Il trimestre record di Palantir amplifica l'avvertimento di Alex Karp sull'industria dell'AI

Il CEO di Palantir Alex Karp ha accompagnato un utile trimestrale dichiarato di 1 miliardo di dollari con un duro avvertimento sulle aziende che sviluppano modelli di intelligenza artificiale di frontiera. Il resoconto post-utili di techcrunch ha riportato la sua definizione più provocatoria: “Marxist.” La sua argomentazione non riguardava la proprietà pubblica o la teoria economica. Prendeva di mira un modello di business dell'AI che si aspetta che le imprese si fidino di sistemi generalisti sviluppati al di fuori del loro controllo.

Il contrasto conta più dell'insulto. Palantir è diventata una delle più chiare beneficiarie commerciali della spesa aziendale per l'AI. Eppure il suo CEO afferma che i laboratori che forniscono modelli fondamentali restano troppo poco affidabili per molti impieghi sensibili.

Karp traccia una linea tra i laboratori di frontiera, tra cui OpenAI, Anthropic e Google DeepMind, e l'approccio di Palantir al software operativo. Il primo gruppo sviluppa modelli destinati a servire molti clienti. Palantir vende ambienti controllati che collegano i modelli ai dati, ai permessi e ai flussi di lavoro di ciascun cliente.

Ne deriva una sfida insolitamente diretta. I laboratori di frontiera sostengono che modelli migliori diventeranno il livello centrale di intelligenza per le imprese. Palantir sostiene che le imprese abbiano bisogno di un livello operativo e di governance tra quei modelli e le decisioni reali.

La storia post-utili di TechCrunch andava oltre il trimestre

La performance finanziaria di Palantir ha dato a Karp una piattaforma più solida per mettere in discussione le aziende che forniscono i modelli di AI all'interno dei sistemi aziendali.

Palantir ha comunicato i risultati del secondo trimestre il 3 agosto 2026, dopo la chiusura dei mercati statunitensi. Il trimestre si è concluso il 30 giugno. Secondo i risultati trimestrali dell'azienda, il comunicato è stato accompagnato da una webcast per gli investitori guidata da Karp e da altri dirigenti.

I dati principali erano sorprendenti. Palantir ha generato circa 1,94 miliardi di dollari di ricavi trimestrali, con un aumento del 93 percento rispetto all'anno precedente. L'azienda ha inoltre dichiarato circa 1 miliardo di dollari di utile, sebbene i guadagni legati agli investimenti abbiano contribuito a quel totale.

Questa distinzione è importante. Un grande utile contabile non significa che le attività software principali di Palantir abbiano improvvisamente generato l'intero importo. Gli investitori devono separare la performance operativa dai guadagni legati a investimenti e altre voci.

L'attività sottostante ha comunque continuato a crescere rapidamente. I ricavi commerciali negli Stati Uniti hanno raggiunto 764 milioni di dollari, in aumento del 149 percento su base annua e del 28 percento rispetto al trimestre precedente. Questo segmento serve aziende anziché agenzie governative, rendendolo particolarmente rilevante per l'argomentazione di Karp sull'AI aziendale.

Il numero di clienti commerciali statunitensi di Palantir ha raggiunto, secondo quanto riportato, 653, con un aumento del 35 percento rispetto a un anno prima. Anche il valore residuo dei contratti in quell'attività, che riflette il lavoro contrattualizzato non ancora riconosciuto come ricavo, è salito nettamente.

La crescita complessiva dei ricavi ha raggiunto il 93 percento. Palantir ha descritto il proprio punteggio Rule of 40 come pari al 155 percento. La Rule of 40 combina il tasso di crescita dei ricavi di una società software con una misura della redditività per valutare se crescita e margini restino equilibrati.

La versione di Palantir ha utilizzato il margine operativo rettificato anziché una misura contabile standardizzata. Gli investitori dovrebbero quindi trattare con cautela i confronti con altre società software. Tuttavia, la metrica mostra come il management voglia che il mercato interpreti il trimestre: rapida espansione senza le perdite comunemente associate a investimenti aggressivi nell'AI.

L'azienda ha inoltre alzato le proprie previsioni per l'intero anno. Ha stimato oltre 8,15 miliardi di dollari di ricavi nel 2026 e oltre 3,42 miliardi di dollari dalla sua attività commerciale negli Stati Uniti. Queste previsioni restano indicazioni dell'azienda, non risultati già conseguiti.

La copertura delle cifre sugli utili ha sottolineato l'accelerazione della domanda commerciale. Questa accelerazione conferisce a Karp credibilità quando sostiene che le imprese vogliono più del semplice accesso a un chatbot avanzato o a un'interfaccia di programmazione delle applicazioni.

L'articolo post-utili di techcrunch si è concentrato sulla tesi filosofica alla base di quei numeri. Karp ha affermato che i laboratori di frontiera non sono sufficientemente affidabili per le imprese. Ha poi usato “Marxist” come abbreviazione per un settore che, secondo la sua lettura, sottovaluta l'importanza dei dati e delle operazioni distintive di ogni organizzazione.

L'etichetta è incendiaria e imprecisa. Tuttavia, liquidarla come l'ennesima battuta eccentrica di Karp farebbe perdere di vista l'argomentazione commerciale a essa associata.

Palantir ritiene che la componente preziosa dell'AI aziendale non sia un modello condiviso tra migliaia di clienti. È il collegamento controllato tra quel modello e le persone, gli asset, le regole e le decisioni specifiche di un'azienda.

Questa premessa spiega perché il trimestre e la critica appartengano alla stessa storia. La crescita di Palantir suggerisce che molti clienti stiano pagando per implementazione, governance e integrazione dei flussi di lavoro. Karp usa queste vendite come prova contro una visione dell'AI aziendale incentrata prima di tutto sul modello.

Perché Karp ritiene che i laboratori di AI di frontiera non siano affidabili

La critica di Karp ruota attorno al controllo: chi possiede il contesto operativo, chi può ispezionare il sistema e chi resta responsabile quando una decisione assistita dall'AI va storta.

Un modello di frontiera è un grande sistema di AI generalista addestrato a svolgere molti compiti. Il suo sviluppatore migliora un unico modello sottostante e ne distribuisce l'accesso attraverso prodotti consumer, piattaforme cloud o interfacce di programmazione delle applicazioni.

Questa struttura crea importanti economie di scala. Un laboratorio può investire molto in calcolo, dati e ricerca, per poi distribuire la capacità risultante tra molti clienti. Le imprese ottengono accesso a sistemi che raramente potrebbero sviluppare da sole.

Karp vede un problema quando quel modello generale passa dalla redazione di testi all'influenza sulle operazioni. Un modello può suggerire uno slogan di marketing con un contesto organizzativo limitato. Necessita di controlli molto più rigorosi prima di allocare inventario, pianificare manutenzione, analizzare intelligence o raccomandare un'azione militare.

Le imprese hanno inoltre regole diverse. Un ospedale, una banca, un produttore e un'agenzia della difesa non possono trattare nello stesso modo l'accesso ai dati, l'approvazione umana e la conservazione dei registri. Persino due aziende dello stesso settore possono definire in modo diverso le informazioni sensibili.

L'alternativa di Palantir è un'ontologia, una rappresentazione software delle entità e delle relazioni reali di un'organizzazione. Può mappare persone, macchine, ordini, permessi e decisioni in un livello operativo controllato.

Questo livello è centrale per l'Artificial Intelligence Platform di Palantir, comunemente chiamata AIP. AIP collega i modelli ai dati e alle azioni aziendali applicando al contempo permessi e controlli di audit specifici per il cliente.

L'argomentazione di Karp è che l'ontologia e i suoi controlli contino più delle affermazioni del fornitore del modello sull'intelligenza. Un modello più capace non comprende automaticamente quale dipendente possa accedere a un record o quale decisione richieda autorizzazione umana.

I laboratori di frontiera non hanno ignorato questi problemi. OpenAI, Anthropic, Google e i principali fornitori cloud offrono tutti controlli aziendali, impegni di sicurezza, strumenti amministrativi e opzioni che limitano l'uso dei dati dei clienti per l'addestramento.

Queste salvaguardie indeboliscono qualsiasi affermazione generalizzata secondo cui i laboratori di frontiera sarebbero intrinsecamente ostili ai requisiti aziendali. Mostrano inoltre che i fornitori di modelli riconoscono la governance come una questione competitiva.

Tuttavia, gli impegni di sicurezza non rispondono a ogni questione operativa. Un'impresa deve comunque decidere quali informazioni inserire in un modello, quali output possano attivare azioni e come indagare i malfunzionamenti.

La questione di fiducia più importante è quindi architetturale piuttosto che personale. Un acquirente non deve credere che un laboratorio intenda usare impropriamente i dati. Ha bisogno della certezza che un modello esterno in evoluzione non possa aggirare la politica interna.

Anche i modelli cambiano nel tempo. I fornitori rilasciano nuove versioni, ritirano quelle più vecchie, modificano i sistemi di sicurezza e cambiano il modo in cui i prodotti elaborano le richieste. Questi cambiamenti possono creare lavoro di validazione per i clienti che operano in contesti regolamentati o sensibili alla sicurezza.

Un fornitore di modelli può migliorare la performance media modificando al tempo stesso il comportamento in uno specifico compito aziendale. Le imprese necessitano di sistemi di valutazione che rilevino tale cambiamento prima che influenzi la produzione.

È qui che l'avvertimento di Karp diventa più persuasivo. Un laboratorio può fornire sicurezza a livello di modello, ma non può definire il comportamento operativo accettabile per ogni cliente. Questa responsabilità resta all'impresa e al software che circonda il modello.

L'etichetta “Marxist” oscura questo punto pratico. Il mercato dell'AI di frontiera è guidato da aziende private in competizione per capitale, clienti e capacità di calcolo. Definire marxista quel mercato è retorica politica, non una descrizione letterale.

Karp sembra invece attaccare la standardizzazione. Respinge l'idea che un'unica intelligenza astratta possa trattare le organizzazioni come unità intercambiabili. La posizione commerciale di Palantir dipende dalla visione opposta: ogni istituzione richiede un modello operativo distinto.

Questa interpretazione rende lo scambio post-utili di techcrunch meno ideologico di quanto sembri inizialmente. È un argomento di vendita su dove si accumuli il valore aziendale.

La vera sfida è tra intelligenza del modello e controllo operativo

Palantir e i laboratori di frontiera competono per determinare quale livello diventerà il punto di controllo dell'AI aziendale.

I laboratori di frontiera hanno un vantaggio evidente. I loro modelli forniscono le capacità di comprensione del linguaggio, ragionamento, programmazione e multimodalità che hanno reso possibile l'attuale mercato dell'AI.

Con il miglioramento di questi modelli, i fornitori possono avanzare ulteriormente nelle applicazioni aziendali. Possono aggiungere connettori, agenti, sistemi di recupero delle informazioni, gestione delle identità e strumenti per i flussi di lavoro attorno alla loro tecnologia principale.

Un agente è un software che usa un modello per selezionare ed eseguire più azioni verso un obiettivo. Questa architettura rende la governance più urgente perché un agente può fare più che produrre una raccomandazione.

OpenAI, Anthropic e Google vogliono che le imprese costruiscano sistemi sempre più capaci attorno ai rispettivi modelli. Anche i loro partner cloud vogliono fornire l'infrastruttura, la sicurezza, i servizi dati e gli strumenti di deployment a supporto di tali sistemi.

Palantir occupa una posizione diversa. Non ha bisogno di costruire il modello fondamentale più capace. Mira a rendere utilizzabili più modelli all'interno di ambienti operativi in cui permessi e conseguenze contano.

Questa posizione agnostica rispetto ai modelli offre flessibilità alle imprese. Un cliente può selezionare modelli diversi per compiti diversi, sostituire un fornitore o indirizzare il lavoro sensibile verso un deployment controllato.

Può anche ridurre la dipendenza da un singolo laboratorio. Se la performance dei modelli converge, il livello circostante di dati e flussi di lavoro diventa più prezioso. Palantir beneficia di questo esito.

I laboratori di frontiera beneficiano della direzione opposta. Se un modello diventa sostanzialmente più capace dei rivali, le imprese hanno una ragione più forte per organizzare le applicazioni attorno alla piattaforma di quel fornitore.

La sfida non è semplicemente Palantir contro OpenAI. È una lotta per la gravità architetturale. Qualunque livello detenga il contesto del cliente, i permessi, le valutazioni e la cronologia dei flussi di lavoro diventa difficile da sostituire.

La rapida crescita commerciale di Palantir negli Stati Uniti suggerisce che molte organizzazioni abbiano attualmente bisogno di aiuto con questo livello intermedio. Il solo accesso ai modelli non ha eliminato il lavoro di integrazione.

I dati aziendali sono distribuiti tra database, documenti, applicazioni software, sensori e file locali. Gran parte di essi presenta etichette incoerenti o autorizzazioni non aggiornate. Un modello non può risolvere da solo questi problemi organizzativi.

Lo stesso vale per il lavoro basato sulla conoscenza. I dipendenti devono capire da dove proviene una risposta, quali informazioni l'hanno determinata e se possono utilizzarla. Una base di conoscenza consultabile diventa più utile quando le regole di accesso e il contesto delle fonti restano visibili.

Palantir applica questo principio su una scala operativa più ampia. Il suo software può collegare l'output di un modello a un oggetto che rappresenta un componente di fabbrica, un ordine di fornitura, un account cliente o una risorsa sul campo di battaglia.

Questa specificità può creare costi di sostituzione. Una volta che un cliente ha mappato le proprie operazioni nell'ontologia di Palantir, rimuovere la piattaforma può richiedere di ricostruire altrove flussi di lavoro e controlli.

I laboratori di frontiera possono rispondere offrendo direttamente un maggior numero di queste capacità. I provider cloud già integrano i modelli con database, sistemi di identità, strumenti di osservabilità e servizi applicativi.

Microsoft gode di una posizione particolarmente forte perché combina l'accesso ai modelli con infrastruttura cloud, software per il lavoro, gestione delle identità e strumenti per sviluppatori. Amazon Web Services e Google Cloud perseguono strategie simili con ampi cataloghi di modelli.

Queste aziende possono sostenere che i clienti non abbiano bisogno di una piattaforma operativa separata. Possono assemblare sistemi di IA governati all'interno di un ambiente cloud esistente.

Palantir ribatte puntando su rapidità e rigore nell'implementazione. La sua strategia commerciale si è basata in larga misura sui boot camp, brevi sessioni di lavoro in cui i clienti costruiscono sistemi attorno a dati e flussi di lavoro reali.

Il modello dei boot camp offre agli acquirenti qualcosa di più concreto di una dimostrazione generica. Trasforma inoltre l'integrazione in parte del processo di vendita, accorciando potenzialmente il percorso dalla sperimentazione a un contratto.

Tuttavia, la crescita di Palantir non dimostra che la sua architettura dominerà. Mostra che l'azienda ha trovato una domanda significativa durante un ciclo di adozione dell'IA insolitamente intenso.

La questione decisiva è se il controllo aziendale rimarrà una categoria software specializzata. Se i provider cloud e di modelli assorbiranno questa funzione, Palantir dovrà affrontare una concorrenza di piattaforma più forte.

Se le aziende continueranno a combinare modelli mantenendo al contempo un proprio livello di governance, la posizione di Palantir si rafforzerà. È questa la scommessa commerciale nascosta nel linguaggio politico di Karp.

Cosa non dimostrano i numeri di Palantir

Un trimestre solido sostiene la tesi di Palantir sull'IA aziendale, ma non dimostra che i laboratori di frontiera siano inaffidabili né che Palantir abbia risolto la governance dell'IA.

La prima limitazione riguarda la cifra degli utili. Circa 1 miliardo di dollari di utile trimestrale sembra una misura diretta della performance del software. Secondo quanto riferito, i guadagni legati agli investimenti hanno contribuito in modo rilevante al risultato.

La crescita dei ricavi e la performance operativa rettificata forniscono evidenze più chiare della domanda dei clienti. Tuttavia, non rivelano quanto dell'attuale accelerazione persisterà dopo l'ondata di adozione in corso.

Anche la concentrazione dei clienti di Palantir merita attenzione. Il lavoro con le amministrazioni pubbliche resta centrale per l'identità, le competenze e la base di ricavi dell'azienda. Le implementazioni governative possono comportare contratti lunghi e requisiti di sicurezza rigorosi, ma non rappresentano ogni contesto di acquisto aziendale.

Un'agenzia della difesa può privilegiare il controllo e l'integrazione con la missione rispetto al costo o alla familiarità degli utenti. Un cliente commerciale più piccolo può preferire un prodotto più semplice, incluso nella propria piattaforma cloud o di produttività esistente.

Il tasso di crescita del 149% del segmento commerciale statunitense dell'azienda è partito da una base in rapida espansione. Mantenere quel ritmo diventa più difficile con l'aumento dei ricavi. Anche i confronti annuali diventeranno più impegnativi.

Le previsioni di Palantir rappresentano un altro punto di rischio. Il management ha alzato le proprie aspettative dopo il trimestre, ma le previsioni restano soggette alla tempistica dei contratti, ai budget dei clienti, ai ritardi nelle implementazioni e a condizioni economiche più ampie.

Storicamente, la valutazione ha amplificato questi rischi. In periodi precedenti, le azioni Palantir sono scese dopo risultati positivi perché gli investitori si aspettavano una crescita ancora più rapida. Una precedente analisi di mercato ha evidenziato preoccupazioni sulla performance commerciale internazionale e sulle aspettative elevate.

L'ultimo trimestre non elimina questa pressione. Una crescita rapida può alzare il parametro con cui gli investitori giudicano il rapporto successivo.

Anche l'argomentazione di Karp sulla fiducia richiede attenzione. Palantir chiede ai clienti di collocare un importante livello operativo all'interno del software Palantir. Questo accordo crea una propria forma di dipendenza dal fornitore.

Un'azienda che diffida dei laboratori di frontiera dovrebbe rivolgere le stesse domande a Palantir. Chi può ispezionare il sistema? Quanto facilmente i clienti possono esportare dati e policy? Cosa accade quando Palantir modifica la propria piattaforma?

Il software di governance può ridurre il rischio, ma non può rendere i modelli deterministici. Un modello può ancora allucinare, fraintendere il contesto o raccomandare un'azione non sicura.

L'approvazione umana può limitarne le conseguenze. I registri di audit possono aiutare a ricostruire quanto accaduto. I controlli delle autorizzazioni possono impedire accessi non autorizzati. Nessuno di questi meccanismi garantisce che un output sia corretto.

Le organizzazioni hanno bisogno anche di valutazioni indipendenti. Il benchmark interno di un fornitore potrebbe non rappresentare le attività reali del cliente, le lingue, la qualità dei dati o i costi degli errori.

Questo rende la governance dell'IA aziendale un processo continuo. I team devono testare i modelli prima dell'implementazione, monitorarne il comportamento in produzione, esaminare gli incidenti e rivalutare i sistemi dopo gli aggiornamenti dei modelli.

Palantir afferma che la sua piattaforma supporta questi controlli. Gli acquirenti devono verificare tale affermazione nei propri ambienti.

L'espressione “i laboratori di frontiera sono troppo inaffidabili” raggruppa inoltre aziende differenti. OpenAI, Anthropic e Google gestiscono modelli, policy, scelte di implementazione e partnership distinte.

Anthropic ha posto l'accento sulla sicurezza dei modelli e pubblica ricerche sul comportamento dei sistemi. OpenAI ha ampliato i controlli amministrativi e di sicurezza per i clienti aziendali. Google integra i modelli con uno stack consolidato di sicurezza cloud.

I loro approcci meritano una valutazione individuale. La categoria ampia di Karp è utile per una narrazione competitiva, ma debole come conclusione per gli acquisti.

La sua definizione di “marxista” è ancora meno utile per una valutazione tecnica. Gli acquirenti aziendali dovrebbero ignorare il confezionamento ideologico ed esaminare contratti, architettura, gestione dei dati, verificabilità tramite audit e opzioni di uscita.

L'impostazione post-risultati di techcrunch funziona perché coglie una contraddizione evidente. Un'azienda che trae profitto dal boom dell'IA avverte i clienti riguardo al settore che produce la sua tecnologia centrale.

Questa contraddizione non rende Karp necessariamente nel torto. Significa però che i lettori dovrebbero riconoscere l'incentivo di Palantir. L'azienda trae vantaggio quando le imprese considerano l'accesso grezzo ai modelli insufficiente e potenzialmente pericoloso.

Tre segnali metteranno alla prova l'argomentazione di Karp sull'IA aziendale

La prossima fase sarà decisa dal comportamento misurabile dei clienti, non dalla descrizione più tagliente del settore dell'IA.

Il primo segnale è la performance commerciale di Palantir negli Stati Uniti nel terzo trimestre. La crescita dei ricavi, l'acquisizione di clienti e il valore residuo degli accordi mostreranno se l'accelerazione del secondo trimestre ha rappresentato una domanda duratura.

Qui conta la crescita sequenziale. I confronti anno su anno possono restare impressionanti dopo una fase di rapida espansione. La crescita da un trimestre all'altro offre una visione più ravvicinata dello slancio attuale.

Gli investitori dovrebbero inoltre confrontare i risultati effettivi con la guidance annuale rivista al rialzo da Palantir. Raggiungere o superare tale previsione rafforzerebbe l'affermazione di Karp secondo cui le imprese stanno pagando per un'IA operativa governata.

Un rallentamento significativo la indebolirebbe. Suggerirebbe che i boot camp e le prime implementazioni non si stanno convertendo in spesa per la produzione con la costanza prevista dall'azienda.

Il secondo segnale riguarda il modo in cui i laboratori di frontiera espandono i propri livelli di controllo aziendale. I provider di modelli stanno già andando oltre le semplici interfacce di programmazione delle applicazioni.

Occorre osservare sistemi di autorizzazioni più robusti, contesto organizzativo persistente, strumenti di valutazione dei modelli, opzioni di implementazione regionale e controlli più chiari per gli agenti. Queste funzionalità affrontano direttamente il divario di fiducia descritto da Karp.

I nuovi prodotti da soli non risolveranno la questione. L'adozione da parte di aziende regolamentate conterà più degli annunci.

Se le grandi aziende consolidano i flussi di lavoro IA attorno a un singolo provider di modelli, il vantaggio di Palantir in quanto indipendente dai modelli diventa meno distintivo. Il laboratorio di frontiera controllerebbe sia il livello di intelligenza sia una quota maggiore del contesto operativo.

Se le imprese continueranno a usare diversi modelli dietro un livello di governance indipendente, la tesi di Palantir diventerà più forte. Le implementazioni multi-modello confermerebbero che i clienti desiderano separare i fornitori di modelli dal controllo operativo.

Il terzo segnale è l'evidenza proveniente dall'uso in produzione. Le aziende devono dichiarare se i sistemi di IA superano gli esperimenti interni e iniziano a supportare flussi di lavoro rilevanti.

Evidenze utili includono tempi di elaborazione più brevi, meno errori, supervisione umana documentata e adozione sostenuta da parte dei dipendenti. Affermazioni vaghe sulla produttività non saranno sufficienti.

Gli acquirenti dovrebbero inoltre monitorare la segnalazione degli incidenti. Un fallimento pubblico che coinvolga un agente aziendale potrebbe aumentare la domanda di controlli nello stile di Palantir. Un solido storico delle piattaforme aziendali native dei provider di modelli indebolirebbe l'avvertimento di Karp.

I settori regolamentati offriranno le prove più chiare. Servizi finanziari, sanità, difesa, energia e manifattura affrontano requisiti più stringenti rispetto alla produttività generica da ufficio.

Questi settori non possono valutare l'IA soltanto in base alla qualità del modello. Hanno bisogno di accesso ai dati tracciabile, decisioni documentate, test ripetibili e responsabilità chiare in caso di errori.

I lavoratori della conoscenza affrontano una versione più piccola dello stesso problema. Usano sempre più l'IA per riunioni, documenti, ricerca e comunicazioni interne. Un sistema di conoscenza personale può preservare il contesto, ma gli utenti devono comunque verificare le fonti e controllare le informazioni sensibili.

Questa è la lezione pratica dietro la controversia post-risultati di techcrunch. Il modello migliore non è automaticamente il miglior sistema aziendale. L'intelligenza conta, ma contano anche contesto, autorizzazioni, responsabilità e la capacità di cambiare fornitore.

Il trimestre di Palantir offre a Karp una prova che i clienti pagheranno per questi livelli mancanti. Non gli conferisce un monopolio sulla fiducia.

I laboratori di frontiera possono migliorare la loro architettura aziendale. I provider cloud possono includere controlli concorrenti nei propri pacchetti. I clienti possono costruire sistemi interni o scegliere fornitori specializzati.

La retorica di Karp cerca di trasformare questa competizione aperta in una scelta semplice tra Palantir e un establishment dell'IA irresponsabile. Il mercato resta più complesso.

I leader aziendali dovrebbero porsi una domanda più circoscritta: quale livello mantiene il controllo quando cambiano il modello, i dati o il processo aziendale?

Se la risposta è il provider del modello, l'avvertimento di Karp merita attenzione. Se il cliente può governare, testare, sostituire e sottoporre ad audit ciascun componente, l'identità del laboratorio di frontiera diventa meno minacciosa.

Il prossimo rapporto sugli utili mostrerà se Palantir riuscirà a continuare a convertire questa preoccupazione in ricavi. La prossima ondata di rilasci aziendali di OpenAI, Anthropic, Google e dei provider cloud mostrerà se riusciranno a colmare il divario di controllo.

Fino ad allora, la frase “marxista” va considerata soprattutto come posizionamento competitivo avvolto in una provocazione politica. Il titolo sugli utili da 1 miliardo di dollari l'ha resa più rumorosa. I dati sull'adozione aziendale determineranno se fosse accurata.