Palantir 营收暴涨 93%，Ontology 为什么成了企业 AI 的隐形壁垒？

DataFunSummit

2026-08-04

导读：从 Ontology 到 AIP，企业 AI 竞争正在从“谁的模型更强”，转向“谁能让 AI 理解、约束并执行真实业务”

导读Palantir 最新财报最值得关注的，并不是又一次“业绩超预期”，而是它正在用收入、利润和现金流证明：当基础模型逐渐成为可替换组件，企业真正愿意持续付费的，是把模型接入业务对象、规则、权限和行动流程的能力。Ontology 不是一个更漂亮的知识图谱，而是 Agent 能否进入真实生产系统的上下文与行动底座。

主要内容包括以下几个部分：

1. 财报真正值得看的，不只是 93% 的营收增长

2. 势模型越来越强，企业 AI 为什么仍然难以落地？

3.Ontology：把企业数据变成 Agent 能理解的业务世界

4. 为什么 Agent 时代仅有 RAG 还不够？

5. 从 Ontology 到 AIP：Palantir 如何闭合行动链路

6. 竞争正在重叠：所有平台都在争夺“上下文与行动控制层”

7. 真正的护城河并不只是一张 Ontology 图

Palantir 公布第二季度业绩。公司季度营收达到 19.4 亿美元，同比增长 93%；其中美国商业收入为 7.64 亿美元，同比增长 149%，美国政府收入为 8.09 亿美元，同比增长 90%。GAAP 净利润达到 10.62 亿美元，较上年同期的 3.27 亿美元增长约 225%。

更值得注意的是增长与盈利同时加速。Palantir 的调整后营业利润率达到 62%，按照“营收同比增速加调整后营业利润率”的公司口径，Rule of 40 得分达到 155%；调整后自由现金流为 12.2 亿美元，自由现金流率达到 63%。公司随后将 2026 年全年营收指引从 76.50 亿—76.62 亿美元上调至 81.50 亿—81.58 亿美元，区间中值提高约 4.98 亿美元。财报公布后，Palantir 股价盘后一度上涨约 14%。

但如果只把这份财报理解为"AI 热潮继续推高 Palantir 收入”，就错过了更重要的产业信号。Palantir 并不以训练通用基础模型为核心业务，它真正出售的是一套把模型嵌入企业数据、业务对象、决策规则和执行流程的系统。换句话说，客户付费购买的不是一个更聪明的聊天机器人，而是让 AI 在真实组织里可靠工作的能力。

图 1｜Palantir 2026 年第二季度主要经营指标。来源：Palantir Q2 2026 Business Update

财报真正值得看的，不只是 93% 的营收增长

Palantir 的数据首先证明，企业 AI 采购正在从试验性预算进入规模化部署阶段。美国商业收入连续加速，单季度签下 220 笔金额不低于 100 万美元的合同，其中 73 笔不低于 1000 万美元；美国商业剩余合同价值达到 62.4 亿美元，同比增长 124%。这些指标表明，客户购买的已不只是小范围 PoC，而是更长期、更深入的系统建设。

与此同时，必须避免把所有增长都归因于 Ontology 或 AIP。Palantir 本季度美国政府收入同样增长 90%，美国业务合计占总营收约八成。政府合同、国防需求、美国市场扩张和商业 AIP 渗透共同推动了本季度表现。因此，这份财报能够支持的严谨结论不是"Ontology 单独造就了 Palantir 的增长”，而是 Palantir 所代表的企业 AI 架构，正在同时获得商业组织和复杂公共部门的预算认可。

这一区别很重要。财务增长只是结果，真正值得追问的是：为什么一家不训练前沿基础模型的公司，能够在模型竞争最激烈的阶段获得如此强的定价与扩张能力？答案并不在参数规模，而在模型与企业真实业务之间那层长期被低估的基础设施。

企业 AI 的价值中心，正在从“模型能生成什么”，迁移到“系统能否让模型在业务边界内可靠行动”。

势模型越来越强，企业 AI 为什么仍然难以落地？

过去两年，AI 竞争主要围绕模型能力、GPU 规模和 Token 成本展开。这些变量仍然重要，但它们只决定 Agent 能力的上限，并不自动解决企业落地问题。一个模型可以阅读文档、生成代码、调用 API，却未必知道“客户”“合同”“库存”“风险事件”分别对应哪些系统，也不知道这些对象当前处于什么状态，更不知道自己在什么条件下可以采取什么动作。

传统 LLM 的基本链路是“用户问题—模型—答案”。企业 Agent 的链路则更长：它需要从企业数据中识别业务对象，通过统一语义理解指标和关系，结合实时状态与规则做出判断，再经过权限校验、审批和审计执行动作，最终把结果写回业务系统。任何一层缺失，Agent 都可能停留在演示环境。

因此，企业真正缺少的并不是又一个能写出漂亮答案的模型，而是一套能够把组织如何运转转化为机器可理解、可约束、可执行形式的“企业世界模型”。这里的“世界模型”并非机器人或强化学习领域用于预测物理环境的技术概念，而是企业对自身业务对象、关系、状态、规则、权限与动作形成的可计算表示。

Ontology：把企业数据变成 Agent 能理解的业务世界

企业通常不缺数据。ERP、CRM、数据仓库、日志平台和业务数据库中保存着海量记录，但数据并不等于业务知识。数据库里可能只有 customer_id、contract_id、risk_score 和 owner_id，业务人员真正理解的却是：这个客户签署了哪些合同，近期交易是否异常，当前由谁负责，具有什么服务资格，以及下一步允许采取哪些动作。

Palantir Ontology 的作用，就是把分散的数据、逻辑、动作和安全边界组织成统一的业务表示。官方文档把 Ontology 描述为组织的数字孪生：对象类型用于表达客户、订单、设备等业务实体；属性和关系表达状态与关联；Functions 承载计算和判断逻辑；Actions 定义系统可以如何被改变；安全控制则决定不同用户和 Agent 能看到什么、修改什么。

以客户经营场景为例，“客户”不再只是某张表的一行数据，而是一个连接合同、订单、服务记录、风险事件和销售人员的业务对象。围绕它，企业可以继续定义客户价值如何计算、风险变化如何触发预警、折扣额度如何审批，以及 Agent 只能提出建议还是可以直接执行。

这也是 Ontology 与传统知识图谱、Semantic Layer 的关键区别。知识图谱重点描述实体和关系；Semantic Layer 主要统一指标、维度与分析口径；Palantir Ontology 则把对象、关系、函数、动作和权限放进同一运行体系。它不是简单回答“这些数据是什么意思”，而是继续回答“这些业务对象如何变化、谁有权改变它们，以及变化后如何留下证据”。

图 2｜企业 Agent 从数据到行动的完整链路

为什么 Agent 时代仅有 RAG 还不够？

过去企业部署生成式 AI，最常见的路径是把文档和知识库接入向量数据库，通过 RAG 找到相关内容，再由模型生成答案。这套架构解决了“模型不知道企业资料”的问题，却没有完全解决“模型不知道企业如何运行”的问题。

假设销售 Agent 收到问题：“哪些客户需要重点跟进？”普通 RAG 可以检索客户报告、合同文档和销售记录，并生成一段总结。但真正进入业务流程的 Agent 还需要判断客户价值、合同到期时间、近期交易变化、风险状态和当前销售权限；它还要知道允许采取电话跟进、优惠报价还是合同调整，以及哪些动作必须经过主管审批。

RAG 提供的主要是信息上下文，Ontology 提供的是业务上下文与行动上下文。两者不是替代关系：RAG 帮助 Agent 找到信息，Ontology 帮助 Agent 判断这些信息在业务世界中的位置、状态和约束，并把结论映射为受控动作。企业 Agent 的能力差异，最终不只体现在“回答得是否完整”，而体现在“能否在正确权限下完成正确动作”。

图 3｜RAG 与 Ontology-grounded Agent 解决的是不同层次的问题

从 Ontology 到 AIP：Palantir 如何闭合行动链路

如果说 Ontology 负责描述企业世界，AIP 则负责把模型和 Agent 放进这个世界运行。Palantir AIP 支持企业接入不同模型，在 Ontology 之上构建工作流、Agent、函数和应用，并复用 Foundry 中的数据治理、访问控制、审计、血缘和资源管理能力。

这意味着模型不必直接面对杂乱的数据表、API 和权限系统。Agent 可以通过业务对象读取上下文，通过 Functions 完成计算，通过 Actions 触发流程或写回系统，再由权限和审批机制控制风险。执行结果重新进入 Ontology，成为下一轮判断的状态与证据。

这种架构带来的真正价值不是“让 Agent 调用更多工具”，而是让工具调用具有业务含义。调用退款 API 之前，系统需要判断客户是否符合政策、金额是否超过权限、是否需要人工审批；修改设备维护计划之前，系统需要知道设备状态、产能影响、备件库存和责任人员。Agent 的可靠性不只来自模型推理，而来自运行环境预先定义了可验证的对象、规则和动作。

因此，Palantir 的产品逻辑可以被概括为：Foundry 整合数据与运营，Ontology 建立业务对象和行动边界，AIP 把模型嵌入其中，Apollo 则负责跨环境部署与运行。它出售的并非单一模型能力，而是一套把 AI 变成组织执行系统的工程方法。

竞争正在重叠：所有平台都在争夺“上下文与行动控制层”

把 OpenAI、Databricks、Snowflake、Microsoft 和 Palantir 简单划分为“模型公司、数据公司、应用公司和 Ontology 公司”，已经不足以解释当前竞争。进入 Agent 阶段，各家厂商都在向模型与真实业务之间的中间层扩张。

Databricks 正在以 Unity Catalog business semantics、metric views 和 Genie Agents 为 Agent 提供受治理的指标、数据与业务规则；Snowflake 通过 Semantic Views、Cortex Analyst 和 Cortex Agents，把业务实体、指标、关系与结构化和非结构化数据纳入同一受治理工作流；Microsoft Fabric IQ 则用 Ontology 表达实体、关系、规则和实时状态，并把这些上下文交给数据与运营 Agent。

Palantir 的差异并不是只有它提出了 Ontology，而是它更早把数据、逻辑、动作和安全整合为一个运行系统，并在政府、制造、能源、医疗和供应链等复杂场景中积累部署经验。其他平台的优势也同样清晰：Databricks 拥有 Lakehouse 与 AI 工程基础，Snowflake拥有数据云和企业分析入口，Microsoft 控制办公与业务应用入口，基础模型厂商则掌握最核心的模型能力和开发者生态。

未来竞争的焦点不会是“谁拥有 Ontology 这个名词”，而是谁能更低成本地完成四件事：把分散数据映射为统一业务对象；让语义和规则随业务变化持续更新；在权限边界内安全执行动作；让每一次决策和执行都可观察、可评估、可追溯。谁能控制这一层，谁就更接近企业 Agent 的操作系统。

厂商/路线	原有优势	正在争夺的关键位置
Palantir	复杂数据整合、Ontology、运营决策与部署	业务对象、规则、权限与行动闭环
Databricks	Lakehouse、Unity Catalog、AI 工程平台	受治理的数据语义与 Agent 开发运行层
Snowflake	数据云、分析工作负载、企业数据入口	Semantic Views 与受治理的 Agent Context
Microsoft	Microsoft 365、Fabric、企业应用与工作流	统一业务上下文、实时状态和应用行动入口
OpenAI / Anthropic	基础模型、推理能力与开发者生态	通用 Agent Runtime、工具调用和应用平台

表 1｜主要企业 AI 平台的起点不同，但竞争边界正在向企业上下文和行动控制层重叠。

真正的护城河并不只是一张 Ontology 图

“企业世界模型”听起来具有天然的平台壁垒，但它并不会自动转化为长期护城河。Ontology 的建设往往需要统一对象定义、清理数据、处理重复模型、重构权限，并协调业务部门与技术团队。越深入核心流程，它越像一项长期组织工程，而不是安装一套软件即可完成的项目。

这也构成 Palantir 模式的第一重挑战：实施成本和维护成本能否持续下降。客户的业务对象、规则和权限每天都在变化，如果 Ontology 只能依赖高强度人工交付，增长就可能受制于项目型服务；只有当模型、模板、行业资产和开发工具能够复用，平台效应才真正成立。

第二重挑战来自竞争。Databricks、Snowflake 和 Microsoft 都在把语义、Ontology、Agent 和治理纳入平台，基础模型厂商也在强化企业连接器、工具调用与权限管理。Palantir 的先发优势能否守住，取决于它是否能持续缩短从数据接入到业务价值的时间，并让客户形成难以迁移的对象模型、流程资产和执行闭环。

第三重边界来自财务解释。高速营收、利润和股价上涨能够证明市场需求，却不能自动等同于永久护城河。真正需要持续观察的指标包括：AIP 是否从试点进入核心生产；同一套 Ontology 能否跨部门复用；Agent 执行是否带来可量化业务收益；平台能否在提升自动化程度的同时保持权限、安全和人工问责。

因此，Palantir 最有价值的资产不只是 Ontology 本身，而是围绕 Ontology 形成的复合能力：长期积累的企业对象模型、接入复杂系统的工程经验、可复用的决策逻辑、细粒度权限体系、可审计的 Actions，以及将这些能力带入真实组织的交付方法。单一组件可以复制，这套组合及其沉淀速度更难复制。