行业资讯 合集 · 大模型及AGI

德勤押注「企业知识层」:拆解 Edisyl 与它的 Knowledge Pack

德勤押注「企业知识层」:拆解 Edisyl 与它的 Knowledge Pack 企业 AI 失败不是因为模型不够聪明,而是因为缺少准确的上下文——这是德勤新公司 Edisyl 的全部生意逻辑。 11 月 12 日,德勤(Deloitte)公告推出企业 AI 公司 Edisyl。这家公司脱胎于德勤今年 7 月完成的一笔「拆分式」收购:买下链上数据公司 Flipside Crypto 的 AI 业务,加密数据业务则另行卖给了 Sonaverse。Flipside 原有的 24 人运营团队整体并入 Edisyl,前 CEO Dave Balter 出任联合创始人。

所属合集 大模型及AGI 第 4 / 4 篇

德勤押注「企业知识层」:拆解 Edisyl 与它的 Knowledge Pack

企业 AI 失败不是因为模型不够聪明,而是因为缺少准确的上下文——这是德勤新公司 Edisyl 的全部生意逻辑。

11 月 12 日,德勤(Deloitte)公告推出企业 AI 公司 Edisyl。这家公司脱胎于德勤今年 7 月完成的一笔「拆分式」收购:买下链上数据公司 Flipside Crypto 的 AI 业务,加密数据业务则另行卖给了 Sonaverse。Flipside 原有的 24 人运营团队整体并入 Edisyl,前 CEO Dave Balter 出任联合创始人。

四大咨询公司里,德勤不是第一个喊 AI 的,但这次的动作值得单独拆开看:它没有把收购团队塞进咨询部门做交付,而是放进独立创投组合 D71 Ventures,做成了一家卖「知识层」的产品公司。

一、交易拆解:买的不是代码,是团队和认知

交易要素 内容
收购标的 Flipside Crypto 的 AI 业务(2026 年 7 月完成交割)
加密数据业务 未纳入本次交易,单独出售给 Sonaverse Inc.
团队 Flipside 全部 24 人运营团队整体加入 Edisyl
掌舵人 Flipside 前 CEO Dave Balter 任 Edisyl 联合创始人
归属 德勤旗下 D71 Ventures 创投组合(专注 AI-native 业务)
总部 波士顿
商业化进度 与德勤内部项目及一批 Fortune 500 组织作为设计合作伙伴,开发首批 Knowledge Pack

Balter 的履历解释了对方的出价逻辑:先后创办 8 家公司,其中 BzzAgent 被 dunnhumby 收购、Smarterer 被 Pluralsight 收购,之后在两家母公司主导并购、搭建过风投部门,还进过全球高管团队——一个连续把公司卖给大企业、又懂大企业怎么买公司的人。核心团队还包括 COO Kyle Fugere、CTO Jim Myers、CFO Andrew "Mo" Septimus、首席数据科学家 Eric Stone。

二、核心产品:Knowledge Pack,一个知识包拆成两半

Edisyl 给企业 AI 开出的药方叫 Knowledge Pack(知识包),官方定义是「价值的单位」——两半一起构建、一起安装、归客户所有:

组件 装的是什么 谁来维护
Domain Pack(领域知识包) 企业围墙外的一切:合作伙伴数据、政府与监管来源、市场数据、行业标准与法规代码 由「agent 集群」持续抓取和构建,领域专家(SME)把关,保持更新
Proprietary Pack(专有知识包) 企业自己的术语、定义、政策和数据 映射到同一结构下,数据留在企业自己手里
Semantic Layer(语义层) 底层地基:把企业系统里的词汇和员工嘴里说的词汇对齐 解决「系统说的」和「人说的」不是一回事

部署形态上有三个关键选择:

  • 装进客户的地盘:部署在客户自己的云或本地环境,不经过 Edisyl 的服务器;
  • 嵌进客户已有的 AI 工具:官网直接列出了 Claude、Codex、Gemini、Copilot——它不卖聊天机器人,只当这些工具背后的知识供给层;
  • 跨系统可移植:同一份 Knowledge Pack 跟着企业换模型走,不在每个工具里重建一遍。

三、Edisyl 怎么「用企业数据」:把上下文当资产管

这是老大最关心的问题:企业数据怎么帮企业用好 AI?Edisyl 的答案不是「把数据喂给模型」,而是分三步:

步骤 环节 说明
1 定位缺口 企业数据湖里有的是「事实」,但专家脑子里的定义、法规、判断标准不在任何数据库里——这层缺失叫 context gap
2 双包合璧 Domain Pack 补齐行业公共知识(监管、标准、市场),Proprietary Pack 把企业私有术语和数据映射进同一结构,AI 拿到的是「你们公司自己怎么定义这个问题」
3 语义层对齐 系统字段叫 patient_status_code,业务人员说的是「活跃患者」——而某公司商业团队内部同时存在三种「活跃患者」定义。语义层负责让 agent 选对那一个

Balter 的原话把赌注下得很直白:

「企业 AI 失败不是因为模型不够聪明,而是因为它缺少准确的上下文。今天智能已经随处可得,AI 工具拿不到的,是那个在某个具体问题上摸爬滚打了 20 年的人的判断力。这就是我们要打包的东西——所以标注层跟界面一样重要,甚至更重要。」

官网「我们相信」四条,几乎逐条都是说给企业 CIO 听的:

# 信条 翻译
01 模型会越来越强,能过专科考试,但那不是瓶颈 再强的模型也猜不出你三种「活跃患者」定义里商业团队用的是哪种
02 专家知道的大部分内容不在你的数据里 它们在法规、标准、分类体系里
03 上下文是资产,不是 prompt 资产就要有所有者、有版本、有维护成本,像任何记录系统一样管理
04 知识层应该比模型活得更久 每次换供应商都要重建的上下文,根本不配叫「层」

第四条值得单独划重点:这是故意站在模型厂商对立面写的。 Claude 换成 Gemini 可以,知识层不动——「反锁定」既是产品卖点,也是它敢跟 Microsoft Graph、Google Workspace 原生集成正面竞争的唯一理由。

四、这门生意到底是什么:对标坐标系

一句话:Edisyl 做的是「企业知识的中间件」——不训模型、不做应用层,卡在模型和企业之间。

方案 存/查什么 与 Edisyl 的区别
数据仓库(Snowflake、Databricks) 结构化原始数据 Edisyl 不存数据,存「专家判断的结构化版本」
传统 RAG(检索增强生成) 文档片段 RAG 检索回来的是原文,Edisyl 交付的是经专家标注、带版本和所有者的语义化知识
模型厂商企业版(Copilot + Graph 等) 平台自带的上下文 Edisyl 卖点是跨平台可移植、客户自持——恰是平台方案的锁定痛点
咨询公司交付(德勤老本行) 人天 一次性 PPT 变不成可复用的产品资产——这正是 D71 单列它的原因

一个容易被忽略的背景:Flipside 的老本行是链上数据分析,核心能力恰好就是把高度复杂的专业数据翻译成人类可理解的问数和看板。这套「翻译管线」平移到企业 AI 场景,就是把领域知识翻译成 AI 可消费的结构。24 人团队 + Balter 的连续创业经验,德勤买的是这条管线,不是代码库。

五、看点与风险

看点:

  • 自带全球最强分销渠道:德勤服务近 90% 的 Fortune 500、遍布 150 多个市场、约 50 万员工——Knowledge Pack 每做一个行业,德勤自己的项目就是最大试验田和获客入口;
  • 「标注层」卡位:模型能力趋同的 2026 年,行业共识正在从「卷模型」转向「卷上下文」,企业专有知识的标注和治理是刚需缺口;
  • 加密背景的价值重估:链上数据公司被四大收编 AI 资产,是 RWA 之外「数据人才 RWA 化」的一个信号——Web3 基础设施人才开始被传统企业软件市场定价。

风险:

  • 还在设计合作伙伴阶段,没有公开商业客户案例、没有定价、没有交付周期和维护成本口径;
  • 「agent 集群维护 + 专家把关」的知识新鲜度与正确性,出了错责任怎么分——公告未提;
  • 与 Microsoft、Google、OpenAI 企业版的原生记忆/上下文功能直接撞车;
  • 「咨询公司做产品」是被反复验证过的高失败率赛道,D71 模式能否给 Edisyl 留出独立产品公司的节奏,待观察。

六、结语

Edisyl 的判断可以用一句话收束:智能便宜了,判断力贵了。 当模型能通过专科考试,企业 AI 的瓶颈就从「聪明不聪明」移到了「知不知道你们公司怎么定义问题」。德勤把一家加密数据公司的 AI 团队改造成知识层公司,赌的是下一代企业软件的护城河不在模型,而在被认真管理起来的上下文——上下文是资产,不是 prompt。

信源与核实说明

内容 性质 来源
交易结构、团队、高管、进度 已核实 德勤 PR Newswire 官方公告(2026-11-12,本轮直接抓取全文)
Knowledge Pack 双包结构、语义层、部署方式、四条信条、Balter 引言 已核实 Edisyl 官网 edisyl.com(本轮直接抓取)
中文快讯口径 已核实 深潮 TechFlow(2026-11-12),与英文公告一致
对标分析、看点与风险判断 作者分析 基于上述事实的推演,不构成投资建议
未披露项 明确标注 定价、客户名单、交付周期、责任条款均未公开,文中已注明

本文基于官方公告与公开信息整理,仅为行业分析,不构成投资建议或对任何公司的推荐。

◆ 本文内容仅代表作者观点,不构成投资或采购建议。
分享这篇文章 邮件