Palantir 案例 · AI 原生转型 · 供应链
Palantir 案例｜5000 万项决策，先从每晚 3000 个订单开始
一篇有来源边界的通用磨坊案例拆解：面对约 5000 万项年度运营决策，Project ELF 如何先把每晚 3000 多个厂到仓订单连接成可重复的推荐、人工判断与结果反馈回路。
作者：Nick Zhu
通用磨坊估算，其运营团队每年需要做出约 5000 万项供应链决定。这个 Palantir 案例真正有价值的地方，并不是 5000 万项决定已经全部自动化——公开资料并不支持这个说法。
通用磨坊先选择了一条更窄的运营回路。Project ELF 每晚检查 3000 多个从工厂到仓库的订单，把它们与当前约束、产能和网络成本结合起来，为中断风险或成本机会生成建议。人仍然审阅这些建议；在公开描述的部署中，超过 70% 的建议被采纳。
这是一篇基于通用磨坊披露、Palantir 客户材料与公开访谈报道的有来源边界案例分析，不是独立审计。公开资料没有披露 ELF 的模型组合、目标函数、权限、审批阈值、合同成本，也无法说明 Palantir 对通用磨坊更广泛企业节省目标的因果贡献。
5000 万项决定是一个很吸引人的数字，却是一个很差的实施范围。
在 2024 年 3 月的 Palantir AIPCon 3 上，通用磨坊描述了一个包含 4000 家供应商、北美 200 多家工厂、每年约 120 万个客户订单的供应网络。公司估算，运营团队每年需要在这套系统中做出约 5000 万项决定，影响约 100 亿美元商品销售成本，以及服务、质量和温室气体目标。
演讲者表达的愿景，是自动化数百万项“小而重要”的决定。但已经部署的案例并不是从把整条供应链交给 AI 开始，而是先选择了一条有边界的流：从工厂到仓库的货物流转。
这正是案例值得研究的地方。“改造 5000 万项决定”是一句战略目标；“每晚检查 3000 多个厂到仓订单，识别中断和成本机会，准备建议，并观察人们采纳了什么”才是一套运营设计。
范围漏斗 · 公开数字
把决策场收窄之后，转型才变得可以运行
- 企业估算约 5000 万每年运营决定
- 需求背景约 120 万每年客户订单
- ELF 初始回路3000+每晚检查的厂到仓订单
- 访谈示例最多 500夜间评估产生的建议
- 人的响应>70%公开部署中被采纳的建议
这些数字来自不同层次与来源，不是一条转化漏斗，也不代表所有年度决定都会进入 ELF。“最多 500 条建议”来自 2024 年对通用磨坊首席供应链官的采访。
只有连接起来的计划，还不够
通用磨坊表示，这段旅程始于 2019 年：先建设连接的数据基础，之后再投资规划系统。这个顺序很重要，但它并不等于一句简单的“必须先把所有数据清理完，才能使用 AI”。
运营条件一发生变化，计划就开始过时。工厂出现劳动力短缺，产能发生变化，客户修改订单，天气影响路线。只有规划能力的网络，仍需要人们通过邮件、Excel 和会议重新拼接新的现实。
Project ELF 是 End-to-End Logistics Flow 的缩写，被描述为一套与 Palantir 共同构建的智能执行系统。它读取约束、产能和网络成本，检查数千个订单，并在发现中断或潜在成本节省机会时生成建议。
在公开证据支持的范围内，真正重要的架构变化并不是从“没有 AI”变成“有 AI”，而是从周期性优化的计划，转向一条可以持续重新评估运营状态的决定回路。
Project ELF · 有来源边界的运营回路
从一份优化后的计划，变成持续重新计算的决定
- 01运营状态厂到仓订单与当前网络条件
- 02约束产能、承诺、成本与中断信号
- 03评估每晚检查 3000 多个订单
- 04建议提出中断响应或成本机会
- 05人工判断采纳或不采纳建议的变更
- 06可见影响观察已做决定与未抓住机会的影响
下一轮从变化后的运营条件出发，而不是回到最初的计划。
公开资料没有披露具体的行动写回、拒绝处理、模型训练回路或审批配置。这张图只表达客户描述所支持的运营顺序。
超过 70% 的采纳率，是信任信号，不是准确率
这个案例中最值得关注的数字，可能并不是节省金额，而是公开报告的建议采纳率。
通用磨坊在 AIPCon 上表示，人们采纳了 ELF 超过 70% 的建议。演讲者把它解释为机器在很多时候已经达到或超过人的判断，并表示组织正接近一个阈值：其中一些决定未来可能直接交给机器。
这是客户自己的解释，不是经过验证的模型准确率。
采纳行为可能受到建议类型、用户角色、可选方案、金额阈值、置信度、时间压力，以及覆盖系统建议的成本影响。公开材料没有展示分母如何定义、不同决定类别的表现、误报率、覆盖后的结果，或一项被采纳的建议最终是否实现了预期效果。
但采纳指标仍然具有运营价值。它记录了建议进入真实工作之后，人实际采取了什么行为。它可以帮助组织发现：哪些类别已经积累了足够信任，可以扩大委派；哪些类别仍应保留明确的人工权力。
指标边界 · 70% 能说明什么
采纳、正确与自主，是三种不同主张
来源方报告
建议采纳率
>70%在公开描述的部署中，人采纳了超过 70% 的建议。
尚未披露
结果正确性
?没有公开按决定类别拆分的准确性、反事实或实际结果分析。
公开方向
机器直接行动
→客户讨论了未来阈值；公开案例并未展示普遍自主运行。
建议被采纳，并不代表它已经被证明是最优；高采纳率本身也不能决定哪些行动可以安全地变成自主行动。
数据基础是真实的，但公开规模存在冲突
通用磨坊与 Palantir 都强调，执行系统依赖更早开始的连接数据工作。但即使是最常被引用的数据基础规模，也需要谨慎处理。
在官方 AIPCon 视频中，通用磨坊演讲者说，公司把 2000 张主数据与运营数据表迁移到云端并连接起来；但 Palantir 后来发布的一页影响案例写的是，在 Palantir Ontology 上整合了 200 张数据表。
两个来源可能描述了不同子集，也可能有一个来源写错了。公开资料没有解释差异，因此我不会悄悄选择其中一个数字。
比精确表数更重要、且各来源一致支持的是：合作从 2019 年开始；通用磨坊连接了原本分散的主数据与运营数据；公司把它视为单一真相源；管理者认为这项基础工作加速了后续用例。
没有公开的是客户特定的 Ontology：对象类型、属性、关系、行动、函数、数据质量控制与权限。Palantir 文档可以说明平台支持什么，但通用平台能力不能被改写成通用磨坊已经披露的客户配置。
来源冲突 · 保留不确定性
公开记录认同数据基础，却没有给出一致的表数
AIPCon 视频 · 通用磨坊演讲者
2000 张表
主数据与运营数据表被迁移到云端并连接。
Palantir 影响案例
200 张表
主数据与运营数据表被整合到 Ontology。
公开资料没有解释 200 与 2000 的差异，因此本文把精确数字保留为未解决问题，也不根据通用产品文档推断通用磨坊的 Ontology schema。
随着运营范围扩大，价值主张也发生了变化
2024 年 3 月，通用磨坊报告 ELF 平均每天节省约 4 万美元，折合每年约 1400 万美元，而当时系统只部署在部分网络。Palantir 在影响材料中继续引用这项客户表述。
这个数字有意义，但有明确边界。公开资料没有披露基线、计算方法、项目成本、避免成本的确认规则或独立审计。因此，它应被表述为通用磨坊的客户报告，而不是平台保证的结果。
之后的公司披露显示运营范围进一步扩大。在 2024 财年业绩中，通用磨坊表示，数字能力让其部分大型工厂生产线的浪费减少了 20%，物流优化预计每年减少 100 万英里的公路运输。这些属于公司层面的多项数字计划；该披露没有把所有结果归因于 Palantir 或 ELF。
在 2025 年 10 月的通用磨坊投资者日上，Paul Gallagher 描述 ELF 已经与一家大型零售商实现系统到系统连接。他表示，这条流通过减少卡车累计减少了 1.5 万吨碳排放，并把订单组合成整车的优化工作从 18 小时压缩到 30 分钟以内。这些是项目演进后的客户报告结果，并不是 2024 年最初部分部署时的数字。
2026 年 7 月，通用磨坊宣布计划在截至 2030 财年的四年内累计节省 30 亿美元。其中约 20 亿来自长期的 Holistic Margin Management 项目；其余 10 亿来自全球转型与其他效率措施，包括供应链网络重构和业务流程精简。公司没有表示这 30 亿将全部由 Palantir、ELF 或 AI 实现。
演进 · 不要混合不同主张
有限范围的用例逐步扩大；企业节省目标是另一项主张
- 2019连接数据基础连接分散的主数据与运营数据
- 2023–24ELF 决策回路每晚 3000+ 订单；建议仍由人审阅
- 2024.03部分部署客户报告约 4 万美元/天，约 1400 万美元年化
- 2025.10系统到系统连接客户报告 18 小时→<30 分钟、减少 1.5 万吨碳
- FY27–30企业目标30 亿美元覆盖 HMM、转型与其他效率项目
2026 年公布的 30 亿美元，是通用磨坊面向未来的企业级计划。公开资料没有把全部金额——或一个明确比例——归因于 Palantir、ELF 或 AI。
人在回路，是一个运营状态，不是一句口号
2024 年的演讲对未来方向表达得很直接：建议“今天”仍然交给人，未来则希望让人退出适合机器处理的决定回路。
我不会把这句话扩展成“人工审阅永远只是过渡态”的普遍规则。它描述的是一家企业针对高频供应链决定的方向。正确边界取决于决定后果、可逆性、置信度、合同承诺、控制要求，以及执行后能获得什么证据。
更重要的线索，是通用磨坊表示正在围绕系统建设的内容：标准化采纳指标、技能提升与重塑、各处的变革推动者，以及对“已经做出的决定”和“没有做出的决定”所产生影响的可见性。
这不是一张软件功能清单，而是一套逐步赢得委派权的运营模式。
系统可以从建议与人工审阅开始。随着证据积累，一些决定类别可以进入更轻的审阅，或在明确边界内自动行动；例外、高后果承诺与状态不清的决定，继续交给可识别的人类 owner。边界应该因为测量证据而移动，而不是因为自主化路线图要求它移动。
委派阶梯 · Nick 的运营解读
每次只为一种决定类别赢得自主权
- 01观察系统呈现状态与机会，由人决定证据：运营状态是否可信？
- 02建议系统提出有限变更，由人审阅证据：采纳行为与覆盖原因
- 03批准后行动获批建议改变运营系统证据：实际结果与可恢复性
- 04边界内行动低后果类别在明确限制下执行证据：例外、漂移与控制表现
- 人的终局角色拥有边界人定义意图、限制、升级、覆盖与最终责任不是每一种决定都需要相同终点
这是我的可迁移框架，不是通用磨坊已经披露的审批设计，也不是要求每一项决定都走向自主化的成熟度模型。
公开案例支持什么，又没有披露什么
最强的证据，是运营回路的形态和客户报告的部署数字。通用磨坊公开描述了决定规模、夜间订单范围、输入、建议、人工采纳率、部分部署节省与后续物流结果。
当案例指标被扩展为因果或普遍主张时，证据就开始变弱。公开材料无法计算 Palantir 的独立 ROI，不能把通用磨坊更广泛的成本项目归因于一个平台，也不能证明“70% 被采纳”等于“70% 正确”。
具体实现同样没有公开。我们不知道客户特定的 Ontology、模型、优化目标、各字段刷新频率、审批规则、行动权限、覆盖机制、事故恢复或商业条款。
这些边界并不会降低案例价值，反而帮助我们找到真正可以迁移的部分：一项宏大的转型愿景，只有在企业选择了一条重复出现的决定流、连接最小充分的运营上下文、把建议交给真实 owner、记录采纳行为并呈现影响之后，才变得具体。
建立一份 Decision Loop Record
为组织中一项高频运营决定，记录：
- 结果： 这项决定要保护或改善什么业务状态？
- 决定类别： 反复发生的具体选择是什么——而不是整个流程或部门？
- 频率与数量： 多久发生一次？每轮有多少实例进入？
- 运营范围： 包含哪些订单、产品、地点、客户或时间窗口？
- 权威状态： 哪些当前事实与时间戳可以被信任？
- 约束与选项： 什么限制决定？允许采取哪些行动？
- 人工权力： 谁可以采纳、修改、执行、覆盖并拥有结果？
- 证据： 如何测量采纳、覆盖、实际影响、失败与机会成本？
- 委派规则： 什么证据可以支持改变这类决定中的人工角色？
这份记录不是 Palantir 实施规格，也不是要求先建设企业级 Ontology。它的作用，是把抽象的自动化愿景变成一条可以测试的有限决定回路。
上一篇 Wendy’s QSCC 的 Palantir 案例沿着一个短缺例外走到订单下达；AI 原生运营模式：从组织架构到工作图谱解释结果、决定、上下文、行动、证据、例外与最终责任如何组成 Work Graph。通用磨坊进一步展示了另一层：企业可以如何利用建议采纳与可观察影响，有意识地逐步移动人机边界。
如果团队内部还无法定义决定类别、证据与权力边界，FDE Delta 运营合作可以在业务范围清楚之后成为一个克制的下一步。它不代表 Palantir 实施、系统选型、架构认证或节省保证。
来源与方法
主要案例来源包括通用磨坊的 AIPCon 3 演讲、Palantir 的通用磨坊影响案例、通用磨坊的 2024 财年第四季度说明、2025 投资者日材料，以及 2026 年 7 月的节省计划公告。我也使用 Supply Chain Dive 对 Paul Gallagher 的采访与 CFO Brew 对 Dave Jackett 的采访补充运营背景。
公开来源主要是公司、客户、供应商与活动材料。我为绩效表述保留了来源归属，明确呈现 200 与 2000 张表的冲突，把 2024 年部分部署的主张与后续结果分开，也没有把通用磨坊 30 亿美元企业目标归因于 Palantir。六张图均为我在公开证据边界内形成的分析视图，不是客户提供的架构图或治理图。