Palette获300万欧元Pre-seed轮：企业AI应让模型可换、让上下文持久

企业引入AI的过程，正从一小撮工程师的秘密武器，变成一场部门间的军备竞赛。销售团队用AI自动生成客户跟进邮件，运营团队靠它抓取竞品数据，产品经理拿它写需求文档。但问题随之而来：每个团队用的是不同的AI模型和工具，每次切换新模型，企业辛辛苦苦积累的“教AI怎么干活”的上下文和经验，就得从头再来。模型越换越新，企业沉淀却被一次次清零。这种“模型失忆”现象，正成为企业AI规模化部署中最棘手的内耗之一——它意味着每一次技术换代都伴随着组织知识的强制蒸发。

这是2025年成立于哥本哈根的Palette想要解决的核心矛盾。这家由四位连续创业者创办的AI软件公司，试图在企业内部搭建一个“模型可换、上下文持久”的操作系统层。2026年8月11日，Palette宣布完成300万欧元Pre-seed轮融资，领投方是Ugly Duckling Ventures，参投方包括Emblem、Acadian Ventures以及一批未披露姓名的天使投资人。这是该公司在档案中可确认的首轮融资，资金将用于扩大销售团队和持续平台开发。

把AI模型变成可替换的“引擎”，而非唯一的“底盘”

Palette的产品逻辑，用一个比喻来说，就是把AI模型比作汽车引擎，而企业的业务流程、数据和经验是车身和内饰。目前多数企业用AI的方式，相当于每买一台新引擎就得换一辆新车。Palette要做的，是设计一个标准化的底盘和接口，让引擎可以随时拔插升级，而车身和内饰——也就是企业的内部上下文、工作流程和知识——始终保持完整。

联合创始人Brian Kyed在接受科技媒体Tech.eu采访时明确表达了这一立场：“永远会有更先进的模型。负责任地采用AI的方式，就是让模型可替换，同时让公司上下文持久。这正是我们在Palette构建的。”

这一主张的技术实现路径分为三层。核心层是一个公司自有的上下文库（context library），存储企业的内部知识、流程规则和历史交互记录。它不是简单的日志存档，而是能够将每次人机协作的“教学成果”沉淀为结构化认知资产。这意味着，当模型发生替换时，新模型可以像访问一本不断更新的操作手册一样，快速适配企业的特殊术语、审批逻辑和业务偏好，而非从零开始重新训练。中间层是一套共享AI技能（shared AI skills），可以理解为封装好的、可复用的AI能力模块。这些模块可能涵盖从自动生成合规报告到多步骤数据分析的常见任务，使得不同团队可以调取同一套已验证的AI流程，避免重复造轮子。最上层是一个正在开发中的连接器网关（connector gateway），其设计目标是允许企业一次性连接某个工具（如Slack、Salesforce或内部数据库），然后在多个AI代理之间通用，无需反复集成。这三层结构共同构成了一种“AI代理的运行环境”，其目标不是取代模型，而是让模型在企业的既定轨道上运行。

这种架构听起来很像企业软件领域一贯追求的“中间件”逻辑。但Palette的差异点在于，它的抽象层不是作用于数据库和应用之间，而是作用于AI模型和企业认知资产之间。这使得它更接近于一个“AI原生团队的协作操作系统”，而非传统的集成平台。在传统中间件中，数据的格式和接口是稳定的，需要被连接的系统是变量；而在Palette的设想中，模型是变量，企业如何理解和使用数据的方式才是常量。

从桌面端切入，先让非工程师能指挥AI干活

Palette已推向市场的第一个产品是Palette Desktop应用。受访材料显示，这款桌面工具已进入商业使用阶段并拥有付费客户，用户可以直接在自己的文件和文件夹上部署Claude Code、Codex等AI代理。

值得关注的是早期用户画像。首批付费客户包括销售、运营和产品开发团队，而非仅局限在工程部门。这意味着Palette试图覆盖的人群，并非已经有能力自行搭建AI工具链的技术团队，而是那些有明确业务需求但缺乏工程资源的非技术团队。联合创始人没有公开具体的客户名称或数量，但这一使用场景的选择本身揭示了Palette对市场的判断：AI在企业的采用正从工程部门溢出到业务部门，而非工程师的用户，需要的不是更强大的模型，而是更低的门槛和更稳定的上下文环境。对于这些用户来说，他们并不关心底层模型的参数规模或架构创新，他们关心的是AI能否记住上一封谈判邮件的内容，或者是否理解公司内部的报价策略——而这些恰恰是“上下文持久”所要解决的核心问题。

Palette Desktop给用户提供的控制权包括：可以根据速度、成本或安全性需求，选择使用云端模型或本地模型。当处理敏感信息时，用户可切换至本地模型以获得更强的数据控制权。这一设计直接回应了欧洲市场对数据主权和隐私合规的苛刻要求，也暗合了当前企业AI部署中“混合模型路由”的趋势——即不同任务路由至不同模型执行，而非依赖单一模型处理一切。在实践中，这可能意味着一个产品团队的文案优化任务可以使用高性价比的云端模型，而处理人力资源敏感数据时则无缝切换至本地模型，全程无需改变用户的操作界面和已积累的上下文。

在一个已显拥挤的方向上，Palette凭什么说自己不同

当前企业AI基础设施赛道上并不缺玩家。从大型云厂商的AI平台到各类AI编排（orchestration）工具，再到Model-as-a-Service提供商，企业有多种方式获取模型调用能力。但Palette试图切割出的细分定位，是“模型中立的操作系统”——这不是一个模型供应商，也不是一个简单的API聚合层，而是一个试图管理企业内部AI使用方式的平台层。

不过，档案中未披露Palette的明确竞品名单，现有材料也没有提供可对比的公司数据。从产品描述来看，Palette的竞争威胁可能来自两个方向。一是现有协作平台（如Notion、Microsoft Loop）正在嵌入AI能力，且这些平台已经拥有企业内部的上下文积累和用户关系。如果这些平台逐步开放自身的模型可替换能力，Palette所主张的核心价值就可能被吸收为一项功能特性。二是Databricks、Snowflake这类数据基础设施厂商，也正向上构建AI管理层，试图把模型调用和公司数据资产绑定。这种路径的优势在于，数据存储本身就带有大量上下文，模型管理可以作为数据治理的延伸自然生长出来。Palette的防御壁垒，在于它能否在“模型可替换”这一主张上建立起足够深的集成网络和用户依赖，但这目前还处于早期验证阶段。

领投方Ugly Duckling Ventures的合伙人Andreas Green Rasmussen试图从团队维度回应这一竞争不确定性。他表示：“我们之前就与这支创始团队合作过，这是我们所支持的团队中最强、最完整的一支。他们在AI工作方式的趋势变得显而易见之前，就已经看清了方向。我们相信Palette能成为整个公司范围内团队采用AI的操作层。这也是我们领投此轮的原因。”来自知名投资人的背书是重要的信号，但团队能力和市场验证之间仍有距离。行业历史反复证明，即使是经验最丰富的创始人，也可能在平台型产品的“冷启动”和“生态临界质量”上遭遇挑战。

Pre-seed轮的结构和信号：老钱庄投熟人，但商业化路径尚不清晰

300万欧元的Pre-seed轮融资，放在2026年哥本哈根的AI创业生态中，规模并不算大。本轮由本地风投Ugly Duckling Ventures领投，Emblem和Acadian Ventures参投，天使投资人名单未公开。

这一投资组合透露了两个信息。其一，领投方与创始团队有历史合作记录，这意味着此轮投资带有明显的“熟人下注”色彩，而不仅是冷启动的市场判断。对于一只聚焦早期阶段的风投而言，基于对团队执行力的深度信任下注是常见策略，但这同时也意味着外部独立信号相对薄弱——尚未有跨区域或跨赛道的机构投资者进入验证。其二，参投方中没有出现大型科技企业风投或战略投资者，表明Palette当前阶段更倾向于独立发展，尚未与某个特定模型厂商或云平台绑定。这在逻辑上与Palette“模型中立”的定位一致——如果接受了某个AI模型厂商的投资，其中立性主张就会大打折扣。保持资本结构的纯粹性，可能是其早期有意为之的战略选择。

商业模式方面，档案并未披露Palette的收费方式。从产品形态（桌面应用加企业级操作系统）和已拥有付费客户的线索推断，其商业模式大概率是面向企业团队的B2B SaaS订阅，但具体定价策略、客单价和营收规模均为未披露状态。这是一个关键的待观察变量：如果客单价偏低，300万欧元的融资可能仅够支持12-18个月的团队扩张和产品开发；如果客单价较高且客户获取效率不错，则可能快速迈向下一轮。无论如何，在Pre-seed阶段，付费客户的绝对数量和收入增长曲线，比静态的商业模型描述更能决定下一轮融资的议价能力。

资金投向销售和产品，但真正的挑战是证明“上下文持久”有商业价值

根据公开信息，本轮资金有两个明确用途：扩大销售运营和团队，以及继续开发和推出Palette平台。这是典型的Pre-seed阶段资金分配方式——一边打磨产品，一边验证市场。

在技术侧，Palette还需要完成几个关键工程。连接器网关的开发进度、上下文库里知识沉淀的自动化程度、以及如何在多模型切换时保证性能一致性，都是需要工程资源持续投入的方向。目前披露的信息中，Palette OS仍处于向设计合作伙伴提供的阶段，尚未大规模商业发布。这意味着产品核心功能仍有待验证，特别是上下文库在面对频繁的模型更替时，能否保持足够低的语义漂移和足够高的知识复用率，将直接决定其技术主张是否成立。

在商业侧，更根本的挑战在于：Palette所主张的“上下文持久”价值，需要客户使用足够长的时间、积累足够多的数据后才能真正感知到。换句话说，这并非一个开箱即用的即时价值主张，而是一个需要长期使用才能兑现的锁定效应。如果客户在使用初期就切换到其他方案，上下文积累的价值就无从谈起。这是所有“平台型”产品的共性问题，但对Palette而言，在尚未建立足够厚的上下文库之前，它必须靠产品体验和团队效率来留住早期客户，而非靠锁定效应本身。这种“延迟满足”式的价值兑现，对销售团队的说服能力提出了很高要求，尤其当客户面对短期成本压力时，容易被更直接提升效率的工具所替代。

另一个未在档案中被提及但值得关注的风险是：AI模型本身正在变得越来越擅长记忆和迁移上下文。如果未来基础模型厂商在模型层面解决了跨会话的上下文持久问题，Palette所构建的中间层价值就面临被向下兼容的风险。当然，企业级别的权限控制、审计合规和多模型统一管理，仍然是独立平台可以提供的价值，但这些能力的商业化壁垒有多高，需要更长时间来验证。一种可能的演变路径是，基础模型厂商提供较低层次的“记忆API”，而Palette这类中间件提供更高阶的知识治理和跨模型编排——但这一分工能否确立，取决于模型厂商是否愿意将上下文管理层让渡给第三方。

编辑推断：一个踩在关键趋势上的早期赌注，但验证路径漫长

综合档案信息和公开材料，RecodeX编辑团队对Palette本轮融资的判断如下。Palette捕捉到了一个真实且正在扩大的企业痛点：AI模型快速迭代与企业内部知识沉淀之间的矛盾。其“模型可替换、上下文持久”的产品主张，在方向上与企业的长期利益一致。创始团队拥有连续创业经历和投资人背书，降低了早期团队风险。

但需要清醒看到的是，Palette目前仍处于非常早期的阶段。其核心产品Palette OS尚未大规模商业发布，商业模式和营收数据未披露，竞争格局的界定也较为模糊。300万欧元的Pre-seed轮融资，给公司提供的验证窗口期大约在12至18个月。在此期间，Palette需要完成至少三件事：证明Palette OS能从设计合作伙伴阶段走向付费客户规模化采用，建立至少一个可量化的“上下文持久带来商业收益”的案例，以及在模型中立定位上建立足够深的集成网络，以应对来自协作平台和模型厂商的两头挤压。如果这三项验证中任何一项延迟，后续融资的难度都可能显著上升，因为这会让市场对其“操作系统”定位产生质疑——一个无法被量化和普遍采用的操作系统，最终只能是一个功能强大的插件。

RecodeX 极客视：Palette想在企业里铺一层让AI模型“即插即用”的操作系统，这个主张踩准了模型快速迭代带来的锁定风险。但“上下文持久”的价值需要客户用时间去验证，而留给这家哥本哈根初创公司的现金跑道并不长。2027年底回头再看，Palette是成为欧洲企业AI基础设施的一颗重要棋子，还是又一个方向正确但商业化太慢的遗憾案例，取决于它在未来一年能否把设计合作伙伴关系转化成可重复的收入。