字数：约 7,724 字｜预计阅读：15 分钟
如果企业 AI 的难点不是模型，而是把数据、权限、流程和行动接起来，Palantir 的故事就不是普通软件股那么简单。
你大概率已经听过 Palantir。围绕它的讨论有一个奇怪的特点：越看越说不清楚它到底是什么公司。有人叫它国防承包商，有人叫它 AI 概念股，有人觉得它更像一家高端咨询公司碰巧还写代码。每个标签都沾点边，每个标签又差点意思。
这篇文章要做的事是把这团模糊拆干净。但先划三条线。
第一，不做股票判断。不说贵不贵，不说该怎么做。第二，这篇讨论的东西比一只股票的涨跌更耐用——它关系到"AI 进入企业运营"这件事到底在哪里卡住。读完之后，你应该能分清三样东西：基础大模型（造智能发动机的人）、企业 AI 应用（用发动机跑一个具体功能的人）、以及组织操作系统（把发动机装到整台机器上、让油路电路一起通的人）。能分清这三层，以后看任何一家企业 AI 公司都会更清楚。
第三，Palantir 只是切口，不是结论。它是目前最高调地宣称自己要做第三层的上市公司之一，数据够公开，争议也够多，拿来拆比较方便。
进正题。
两个标签各自对了一半
Palantir 成立于 2003 年，最初的客户是 CIA、NSA 和美军。它做的是把分散在不同机构、不同密级系统里的情报数据整合到一个界面上，帮分析师和指挥官更快做判断。
这个起点给了它一个持久的标签：国防承包商。
到 2025 年，政府收入确实还是大头——全年约 24 亿美元，占总收入 54%。Q1 2026 的政府收入占比是 53%。说它跟政府没关系，不对。
但另一半图景，这个标签解释不了。2025 年商业收入约 20.7 亿美元，同比增长 60%。Q1 2026 商业收入 7.74 亿美元，同比增长 95%。美国商业收入更夸张——Q1 2026 达到 5.95 亿美元，同比增长 133%。客户数从 2024 年底的 711 个涨到 2025 年底 954 个，Q1 2026 进一步到 1007 个。洛克希德·马丁和雷神不会长出这种商业增长曲线。
另一个标签也常见：AI 模型公司。有人习惯把 Palantir 和 OpenAI、Anthropic 放一起比。这个比法偏得更远。Palantir 不训练基础大模型。它的 AIP 平台接入的是第三方 LLM——OpenAI 的、Anthropic 的、Google 的都行。它不想替代这些公司的模型能力，它要解决的是模型之后的事：怎么把一个很聪明的模型接到组织里那些很不聪明的数据库、审批流、权限表和操作指令上。
两个标签的边界可以一句话讲完：第一个只看到了客户来源，第二个只看到了技术标签。
要理解 Palantir 到底在做什么，必须看它造的那层东西。
组织的操作系统：一个不时髦但真实的问题
Palantir 在 2025 年 10-K 文件里有一段很少被翻译成人话的描述。它说公司的核心概念叫 Ontology，作用是把决策的基本元素——数据、逻辑和行动——整合成"组织的基础表示"。
听起来像论文答辩。但拆开来，它指向一件很具体的事。
一个大型组织每天在做大量决策。每个决策绕不过几个问题：事实从哪里来？谁有权看这些事实？根据什么规则做判断？判断之后谁批准、谁执行？执行结果怎么写回系统，让下一个决策可以参考？
在绝大多数企业里，这些问题分散在几十个系统里。ERP 管库存和订单，CRM 管客户，BI 工具出报表，权限系统管谁能看什么，审批流程挂在 OA 上。AI 模型可能在数据科学团队的 Jupyter Notebook 里跑着，输出结果截图贴进微信群。每一层之间都有裂缝。
Herbert Simon 几十年前就观察过一件事：组织的运行不是一堆人加一堆资源那么简单。它更像一套注意力和决策前提的分配系统——谁看到什么信息，在什么规则下做出什么判断，结果传递到下一个节点。信息系统在这个过程中起的作用也不只是"让人看到更多数据"，它实际上在重新安排谁注意什么、忽略什么、能对什么采取行动。
Palantir 的四个平台，分别对着这个问题的不同层面：
- Gotham：最早为政府情报和国防设计，处理多源数据融合、实体关系和作战协同。
- Foundry：面向商业和政府运营，把数据集成、分析、建模和业务应用放在同一个平台上。
- Apollo：软件部署和交付层。让 Palantir 的产品在保密网络、断网环境、边缘设备和各种云上都能跑。
- AIP：AI 集成层。把第三方大模型、AI agent、自动化评估、治理和生产流程连接起来。
Palantir 官方文档明确说：AIP、Foundry 和 Apollo 共同构成一个可以交付 AI 驱动产品的操作系统。AIP 的架构文档进一步强调：Ontology 把数据、逻辑、行动和安全整合成企业决策的统一表示。
用更直白的话讲：Palantir 想在企业内部搭一张地图——谁知道什么、谁能做什么、什么规则允许做、AI 可以参与哪一步、做完之后结果怎么写回系统。
这也是"组织操作系统"这个说法的由来。它不是手机操作系统，也不是 Windows 那种通用桌面系统。它更像组织内部的一层运行环境：把数据、权限、流程、模型和行动放在同一个可管理的界面里。
企业 AI 真正卡住的地方
现在很多企业讲 AI，第一反应还是"接一个模型"。买 API、接进客服、做个知识库、让员工问文档。这个阶段当然有价值，但它离"AI 进入运营"还差一大截。
因为企业真正的运营不是聊天。
一个制造企业不只是想问："这个订单会不会延误？"它还想知道：如果延误，能不能自动找到替代供应商？替代供应商的合同条款允许不允许？库存系统能不能同步？财务审批要不要重走？谁有权批准？如果 AI 建议错了，责任算谁的？
一个医院不只是想问："这个病人有什么风险？"它还要处理：哪些数据可以被模型读取？医生是否能看到模型理由？建议能否写入病历？谁负责告知患者？监管和伦理边界在哪里？
一个政府或国防机构更复杂。数据来自多个部门，密级不同，权限不同，行动后果也不同。模型可以给建议，但建议不能越过人类责任链。
企业 AI 的难点就在这里：模型说一句话很容易，组织照着它动起来很难。
把 AI 接进真实系统，至少要过四道门。
第一道门是数据。企业的数据分散、脏、重复、权限混乱。模型再聪明，如果拿到的是错数据，输出就会很自信地错。
第二道门是逻辑。组织不是只有数据，还有规则、审批、合同、指标、例外情况。模型需要知道哪些事可以做，哪些事不能做。
第三道门是行动。建议如果不能写回 ERP、供应链系统、工单系统、调度系统，它就只是建议。看起来聪明，实际不动。
第四道门是责任。谁允许 AI 参与哪一步？谁审计？谁承担后果？这些问题如果不进系统，AI 就只能停在演示层。
所以企业 AI 的落地层，不是简单的"AI 应用"。它更像一个组织工程问题。
这正是 Palantir 想抢的位置。
从政府现场长出的产品气质
Palantir 的政府起点经常被写得很神秘，像某种阴影叙事。这种写法有流量，但不太解释商业问题。
更值得看的，是这个起点给产品留下了什么习惯。
政府、情报、国防场景有几个共同点：数据很碎，权限很严，行动后果很重，跨部门协作很多，现场变化很快。一个系统如果在这种场景里可用，它就不能只做漂亮看板。它必须关心数据从哪里来、谁能看、谁能改、谁能下指令、下完指令以后怎么留痕。
这解释了 Palantir 为什么总把自己说成 operational platform，而不是普通 BI 工具。
它的产品从一开始就不是为了让高管看一张更漂亮的报表，而是为了让分析、判断和行动之间少断几次。报表是给人看的，操作系统是让组织能动的。两者差别很大。
这也是它进入商业企业后最容易被忽略的一点。制造、能源、医疗、金融、供应链，看起来和情报国防差很远，但底层问题并没有那么远：数据分散，权限复杂，流程割裂，决策有代价。
当然，政府起点也带来了另一面。
它让 Palantir 擅长高风险、高权限、多部门场景，也让它长期处在伦理和政治争议里。工具服务于什么客户、进入什么场景、被用来支持什么行动，这些问题不会因为公司商业收入增长就消失。它们会跟着品牌一起走进更多行业。
这不是装饰性风险。它可能影响人才招聘、客户拓展、监管问询和社会接受度。
能力来源和争议来源，常常是同一件事。
商业增长证明了什么，没证明什么
先把数字放在桌上。
2025 年，Palantir 总收入约 44.754 亿美元，同比增长 56%。其中政府收入约 24.023 亿美元，同比增长 53%；商业收入约 20.732 亿美元，同比增长 60%。政府占 54%，商业占 46%。美国客户贡献了 74% 的收入。
客户数也在涨。2024 年底是 711 个，2025 年底是 954 个，Q1 2026 到了 1007 个。Top 20 客户的平均收入从 2024 年的 6460 万美元，涨到 2025 年的 9390 万美元。Total remaining deal value 约 112 亿美元，同比增长 105%。
Q1 2026 更猛。总收入 16.326 亿美元，同比增长 85%。美国收入 12.82 亿美元，同比增长 104%。美国商业收入 5.95 亿美元，同比增长 133%；美国政府收入 6.87 亿美元，同比增长 84%。政府收入占 53%，商业收入占 47%。毛利率 87%，运营利润率 46%。账面现金、现金等价物和短期美国国债约 80 亿美元。
这些数字至少证明三件事。
第一，Palantir 不是只靠政府故事活着。商业侧正在变大，而且美国商业增速非常快。
第二，它也不是纯概念公司。收入、利润率、现金和客户数都在验证商业化进展。
第三，政府仍然重要。政府业务没有退成背景板，它仍然是公司一半以上收入来源，也仍然塑造公司的产品气质和公共形象。
但这些数字没有证明另外几件事。
它没有证明美国商业 100% 以上的增速可以长期保持。没有证明每个 bootcamp 都能变成大合同。没有证明每个客户都会持续扩大使用。没有证明大云厂、企业软件公司、系统集成商和客户自研不会追上。也没有证明争议不会拖慢某些行业或地区的拓展。
增长数字很重要，但它不是结论。它只是把问题推到了下一层：这种增长靠什么方式获得，能不能复制，复制时要付出多重的服务成本。
AIP bootcamp：速度背后也有重量
Palantir 这几年最重要的商业动作之一，是 AIP bootcamp。
传统企业软件销售很慢。销售团队讲方案，客户开会评估，技术团队做 POC，采购法务再走流程。几个月过去，很多项目还停在"原则上有兴趣"。
Palantir 想把这个过程压缩。它把工程师和客户业务人员拉到同一个现场，在真实客户数据上，几天内跑出一个可见 workflow。官方材料里，bootcamp 大约是 5 天左右的 hands-on session。10-K 也写到，AIP bootcamps 能在真实客户数据上几天内交付实际 workflow。
这就是它的厉害之处。
客户不再只听销售讲"AI 可以改变运营"，而是在自己的数据、自己的流程、自己的痛点上看一遍：一个订单怎么被识别，一个异常怎么被解释，一个调度建议怎么出来，一个审批怎么被触发。对很多企业来说，这比一百页 PPT 更有说服力。
但这个动作也有重量。
Palantir 自己在 10-K / 10-Q 里提醒：pilots 和 bootcamps 通常由公司自费，并且不保证未来回报。也就是说，公司先投入人、时间和工程资源，让客户看到可能性，再赌它能转成合同。
这不是完全自助式 SaaS。它更像高强度现场销售加工程交付的混合体。
这带来两个关键问题。
第一个问题是转化率。多少 bootcamp 会变成正式合同？正式合同又有多少会扩大成多部门、多流程的部署？如果很多项目停在试点，前期投入就会变成销售成本。
第二个问题是可复制性。一个汽车厂的生产调度，一个医院的患者流转，一个能源公司的设备维护，一个国防机构的任务协调，表面都可以叫 workflow，但数据、规则、权限和责任链完全不同。Palantir 能把多少东西产品化，多少东西仍然靠人现场解决，决定了它到底是软件平台，还是带着软件的高端服务组织。
速度是真的。服务密度也是真的。
这两件事要一起看。
中间层的位置很值钱，也很拥挤
如果把企业 AI 拆成三层，最上面是基础模型：OpenAI、Anthropic、Google、Meta 等。它们负责造越来越强的智能发动机。
最下面是企业自己的现实世界：库存、订单、病历、合同、审批、权限、设备、人员、监管要求。
中间需要一层东西，把这两边接起来。
这层要回答的问题很具体：数据怎么从十几个系统进入模型？模型输出怎么进入实际审批、调度或生产指令？谁有权限发起请求？AI 建议在责任链里挂在谁头上？模型升级之后，下面的业务逻辑怎么同步？出了问题怎么审计？
Palantir 说自己就是这层东西。这个位置有真实的商业价值：今天企业不缺大模型，调 API 就有；企业缺的是"怎么把模型输出变成组织里可执行的行动，同时不违反权限、数据治理和合规要求"。
但这个位置也是争夺最激烈的地方。
大型云厂商——微软、亚马逊、谷歌——都在构建自己的企业 AI 集成层。SAP、Salesforce、ServiceNow 等企业软件公司在把 AI 能力嵌入现有产品。Accenture、Deloitte 这样的系统集成商在帮客户自建。很多大企业的内部技术团队也在尝试自研。基础模型公司同样在向下延伸——OpenAI 有 ChatGPT Enterprise，Anthropic 在推 Claude for Business。
Palantir 在这个拥挤的战场上能不能站住，取决于几个具体变量：它和客户的数据对接深度有多深（深到拔出来要花多少钱）；部署速度是否真的比竞争者快；权限和治理机制是否难以被简单复制；以及最关键的——客户是否相信"用一个统一平台管理 AI 与运营的结合"比"在每个功能点上单独集成"更划算。
这些变量不是回答一次就定下来的。竞争在移动，客户在学习，技术在迭代。
三类风险不该被漂亮的增长数字盖住
增长数据越亮眼，风险讨论越容易被跳过。但有几类风险结构性很强，忽视它们会让认知产生偏差。
技术与竞争风险。 中间层这个位置会被多方争夺。基础模型公司向下走，云厂商向上走，传统企业软件在内部加 AI，客户也在试着自己做。Palantir 10-K 也承认：AI 相关产品可能不被客户接受，竞争者可能更快采用或实现 AI，新技术可能替代现有产品。在技术世代交替的时期，任何一个中间层位置两三年后和今天可能完全不同。
商业模式风险。 这不是一个轻量 SaaS 生意。部署复杂，需要培训和持续服务。很多合同包含 convenience termination 条款——客户不需要给出任何违约理由就可以终止。政府客户的预算、政策和采购周期有天然的不确定性。此外，收入通常按合同期间确认，销售或续约的变化不会立刻反映在当期数字上。今天签的大合同可能要等几个季度才完全体现在财务报表里；反过来，客户缩减或流失的信号也可能延迟才显现。
社会与声誉风险。 前面已经提到，政府和敏感行业客户带来的不只是收入和壁垒，还有持续的公共争议。Palantir 的工具被用于军事行动和执法场景，在多个国家引发社会讨论。这类风险很难量化，但影响路径清晰：收窄人才池，限制客户拓展范围，社会许可也不是一成不变的。
市场预期本身就是一种约束
这篇文章讨论的是商业模式和组织机制，不做价格判断。但不提市场预期会让讨论不完整——预期的高低直接影响一家公司的容错空间。
Q1 2026 同比 85% 的增速、46% 的运营利润率、87% 的毛利率，加上 80 亿美元的账面现金，每一项都接近优秀。当各项指标都接近优秀的时候，外界自然会把未来的期望值也设得很高。
最大的压力来自这种默认：市场会期待美国商业继续 100% 以上增长，政府合同持续扩大，新客户不断进入，老客户不断扩展，国际市场逐步打开——每个季度都需要接近完美的执行。只要有一两个环节低于预期，反应可能会很剧烈。
Palantir 自己也拉高了这条线：全年收入指引 76.50—76.62 亿美元，美国商业收入指引超过 32.24 亿美元。公司主动给自己画了一条高线，兑现的门槛也就跟着上去了。
读完这篇之后：五个可以反复用的问题
写这篇不是为了帮你判断一只股票的走势。它做的事情是把"AI 到底怎么进入组织运营"这个问题拆开摊平，Palantir 只是拆解用的素材。
下次你看到任何一家号称"把 AI 接进企业运营"的公司——不管是 Palantir、微软、Salesforce、ServiceNow 还是某家创业公司——拿下面五个问题逐条过一遍，基本能分辨故事和现实的边界。
① 客户拿它做什么？看报表，还是做决策？
是只看分析看板和摘要报告，还是真的在运营现场做调度、审批、采购、指挥这类需要行动的决策？如果只是看板，AI 提供的价值很有限——看见不等于能动。关键区分点：产品有没有进入需要做出"行动"的场景。
② AI 的建议能不能写回系统？
一个 AI 建议把库存从 A 仓调到 B 仓。但调库需要三个部门审批，涉及两个供应商的合同条款。权限和规则有没有在同一个系统里被管理？模型输出的建议能不能自动或半自动地变成 ERP 里的一条指令？如果不能写回系统，AI 的建议就永远停留在建议。这是区分"AI 看板"和"AI 操作系统"的硬标准。
③ 试点之后发生了什么？
Bootcamp 做得漂亮、demo 打动人心、pilot 跑通了——然后呢？试点变成全面部署的比例有多高？客户在 pilot 之后有没有签更大范围的合同？一家公司的试点转化率和扩展速度，比它做了多少场演示重要得多。重点看客户在第一年之后的续约率和合同金额变化。
④ 做新客户的成本是在涨还是在降？
每签一个新客户都需要从头做大量定制，还是能在标准化基础上快速适配新行业新场景？如果每个项目都像一次全新的咨询，增长就会被人手和时间卡住。重点观察不同行业客户的上线周期有没有在缩短、行业模板有没有在复用。
⑤ 增长会不会被预算、服务密度和争议拖住？
政府客户的预算和采购周期有天然波动。合同里有没有便利终止条款？持续服务和升级的人力投入有多大？社会和伦理争议有没有影响人才招聘和客户扩展？这些摩擦不一定致命，但它们决定了增长曲线有多陡、天花板在哪里。
把这五条存下来。不只看 Palantir 时能用，看任何一家声称在做企业 AI 落地的公司都能用。
最后多说一句。
企业 AI 的分水岭，不会只发生在谁的模型参数多一个万亿上。更大的变量藏在组织现场：数据散在哪里，权限谁说了算，规则写在什么系统里，一个 AI 的建议怎么变成一条可执行的指令，指令的后果谁来兜。
这些问题没有哪个大模型能直接回答。谁能把模型接到数据、规则、权限、行动和责任上，谁才算真正把 AI 放进了工作。
这不等于说 Palantir 一定就是那个做到的人。基础模型公司向下延伸、云厂商横向包围、企业软件就地集成、大客户尝试自建——中间层的归属远远没有定论。但这个问题本身——组织需要一层把 AI 接进现实世界的东西——大概率会变得越来越重要。
看清这层问题，比看清任何一支股票未来三个月的走势都更有长期价值。
*本文仅基于公开资料进行公司商业模式、企业 AI 和市场结构观察，不构成任何投资建议、证券买卖建议、持仓建议或收益承诺。文中涉及公司、证券、行业和市场信息仅用于研究讨论。*