Palantir 创纪录的季度业绩放大了 Alex Karp 对 AI 行业的警告

Palantir CEO Alex Karp 在公布季度利润达 10 亿美元的同时，也严厉警告了那些构建前沿人工智能模型的公司。TechCrunch 的财报后报道捕捉到了他最具挑衅性的标签：“马克思主义者”。他的论点并非围绕公有制或经济理论，而是针对一种 AI 商业模式：它要求企业信任由其自身无法控制的外部机构开发的通用系统。

比起这一侮辱性表述，这种对比更值得关注。Palantir 已成为企业 AI 支出最明确的商业受益者之一。然而，其 CEO 表示，为许多敏感场景提供基础模型的实验室仍不够值得信赖。

Karp 正在前沿实验室——包括 OpenAI、Anthropic 和 Google DeepMind——与 Palantir 的运营软件方法之间划出界线。前者构建面向众多客户的模型；Palantir 则销售受控环境，将模型与每位客户的数据、权限和工作流程连接起来。

由此形成了异常直接的挑战。前沿实验室认为，更好的模型将成为企业的核心智能层。Palantir 则认为，企业需要在这些模型与现实决策之间建立运营和治理层。

TechCrunch 的财报后报道不只是关于一个季度

Palantir 的财务表现让 Karp 获得了更有力的平台，可以质疑那些为企业系统提供 AI 模型的公司。

Palantir 于 2026 年 8 月 3 日美国市场收盘后公布第二季度业绩。本季度截至 6 月 30 日。根据该公司的季度业绩，此次发布还包括由 Karp 及其他高管主持的投资者网络直播。

核心数字引人注目。Palantir 的季度营收约为 19.4 亿美元，同比增长 93%。公司还报告了约 10 亿美元的利润，尽管其中包含投资相关收益的贡献。

这一区别至关重要。巨额会计利润并不意味着 Palantir 的核心软件业务突然产生了全部利润。投资者需要将经营表现与投资及其他项目带来的收益区分开来。

其基础业务仍保持快速增长。美国商业营收达到 7.64 亿美元，同比增长 149%，较上一季度增长 28%。该业务板块服务的是企业而非政府机构，因此与 Karp 关于企业 AI 的论点尤其相关。

据报道，Palantir 的美国商业客户数量达到 653 家，较一年前增长 35%。该业务的剩余交易价值——即已签约但尚未确认营收的合同工作——也显著攀升。

整体营收增速达到 93%。Palantir 将其 Rule of 40 得分描述为 155%。Rule of 40 将软件公司的营收增长率与盈利能力指标结合，用于评估增长与利润率是否仍保持平衡。

Palantir 采用的是调整后营业利润率，而非标准化会计指标。因此，投资者应谨慎将其与其他软件公司进行比较。不过，该指标反映了管理层希望市场如何看待这个季度：在不承担激进 AI 投资常见亏损的情况下实现快速扩张。

公司还上调了全年预期。其预计 2026 年营收将超过 81.5 亿美元，美国商业业务营收将超过 34.2 亿美元。这些预测仍属于公司指引，并非已完成的业绩。

对财报数据的报道强调了商业需求的加速增长。这一加速令 Karp 的观点更具可信度：企业想要的不只是获得高级聊天机器人或应用程序编程接口。

TechCrunch 的财报后文章聚焦于这些数字背后的哲学主张。Karp 表示，前沿实验室对企业而言并不足够值得信赖。随后，他用“马克思主义者”概括了一个在他看来低估各组织独特数据和运营重要性的行业。

这个标签既煽动性十足，也并不精确。然而，若将其视为 Karp 又一次古怪的即兴言论而置之不理，就会错过其背后的商业论点。

Palantir 认为，企业 AI 中有价值的部分并不是一个由数千名客户共享的模型，而是该模型与企业特定人员、资产、规则和决策之间受控的连接。

这一前提解释了为何这一季度业绩与这些批评应被视为同一个故事。Palantir 的增长表明，许多客户正在为实施、治理和工作流程整合付费。Karp 正以这些销售成果作为反驳“模型优先”企业 AI 观点的证据。

为何 Karp 认为前沿 AI 实验室不值得信赖

Karp 的批评核心在于控制权：谁拥有运营上下文，谁能够审查系统，以及当 AI 辅助决策出错时谁仍然承担责任。

前沿模型是一种经过训练、可执行多种任务的大型通用 AI 系统。其开发者改进一个底层模型，并通过消费级产品、云平台或应用程序编程接口向外提供访问。

这种结构带来了显著的规模经济。实验室可以大量投入算力、数据和研究，再将由此产生的能力分摊给众多客户。企业因而能够接入那些它们几乎不可能独自构建的系统。

当通用模型从起草文本转向影响运营时，Karp 看到了问题。模型在缺乏充分组织上下文的情况下，可以提出营销口号建议；但在分配库存、安排维护、审阅情报或建议军事行动之前，它需要严格得多的控制措施。

企业也有不同的规则。医院、银行、制造商和国防机构不能以相同方式处理数据访问、人工审批和记录保存。即便是同一行业中的两家公司，也可能对敏感信息有不同定义。

Palantir 提出的替代方案是本体（ontology），即对组织真实实体及其关系的软件化表示。它可以将人员、机器、订单、权限和决策映射到受控的运营层中。

这一层是 Palantir Artificial Intelligence Platform 的核心，通常称为 AIP。AIP 在应用客户特定权限和审计控制的同时，将模型与企业数据及行动连接起来。

Karp 的论点是，本体及其控制措施比模型提供商关于智能水平的宣称更重要。能力更强的模型并不会自动知道哪位员工可以访问某条记录，或哪项决策需要人工授权。

前沿实验室并未忽视这些问题。OpenAI、Anthropic、Google 和主要云服务商都提供企业控制、安全承诺、管理工具，以及限制将客户数据用于训练的选项。

这些保障削弱了任何将前沿实验室一概视为天然敌视企业需求的说法。它们也表明，模型提供商已认识到治理是竞争议题。

然而，安全承诺并不能回答所有运营问题。企业仍必须决定哪些信息可以进入模型、哪些输出能够触发行动，以及如何调查故障。

因此，最重要的信任问题在于架构，而非个人。买方不必相信实验室有意滥用数据；买方需要确信，不断变化的外部模型无法绕过内部政策。

模型也会随时间变化。提供商会发布新版本、淘汰旧版本、修改安全系统，以及调整产品处理请求的方式。这些变化可能为在受监管或安全敏感环境中运营的客户带来验证工作。

模型提供商或许能提升平均表现，但同时也可能改变其在狭窄业务任务上的行为。企业需要能够在影响生产环境之前发现这种变化的评估系统。

这正是 Karp 的警告更具说服力之处。实验室可以提供模型层面的安全性，但无法定义每个客户可接受的运营行为。该责任仍由企业及模型周边的软件承担。

“马克思主义者”这一标签掩盖了这个实际问题。前沿 AI 市场由为资本、客户和算力而竞争的私营公司主导。将这个市场称为马克思主义，是政治修辞，而非字面描述。

Karp 似乎是在抨击标准化。他拒绝接受一种抽象智能可以将组织视为可互换单元的观念。Palantir 的商业定位依赖于相反的观点：每个机构都需要独特的运营模型。

这样的解读使 TechCrunch 的财报后交锋不再像初看时那样充满意识形态色彩。它本质上是一场关于企业价值在哪一层累积的销售论述。

真正的竞争是模型智能与运营控制之间的较量

Palantir 与前沿实验室正在竞争，以决定哪一层将成为企业 AI 的控制点。

前沿实验室拥有显而易见的优势。它们的模型提供了语言理解、推理、编程和多模态能力，促成了当前 AI 市场的形成。

随着这些模型不断改进，提供商可以进一步进入企业应用领域。它们可以围绕核心技术添加连接器、智能体、检索系统、身份管理和工作流程工具。

智能体是利用模型为实现目标而选择并执行多项行动的软件。这种设计使治理更加迫切，因为智能体能做的不只是生成一项建议。

OpenAI、Anthropic 和 Google 希望企业围绕各自的模型构建能力日益强大的系统。它们的云合作伙伴也希望提供支持这些系统的基础设施、安全、数据服务和部署工具。

Palantir 所处的位置不同。它不需要构建能力最强的基础模型。它的目标是让多个模型能够在权限与后果都至关重要的运营环境中使用。

这种模型无关的定位为企业提供了灵活性。客户可以为不同任务选择不同模型，更换提供商，或将敏感工作路由至受控部署环境。

它还可以降低对单一实验室的依赖。如果模型性能趋于收敛，周边的数据与工作流程层就会变得更有价值。Palantir 将从这一结果中受益。

前沿实验室则会从相反方向中获益。如果某个模型显著强于竞争对手，企业就会更有理由围绕该提供商的平台来组织应用。

这场竞争并不只是 Palantir 对阵 OpenAI。它是一场围绕架构引力的争夺。无论哪一层掌握客户上下文、权限、评估和工作流程历史，都会变得难以替代。

Palantir 在美国商业业务上的快速增长表明，许多组织目前需要这类中间层的帮助。仅仅获得模型访问权，并未消除整合工作。

企业数据分散在数据库、文档、软件应用、传感器和本地文件中。其中许多数据带有不一致的标签或过时的权限设置。模型本身无法纠正这些组织层面的问题。

知识工作同样面临这一问题。员工需要了解答案来自何处、哪些信息影响了答案，以及自己是否有权使用它。当访问规则和来源背景仍然可见时，一个可搜索的知识库会更有价值。

Palantir 将这一原则应用于更大规模的运营场景。其软件可以将模型输出关联到代表工厂组件、供应订单、客户账户或战场资产的对象。

这种具体性可能形成转换成本。一旦客户将运营流程映射到 Palantir 的本体中，移除该平台可能需要在其他地方重建工作流和控制机制。

前沿实验室可以通过自行提供更多这类能力来应对。云服务提供商已经将模型与数据库、身份系统、可观测性工具和应用服务打包提供。

Microsoft 的优势尤其突出，因为它同时整合了模型访问、云基础设施、办公软件、身份管理和开发者工具。Amazon Web Services 和 Google Cloud 也通过广泛的模型目录采取类似策略。

这些公司可以主张，客户并不需要一个独立的运营平台。他们可以在现有云环境内构建具备治理机制的 AI 系统。

Palantir 则以速度和部署纪律作为回应。其销售策略在很大程度上依赖于训练营，即客户围绕真实数据和工作流构建系统的短期协作会议。

训练营模式为买家提供了比一般演示更具体的成果。它还将集成纳入销售流程的一部分，可能缩短从试验到签约的路径。

不过，Palantir 的增长并不能证明其架构将占据主导地位。它表明，在一个异常激烈的 AI 采用周期中，该公司找到了显著需求。

决定性问题在于，企业控制是否仍将是一类专业软件。如果云服务商和模型提供商吸收了这一职能，Palantir 将面临更强的平台竞争。

如果企业继续混用模型，同时保留自己的治理层，Palantir 的地位就会增强。这正是隐藏在 Karp 政治化语言背后的商业押注。

Palantir 的数据无法证明什么

一个强劲季度支持 Palantir 的企业 AI 理念，但并不能证明前沿实验室不可信，也不能证明 Palantir 已经解决了 AI 治理问题。

第一个局限涉及利润数据。单季度约 10 亿美元的利润听起来像是软件表现的直接衡量指标。据报道，投资相关收益对这一结果作出了实质性贡献。

营收增长和调整后经营表现能够更清晰地反映客户需求。它们仍无法揭示，在当前采用热潮过后，有多少加速增长能够持续。

Palantir 的客户集中度也值得关注。政府业务仍是该公司定位、专业能力和收入基础的核心。政府部署可能涉及长期合同和严格的安全要求，但并不代表每一种企业采购环境。

国防机构可能会将控制力和任务集成置于成本或用户熟悉度之上。规模较小的商业客户则可能更倾向于选择与现有云平台或生产力平台打包的更简单产品。

该公司 149% 的美国商业业务增长率来自一个快速扩张的基数。随着营收上升，维持这一增速会变得更困难。同比比较也将变得更加严苛。

Palantir 的预测是另一项风险点。管理层在季度结束后上调了预期，但预测仍会受到合同签约时点、客户预算、部署延误以及更广泛经济环境的影响。

估值在历史上放大了这些风险。早期，Palantir 股价曾在业绩利好后下跌，因为投资者预期更快的增长。一份早期市场分析强调了对国际商业业务表现和高预期的担忧。

最新季度并未消除这种压力。快速增长可能会提高投资者评判下一份财报的标准。

Karp 关于信任的论点也需要审视。Palantir 要求客户将重要的运营层置于 Palantir 软件中。这种安排本身也会形成另一种供应商依赖。

一家不信任前沿实验室的公司，也应当对 Palantir 提出同样的问题：谁能够检查该系统？客户能否轻松导出数据和政策？当 Palantir 改变其平台时会发生什么？

治理软件可以降低风险，但无法让模型变得确定无误。模型仍可能产生幻觉、误解上下文，或建议不安全的行动。

人工审批可以限制后果。审计日志有助于还原发生过什么。权限控制能够防止未经授权的访问。但这些机制都不能保证输出正确。

组织还需要独立评估。供应商的内部基准测试可能无法代表客户的实际任务、语言、数据质量或故障成本。

这使企业 AI 治理成为一个持续进行的过程。团队必须在部署前测试模型、监控生产环境中的行为、复盘事故，并在模型更新后重新评估系统。

Palantir 表示其平台支持这些控制机制。买家必须在自己的环境中验证这一说法。

“前沿实验室过于不可信”这一说法还将不同公司归为一类。OpenAI、Anthropic 和 Google 运营着不同的模型、政策、部署选择和合作关系。

Anthropic 强调模型安全，并发布关于系统行为的研究。OpenAI 已为企业客户扩展管理和安全控制。Google 则将模型整合进成熟的云安全技术栈。

它们的方法值得分别评估。Karp 的宽泛分类有利于竞争叙事，却不足以作为采购结论。

他对“马克思主义”的描述对于技术评估更没有帮助。企业买家应当忽略这种意识形态包装，审视合同、架构、数据处理、可审计性和退出选择。

techcrunch 的财报后叙事之所以成功，是因为它捕捉到了一个鲜明的矛盾：一家从 AI 热潮中获利的公司，正在警告客户要警惕生产其核心技术的行业。

这一矛盾并不意味着 Karp 错了。但它确实意味着，读者应认识到 Palantir 的动机。当企业认为原始模型访问不足且可能危险时，这家公司将从中受益。

三个信号将检验 Karp 的企业 AI 论点

下一阶段将由可衡量的客户行为决定，而不是由对 AI 行业最尖锐的描述决定。

第一个信号是 Palantir 第三季度的美国商业业务表现。营收增长、客户新增数量和剩余交易价值将显示，第二季度的加速增长是否代表可持续的需求。

环比增长在这里很重要。在快速扩张阶段之后，同比比较仍可能显得惊人。季度之间的增长更能反映当前动能。

投资者还应将实际业绩与 Palantir 上调后的全年指引进行比较。达到或超过该预测，将强化 Karp 的说法：企业正在为具备治理机制的运营 AI 付费。

明显放缓则会削弱这一说法。这将表明，训练营和早期部署转化为生产支出的稳定性，低于公司的预期。

第二个信号是前沿实验室如何扩展其企业控制层。模型提供商已经在超越简单的应用程序编程接口。

应关注更强的权限系统、持久化的组织上下文、模型评估工具、区域部署选项，以及更清晰的智能体控制。这些功能直接回应了 Karp 所描述的信任缺口。

仅有新产品并不能解决问题。受监管企业的采用情况将比发布公告更重要。

如果大型企业围绕单一模型提供商整合 AI 工作流，Palantir 的模型无关优势就会变得不那么突出。前沿实验室将同时控制智能层和更多运营上下文。

如果企业继续在独立治理层之后使用多种模型，Palantir 的论点将更有力。多模型部署将证明，客户希望模型供应商与运营控制之间保持分离。

第三个信号是来自生产使用的证据。企业需要披露 AI 系统是否超越了内部试验，并开始支持具有实质影响的工作流。

有用的证据包括更短的处理时间、更少的错误、有记录的人工监督以及持续的员工采用。关于生产力的模糊说法并不足够。

买家还应关注事故报告。涉及企业智能体的一次公开失败，可能会增加对 Palantir 式控制机制的需求。模型提供商原生企业平台的良好记录，则会削弱 Karp 的警告。

受监管行业将提供最清晰的检验。金融服务、医疗保健、国防、能源和制造业面临的要求比一般办公室生产力场景更严格。

这些领域不能只根据模型质量评估 AI。它们需要可追溯的数据访问、文档化的决策、可重复的测试，以及对失败的明确责任。

知识工作者面临的是同一问题的较小版本。他们越来越多地在会议、文档、研究和内部沟通中使用 AI。一个个人知识系统可以保留上下文，但用户仍需要验证来源并控制敏感信息。

这正是 techcrunch 财报后争议背后的实际教训。最佳模型并不自动等于最佳企业系统。智能很重要，但上下文、权限、问责机制以及更换供应商的能力同样重要。

Palantir 的季度业绩为 Karp 提供了证据，表明客户愿意为这些缺失层付费。但这并未赋予他对信任的垄断权。

前沿实验室可以改善其企业架构。云服务提供商可以打包竞争性的控制机制。客户可以构建内部系统，或选择专业供应商。

Karp 的言辞试图将这场开放竞争转化为 Palantir 与不负责任的 AI 建制之间的简单选择。市场仍然更为复杂。

企业领导者应提出一个更聚焦的问题：当模型、数据或业务流程发生变化时，哪一层保留控制权？

如果答案是模型提供商，Karp 的警告值得关注。如果客户能够对每个组件进行治理、测试、替换和审计，前沿实验室的身份就不那么令人担忧。

下一份财报将显示，Palantir 能否继续将这种担忧转化为营收。OpenAI、Anthropic、Google 及云服务提供商下一轮企业产品发布，将显示它们能否弥合控制缺口。

在此之前，最好将“马克思主义”这句话视为披着政治挑衅外衣的竞争定位。10 亿美元利润这一标题让它更加响亮。企业采用数据将决定它是否准确。