：哪个对象不存在，哪条关系断裂，哪个反馈不闭合，哪个边界误判，哪个规则约束被忽略。

9. 有没有可证伪指标？

   研究必须能被后续事实修正。

   如果一篇研究没有告诉我们后续看什么指标来验证，它就是解释，不是研究。

10. 有没有避免概念漂亮但不可操作？

    本体论、系统论、飞轮、生态、平台、操作系统，这些词都很容易变成漂亮话。

    每个大词都必须落到具体对象、关系、状态和证据。

    如果不能落地，就删掉或降级。

    最后压缩：

    检查清单的作用，是把聪明解释压回机制证据。概念可以帮助我们看清世界，但不能替代对象、关系、反馈和反证。

第 36 章：最终压缩

这套本体论学习，最终不是为了多学一个概念，而是为了升级 J 系统看公司的方式。

最短压缩是：本体论负责看清有什么，系统论负责看清怎么运行，公司研究负责判断这些对象关系能否长期创造价值。

因为 AI 不只是一个新工具，它会进入对象世界，改变人和任务、人和软件、模型和数据、企业和工作流、平台和用户之间的关系。

研究 AI 公司，不能只问模型强不强，而要问：

模型进入了哪个真实对象世界？它是否改变了工作流？是否产生可验证反馈？是否能让系统能力增强？是否被权限、规则和组织结构支撑？

Palantir 提醒我们：企业 AI 的关键可能不是聊天，而是 ontology。Anthropic 提醒我们：AI 商业模式的关键可能不是 token，而是可验证工作流。Apple、Google、Tencent、Microsoft、Amazon、Meta 提醒我们：AI 会进入不同对象世界，不同对象世界决定不同商业模式。

所以，J 系统以后做公司研究，默认不要直接问“这家公司好不好”。

先问：这家公司到底是什么对象？它改变了什么对象关系？这种关系能不能形成长期复利？

这就是本体论公司研究的最终落点。

最后一句话：看公司，不要先看故事；先看对象。不要只看对象；要看关系。不要只看关系；要看反馈。不要只看反馈；还要看哪里会断。