一台计划几个月后安装在屋顶的空气处理机组，因设计变更不再符合要求。看起来不急，但重新采购设备需要很长时间；若拖到安装前才处理，工地可能只能在加钱赶工和推迟进度之间做选择。

在 Palantir AIPCon 10上， 美国建筑公司 McCarthy用这个场景演示了大型项目运营中的AI应用Pulse。 开篇提到的设备规格变更，出现在一份 RFI(Request for Information，信息请求)中，即项目相关方就设计或施工信息提出的正式澄清请求，Pulse从这份请求发现潜在风险，并关联采购和进度信息，准备两种方案，供现场团队与业主、设计方讨论取舍。

McCarthy主要承建医院、体育场馆、工业和可再生能源等项目，一般规模大、参与方多，一项变更涉及的信息可能分散在设计文件、采购记录、进度计划和各方沟通中。McCarthy创新副总裁、AI项目负责人Rico Bertucci介绍，高级现场主管过去每天要切换约15至20个应用，才能摸清工地状态，从业务开发到项目交接，需要使用超过200个应用。

Pulse试图改变现场人员逐个系统找信息的方式：围绕当前要处理的风险，汇集相关信号，并提示下一步该看什么。

01 一次设备变更，怎样走到可执行的选择

Pulse从一份RFI中识别出设备变更：设计调整后，原定的屋顶空气处理机组已不符合要求，查阅采购记录，发现替代设备交期较长；随后借助McCarthy的Ontology，找出与该设备相关的施工活动、进度节点和负责人，并在关键路径计划中呈现这些关联。现场主管由此看到，虽然设备安装还有几个月，但如果不尽快确定替代方案并启动采购，交货时间就可能挤占施工余量，影响后续关键节点。

识别风险后， Pulse进入规划模式。它调用McCarthy管理体系中两千多份制度、流程和经验案例文档，以及为建筑业务定制的AI skill，为下一步提供方案做好准备。但有了这些材料，仍无法确定当前工地最特殊的约束：哪个节点不能后移、哪些费用在可承担范围内、业主和设计方能够接受怎样的变更。

因而， Pulse接下来向高级现场主管追问。Rico解释，每个项目都有自身特定情况，有些关键风险只在现场负责人的经验里，尚未进入系统，等现场主管补充这些条件后，Pulse随即形成两种可行方案，然后团队可以把各自的工期与费用代价摆给业主和设计方。在当前这个场景中，团队倾向于承担一笔相对较小的额外费用，以确保项目进度。

选出方案后，还要让相关方配合执行：替代设备须提交设计方审批，业主需要一份正式通知，分包商需要了解具体变化情况，内部供应链和物流团队则要提前准备好符合新规格的设备。 Pulse把沟通计划和事项安排放进同一工作界面，供团队发起与跟踪；审批、决定和执行，仍由相应人员负责。

Rico说，过去团队追查、汇总这类情况大约需要三周。Pulse在这个场景中展示的直接价值， 是在风险尚有处置空间时，更快把证据、备选方案和参与决策的人聚到一起，及时处理掉风险。

02 AI准备方案，现场经验决定怎样取舍

这次演示中，最关键的一步，是 Pulse在形成方案前停下来询问现场主管。要理解这一点，需要把系统掌握的信息、AI所做的准备和人的判断分开看。

Ontology把当前项目的设备、采购、进度和联系人等对象及其关系组织起来，让Pulse能围绕同一项变更找到相关信息。历史文档和定制AI skill提供已有流程与经验；AI据此提示风险、收窄需要查看的进度范围、准备备选方案。现场主管则根据需求补入没有覆盖的项目条件，并判断是否值得用一笔额外费用换来确保进度无误。

这些角色各自承担相应责任。 AI可以把分散信息变成可讨论的方案，现场主管和项目团队要判断方案是否适用于眼前项目进展，业主、设计方、分包商与供应链则分别承担批准、沟通和执行任务。对大型项目型企业而言， AI应用设计的关键是，先找到这样一项结果明确的决策，再确定哪些信息决定取舍、哪些判断必须交给现场人员、决定之后谁负责行动。

McCarthy的既有经验已经以管理制度、流程和经验教训等形式供Pulse调用，现场主管的回答又让专家经验适用于具体项目。下一步是把人对建议的决策和修改留下来，使新产生的现场判断也能进入后续决策，复用到更多的项目中，在两个月后的另一个分享中，McCarthy展示了这一环节。

03 后续工作：先筛出风险，再复用人的判断

2026年8月，Rico在Palantir Sovereignty Bootcamp上介绍了Pulse的后续工作。 上一次分享中，重点是处理一项已经被发现的设备变更风险； 新的问题是，每天涌入大量 RFI时，哪些可能影响成本或工期，项目人员应该先审阅哪一份。 许多 RFI本身信息不完整，团队通常还要调查它对当前项目是否紧急、可能产生什么影响。

问题归结到，如何事先筛出风险？ M cCarthy与Palantir FDE使用10万多份高质量RFI，对Gemma、Llama和NVIDIA Nemotron等开放权重模型做后训练和比较，最终选用Nemotron构建专门的风险识别模型。

利用这一模型， 系统先筛出值得优先审阅的 RFI。 项目人员打开其中一项，就能同时看到原始内容、根据当前进度及 Procore等系统中的项目资料起草的处理建议，以及过去类似问题的处理方式和结果。由此，项目人员再结合当前工地的实际情况，判断哪些经验可以借鉴，修改处理建议，并通知相关方。 （注：Procore 是建筑工程项目管理平台，供项目各方协同管理 RFI 、图纸、文件和现场记录等，这里主要指其中保存的各类项目资料。）

这项工作让 Pulse从处理已知风险，向提前识别潜在风险推进；也让现场经验有了继续积累的入口。Rico说， 项目人员作出的每项决定、对建议的每次修改，都会记录在 McCarthy自己的系统中，作为改进下一轮建议的材料。

长期积累的 RFI用于训练风险识别模型，当前项目的人工判断则继续回到系统，供后续建议使用。经验记录和复用的机制已经出现，模型建议与项目结果究竟能改善多少，仍需后续使用检验。截止到8月份分享时，这项应用投入使用仅数周，正在向数千名建筑专业人员推广。

04 谁接管应用，怎样检验项目价值

Rico在AIPCon 10的一次对谈中说，Palantir FDE通常帮助McCarthy把想法做到最小可行产品（MVP），后续推广和维护则由内部工程团队承担。McCarthy也重组了数字化团队，在推进速度与治理控制之间重新安排责任。业务专家持续参与风险判断和规则制定，项目人员作出的决定与修改留在自己的系统里，为后续建议提供依据。

接下来的规模化应用推广，还需要控制 AI的运行成本。Rico在对谈中称，AIP Evolve（Palantir用于优化现有AI工作流的工具）使McCarthy某项用例的Token用量下降近60%。

McCarthy的实践已经把设备变更中的风险识别、方案形成、审批和人工修改串成可追踪的决策过程，并形成经验复用，这是目前最明确的价值。 下一步， McCarthy还需要把这些决策记录与项目交付结果对照：关键节点是否按期完成、实际花费多少，以及为确保进度支付的额外费用是否值得。

对项目型企业而言，这个案例的关键启示是： 让现场人员参与 AI给出的具体选择，并把他们的决策和修改轨迹留在企业自己的系统里；随后用真实项目的工期和成本检验这套做法。