政府與企業「資料統一層」變吸金題：Peregrine 募 2.5 億美元、估值 15 個月衝到 68 億

把分散在各系統的營運資料先統一、讓組織能即時調度，正在變成 AI 真正落地前的基礎建設題。資料分析公司 Peregrine 六月底完成 2.5 億美元 D 輪募資，估值從 2025 年 3 月的 25 億美元跳到 68 億美元，15 個月翻了將近三倍。這輪的錢說明一件事：資本開始往「把資料整理乾淨、打通孤島」搬，而不是往更炫的模型搬。

先看這筆錢投在哪

Peregrine 這輪 D 輪由 Fifth Down Capital、紅杉（Sequoia）、OG Venture Partners、Goldcrest Capital、XYZ Ventures、Godfrey Capital 等既有投資人加碼，官方公告寫得很清楚：產品是把斷裂、分散在不同系統裡的資料，整合成一個權限分明、可即時查詢的營運視圖。對照 2025 年 3 月那輪由紅杉領投、1.9 億美元、估值 25 億的 C 輪，估值在 15 個月內衝到近三倍。它服務的對象從州與地方政府，一路擴到聯邦、企業與國際市場，目前撐起北美 400 多個機構、覆蓋逾 1.25 億人，連 2026 世界盃 11 個主辦城市裡有 8 個的安全協調都跑在它上面。

投資人賭的不是模型，是把髒資料清乾淨

這題的重點不在 Peregrine 用了哪個模型，而在它做的事。創辦人 Nick Noone 出身 Palantir 的特種作戰業務，整間公司被外界形容帶著「Palantir 的基因」。它的定位被 Fortune 寫成「一座城市自己機構記憶的搜尋引擎」：把警務紀錄、911 通報、許可資料庫、感測器訊號這些既有資料串起來、即時可查，但不蒐集、也不擁有任何一筆資料，靠角色權限控管存取。換句話說，它賣的是把孤島打通的營運層，不是又一個會講話的模型。

這不是單一個案。整理這筆交易的 Tech Startups 創投週報直接點出，這一週的錢正集中流向「掌握決策流程與營運基建」的公司，而不是泛泛的「AI for X」。同一份週報裡，Peregrine 被描述成幫政府與複雜組織「在一個權限感知的營運系統裡統一孤島資料」。資本的判斷很白話：模型大家都接得到，能把一個組織的資料現場整理乾淨、還守得住權限的，才是稀缺的東西。

為什麼這是「AI 落地前」的題

我十分認同這條判讀線。原因很簡單：agent 要先有乾淨、統一、權限分明的資料才動得了，沒有這層底，再強的模型在企業裡也只是空轉。這跟我先前看 Databricks 把 agent 講成「同事」時的觀察是同一件事，當時 Databricks 執行長那句「AI 說不出毛利為何變動，不是 AI 問題，是脈絡問題」，講的就是資料脈絡缺位。脈絡從哪來？從把分散資料統一、補上權限與來源的那一層來。

放在更大的資金流裡看也對得上。先前 Supabase 一輪募 5 億美元、估值衝上 105 億，錢就已經從模型移到讓人快速做 AI 應用的基建層。Peregrine 這輪是同一個方向再往源頭走一步：基建層之下，是資料本身整不整得乾淨。我長期的立場沒變，可信度靠落地流程，不靠模型聰明；現在資本用真金白銀把這句話標了價。

台灣企業導入 agent 前，先排這三件事

如果你正在評估把 agent 放進公司，順序別倒過來。不要先挑模型、先挑工具，先把資料前置工程排好。給一條可以明天就動手的判讀線：

第一，先盤孤島。把要餵給 agent 的資料散在哪幾個系統、格式對不對得上、有沒有重複與矛盾，列出來。資料不通，agent 給的答案就是把錯誤放大。第二，權限先於串接。每一張表「誰能讀、用誰的身分讀」要在打通之前定義清楚，Peregrine 值錢的地方正是它把權限與稽核做在統一層裡，而不是事後補。第三，先定義情境再決定開放範圍。哪個流程值得讓 agent 動、碰得到哪些資料，講清楚再開，別因為估值高、聲量大就跟著押。資料前置這段工，做的當下不性感，但它決定了後面所有 agent 能不能真的落地。

常見問題

Peregrine 到底是做什麼的，為什麼估值這麼高？
它做的是「資料統一層」：把政府或企業分散在各系統的資料（警務紀錄、911 通報、許可資料庫等）整合成一個權限分明、可即時查詢的營運視圖，但不蒐集也不擁有那些資料。它六月底完成 2.5 億美元 D 輪、估值 68 億美元，因為能把資料整乾淨、又守得住權限的公司，比又一個模型稀缺。

什麼是「資料統一層」？為什麼說它是 AI 落地前的基建？
資料統一層是把分散、格式不一、彼此矛盾的營運資料整合成單一可信來源的那一層。它是 AI 落地前的基建，因為 agent 要先有乾淨、權限分明的統一資料才動得了；資料不通，模型再強也只是把錯誤放大。這也是為什麼這一輪創投的錢正集中流向掌握決策流程與營運基建的公司，而非泛泛的「AI for X」。

台灣企業導入 agent 前，第一步該做什麼？
先盤資料孤島，不要先挑模型或工具。把要餵給 agent 的資料散在哪些系統、格式對不對得上、有沒有重複與矛盾列出來，接著定義每張表「誰能讀、用誰的身分讀」，最後才依情境決定哪個流程值得讓 agent 動、碰得到哪些資料。順序倒過來是選型最常見的失敗模式。