在本报告的初始部分中，我们最后要探讨的话题是Palantir的竞争情况。正如前文提到的，Palantir是一个非常独特的案例，没有真正的可比对象。我们很少听到软件公司在应用程序或数据/基础设施领域直接与Palantir竞争的具体事例。
在政府业务方面，尤其是针对美国国防部的合同，Palantir面临的竞争非常有限。例如，在美国国防部的4.8亿美元Maven项目合同中，Palantir是唯一的竞标方（可能是刻意设计的结果）。此外，Palantir经常被指定为“唯一来源”（Only Source），这实际上意味着该类工作无需竞争性招标。
即使在商业领域，竞争也并不常见，可能是因为Palantir专注于一个较窄的客户群。然而，当我们听到有关替代方案的讨论时，通常提及的是现有的数据软件公司。这些传统公司被认为是Palantir的潜在竞争对手。接下来，我们将基于从调研中直接获得的信息详细分析这一主题。
替代方案探索：我们曾尝试寻找替代Palantir的方法，但发现没有直接的替代方案。基本上，我们不得不使用Snowflake，并围绕它配置7-8种其他工具，因为没有一种工具可以完全取代Palantir。如果要说一个最接近Palantir的替代方案，那就是C3.ai。然而，我们尝试过C3.ai，但完全失败了。C3.ai在能力、功能特点和性能等方面存在诸多问题，还有其他一系列问题，最终我们放弃了它。Palantir的颠覆性就在于此——它实际上没有直接竞争对手。Palantir通过低代码平台分解了传统的定制化软件，用户可以在避免数据孤岛等问题的同时，构建定制化软件的低代码版本。
对技术堆栈的影响：到目前为止，Palantir还没有完全取代我们技术堆栈中的任何一个部分，但确实在一定程度上减少了我们对某些数据集成和可视化供应商的投入增长，比如Informatica、Alteryx和Power BI。虽然我们没有完全替换它们，但这些供应商的预算增长速度有所放缓。这也是我认为Palantir可能扮演的一个重要角色。我们目前仍然在数据堆栈方面存在不少重复投入，但未来这些支出可能会逐步整合到Palantir上。
未来计划：我预计我们内部使用Palantir的开发人员数量会增加，这也是为了支持我们承诺的扩展速度。此外，我认为Palantir会改变我们的软件采购流程，尤其是在“构建 vs 购买”的讨论中。未来不会再是简单地购买更多Alteryx等工具来支持一个增量项目，而是先考虑基础功能需求，然后优先在Palantir上自行构建。我们最终可能会利用Palantir在技术堆栈中的其他领域实现DIY，但这主要针对全新的用例，而不是完全替换现有的基础设施。
Customer 3
迁移难题：我们曾考虑过从Palantir迁移，但老实说，我们很难理解如何实现这一点。Palantir的一些组件，比如与数据相关的技术堆栈部分，可以比较容易地迁移，因为它们是基于Spark的技术，这并不算复杂。然而，问题在于我们对Palantir的UI和本体（ontology）有非常深的依赖。Palantir允许业务用户完全自助地构建数据管道、模型和应用程序，而市场上没有其他产品可以复制这一点。我们IT部门实际上只负责向平台提供数据，用户几乎可以独立构建应用程序和工作流。Palantir的独特之处在于，它改变了运营模式。业务用户与本体交互，使用的是他们熟悉的业务概念，例如电话号码、信用卡号等，而不是直接处理数据表格和行。正是这种本体映射使得Palantir难以被替代。数据的导入、转换和分析我们可以相对轻松地重建，但UI的重建几乎是不可能的。我还没看到过成功迁移离开Palantir的案例，这主要是因为对平台的依赖性太强。要将一个应用程序从Foundry迁移出去可能需要5年的时间，而且根本没有商业价值可言。虽然可以相对容易地替代后端，但前端是用户真正关心的部分，而这正是无法复制的。Palantir通过吸引业务用户，创造了高度依赖性。
替代方案的挑战：一个不为人知的事实是，Palantir实际上没有真正的替代方案，即使结合其他软件产品也无法实现。Palantir的技术并不复杂，其后端相对简单，真正让它独特的是本体。如果需要替代，必须逐步模仿Palantir的每个阶段和功能，我认为这几乎不可能实现。而且，即使你迁移了平台，业务用户也不愿意浪费他们已经在Palantir上的投入。此外，Palantir不与其他系统对接，即使尝试引入新工作负载，这些工作负载也不会相互连接。Palantir的前端设计过于独特。Palantir实际上是一个完美的一体化平台，从数据湖到分析再到实施都在一个地方完成，但这也造成了极高的供应商锁定问题。
这些是可以在后端替代 Palantir 的具体解决方案：
1.数据管理： 首先需要一个数据管理解决方案，可能是 Databricks，也可能是 Snowflake，但更可能是 Databricks。
2.数据导入和导出： 其次需要一个 ETL 工具，用于数据的导入和导出，比如 Informatica。
3.BI、分析和报告层： 接下来需要一个用于商业智能、分析和报告的工具，比如 Tableau 或 Power BI。
4.用户体验（UX）和用户界面（UI）： 最后，需要定制开发一个非常强大的 UX 和 UI。这部分我认为几乎是不可能实现的。以上基本上就是 Palantir 的技术架构。
对数据栈的影响Palantir 确实会减少在其他数据栈中的支出，因为它降低了对类似技术的使用。在大型企业中，我们实际上并不会直接淘汰像 Informatica 或 Power BI 这样的工具，也不会简单地关闭它们，而是可能会减少增长的速度。通常情况下，你仍然会保留数据管理、集成/ETL 和分析工具，只是随着时间推移会减少使用，或者它们的增长速度不会像没有 Palantir 的情况下那么快。对我们来说，并不是完全停止使用，而是这些领域的支出增长会放缓。
关于 AIP 的替代方案。对我们来说，AIP 的替代方案可能是 OpenAI 和 Google Cloud 的 Gemini。这些产品的开放性更强，这对我们非常重要。Palantir 存在一个锁定机制，基本上强迫你将数据迁移到 Palantir 平台，并以一种无法轻易提取数据的方式存储。这种方式在构建公司统一数据湖时可能是可行的，但在 AI 模型的使用中就非常不同了。
AI 的需求： AI 更需要从多个数据源中获取数据，而不是先把数据迁移到 Palantir 平台后再使用。相比之下，像 OpenAI 和 Gemini 这样的替代产品允许构建具有更高互操作性的数据基础设施，这一点对我们来说至关重要。如果客户希望所有的流程都在 Palantir 上完成，那么 AIP 的确有意义，毕竟可以在 Palantir 内部构建一个统一的数据湖。但对我们而言，AI 用例的关键是能够从不同来源直接提取数据，而不需要先迁移到 Palantir。
商业灵活性： Palantir 在推动客户使用 AIP 时非常灵活，基本上以免费方式提供 AIP。但归根结底，这种方式只会进一步锁定客户到 Palantir 平台。
Customer 4
我们选择了 C3.ai 而不是 Palantir，主要是因为成本原因。如果选择 Palantir，在第一年的成本将比 C3.ai 高出 30%-50%。我们当时主要关注预测性维护的用例，而实际上从供应链的角度来看，Palantir 是最好的解决方案，但价格实在太高了，所以我们最终选择了 C3.ai 来满足我们的预测性维护和资产管理需求。
Customer 5
关于竞争格局，这个问题不容易回答。Palantir 是个庞然大物，涉及了许多不同的功能。如果要替代 Palantir，需要结合多种解决方案，至少我们是这样认为的：
数据侧/数据湖： 需要 Snowflake 或 Databricks。
分析侧： 可能是 IBM Watson。
可观测性： 大概是 Splunk。
可视化： Tableau。
从这个角度来说，没有单一解决方案能直接与 Palantir 竞争，因此可以说 Palantir 某种程度上有点像垄断。实际上，我们同时与这些供应商合作并使用 Palantir。从某种意义上说，Palantir 的支出确实减少了这些领域的支出增长，但这种影响是间接的。
Customer 6
Foundry 简化了流程，使我们能够在其他领域的支出上有所下降。Foundry 本质上是一个覆盖在数据上的层。实际支出方面，Foundry 可能主要取代了 BCG 和埃森哲这样的公司。但你也因此减少了对其他东西的需求，比如 SAP、Dassault、Databricks 等。它并不是专门针对某个领域的替代，而是综合减少了在许多功能领域的支出需求。
Customer 7
在我看来，最接近 Palantir 的直接竞争对手是 C3.ai。他们是唯一提供完整平台并在很多方面与 Palantir 类似的公司。关于 Palantir 的支出主要取代了哪些内容，我认为主要有以下几点：
数据工程： 我对 Snowflake 和 Databricks 的支出减少了。
ETL 工具： 对 Informatica 和 Talend 的支出减少了。
可视化工具： Power BI、Alteryx 和 Tableau 的支出也减少了。
因为 Palantir 已经为我们处理了这些需求，所以我在这些方面的支出减少了。
Customer 8
Palantir 是一个非常非常优秀的平台，我们对其表现印象深刻。它在数据集成和数据溯源方面表现极为出色，数据安全功能也非常强大。我们完全认为自己无法做得比 Palantir 更好。我们的限制主要在于我们现有平台的规模（大部分业务都运行在这个平台上）以及之前讨论的成本问题。我们需要将现有基于 Azure 的定制解决方案迁移到 Palantir，这会让成本更高，同时使整个生态系统更加封闭。
Palantir 就像是“法拉利”解决方案，性能方面无可挑剔，但你确实需要为这种性能支付高昂的代价。如果我们是从零开始构建数据堆栈，并且成本不是问题，那么 Palantir 会是一个非常容易的选择。但问题在于如何将 Palantir 融入我们现有的 IT 堆栈。因此，我们计划在 2027 年用基于 Azure 定制构建的数据平台来取代 Palantir。
在竞争格局方面，Palantir 本质上是在与整个数据堆栈竞争。这不仅仅是 Palantir 与 Informatica 和其他数据集成供应商竞争，而是同时也在与 SI 和咨询公司竞争，比如 Accenture、Deloitte、KPMG 等。Palantir 本质上提供的是一种全包式解决方案。
Industry Analyst 2
竞争格局是一个复杂的问题，它范围非常广，具体取决于你讨论的领域。Palantir 最直接的竞争对手主要是大型 SI，比如 Accenture、Deloitte、Tata 等。
对于行业应用或垂直应用，竞争对手是 Ripjar、SemanticAI、DataWalk、CobWebs、Synerscope、Digital Reasoning、GeoSpark Analytics 以及许多其他公司。
对于 AI 和机器学习领域，最大的直接竞争对手是 Microsoft、Google、Amazon、SAS 和 C3.ai。
对于图形分析领域，竞争对手是 TigerGraph、Neo4j、Franz AllegroGraph、Yarc Data。
在可视化领域，主要竞争对手是 Tableau、Power BI 和 Plotly。
在数据集成/语义层方面，竞争对手是 Collibra、IBM、Informatica、Microsoft 和 Tibco。这些是一些最常见的竞争者。
Industry Analyst 3
Palantir 的竞争是一个棘手的问题，很难定义竞争对手。最直接的竞争对手实际上是“四大”咨询公司，比如 Accenture、Deloitte 等，但这种竞争主要体现在咨询服务与软件解决方案的结合上。在某些领域，你确实会看到功能上的重叠，比如与 Snowflake 或 Databricks，但它们之间并没有真正的直接竞争。同样的情况也适用于向量数据库，与 Pinecone 或 MongoDB 也没有直接竞争。这是因为 Palantir 是作为一个“一体化”解决方案出售的，所以你更多地看到现有客户在扩展 Palantir 提供的功能，而不是看到 Palantir 直接去争夺数据库合同，这种情况并不存在。对于 AIP（人工智能平台）来说，竞争主要仍然来自大型咨询公司以及客户直接使用的 LLM。它们都有与 AIP 功能类似的竞争性产品，这些产品基于相同的底层 LLM，Accenture 和 Deloitte 在这方面特别强。
Industry Analyst 5
如果考虑 Snowflake 和 Databricks，它们实际上是核心基础设施公司，提供基础设施软件来帮助客户解决问题。而 Palantir 更像是 C3.ai，不仅仅是把数据放入软件然后自己去解决问题，而是 Palantir 会直接参与其中，帮助客户从软件中获取价值并提出用例。Palantir 一直在尝试转向一种更低接触且更具可扩展性的方法，这是 AIP 发挥作用的关键领域，AIP 降低了在 Palantir 上启动和运行的门槛。AIP 是一个非常通用的平台，可以在业务中的广泛用例中使用，这些用例通常需要高度定制的机器学习程序。
从直接对比的角度来看，C3.ai 可能是 Palantir 最大的竞争对手之一。更广泛地看 AI 领域，微软凭借其 Azure AI 平台也是一个主要竞争者，此外还有 AWS 的 Sagemaker，当然在 AI 用例方面还有 Databricks。
从 Palantir 转移的客户通常会选择内部解决方案与数据分析工具的组合。通常涉及 Alteryx、Snowflake、Tableau、Qlik 和 Power BI 的某种组合，再加上一些自制解决方案，将这一切串联起来本身就是一项巨大的挑战。最终用户通常是业务分析师、数据科学家、数据监控分析师，以及通常使用 Palantir 进行实际决策的 C-suite（高管层）。然而，一旦达到一定规模，你实际上无法脱离 Palantir。过去曾有少数案例尝试过，比如纽约警察局（NYPD）大约 10 年前试图脱离 Palantir，结果失败了，最终他们起诉了 Palantir，因为脱离 Palantir 几乎是不可能的。我不知道那件事的具体结果，但我知道，一旦扩展到一定规模，脱离 Palantir 是极其困难的。如果客户咨询我关于脱离 Palantir 的问题，我通常会建议他们不要尝试，因为除非是一些非常简单的用例，否则几乎不可能实现。
Industry Analyst 6
Palantir 的应用场景仍然集中在传统的 AI/ML 应用上，比如预测分析、模式识别和决策支持系统。在 AI 领域，我认为这些是 Palantir 的主要竞争对手：微软的 Azure AI 平台和 Azure 机器学习；亚马逊 AWS 的 AI/ML 产品，如 SageMaker；谷歌的 Google Cloud AI 平台；IBM 的 Watson Studio 和机器学习；Databricks 的机器学习平台；C3.ai。坦率地说，这些都不是 Palantir 的完美竞争对手，但我认为 C3.ai 可能是最相似的，因为他们也采用了前沿部署工程师的商业模式，并且产品重叠相对较多。
Palantir 的支出通常来自两个方面：一是那些首次进入大数据分析领域的企业的新增支出；二是从传统的本地部署系统中重新分配预算，尽管 Palantir 的客户基础仍然偏向本地部署。客户从 Palantir 转移时，通常会转向开源解决方案、基于云的工具和领域特定的分析工具。因此，从后端来看，Palantir 的替代方案通常是一些内部开发的解决方案，加上 Snowflake、Alteryx 和 Tableau 等工具。这种组合因客户而异，那些不选择 Palantir 的客户通常会采用以下替代方案：
云数据平台，如 Snowflake、Google BigQuery、Azure Synapse 和 AWS Lake Formation；与 BI 工具搭配，如 Looker、Tableau 或 Power BI，用于可视化/报告需求；开源分析工具，如 Apache Superset、Metabase 和 Redash；一些客户选择垂直领域的解决方案，如 C3.ai 和 Databricks，或 Palantir 的竞争对手，如 Tamr；还有一些客户根据自身需求构建定制的数据技术栈。
Partner 1
竞争环境非常复杂，因为 Palantir 是一个全方位的解决方案。对于 Foundry，我们过去经常接到关于 Palantir 与 Snowflake 和 Databricks 对比的需求，但现在已经不太是这样了。Palantir 不仅仅是管理数据，它更注重通过数据的管理实现转型，尤其是在将数据“操作化”方面。客户不再只是想要一个新的仪表盘，他们希望数据能够真正带来业务价值，比如缩短交付时间、提高现金回收率、减少运行供应链 IT 组织所需的人员数量等。在 AI 领域，AIP 允许你内部化所有这些模型，比如 OpenAI、Mosaic 等，但 AIP 的差异化优势在于其扩展能力。OpenAI 更像是 AI 转型的加速器，但单独使用它需要大量资源，而 Palantir 更像是一个交钥匙的 AI 平台解决方案。
坦白说，我从未见过客户在大规模使用 Palantir 后选择迁移走。我确实见过一些客户在非常早期阶段流失，但除此之外，从未见过客户在规模化使用后迁移，而我们的客户群体规模相当大。有客户在 8-10 个关键任务系统中使用 Palantir，这种情况下迁移几乎是不可能的。我参与了一个供应链项目，我们通过 Palantir 将客户供应链 IT 部门的员工数量从 1000 人减少到 500 人，如果要迁移，你不得不重新雇佣那 500 人，而且仍需要多年时间。我看不到任何能证明迁移合理的商业案例。这也是 Palantir 优于 Snowflake 和 Databricks 的地方，后者在应用层和数据连接层仍需要大量工作，而使用 Palantir 时，所有数据几乎已经准备好操作化了。
大企业技术栈的调整与替换。我合作的大多数组织是《财富》100 强和 500 强企业，因此在很多情况下，他们不会彻底替换掉 Snowflake、Databricks、Informatica、Power BI 等工具。我认为可能会出现一些支出转移，但这些公司规模如此之大，总是需要这些点状解决方案。不过，我确实认为会开始看到支出的转移。例如，与其在多个供应商上额外花费 500 万美元，这些公司可能会将这部分预算集中投入到 Palantir。我从未见过《财富》500 强的客户为了 Palantir 放弃 Snowflake，但我确实看到他们在 Palantir 上的支出增加时减少了在其他工具上的支出增长。
如果非要划分 Palantir 从哪些方面拉动了支出增长，我会说大约 10%-20% 来自可视化，20% 来自专业服务，15%-20% 来自数据集成/ETL，其余部分来自数据管理领域，比如数据湖/数据仓库。因此，如果 Palantir 增加 1000 万美元的支出，大致会以这些比例从上述领域拉动增长。数据管理是最大的一块，因此这方面的影响会最明显。我们不太关注中小型企业，但 Palantir 正在更多地向这一方向发展。对于这个客户群体，我认为可能会出现整个技术栈被替换的情况，但这不是我的专业领域。
C3.ai 可能会声称它与 Palantir 最为相似，但在我看来完全不是这样。我想我可能见过一两次 C3.ai，但目前我们的客户中没有人在使用它。我从未见过他们击败 Palantir，也从未听说他们赢过 Palantir。坦率地说，Palantir 实际上没有直接竞争对手。根据我的经验，他们很少与其他供应商正面竞争。他们通常只是进行一次演示，然后直接开始运行相关用例。
我认为 Palantir 的分类总体上被严重误解。人们认为它是一个数据库、一个数据集成平台、或一个可视化工具，但它实际上是一个端到端的平台，集所有功能于一身，几乎可以说是一个完整的技术栈。因此，我认为它在每个领域都被错误地归类了。我从业已久，而 Palantir 一直让我感到惊叹。我们看到的增长非常显著，我认为未来的潜力甚至更大。这也是为什么我正在投入大量资源发展我们的 Palantir 业务。
Partner 2
Palantir 是一家非常了不起的公司，但他们的大部分业务来自联邦市场。我认为他们与 Dataiku 和 C3.ai 的竞争并不激烈。Palantir 更偏向数据分析领域，而不是机器学习领域，这就是我对它的看法。从大数据的角度来看，他们与 Databricks 竞争较多，而与 C3.ai 的竞争则更多集中在机器学习领域。
Partner 3
在 AIP 方面，我认为 C3.ai 是唯一真正的现成解决方案，这也是我们选择它的原因，特别是考虑到我们的项目范围。我认为，Palantir 在 AIP 领域面临的最大威胁实际上来自于大型语言模型（LLM）提供商。我认为可以非常合理地说，除非你的所有数据已经在 Palantir 中，否则你完全可以利用 GPT-4 来构建一个等效的解决方案，这就是你所提到的自建 AI 趋势。
问题的关键是，Palantir 的客户通常是那些具有显著内部 IT 专业知识的大型企业，Palantir 不面向中小型市场，他们的目标客户基本上是全球最大的千家公司。因此，对于 Palantir 的整体客户群来说，模型提供商将是他们最大的竞争对手。然而，Palantir 的一个大优势是速度，基于 Palantir 构建的 AI 应用可以在几个月内投入生产，而如果是自建的话，最少需要 12 到 18 个月。
瑞银关于竞争的结论
我们在上述调研中得出的一个一致性结论是，对于 Palantir 的直接竞争者并没有统一的答案。我们主要关注商业领域，虽然 C3.ai 在产品套件中多次被提及作为与 Palantir 最接近的“类比”竞争者，并且一些调研对象确实选择了 C3.ai 而非 Palantir，但大多数调研对象表示，C3.ai 并未构成对 Palantir 的有意义竞争。实际上，Palantir 的收入基础几乎是 C3 的 10 倍，并且 Palantir 的收入增长速度比 C3 快近 10 个百分点（订阅收入），这表明两者之间依然存在显著差异。鉴于 Palantir 在供应链/物流优化领域的高商业化比例，我们也可以将 SAP、Oracle、曼哈顿协会以及其他供应链软件公司视为“竞争对手”。
大多数调研反馈表明，Palantir 的真正替代品实际上是大量独立的数据软件工具，Snowflake 和 Databricks 被提及得最为频繁，其次是Informatica（考虑到Palantir的数据集成功能），还有Tableau/Salesforce 和微软的 Power BI 等数据可视化工具。这一反馈加强了我们得出的结论：Palantir 本质上是一个数据智能平台，它“位于”大多数大型组织现有的碎片化数据堆栈之上，通过这种方式，它可能限制了现有数据集成和分析产品的开支。如果有一家数据软件公司在模型上与 Palantir 相似，在我们看来，可能是 Databricks，它采用的是“数据智能平台”方法。
（未完待续）