OpenViking 3D 内容理解：
欧洲汽车行业商业价值与 GTM 评估

2.1 当前实际能力

依据：会议纪要第 4–6 页，尤其第 5 页能力与应用表、第 6 页问答。

这里有两个特别值得注意的细节。

第一，“STEP 信息还原率 100%”不能直接解释为“AI 对工程设计的理解正确率 100%”。

发布材料确实宣称能够保留原始几何、PMI（产品制造信息）、装配结构等数据。[4]

但这至少涉及三个不同层次：文件信息是否完整保存、工程属性是否被正确提取、模型能否正确判断功能和可替代性。前一项即便成立，也不能证明后两项。

例如两个支架外形高度相似，却可能在材料、热处理、疲劳寿命、制造公差、认证或装配适配性上存在关键差异。AI 不能仅凭几何相似就批准零件替代。

第二，培训展示的是初步工作流，并不是生产环境的性能证明。

第 4 页示意图提到历史零件匹配约 4 分钟、31 项 BOM 整理与估算约 12 分钟。但纪要未给出测试数据集、准确率、失败案例、人工参与量或现有系统的对照结果。

还有一个容易被忽略的事实：OpenViking 的公开演示中，BOM 估算要求预先导入 CAD 导出的 BOM 和历史报价；供应影响分析也依赖已有零件库、BOM 与采购记录。也就是说，3D 理解不是自动生成企业全部工程关系的魔法。[4]

场景 A：历史零件复用——真实需求，但不一定是强 CRA

用户：汽车 Tier1 / Tier2 机械设计工程师。

工程师正在开发新的电机固定支架，需要在数万个历史零件中寻找可复用设计。但历史零件命名不一致、资料分散，或图纸没有清晰分类。

期望的实际工作流：

输入功能描述、孔位尺寸或 STEP 模型
↓
检索历史 CAD / 图纸 / 规格书
↓
返回候选零件 + 几何差异 + 属性差异 + 来源
↓
工程师确认可复用性，并在 PLM 中执行正式复用

价值可以非常具体：缩短找图时间，减少无意义的新零件开发，增加已批准标准件的使用比例。

但如果客户已经安装 Geolus、OnePart 或 CADENAS，OpenViking 还需要证明在相同数据集下，能够找到现有系统漏掉的零件，否则很难触发采购。

场景 B：RFQ 报价辅助——我认为是最值得深入的方向

用户：Tier2 零件厂的报价工程师、成本工程师、销售工程部门。

例如德国一家生产铝合金加工件、冲压件或模具的企业，收到 OEM 或 Tier1 的 RFQ 包，包含 STEP 模型、2D 图纸、技术要求、数量预测和交期。

目前，工程师需要判断零件制造复杂度、材料、工艺、历史近似订单及可复用工装，再整理报价。

如果 OpenViking 能找到历史上几何与工艺相似的订单，并连接报价与实际成本数据，就可能减少大量重复分析。

关键在于：客户购买的不是“看懂一个 STEP”，而是“在报价截止日期前，以更少人力产出更可靠的报价”。

这里比普通零件搜索多了三个商业推动力：报价有明确截止时间；报价效率直接影响销售吞吐量；历史成本复用有机会帮助改善报价质量。

CADENAS 已经将 3D 相似性搜索用于历史报价准备，这说明场景是真实的，但也意味着 OpenViking 必须做出增量优势。[5]

真正可以卖的解决方案应当是：

AI Engineering RFQ Intelligence：3D/图纸理解 + 历史相似订单 + 成本知识检索 + 带证据的报价建议。

不过，工艺可制造性、加工时长和真实成本仍需 ERP、MES、历史报价及工程规则支撑。目前不能把它们视作 OpenViking 已有的开箱即用能力。

场景 C：供应变更影响分析——CRA 最强，但当前解决方案还不完整

用户：供应链风险经理、工程变更负责人、采购与制造工程团队。

某供应商突然停供一个紧固件、连接器或机械件。采购必须尽快确定哪些产品、哪些版本、哪些工厂受到影响，以及现有库存能支撑多久。

这个问题可能影响产线运行，因此购买动力可以远高于普通工程知识搜索。

但是，真正的影响分析需要的不只是 3D 模型，还包括 完整的多层 BOM、替代料关系、版本生效范围、供应商与工厂关系、库存、在途订单以及工程批准状态。

这些信息主要存在 PLM、ERP、MES 与采购系统里。OpenViking 目前可以是分析助手，却不能仅凭 3D 解析承担权威的变更管理。

我的结论是：这是未来有潜力发展为较大合同的场景，但不适合作为当前首个标准化销售产品。

为什么现在值得关注供应商，但不能因此高估成交机会？

欧洲汽车供应商正在承受明显的盈利压力。CLEPA 2026 年 3 月调查显示，76% 的受访供应商预计利润率不足 5%，24% 预计陷入亏损。[6]

这会让零件标准化、采购节省、报价效率和研发生产率成为更重要的议题。

但预算压力也意味着：客户可能更需要成本节约，却更不愿为未经验证的创新软件付费。

因此，ROI 证据比 AI 功能演示重要得多。

4.1 竞争产品对比

来源：Siemens、Dassault、CADENAS、PTC、CADDi 官方材料。[1][2][3][5][7]

特别值得注意的是，CADDi 在汽车行业已有实际客户。日本 Suzuki 已公开采用 CADDi Drawer 来改善历史工程图纸的搜索和复用。[7]

这不仅证明市场有需求，也证明市场已经有供应商和成功路径。

还有一个对欧洲销售非常有价值的竞争情报：CADENAS 早年发布的 ZF 客户案例显示，ZF 曾将 PARTsolutions 大规模部署到工程设计工作流，并使用几何、拓扑、草图等检索方式。历史资料提到约 2,400 个使用许可。这个数字不能当作 ZF 2026 年现状，但足以说明 ZF 不是可以假定没有零件搜索能力的空白客户。[8]

4.2 OpenViking 可能形成优势的地方

我不认为优势应该定义为“我们的 3D AI 比 Siemens 更聪明”。这个主张既缺乏测试，也很容易被客户挑战。

更合理的定位是：

OpenViking as an AI Engineering Knowledge Layer

工程师 / 采购 / RFQ / 供应链 Agent
自然语言任务与跨部门工作流
↓
OpenViking + Understanding 3D
几何语义理解 · 关联检索 · 上下文管理 · 证据组织
↕
CAD / STEP / JT　|　PLM / PDM
ERP / BOM / 采购　|　工程图纸 / 历史报价

这是建议中的解决方案目标架构，并不代表 OpenViking 当前已经提供全部连接器及系统集成能力。

核心区别是：客户已有 PLM 能检索某一个系统里的零件，而 Agent 有机会把设计文件、工程规格、采购报价、历史问题和供应变更事件关联起来。

不过，跨系统知识关联并非只有 OpenViking 能做。Dassault OnePart 已明确提供几何、元数据、语义文档联合搜索。因此最终必须由真实客户的对照 PoC 证明增量价值，而不是依靠架构图。

4.3 当前最重要的三个产品缺口

第一是工业 CAD 格式与准确性。 当前 3D 重点是 STEP；公开发布文章还把 DXF、IGES、SLDPRT、SLDASM 列为后续方向。大型 OEM 的 CAD 环境复杂，仅支持 STEP 会增加导出、同步和权限管理成本。[4]

第二是工程数据关系与版本管理。 当前培训明确表示版本管理仍在探索。没有正式版本、有效范围和零件状态，搜索结果可能正确，却对应过期设计。

第三是企业部署与 API 成熟度。 会议称支持私有化，但独立 Understanding API 尚未开放；OpenViking 官方企业页面仍把 BytePlus 全球托管列为即将推出的能力。现阶段不能把欧洲 3D SaaS 正式商用、欧盟数据驻留或 TISAX 适配当作已确认事实。[9]

欧洲汽车工程数据涉及设计知识产权、原型机和商业秘密。ENX 对 TISAX 的官方解释也明确把这些数据列为信息安全保护对象。[10]

换言之，产品当前最缺的不是一个更漂亮的演示，而是生产环境可信度。

我会如何选择第一个客户？

如果追求近期真实成交，我反而更倾向于找 100–1,000 名员工、拥有大量历史工程图纸的汽车 Tier2、精密加工厂、模具厂或工装制造商。

他们可能没有全球统一的 PLM 能力，却有明显的重复工作、报价效率和知识流失问题。管理层也可能直接参与试用和购买决策。

大型 OEM 的单笔合同上限可能更高，但第一份合同的进入成本、信息安全审查及既有软件替代难度也大得多。

在你目前的账户关系中，BMW 和 VW 适合用来验证行业需求与争取内部技术反馈；不建议一开始就将它们列为 OpenViking 近期最可能产生收入的客户。

6.1 仅销售 Token，收入潜力有限

会议纪要提供了一个 4.8 元人民币／百万 Tokens 的当前内部定价口径，但并没有明确其覆盖的所有计算和解析项目，也不是已确认的欧洲商业报价。

按这一单价作纯数学示例：

这里仅计算该 Token 单价对应的费用，不包括文件解析、索引、存储、独立推理、私有化资源及支持成本。实际报价可能远高于此。

这说明一件事：不能假设汽车客户上传几万个 3D 文件，就自然带来大额模型调用收入。

OpenViking 核心本身也有开源版本。客户愿意长期购买的应该是部署服务、可靠性、权限体系、企业集成、工程行业功能和可持续运维，而不只是数据库 API。[13]

6.2 一个现实的客户 ROI 示例

假设一家汽车 Tier1 工程部门有 60 名工程师，每人每天一次历史零件查找，系统能够相对现有流程净节省 10 分钟，每年工作 220 天，综合工时成本按 €70/小时估算。

示例：零件搜索与复用的潜在年度经济价值

如果年软件费为 €30,000，收益与软件费用约为 2.7 倍，但还没扣除集成、培训、维护与实施成本。

完全是假设测算，不是客户真实数据。节约的工时只有转化为实际产出、减少外包或避免费用时，才可计入可实现收益；不同收益项也必须避免重复计算。

这个案例说明产品可能有经济价值，但还不足以证明客户存在强 CRA。

如果客户的现有 PLM 搜索已经很高效，新增方案实际只能节省 2 分钟，而不是 10 分钟，那么商业价值就会大幅下降。

因此，必须评估相对 incumbent 的增量收益，而不是与人工从零搜索进行比较。

6.3 我建议的商业包装与售价假设

以下是根据企业软件价值销售逻辑提出的测试区间，不是当前 OpenViking 官方价格，也不是经过验证的竞争产品市场均价。

要支撑这些价格，必须提供明确的 ROI 和生产级支持。对于只有基础 STEP 上传和自然语言检索的产品，不能直接按上述企业解决方案价格销售。

6.4 欧洲业务前 12 个月收入情景

假设欧洲 3D 商业版完成必要的技术与合规准备，并建立专门的行业解决方案支持，我会按以下情景规划，而不是直接套用通用 AI 产品的增长率。

这是有条件的自下而上规划情景，而非销售预测或市场数据。合同总额不等于确认收入或 ARR；如果 PoC 费用抵扣后续订阅，需从总额扣除，实际收入也取决于合同生效时间与履约条件。

基准情景仅对应约 €180K 的新增年度订阅合同额，其余是试点和项目费用。

我的判断是：短期它更像一个几十万欧元级别的欧洲新业务验证机会，而不是可以马上支撑数百万欧元 ARR 的成熟产品。

如果未来能实现多 CAD 格式支持、跨系统集成、工程级准确性、欧洲部署和标准化交付，收入上限才有机会显著提高。

PoC A：Engineering Parts Reuse

这些数值是建议的 PoC 目标，必须在客户定义 Ground Truth 和风险容忍度之后调整。

尤其要分开验证“相似零件被召回”和“该零件被批准复用”，不能混为一个准确率。

PoC B：Engineering RFQ Intelligence

这个 PoC 比普通的“给 AI 上传一个零件看看懂不懂”更接近真实采购决策。

即使模型回答正确率很高，只要不能显著减少 RFQ 工时，依然可能无法成交。

先进行一次 Product Readiness Review

需要产品团队回答的最关键问题可以集中为一组：

尤其要请产品团队提供 真实工程数据的 Accuracy / Recall / Latency / Cost Benchmark，而不只是演示视频。

我建议的资源投入原则

现在做：低成本需求发现。

在已有 BMW、VW、Tier1 关系里询问零件搜索和 RFQ 问题，同时接触 2–3 家工程密集型 Tier2，确认客户现有系统及真正的瓶颈。

有明确业务 Sponsor 后：投入一个严格对照 PoC。

首先使用客户批准的非敏感或脱敏数据，完成基准测试。未经正式授权，不应上传客户生产 CAD、供应商图纸或受保护设计。

暂时不做：集团级 PLM 替代或自动工程决策承诺。

不承诺正式 BOM 权威性、零件可替代批准、供应中断闭环处置或量产安全决策，直到相应数据关联、权限、验证和工程审批流程得到证明。

我的投资与销售决策

有限投入、选择性验证，不进行大规模 GTM 推广。

最值得争取的不是第一批免费上传 STEP 文件的用户，而是一家能够明确回答以下问题的汽车供应商：

“如果你能让我们的工程师少做重复设计，让报价团队更快、更准确地回复客户，我们今年就愿意为此付费吗？这个流程目前每年究竟花了多少钱？”

如果客户能够提供现有基线、明确的项目 Owner、可使用的数据，以及试用成功后的预算路径，那么 CRA 才开始成立。

真正的销售楔子不是 3D Content Understanding，而是能够衡量成本节约和业务效率的 Engineering Parts Reuse 或 RFQ Intelligence。

最终判断：这是值得跟踪与做 1–2 个高质量 PoC 的技术机会，但依据目前的能力、竞争情况与商业化状态，还不足以作为欧洲汽车行业的 P0 收入增长引擎。