El trimestre récord de Palantir amplifica la advertencia de Alex Karp sobre la industria de la IA
El CEO de Palantir, Alex Karp, combinó un beneficio trimestral reportado de 1.000 millones de dólares con una dura advertencia sobre las empresas que desarrollan modelos de inteligencia artificial de frontera. El relato de techcrunch posterior a resultados recogió su calificativo más provocador: “marxista”. Su argumento no trataba sobre propiedad pública ni teoría económica. Apuntaba a un modelo de negocio de IA que espera que las empresas confíen en sistemas de propósito general desarrollados fuera de su control.
Ese contraste importa más que el insulto. Palantir se ha convertido en uno de los beneficiarios comerciales más claros del gasto corporativo en IA. Sin embargo, su CEO afirma que los laboratorios que suministran modelos fundacionales siguen siendo demasiado poco fiables para muchos despliegues sensibles.
Karp traza una línea entre los laboratorios de frontera, incluidos OpenAI, Anthropic y Google DeepMind, y el enfoque de Palantir respecto al software operativo. El primer grupo crea modelos destinados a atender a muchos clientes. Palantir vende entornos controlados que conectan los modelos con los datos, permisos y flujos de trabajo de cada cliente.
El resultado es un desafío inusualmente directo. Los laboratorios de frontera sostienen que mejores modelos se convertirán en la capa central de inteligencia para las empresas. Palantir argumenta que las organizaciones necesitan una capa operativa y de gobernanza entre esos modelos y las decisiones reales.
La historia de TechCrunch posterior a resultados fue más allá del trimestre
El desempeño financiero de Palantir dio a Karp una plataforma más sólida para cuestionar a las empresas que suministran los modelos de IA dentro de los sistemas empresariales.
Palantir presentó sus resultados del segundo trimestre el 3 de agosto de 2026, tras el cierre de los mercados estadounidenses. El trimestre concluyó el 30 de junio. Según los resultados trimestrales de la empresa, la publicación llegó junto con una retransmisión para inversores liderada por Karp y otros ejecutivos.
Las cifras principales fueron llamativas. Palantir generó aproximadamente 1.940 millones de dólares en ingresos trimestrales, un aumento del 93 por ciento respecto al año anterior. La compañía también informó de cerca de 1.000 millones de dólares de beneficio, aunque las ganancias relacionadas con inversiones contribuyeron a ese total.
Esta distinción es importante. Un gran beneficio contable no significa que las operaciones principales de software de Palantir hayan producido repentinamente el importe completo. Los inversores deben separar el desempeño operativo de las ganancias vinculadas a inversiones y otros conceptos.
El negocio subyacente siguió creciendo rápidamente. Los ingresos comerciales en Estados Unidos alcanzaron los 764 millones de dólares, un 149 por ciento más interanual y un 28 por ciento más que en el trimestre anterior. Ese segmento presta servicio a empresas en lugar de organismos gubernamentales, lo que lo hace especialmente relevante para el argumento de Karp sobre la IA empresarial.
El número de clientes comerciales de Palantir en Estados Unidos habría alcanzado los 653, un aumento del 35 por ciento frente a un año antes. El valor restante de contratos en ese negocio, que refleja trabajo contratado aún no reconocido como ingreso, también subió con fuerza.
El crecimiento total de los ingresos alcanzó el 93 por ciento. Palantir describió su puntuación de la Regla del 40 como del 155 por ciento. La Regla del 40 combina la tasa de crecimiento de ingresos de una empresa de software con una medida de rentabilidad para evaluar si el crecimiento y los márgenes se mantienen equilibrados.
La versión de Palantir utilizó el margen operativo ajustado en lugar de una medida contable estandarizada. Por ello, los inversores deberían tratar con cautela las comparaciones con otras empresas de software. Aun así, la métrica muestra cómo la dirección quiere que el mercado interprete el trimestre: expansión rápida sin las pérdidas habitualmente asociadas a una inversión agresiva en IA.
La empresa también elevó sus previsiones para todo el año. Proyectó más de 8.150 millones de dólares de ingresos en 2026 y más de 3.420 millones de dólares procedentes de su negocio comercial estadounidense. Estas previsiones siguen siendo orientación de la compañía, no resultados ya completados.
La cobertura de las cifras de resultados destacó la aceleración de la demanda comercial. Esa aceleración da credibilidad a Karp cuando sostiene que las empresas quieren más que acceso a un chatbot avanzado o una interfaz de programación de aplicaciones.
El artículo de techcrunch posterior a resultados se centró en la afirmación filosófica que subyace a esas cifras. Karp dijo que los laboratorios de frontera no son lo bastante fiables para las empresas. Después utilizó “marxista” como abreviatura para una industria que, según su planteamiento, subestima la importancia de los datos y las operaciones distintivos de cada organización.
La etiqueta es incendiaria e imprecisa. Sin embargo, descartarla como otra frase llamativa de un Karp excéntrico pasaría por alto el argumento empresarial que la acompaña.
Palantir cree que la parte valiosa de la IA empresarial no es un modelo compartido por miles de clientes. Es la conexión controlada entre ese modelo y las personas, activos, reglas y decisiones específicos de una empresa.
Esa premisa explica por qué el trimestre y la crítica pertenecen a la misma historia. El crecimiento de Palantir sugiere que muchos clientes están pagando por implementación, gobernanza e integración de flujos de trabajo. Karp utiliza esas ventas como prueba contra una visión de la IA empresarial centrada primero en el modelo.
Por qué Karp cree que no se puede confiar en los laboratorios de IA de frontera
La crítica de Karp se centra en el control: quién posee el contexto operativo, quién puede inspeccionar el sistema y quién sigue siendo responsable cuando una decisión asistida por IA sale mal.
Un modelo de frontera es un gran sistema de IA de propósito general entrenado para realizar muchas tareas. Su desarrollador mejora un modelo subyacente y distribuye el acceso mediante productos de consumo, plataformas en la nube o interfaces de programación de aplicaciones.
Esa estructura genera importantes economías de escala. Un laboratorio puede invertir mucho en computación, datos e investigación, y después distribuir la capacidad resultante entre numerosos clientes. Las empresas obtienen acceso a sistemas que rara vez podrían construir por sí solas.
Karp percibe un problema cuando ese modelo general pasa de redactar texto a influir en las operaciones. Un modelo puede sugerir un eslogan de marketing con un contexto organizativo limitado. Necesita controles mucho más estrictos antes de asignar inventario, programar mantenimiento, revisar inteligencia o recomendar acciones militares.
Las empresas también tienen reglas diferentes. Un hospital, un banco, un fabricante y una agencia de defensa no pueden tratar el acceso a datos, la aprobación humana y la conservación de registros del mismo modo. Incluso dos compañías del mismo sector pueden definir la información sensible de forma diferente.
La alternativa de Palantir es una ontología, una representación de software de las entidades y relaciones reales de una organización. Puede mapear personas, máquinas, pedidos, permisos y decisiones en una capa operativa controlada.
Esa capa es fundamental para la Artificial Intelligence Platform de Palantir, comúnmente llamada AIP. AIP conecta modelos con datos y acciones empresariales mientras aplica permisos y controles de auditoría específicos para cada cliente.
El argumento de Karp es que la ontología y sus controles importan más que las afirmaciones del proveedor del modelo sobre su inteligencia. Un modelo más capaz no comprende automáticamente qué empleado puede acceder a un registro o qué decisión requiere autorización humana.
Los laboratorios de frontera no han ignorado estos asuntos. OpenAI, Anthropic, Google y los principales proveedores de nube ofrecen controles empresariales, compromisos de seguridad, herramientas administrativas y opciones que limitan el uso de los datos de clientes para entrenamiento.
Estas salvaguardas debilitan cualquier afirmación general de que los laboratorios de frontera son intrínsecamente hostiles a los requisitos empresariales. También demuestran que los proveedores de modelos reconocen la gobernanza como una cuestión competitiva.
Sin embargo, los compromisos de seguridad no responden a todas las preguntas operativas. Una empresa aún debe decidir qué información entra en un modelo, qué resultados pueden desencadenar acciones y cómo investigar los fallos.
Por tanto, la cuestión de confianza más importante es arquitectónica, no personal. Un comprador no necesita creer que un laboratorio pretende hacer un mal uso de los datos. Necesita la garantía de que un modelo externo cambiante no pueda eludir la política interna.
Los modelos también cambian con el tiempo. Los proveedores lanzan nuevas versiones, retiran otras más antiguas, modifican los sistemas de seguridad y cambian la forma en que los productos procesan solicitudes. Esos cambios pueden generar trabajo de validación para clientes que operan en entornos regulados o sensibles para la seguridad.
Un proveedor de modelos puede mejorar el rendimiento medio mientras cambia el comportamiento en una tarea empresarial específica. Las empresas necesitan sistemas de evaluación que detecten ese cambio antes de que afecte a producción.
Aquí es donde la advertencia de Karp resulta más persuasiva. Un laboratorio puede proporcionar seguridad a nivel de modelo, pero no puede definir el comportamiento operativo aceptable para cada cliente. Esa responsabilidad sigue recayendo en la empresa y en el software que rodea al modelo.
La etiqueta “marxista” oscurece este punto práctico. El mercado de la IA de frontera está liderado por empresas privadas que compiten por capital, clientes y capacidad de computación. Calificar de marxista a ese mercado es retórica política, no una descripción literal.
Karp parece estar atacando la estandarización. Rechaza la idea de que una inteligencia abstracta pueda tratar a las organizaciones como unidades intercambiables. La posición comercial de Palantir depende de la visión opuesta: cada institución requiere un modelo operativo distinto.
Esta interpretación hace que el intercambio de techcrunch posterior a resultados sea menos ideológico de lo que parece inicialmente. Es un argumento de ventas sobre dónde se acumula el valor empresarial.
La verdadera disputa es inteligencia del modelo frente a control operativo
Palantir y los laboratorios de frontera compiten por determinar qué capa se convierte en el punto de control de la IA empresarial.
Los laboratorios de frontera poseen una ventaja evidente. Sus modelos proporcionan las capacidades de comprensión del lenguaje, razonamiento, programación y multimodalidad que hicieron posible el actual mercado de la IA.
A medida que esos modelos mejoran, los proveedores pueden avanzar más hacia las aplicaciones empresariales. Pueden añadir conectores, agentes, sistemas de recuperación, gestión de identidades y herramientas de flujo de trabajo alrededor de su tecnología principal.
Un agente es software que utiliza un modelo para seleccionar y realizar múltiples acciones con el fin de alcanzar un objetivo. Este diseño hace que la gobernanza sea más urgente porque un agente puede hacer más que producir una recomendación.
OpenAI, Anthropic y Google quieren que las empresas construyan sistemas cada vez más capaces alrededor de sus respectivos modelos. Sus socios de nube también quieren proporcionar la infraestructura, la seguridad, los servicios de datos y las herramientas de despliegue que respaldan esos sistemas.
Palantir ocupa una posición diferente. No necesita construir el modelo fundacional más capaz. Su objetivo es hacer que múltiples modelos sean utilizables dentro de entornos operativos donde los permisos y las consecuencias importan.
Esta posición agnóstica respecto a los modelos ofrece flexibilidad a las empresas. Un cliente puede seleccionar distintos modelos para diferentes tareas, sustituir a un proveedor o dirigir trabajo sensible a un despliegue controlado.
También puede reducir la dependencia de un único laboratorio. Si el rendimiento de los modelos converge, la capa circundante de datos y flujos de trabajo se vuelve más valiosa. Palantir se beneficia de ese resultado.
Los laboratorios de frontera se benefician de la dirección opuesta. Si un modelo se vuelve sustancialmente más capaz que sus rivales, las empresas tendrán una razón más sólida para organizar las aplicaciones alrededor de la plataforma de ese proveedor.
La disputa no es simplemente Palantir contra OpenAI. Es una lucha por la gravedad arquitectónica. La capa que concentre el contexto del cliente, los permisos, las evaluaciones y el historial de flujos de trabajo se vuelve difícil de sustituir.
El rápido crecimiento comercial de Palantir en Estados Unidos sugiere que muchas organizaciones necesitan actualmente ayuda con esta capa intermedia. El acceso a modelos por sí solo no ha eliminado el trabajo de integración.
Los datos empresariales están dispersos entre bases de datos, documentos, aplicaciones de software, sensores y archivos locales. Gran parte de ellos tiene etiquetas incoherentes o permisos desactualizados. Un modelo no puede corregir por sí solo esos problemas organizativos.
El mismo problema afecta al trabajo del conocimiento. Los empleados necesitan entender de dónde provino una respuesta, qué información la condicionó y si pueden utilizarla. Una base de conocimientos consultable resulta más útil cuando las reglas de acceso y el contexto de las fuentes siguen siendo visibles.
Palantir aplica este principio a una escala operativa mayor. Su software puede conectar la salida de un modelo con un objeto que representa un componente de fábrica, una orden de suministro, una cuenta de cliente o un activo en el campo de batalla.
Esa especificidad puede generar costes de cambio. Una vez que un cliente ha incorporado sus operaciones a la ontología de Palantir, retirar la plataforma puede requerir reconstruir flujos de trabajo y controles en otro lugar.
Los laboratorios de frontera pueden responder ofreciendo ellos mismos más de esas capacidades. Los proveedores de nube ya combinan modelos con bases de datos, sistemas de identidad, herramientas de observabilidad y servicios de aplicaciones.
Microsoft cuenta con una posición especialmente sólida porque combina acceso a modelos con infraestructura en la nube, software para el lugar de trabajo, gestión de identidades y herramientas para desarrolladores. Amazon Web Services y Google Cloud siguen estrategias similares con amplios catálogos de modelos.
Estas empresas pueden argumentar que los clientes no necesitan una plataforma operativa independiente. Pueden ensamblar sistemas de IA gobernados dentro de un entorno de nube existente.
Palantir responde con rapidez y disciplina de despliegue. Su estrategia comercial se ha apoyado en gran medida en boot camps, sesiones de trabajo breves en las que los clientes construyen sistemas alrededor de datos y flujos de trabajo reales.
El modelo de boot camp ofrece a los compradores algo más concreto que una demostración general. También convierte la integración en parte del proceso de ventas, lo que potencialmente acorta el camino desde la experimentación hasta un contrato.
Aun así, el crecimiento de Palantir no demuestra que su arquitectura vaya a dominar. Muestra que la empresa ha encontrado una demanda significativa durante un ciclo excepcionalmente intenso de adopción de IA.
La cuestión decisiva es si el control empresarial seguirá siendo una categoría especializada de software. Si los proveedores de nube y modelos absorben esa función, Palantir afrontará una competencia de plataformas más fuerte.
Si las empresas siguen combinando modelos mientras mantienen su propia capa de gobernanza, la posición de Palantir se fortalece. Esa es la apuesta comercial oculta en el lenguaje político de Karp.
Lo que las cifras de Palantir no demuestran
Un trimestre sólido respalda la tesis de Palantir sobre la IA empresarial, pero no establece que los laboratorios de frontera sean poco fiables ni que Palantir haya resuelto la gobernanza de la IA.
La primera limitación se refiere a la cifra de beneficios. Aproximadamente 1.000 millones de dólares de beneficio trimestral suenan como una medida directa del rendimiento del software. Según se informa, las ganancias relacionadas con inversiones contribuyeron de forma material al resultado.
El crecimiento de los ingresos y el rendimiento operativo ajustado ofrecen pruebas más claras de la demanda de los clientes. Aun así, no revelan cuánto de la aceleración persistirá después del actual auge de adopción.
La concentración de clientes de Palantir también merece atención. El trabajo con gobiernos sigue siendo central para la identidad, la experiencia y la base de ingresos de la empresa. Los despliegues gubernamentales pueden implicar contratos largos y requisitos de seguridad exigentes, pero no representan todos los entornos de compra empresarial.
Una agencia de defensa puede priorizar el control y la integración con la misión por encima del coste o la familiaridad del usuario. Un cliente comercial más pequeño puede preferir un producto más sencillo incluido con su plataforma de nube o productividad existente.
La tasa de crecimiento del 149 por ciento de Palantir en el segmento comercial estadounidense procedía de una base en rápida expansión. Mantener ese ritmo se vuelve más difícil a medida que aumentan los ingresos. Las comparaciones anuales también se volverán más exigentes.
La previsión de Palantir es otro punto de riesgo. La dirección elevó sus expectativas tras el trimestre, pero las previsiones siguen sujetas al calendario de contratos, los presupuestos de los clientes, retrasos en los despliegues y condiciones económicas más amplias.
Históricamente, la valoración ha amplificado esos riesgos. En períodos anteriores, las acciones de Palantir cayeron tras resultados positivos porque los inversores esperaban un crecimiento todavía más rápido. Un análisis de mercado anterior destacó preocupaciones sobre el desempeño comercial internacional y unas expectativas exigentes.
El último trimestre no elimina esa presión. El crecimiento rápido puede elevar el estándar que los inversores utilizan para juzgar el siguiente informe.
El argumento de confianza de Karp también requiere escrutinio. Palantir pide a los clientes que sitúen una importante capa operativa dentro del software de Palantir. Esa configuración crea su propia forma de dependencia del proveedor.
Una empresa que desconfía de los laboratorios de frontera debería plantear las mismas preguntas a Palantir. ¿Quién puede inspeccionar el sistema? ¿Con qué facilidad pueden los clientes exportar datos y políticas? ¿Qué ocurre cuando Palantir cambia su plataforma?
El software de gobernanza puede reducir el riesgo, pero no puede hacer que los modelos sean deterministas. Un modelo aún puede alucinar, malinterpretar el contexto o recomendar una acción insegura.
La aprobación humana puede limitar las consecuencias. Los registros de auditoría pueden ayudar a reconstruir lo ocurrido. Los controles de permisos pueden impedir el acceso no autorizado. Ninguno de estos mecanismos garantiza que una salida sea correcta.
Las organizaciones también necesitan evaluaciones independientes. La prueba de referencia interna de un proveedor puede no representar las tareas reales del cliente, sus idiomas, la calidad de sus datos o los costes de los fallos.
Esto convierte la gobernanza de la IA empresarial en un proceso continuo. Los equipos deben probar los modelos antes del despliegue, supervisar el comportamiento en producción, revisar incidentes y reevaluar los sistemas tras las actualizaciones de los modelos.
Palantir afirma que su plataforma admite esos controles. Los compradores deben verificar esa afirmación en sus propios entornos.
La frase “los laboratorios de frontera son demasiado poco fiables” también agrupa a empresas diferentes. OpenAI, Anthropic y Google operan modelos, políticas, opciones de despliegue y asociaciones distintos.
Anthropic ha hecho hincapié en la seguridad de los modelos y publica investigación sobre el comportamiento de los sistemas. OpenAI ha ampliado los controles administrativos y de seguridad para clientes empresariales. Google integra modelos con una consolidada pila de seguridad en la nube.
Sus enfoques merecen una evaluación individual. La categoría amplia de Karp resulta útil para una narrativa competitiva, pero débil como conclusión de compra.
Su descripción de “marxista” es aún menos útil para una evaluación técnica. Los compradores empresariales deberían ignorar el envoltorio ideológico y examinar los contratos, la arquitectura, el manejo de datos, la auditabilidad y las opciones de salida.
El enfoque de techcrunch tras los resultados funciona porque capta una contradicción vívida. Una empresa que se beneficia del auge de la IA advierte a los clientes sobre la industria que produce su tecnología central.
Esa contradicción no implica que Karp esté equivocado. Sí significa que los lectores deberían reconocer el incentivo de Palantir. La empresa se beneficia cuando las compañías consideran que el acceso bruto a modelos es insuficiente y potencialmente peligroso.
Tres señales pondrán a prueba el argumento de Karp sobre la IA empresarial
La próxima fase se decidirá por el comportamiento medible de los clientes, no por la descripción más incisiva de la industria de la IA.
La primera señal es el desempeño comercial de Palantir en Estados Unidos durante el tercer trimestre. El crecimiento de ingresos, las incorporaciones de clientes y el valor restante de los acuerdos mostrarán si la aceleración del segundo trimestre representó una demanda duradera.
El crecimiento secuencial importa aquí. Las comparaciones interanuales pueden seguir siendo llamativas tras una fase de expansión rápida. El crecimiento de un trimestre al siguiente ofrece una visión más cercana del impulso actual.
Los inversores también deberían comparar los resultados reales con las previsiones anuales elevadas de Palantir. Alcanzar o superar esa previsión reforzaría la afirmación de Karp de que las empresas están pagando por IA operativa gobernada.
Una desaceleración material la debilitaría. Sugeriría que los boot camps y los primeros despliegues no se están convirtiendo en gasto de producción con la consistencia que la empresa espera.
La segunda señal es cómo los laboratorios de frontera amplían sus capas de control empresarial. Los proveedores de modelos ya están avanzando más allá de simples interfaces de programación de aplicaciones.
Hay que observar sistemas de permisos más sólidos, contexto organizativo persistente, herramientas de evaluación de modelos, opciones de despliegue regional y controles más claros para agentes. Estas funciones abordan directamente la brecha de confianza que describe Karp.
Los nuevos productos por sí solos no resolverán la cuestión. La adopción por parte de empresas reguladas importará más que los anuncios.
Si las grandes empresas consolidan los flujos de trabajo de IA alrededor de un solo proveedor de modelos, la ventaja agnóstica respecto a modelos de Palantir se volverá menos distintiva. El laboratorio de frontera controlaría tanto la capa de inteligencia como una mayor parte del contexto operativo.
Si las empresas siguen utilizando varios modelos detrás de una capa de gobernanza independiente, la tesis de Palantir se fortalece. Los despliegues multimodelo confirmarían que los clientes quieren separar a los proveedores de modelos del control operativo.
La tercera señal es la evidencia del uso en producción. Las empresas deben revelar si los sistemas de IA superan los experimentos internos y comienzan a respaldar flujos de trabajo con consecuencias relevantes.
La evidencia útil incluye tiempos de procesamiento más cortos, menos errores, supervisión humana documentada y una adopción sostenida por parte de los empleados. Las afirmaciones vagas sobre productividad no serán suficientes.
Los compradores también deberían observar los informes de incidentes. Un fallo público que involucre a un agente empresarial podría aumentar la demanda de controles al estilo Palantir. Un historial sólido de las plataformas empresariales nativas de los proveedores de modelos debilitaría la advertencia de Karp.
Los sectores regulados ofrecerán las pruebas más claras. Los servicios financieros, la atención sanitaria, la defensa, la energía y la fabricación se enfrentan a requisitos más estrictos que la productividad general de oficina.
Estos sectores no pueden evaluar la IA únicamente por la calidad del modelo. Necesitan acceso trazable a los datos, decisiones documentadas, pruebas repetibles y una responsabilidad clara ante los fallos.
Los trabajadores del conocimiento se enfrentan a una versión menor del mismo problema. Cada vez utilizan más la IA en reuniones, documentos, investigación y comunicaciones internas. Un sistema personal de conocimiento puede preservar el contexto, pero los usuarios aún necesitan verificar las fuentes y controlar la información sensible.
Esa es la lección práctica detrás de la controversia de techcrunch tras los resultados. El mejor modelo no es automáticamente el mejor sistema empresarial. La inteligencia importa, pero también el contexto, los permisos, la responsabilidad y la capacidad de cambiar de proveedor.
El trimestre de Palantir ofrece a Karp pruebas de que los clientes pagarán por esas capas ausentes. No le otorga un monopolio sobre la confianza.
Los laboratorios de frontera pueden mejorar su arquitectura empresarial. Los proveedores de nube pueden incluir controles competidores. Los clientes pueden crear sistemas internos o elegir proveedores especializados.
La retórica de Karp intenta convertir esa competencia abierta en una elección simple entre Palantir y un establishment de IA irresponsable. El mercado sigue siendo más complicado.
Los líderes empresariales deberían plantear una pregunta más acotada: ¿qué capa conserva el control cuando cambian el modelo, los datos o el proceso de negocio?
Si la respuesta es el proveedor del modelo, la advertencia de Karp merece atención. Si el cliente puede gobernar, probar, reemplazar y auditar cada componente, la identidad del laboratorio de frontera resulta menos preocupante.
El próximo informe de resultados mostrará si Palantir puede seguir convirtiendo esa preocupación en ingresos. La próxima oleada de lanzamientos empresariales de OpenAI, Anthropic, Google y los proveedores de nube mostrará si pueden cerrar la brecha de control.
Hasta entonces, la frase “marxista” conviene tratarla como posicionamiento competitivo envuelto en provocación política. El titular de 1.000 millones de dólares de beneficio la hizo más sonora. Los datos de adopción empresarial determinarán si fue acertada.
