把本地 Ollama 原型变成经过策略校验、可复现模型发布包的提级闸门，服务受监管企业内部 copilot。

1. 同一套运行时现在已经覆盖本地和云端，所以每个在笔记本上跑通的原型，都会让团队天然期待它能不重写就进生产。
2. 有了 8.9 million 月活开发者和 85% Fortune 500 覆盖，开放模型工具已经大到足以让临时拼凑的提级流程变成运营瓶颈。
3. 一旦受监管行业开始用，早期企业部署就会先撞上安全、审计和模型审批摩擦，而不是先等通用 devtools 栈成熟。
4. 67,000+ 的集成生态，加上广泛的模型和硬件合作，让本地原型更丰富，同时也让它在需要企业审批时更难靠人工复现。

催化因素。 Ollama 已把本地到云的同工作流跑通，又有 8.9 million 月活开发者、Fortune 500 覆盖率和受监管行业落地，开放模型原型已经多到不能再靠工单和截图来管。

产品接入开发者机器上的 Ollama 和 CI。团队不必重建一遍，直接把本地原型标记为待提级即可。系统会抓取 model SHA、量化方式、prompt / template 设置、工具 schema、样例 eval 轨迹和硬件画像，再先做敏感信息脱敏，并在已批准的集群上重跑预发 eval。平台团队拿到的是已签名的提级清单、策略校验结果，以及可部署到私有云或本地推理环境的可复现发布包。安全团队和模型风险审核人也能清楚看到：本地版本和预发版本之间，到底是哪个模型、哪些工具、哪些数据处理假设变了。时间一长，公司会变成开放模型应用的发布记录系统——这些应用诞生在笔记本上，最终发到企业基础设施里。

差异化。 模型注册表和 MLOps 平台默认你已经有一条中心化的训练或部署流水线了。它们很少去抓开发者工作站上的关键上下文——本地量化选择、连接器设置、prompt / 工具组合，以及审批历史——而这些恰恰决定了一个 Ollama 原型能不能在企业基础设施里被原样复现。这个公司赢在它接住了那段最脏、也最没人愿意碰的过渡：从本地优先实验，到正式获批上线。随着提级清单、策略例外和跨团队跨集群的运行时兼容数据不断沉淀，粘性会越来越强。

待完成任务

flowchart LR
  Buyer[AI 平台团队] --> Pain[本地开放模型原型过不了企业审批]
  Pain --> Product[从笔记本到集群的提级闸门]
  Product --> Outcome[可复现、已获批地发到私有 AI 基础设施]

高管要点

• 本地开放模型实验和受监管生产上线之间，缺的很可能就是提级治理这一层。
• 这个切口最强的卖法，是把它做成能缩短审批周期的发布闸门，而不是另一块泛泛的 LLMOps 仪表盘。
• 受监管保险公司是可信的滩头市场，因为现有的模型风险和外包控制，本来就要求跨职能审查。
• 竞争真实存在，但仍然分散在运行时、serving 栈、注册表、eval 工具和网关之间，还没有一家端到端现有厂商。
• 产品如果要赢，靠的应该是可复现性、审计证据和打通上线，而不只是更便宜的推理。

市场定义

这个市场可以定义成：面向本地优先开放模型应用的提级治理层。它要抓住一个工作站原型跑通时那套精确的运行时、模型、prompt、工具和硬件上下文，再把它变成可发往私有集群推理环境的获批发布包。

用户与买方

日常用户是 AI 平台工程师、MLOps 负责人，以及接手那些已经能在开发者笔记本上跑通原型的安全 / 模型风险审核人。经济买方通常是受监管企业里的 Head of AI Platform、VP Developer Platform，或同等级的平台 owner。

购买触发点

• 一个内部 copilot 已经在本地证明了价值，但审查团队没法为私有集群上线复现那套精确的模型、prompt、工具和基础设施假设。 [5][7][72][74][78]
• 开放模型采用已经进到生产规模，治理和模型风险团队因此进入关键路径，不再只是开发团队自己的事。 [23][27][39][49][54]
• 安全团队发现 agent 到处扩散，缺少 kill-switch 和审批控制，于是开始要求可审计的上线闸门。 [93][94][95]

支付意愿

相邻预算已经存在：企业 AI control plane、tracing 和治理工具都在收钱。TrueFoundry、LangSmith、W&B 和 Portkey 的公开付费层级说明，只要团队走出原型阶段，买方就已经愿意为生产控制层付费。 [99][103][104][105]

品类动态

增长信号 45.3% CAGR

验证信号

• Ollama 已经披露大规模企业覆盖和数百万月活开发者，说明可供原型化的表面积本身就已经存在。
• Databricks 报告生产 AI 模型数量增长 11x，且开放模型偏好明显抬升，说明控制问题正在快速放大。
• Kubernetes 和私有集群 serving 已经是常见生产目标，所以从笔记本到集群的交接会变成一类重复出现的痛点。
• 面向保险业的指南，已经把生成式 AI 描述成“要带着治理、审计轨迹和人类监督一起上线”，而不只是实验。
• Agent 治理研究依然反复提到缺少 purpose limit 和 kill switch，说明市场确实在寻找上线时的控制层。

监管与技术约束

• 面向保险公司的部署，需要拿出和 SR 11-7 风格模型风险要求兼容的模型文档、独立审查和变更控制证据。
• 保险 AI 治理现在已经明确要求数据治理、留痕、公平性、网络安全、可解释性和人类监督。
• 如果发布目标落在云端，还要满足保险行业云外包规则下的外包尽调、审计权和退出预案。
• 集群提级必须保住 RBAC、secret 处理、硬件约束和 serving 运行时兼容性，而不是只复制 prompt。

今天的格局分散在运行时厂商、部署框架、模型注册表、tracing / eval 工具和 AI 网关之间。真正的空白，是一层工作流化的审批平面：从笔记本开始，到受治理的私有集群发布结束。

为什么现有厂商不会默认胜出

• 运行时厂商. Ollama 能把开发者在本地和云端跑模型的方式标准化，但它并不会自动产出中立审批包、策略例外处理，或跨集群发布记录。
• AI 部署 control plane. vLLM、KServe 和 Bento 一类部署栈，在服务已经准备好打包之后很强；但它们默认组织早就抓好了正确的模型、prompt 和硬件清单。
• 模型注册表与 eval 工具. MLflow、Langfuse 和 Humanloop 能补强 lineage 与评估，但它们不会原生地把工作站运行时设置、审批上下文和目标集群发布证据绑成一个工件。
• AI 网关与 control plane. Portkey 和云网关层能把路由、策略和审计控制卖出去，但这些控制是在系统已经部署之后才开始生效，而不是先把发布决策本身放行。

Ollama 打通了本地到云的工作流，又已经进到大量企业团队里，真正新冒出来的瓶颈不再是模型能不能拿到，而是开发者笔记本和受监管私有集群之间的提级治理。第一个切口，是给大型保险公司的内部理赔与核保 copilot 做一套从笔记本到集群的提级闸门：20-50 名开发者先在本地做原型，安全、模型风险和平台团队再共同决定能不能上线。产品要抓住让原型真正跑通的那套 Ollama 运行时上下文——model SHA、Modelfile 设置、量化方式、prompt、工具、eval 轨迹和硬件画像——再把它变成可复现的审批包和集群发布包，而不是让平台团队手工重建。研究支持这个时点：开放模型在企业里已经很普遍，Kubernetes 是常见的生产目标，保险公司的治理框架也早就要求文档化审查和变更控制。近端市场真实存在，但很窄；研究给出的保险滩头 SAM 约为 $14.4M，第 3 年 SOM 约为 $2.7M，所以风险投资逻辑成立的前提，是公司能从保险提级工作流继续扩成受监管企业开放模型发布的记录系统。最强的 proof 不是泛 adoption，而是抓住一个已经卡住的 copilot 上线，让它明显更快过审，而且不用平台团队重建。现在最大的未解问题有两个：上线延误到底有多大比例真是因为可复现性，而不是数据权限清理；以及安全团队会不会接受脱敏后的、或由客户自管的笔记本轨迹捕获。因此，这份计划优先押注共创客户证据、客户自管部署选项，以及先把一个目标运行时路径跑通，而不是过早扩成网关、注册表或多运行时大平台。

问题

• AI 平台团队接手的本地 Ollama copilot 往往已经能跑，但一旦理赔或核保工作流要上私有集群，精确的模型、量化、prompt、工具和硬件假设就散落在各台笔记本、README 和工单里。
• 安全、模型风险和基础设施审核人既没法复现，也没法批准最终发布物，于是平台工程师只能手工重建整套栈，生产上线常常一拖就是几周。

解决方案

• 给 Ollama 加一层受管笔记本和 CI 捕获：当团队把某个工作流标记为待提级时，系统记录下提级清单——model SHA、Modelfile、量化方式、prompt template、工具 schema、eval 轨迹摘要和硬件画像。
• 再把这份清单回放到已批准的预发集群上，跑策略与兼容性检查，最后为私有 Kubernetes 目标产出已签名审批包和可部署发布包，而不是一次性的手工重建。

为什么我们会赢

• 这个切口抓住的是现有厂商最常忽略的时刻：工作站上已经跑通，但还没过受监管发布审批。运行时、注册表、网关和 serving 栈各自覆盖的是更靠后的某一段，却没有哪家把能放行上线的审批包真正做出来。
• 每一次通过或被打回的提级，都会沉淀出模型、工具、集群之间的运行时兼容性、策略例外和审核结果数据；这些数据在受监管保险工作流里会比通用 devtools 产品积得更快。

里程碑

flowchart LR
  Wedge[卡住的保险 copilot 提级] --> MVP[Ollama 捕获 + 受治理的 KServe 发布]
  MVP --> Proof[审批包更快、且不用手工重建]
  Proof --> Expansion[vLLM 导出、策略包、运行时中立提级系统]

创始团队

实验路线图

风险评估

必须成立的条件

• 前 10 个目标保险账户里，至少一半当前或近期确实有 copilot 上线主要卡在可复现性和审批包缺口。
• 前 5 个试点里，至少 3 个的安全和模型风险团队能接受脱敏后的、或客户自管的清单 / 轨迹捕获。
• 产品能在首个真实工作流里，把“原型到集群发布”的时间缩短 30%+，并干掉至少一次手工重建。
• 买方愿意为受治理提级支付约 $180k+ ARR，而不是默认这项能力应该由运行时、网关或平台栈免费附送。
• 运行时和 serving 栈的异构程度仍足够可控，使得 Ollama 捕获 + KServe / vLLM 覆盖就能拿下前 5-10 个 logo。

待尽调问题

• 被卡住的保险 AI 上线里，有多少比例真是因为提级治理缺口，而不是数据访问或 secrets 管理问题还没解决？
• 保险公司的模型风险、安全和平台审核人，在批准一个私有集群 copilot 发布前，究竟要看哪些精确字段和工件？
• 共创客户会接受带脱敏和客户自管密钥的笔记本侧捕获，还是从第一天起就要求全本地部署捕获？
• 首单实际由谁签：Head of AI Platform、VP Developer Platform，还是安全 / 模型风险共同 owner？预算又来自哪一条现有科目？
• Ollama、Portkey、TrueFoundry 或 KServe 周边厂商，要多快才能补出足够多的提级工作流，把这个品类挤没？

模型合理性

• 收入引擎. 基准收入引擎来自第 1 年 3 个付费共创客户转化，再叠加 8 个通过伙伴与相邻金融服务渠道落下的新增 logo，到 Q4Y3 时做到 15 个活跃付费 logo。
• 必须成立的前提. 安全和模型风险团队必须尽早接受脱敏后的、或客户自管的捕获模式，因为第 3 年 75% 毛利率的目标，建立在前几个试点之后部署不再是重定制服务的前提上。
• 模型会在何时失效. 如果两笔后段 logo 延期，且毛利率卡在约 72%， downside 现金低点会掉到约 $238K，公司大概率得比计划更早融资。
• 下一轮融资所需 proof. 可信的 seed 故事，要拿出 7 个付费 logo、3 个可引用的发布审批案例、可重复的客户自管部署，以及能证明切口不只靠创始人销售的伙伴管道证据。

情景

敏感性

flowchart LR
  TargetAccounts[目标账户] --> PaidPilots[付费试点]
  PaidPilots --> PayingLogos[付费 logo]
  PayingLogos --> SubscriptionRevenue[订阅收入]
  SubscriptionRevenue --> GrossProfit[毛利润]
  GrossProfit --> Cash[现金]

警示项: 基准情景在 Q4Y3 就打满了研究给出的 15 个 logo SOM，因此它依赖伙伴带来的分发和相邻金融服务需求，而不只是对约 80 个保险滩头账户做冷启动外呼。 · 安全团队是否接受脱敏后的、或客户自管的捕获，是整个模型的地基；如果 prospect 从第一天就要求全本地部署捕获，毛利扩张和部署速度都会更差。 · 模型到 Q4Y3 也只是略微 EBITDA 转正，所以哪怕只晚一个季度，或丢掉一个标杆客户，下一轮融资时间点都会明显提前。 · 付费试点从 M5 开始；如果买方要求先做免费 POC，CAC 会抬升，融资需求也会高于 BP 区间下限。

• 运行时厂商补位. Ollama 或相邻的 MLOps 厂商可能会补上原生提级工作流，把最初切口挤窄。 缓解措施: 在开发者层之上保持运行时中立，并把策略、审批和审计工作流做成跨多种本地优先运行时的共用层。
• 轨迹隐私阻力. 受监管买家可能不愿让一家创业公司从开发者机器上抓 prompt 或 eval 轨迹。 缓解措施: 默认提供本地脱敏、客户自管密钥，以及本地部署或 VPC 部署，让离开笔记本的只有已签名清单。
• 跨团队销售拖慢. 采购要横跨 AI 平台、安全和模型风险团队，首单推进速度可能会偏慢。 缓解措施: 先围绕一个已经卡住的内部 copilot 提级场景落地，在首个获批发布上证明周期缩短，再顺势扩张。