如果说过去两年 AI 领域有什么共识，那大概是“所有软件都值得被重写”。但这个共识有一个巨大的盲区：它默认目标用户是坐在屏幕前的知识工作者。Copilot、ChatGPT Enterprise、Notion AI——它们争夺的是全球大约 30% 的白领生产力。而另外 70% 的人在哪里？在发电厂的控制室里、在货运港口的调度塔台上、在制造车间的产线旁。这些地方的软件堆栈可能已经运转了二十年没有更新，数据躺在 SAP 或某个 Excel 宏里，而每一次流程升级都意味着一场昂贵的、以年为单位的系统迁移赌博。
2026 年 7 月，一家名为 Arrakis 的欧洲初创公司从隐身模式浮出水面，它试图回答一个问题：如果把大模型带到这些布满灰尘的操作系统里，会发生什么？答案是，一家纽交所上市航运公司的采购周期缩短了 90%，公司旨在将现金流可见性从月度改善至日度，并声称实现了实时可见性。这个数字出现在 Arrakis 的早期客户清单上，与此一同出现的是总额约 3800 万美元的融资和一个估值 1.4 亿美元的公司。
| 字段 | 内容 |
|---|---|
| 公司 | Arrakis |
| 轮次 | A 轮 |
| 金额 | 3000 万美元（总融资额约 3800 万美元） |
| 投资方 | Blossom Capital 领投，Accel、GFC、MainObject、Rerail 跟投；个人投资者包括 Datadog CEO Olivier Pomel、OpenAI 商业产品主管 Olivier Godement 及 Junaid Hussein |
| 总部 | 伦敦与巴黎 |
| 创始人 | Rafael Quintanilla、Haroun Beltaifa、Romain Fouilland、Mikhail Galkov |
| 官网 | https://www.arrakistechnologies.ai/ |
用“前向部署工程师”缝合最后一公里：工业 AI 代理不是即插即用
Arrakis 的产品描述听起来并不陌生：模型无关的企业级 AI 平台，在航空航天、能源、物流、制造、建筑和电信行业的运营工作流中部署定制 AI 代理。但真正让这家公司与 SaaS 时代的“平台”叙事拉开距离的，是它的交付方式。
Arrakis 的核心交付单元不是软件许可证，而是人。公司称之为“前向部署 AI 工程师”（forward-deployed AI engineers），他们的工作是坐在客户的工厂、控制室或运营中心里，与一线操作员和经理一起，把 AI 代理嵌入到现有的系统中——不是替换掉 SAP 或某个老旧 MES，而是在它们之上加上一层智能代理层，读取数据、执行操作任务、向人类发出决策建议，并在人类做出修正时“学习并开始编码化那些操作员的知识”。
这种部署方式在 Palantir 的早期岁月里曾反复出现。事实上，Arrakis 的四位联合创始人中有多位 Palantir 前员工，CEO Rafael Quintanilla 此前在 Accel 负责国防与工业韧性赛道的研究。他对这种“人机协同”交付模式并不陌生，也清楚它在工业场景中的必要性：工厂经理不会因为一个 API 接口漂亮而签单，他们需要看到谁在凌晨三点故障报警器响起时能解决问题。
平台的模型无关设计则指向另一个现实考量。工业客户——尤其是欧洲的工业客户——对模型锁定极度敏感。Quintanilla 在接受 Fortune 采访时转述了一位瑞士 C-suite 高管的话：“当我们开始这一切时，所有人都说我们必须上 Copilot。”但 Arrakis 的路线是先用 OpenAI 或 Anthropic 的商用模型快速建立价值证明，然后在客户许可的前提下逐步切换到 Mistral 等开源方案，甚至考虑中国模型供应商。公司声称其自研的“胖包装层”（fat harness）可将输出质量提升两到四倍，同时把 token 成本削减约 70%。这是公司自己的说法，目前缺乏独立第三方的验证，也没有披露测试环境的具体参数。但 Arrakis 将这一技术决策包装在产品架构中的逻辑是成立的：在工业运营这个对成本极度敏感的领域，每百万 token 的价格差可能决定一个用例能否跑通。
把半条命押在客户 KPI 上：与成果挂钩的收费是一柄双刃剑
Arrakis 在商业模式上的选择比它的技术路线更大胆。公司表示“将显著比例的收费直接与客户成果挂钩”，Quintanilla 透露大约一半的费用取决于客户是否达成特定的绩效目标。这种定价机制在早期 SaaS 领域偶尔出现，但在面向大型工业企业、以定制化代理交付为主营业务的公司里，几乎是闻所未闻。
这一选择有其战术精准性。工业客户在评估 AI 投资时最大的阻力不是预算，而是信任赤字。一个 CFO 可能已经经历过两轮“数字化转型”咨询项目，每一轮都耗资千万、历时三年，最后留下一堆没人用的看板。而 Arrakis 的做法本质上是把一部分执行风险从客户转移到自己身上：如果代理没有减少采购周期、没有改善现金流可见性、没有砍掉手工操作时间，那就别想收到全额费用。
但它也带来一个直接的财务约束：在收入规模化之前，现金流的不确定性会明显高于传统的 SaaS 订阅制。Arrakis 目前只有五个客户，这个基数极小。每一个新客户的绩效挂钩结构会让毛利率的预测变得困难，尤其是在客户 KPI 定义存在模糊空间的时候——什么是“可衡量的回报”？由谁来定义基线？如果客户的流程本身存在严重管理问题，AI 代理的改善效果被组织摩擦力抵消，费用怎么算？公司尚未披露其客户合同的条款细节，这些空白只能等待后续融资轮次或公开文件来填补。
从投资人的表态来看，这种模式被理解为早期市场渗透的杠杆。Blossom Capital 管理合伙人 Ophelia Brown 说团队“正在应对大型工业组织面临的一些最复杂的运营挑战”，并强调“早期客户的牵引力证明了机会的规模和市场对可衡量成果的需求”。不过，“早期牵引力”在五个客户、六个月运营时间的尺度上，距离可复制性还有很长的距离。
Palantir 在左，咨询巨头在右：一个 AI 原生操作系统的空间有多大？
Arrakis 的竞争格局是一个怪异的三角。一边是 Palantir，一家在工业运营和国防领域扎根二十年的上市公司，拥有极其深厚的政府和大型企业关系网络，但其技术栈诞生于大模型爆发之前，目前正急于在其 Foundry 和 Gotham 平台上嫁接 AI 能力。另一边是咨询巨头——埃森哲、麦肯锡的数字部门和四大会计师事务所的转型服务线——它们手里握着大部分工业企业的数字化预算，但在将 AI 代理真正部署到生产环境这件事上，依赖的是大量初级顾问的手工作业，而不是自己的可复用平台。第三股力量是 AI 前沿实验室本身，它们在面向消费者和知识工作者的产品之外，开始将触角伸向实体产业。
Quintanilla 试图将 Arrakis 与三者区分开的方式值得细读。他并不直接攻击对手的产品能力，而是攻击它们的交付节奏和商业模式。他说，Palantir 式的“大项目转型宣言在纸面上听起来性感，在短期内可以推高股价，但我在董事会会议室里听到的是 CEO 们已经受够了供应商不愿意承诺短交付周期。”而咨询公司的问题则是缺乏技术纵深和自有平台，无法持续迭代。至于前沿实验室，它们的目标是做“飞机核心工程层面的 AI”，而 Arrakis 希望做“围绕这一切的所有运营 AI 层”。
但这个定位有一个尚未被验证的假设：工业客户真的需要一个独立的“运营 AI 层”吗？如果 Palantir 加速迭代其 AI 能力，如果某个咨询公司与 OpenAI 或 Anthropic 建立深度绑定、用定制化的前沿模型来直接交付结果，Arrakis 的“模型无关平台加前向部署工程师”组合是否仍然是更优解？目前没有足够证据回答这个问题。公司的现存客户数据仅限于五个未披露名称的企业、一个采购周期缩减 90% 的案例、以及现金流可见性从月度变为日度的描述。这些都是强有力的早期信号，但样本太小，无法得出可泛化的结论。
来自 Accel 前投资人的“内部创业逻辑”：为何投资者在 2026 年仍然为工业 AI 开大额支票？
Arrakis 的 A 轮有一个在叙事上无法忽略的要素：CEO Rafael Quintanilla 曾是 Accel 的投资人。他花了将近一年时间在美国、欧洲和中东之间穿梭，为 Accel 构建国防与工业韧性赛道的投资逻辑，期间接触了大量工业公司、政府机构和初创企业。Accel 合伙人 Sonali De Rycker 的表述直接点明了这一层的信任基础：“在 Rafa 身上，好奇心、拼劲和不知疲倦的驱动力是罕见的组合。在 Accel 工作时与他密切合作后，现在以创业者身份再次与他共事是我们的荣幸。”
这种“前投资人创业、老东家领投”的案例在风投行业并不稀奇，但它通常暗示着几件事：创始人拥有非公开渠道观察行业痛点的信息优势；投资人对创始人的执行力有过近距离检验，不需要仅靠一场路演来判断；以及这轮融资在正式启动前可能已经有了非正式的意向基础。
Arrakis 的投后估值达到 1.4 亿美元。以五个客户、约 15 名员工、六个月运营时间为基准，这个估值显然不是建立在当前收入或客户数量上的，而是建立在一个宏观叙事之上——西方世界的重新工业化压力。美国和欧洲政府在 2024-2026 年间持续加大对国内制造业、清洁能源基础设施、半导体供应链和国防工业的投资，这些资金最终需要转化为能够与亚洲制造效率相竞争的生产力水平。而大多数 AI 投资仍集中在白领工具上，工业运营端的智能化存在明显缺口。Quintanilla 反复强调的“70% 对 30%”正是这个逻辑的缩影。
Blossom Capital 的 Ophelia Brown 也用了一个精准的区分：“许多公司专注于企业边缘的 AI 应用，而 Arrakis 正在应对大型工业组织面临的一些最复杂的运营挑战。”这句话的潜台词是，在 Blossom 的投资组合逻辑里，Arrakis 被放在一条比“另一个企业 Copilot”更深的战壕里。当然，“更深的战壕”也意味着更慢的销售周期、更高的集成风险和更苛刻的客户要求。
资金将投向何处：从伦敦到纽约再到中东的三角扩张
在资金用途上，Arrakis 给出了三件具体的事：将员工数量增加三倍、加强平台与安全能力、加速在欧洲、美国和和中东的扩张。公司目前约 15 名员工，计划在纽约和中东开设办事处。
中东北非地区出现在一家欧洲工业 AI 公司的扩张地图上值得关注。从宏观角度看，海湾国家正在用主权基金大规模投资非石油经济，制造业、物流枢纽和智慧城市项目遍地开花，但它们极度缺乏将这些资产高效运营起来的技术能力和人才。Arrakis 的“前向部署工程师加 AI 代理”模式，如果能在当地找到一个愿意支付溢价的客户作为锚点，可能比在美国市场直面 Palantir 的竞争更容易落地。但中东市场的监管环境、数据主权要求和本地合作伙伴的寻找，对一个仅有 15 人的初创公司而言都是不低的门槛。
纽约办事处的设立则指向另一个目标：靠近美国东海岸的金融与物流产业集群，以及——不容回避的一点——进入美国工业客户和国防供应链的视野。Quintanilla 在 Accel 期间建立的对美国国防与工业韧性赛道的理解，可能正在转化为一场从欧洲发起、以美国为主战场的扩张。但目前没有公开信息表明 Arrakis 已经与美国政府或国防承包商签署了任何合同。
平台和安全能力的加强则指向一个更实际的工程需求：当 Arrakis 的代理被部署到能源基础设施或航空航天供应链的核心操作环节时，安全审计和合规要求会急剧上升。公司宣称“客户数据和知识产权归客户所有，绝不用于第三方模型训练”，并“以最严格的数据与安全标准运营”。这些都是正确的承诺，但在 SOC 2、ISO 27001、甚至可能的 FedRAMP 等认证体系面前，一个 15 人团队需要投入的实际工程和组织成本是可以预见的巨大。对于工业客户而言，这些资质往往是签单的硬性前提，而获得它们通常需要 12 到 18 个月的时间和数百万美元的成本。
欧洲工业的 AI 悖论：最需要转型的企业，也最难被说服
Arrakis 的总部设在伦敦和巴黎，这本身就是一个信号。欧洲拥有全球最密集的精密制造、航空航天和能源产业集群之一，但它同时也是 AI 落地速度最慢的市场之一。原因不只是技术基础设施的老化，更在于决策文化的保守。一个瑞士精密零件制造商或一个德国汽车供应商，可能要求 AI 供应商先通过长达数月的内部审计、工会协商和法务审核，然后才允许将任何代理接入其产线边缘。
Quintanilla 对这种“保守”的看法是双刃的。在接受 Fortune 采访时，他的表述是：“他们思考长期，他们可以推动自上而下的倡议被执行，我可以与这些人建立非交易性的关系。”这是在强调一旦签下客户，续约率会很高，合作关系会深入。但这句话同时也承认了销售周期会很长，从接触到签单可能需要数月甚至一年以上。对于一个 A 轮公司而言，在五六个正在进行的概念验证项目中途耗尽现金或投资人耐心，是真实存在的风险。
Arrakis 目前已披露的客户包括在纽约证券交易所上市的能源、物流和工业企业——这意味着这些客户可能更接近美国资本市场对效率和回报的要求，而不完全是典型的、以长决策链著称的家族型欧洲工业集团。这些客户是否能够代表更广泛的欧洲工业基础，仍然是一个疑问。
集成风险与待验证假设：五个客户的故事能讲多大？
整个 Arrakis 的叙事建立在几个核心假设上。第一个假设是，工业客户愿意让一家初创公司将 AI 代理接入到其核心运营系统中，并且这个过程可以控制在“数周而非数季度”的时间尺度内。但工业 AI 项目最常见的失败原因恰恰是集成——老旧系统的 API 缺失、数据格式不一致、操作流程中有大量只有特定工程师才懂的隐性知识。Arrakis 用“前向部署工程师”来对抗这个风险，这个策略有效的前提是公司能够持续招募到愿意长期派驻工厂一线、兼具工业领域知识和 AI 工程能力的人。目前团队中有来自 ASML 和 Palantir 的校友，这证明创始团队有能力吸引这类人才。但将 15 人规模扩大到 45 人甚至更多时，人才的稀缺性会成为瓶颈。
第二个假设是，基于结果的定价模式可以规模化。前文已讨论过这一模式在合同条款、毛利率和客户预期管理上的挑战。这里需要补充的是：当客户数量从五个变成五十个时，如果每个客户的绩效指标都需要定制化定义，那么 Arrakis 的销售运营成本结构可能向咨询公司靠拢——高人力密度、中等毛利率——而不是像典型的平台型公司那样具备规模效应。
第三个假设是，模型无关的策略能够在长期内为客户创造真正的粘性。这个假设面临的挑战不是技术性的，而是商业性的。如果未来两年内，某一家前沿实验室在工业操作特定任务上展现出碾压级的性能优势，Arrakis 的“胖包装层”所声称的质量提升和成本优势是否还能构成足够的差异？公司目前没有公开其包装层的技术细节或独立的基准测试数据，在缺乏外部验证的情况下，这些能力必须被谨慎看待。
Arrakis 在六个月内从一个投资人的行业研究笔记变成了一家手握 3800 万美元、五个客户（其中包括纽交所上市企业）和 1.4 亿美元估值的公司。它的速度已经足够快。但工业 AI 这个赛道从不会奖赏最快的起跑者——它奖赏的是那些能在老旧 SCADA 系统、倔强的工厂主管和冗长的合规流程中活下来，并且持续交付可验证结果的人。Quintanilla 和他的团队已经拿到了第一张入场券，接下来的问题不是“有没有需求”，而是“能不能扛到需求爆发的那一天”。
RecodeX 极客视：Arrakis 身上有两个几乎相互矛盾的特质：它在产品交付上极度务实——派工程师下车间、不轻易让客户替换现有系统——但在商业模式和估值叙事上又极度激进，把半条命押在客户 KPI 上，同时向投资人讲述一个“西方再工业化操作系统”的巨大故事。这种张力在早期阶段不是缺陷，反而是它区别于传统 SaaS 公司和咨询公司的识别标记。但如果 2027 年底之前 Arrakis 不能将其五个客户的案例转化成可公开验证的规模化指标和行业认证，市场会开始质疑它是否只是完美捕捉了一个宏大叙事的时间窗口。