OpenAI、xAI 以及其他 AI 公司的FDE 体系扩张，表明企业级 AI 解决方案的落地仍然面临挑战。FDE 角色的出现，可能反映出企业在 AI 应用场景的探索和实际部署方面遇到了困难，因此 AI 模型提供商需要更深入地介入客户业务，以帮助他们更高效地实现 AI 价值。
这一趋势进一步证明了 Palantir FDE 模型的领先性，并可能促使更多企业软件公司效仿，推出类似的嵌入式工程支持模式，以加速 AI 技术在企业市场的应用和商业化。
前置部署工程师（FDE）的价值及OpenAI与xAI为何效仿
摘要
在我们最近的研究报告中，我们提出Palantir 通过“前置部署工程师”（Forward Deployed Engineers，FDE）帮助客户拓展应用场景并利用数据的方式是其独特的竞争优势，而非由于服务占比较高而应给予较低估值的缺陷。在本报告中，我们深入探讨这一点，背景是近期OpenAI和xAI均在组建“前置部署工程师”团队的消息。我们与多位前Palantir FDE交流，并在本报告中分享他们的直接反馈，同时提供我们对公司业绩的初步预期，尤其是即将于2月3日发布的2024年第四季度业绩指引。尽管我们仍然看好Palantir的基本面，但基于当前估值，我们维持“中性”评级。
Palantir 关键要点
- 市场对Palantir FDE模式的看法：
尽管许多卖方分析师对Palantir的FDE模式意见不一，但其客户的共识性评价是正面的。 - OpenAI 和 xAI 的效仿：
虽然OpenAI和xAI的FDE角色可能有所不同，但这些领先的大模（LLM）公司采取类似策略，进一步验证了Palantir的FDE模式。当OpenAI——这一代最具影响力的AI公司——也在组建类似团队时，对Palantir FDE模式的批评变得更加站不住脚。 - 防务科技的投资机会：
在我们1月中旬的风投（VC）会议上，关于防务科技投资机会的乐观评论尤为突出，这对Palantir来说是明确的利好。 - 业绩展望：
我们预计Palantir在2025年的收入指引将落在23-24%增长区间，而我们自身模型预测增长28%。若有额外催化因素或顺风因素，该增长甚至可能接近30%。
对企业级AI采用及软件公司的启示
我们认为：
-
OpenAI和xAI可能正在招聘FDE，因为企业在AI应用场景的探索和落地方面存在挑战，并且这可能预示着LLM即将深入企业应用市场。 -
随着软件公司逐步向AI产品转型，它们是否也需要类似FDE的角色？当企业推出尚未成熟、仍需定制化或DIY的AI产品时，对FDE的需求可能更大。 -
有市场消息提及Palantir在一个项目中取代了Snowflake，涉及金额达八位数，但类似案例我们听到的不多。
估值
按照126倍/99倍的2025/2026年自由现金流（FCF）估值，投资者已充分反映了Palantir在AI、数据和防务科技增长趋势中的独特机会。我们的目标价80美元基于110倍2026年自由现金流估值，这一估值溢价相较于高增长同行是合理的。
OpenAI 和 xAI 开始招聘“前置部署工程师”
背景：为何深入研究 Palantir 的 FDE 模式
我们之所以决定深入研究 Palantir 的前置部署工程师（Forward Deployed Engineers，FDE）模式，是因为最近 OpenAI 和 xAI 也开始招聘类似职位。这一趋势使我们重新审视 Palantir FDE 的价值主张。
我们对 FDE 模式持积极看法
在我们最近的 Palantir 研究报告中，我们回应了投资者对 Palantir “前置部署工程师”模式的疑问。FDE 本质上是直接与客户合作的工程师，他们在数据工程方面的专业能力类似于麦肯锡顾问的技术版本。根据一位前 FDE 反馈，FDE 可能占 Palantir 总员工数的30-40%，这一比例远高于传统企业软件公司的“服务”占比。相比之下，许多企业软件公司近年来削弱了服务组织的重要性。
市场对 Palantir FDE 模式的误解
由于 FDE 占比较高，部分卖方分析师和投资者曾将 Palantir 归类为“服务型公司”，并认为其服务收入比例较高、质量较低，因此应给予更低的估值倍数。然而，在我们 2023 年 12 月中旬的 Palantir 研究报告中，我们对这一观点提出了异议。
我们认为，市场对 Palantir FDE 模式的认知存在偏差，FDE 实际上是 Palantir 业务增长的重要驱动力，而非估值折价的理由。此外，高比例的服务收入并未对公司利润率产生压力，Palantir 的毛利率仍维持在 82-83% 的高水平。
与其他数据软件公司（通常仅提供技术工具，并依赖客户自行发掘应用场景、开发解决方案）不同，Palantir 的 FDE 扮演了技术与现实业务问题之间的桥梁角色，无论是成本优化还是收入增长，都能帮助客户发现并落地数据价值。
因此，我们的结论是：数据的商业化应用（Palantir 的核心竞争力）需要更多前期的服务投入，这是一种独特的优势，而非业务模式的缺陷；这类服务的“高占比”不应成为估值折价的理由，反而是 Palantir 竞争力的重要体现。我们深入探讨这一主题的契机，正是 OpenAI 和 Elon Musk 旗下 xAI 招聘 FDE 的消息。
在 Palantir 唯一一次投资者日（2020 年 9 月）上，公司简要介绍了FDE 模式的核心价值：
“前置部署工程师模式是我们 Palantir 文化的重要组成部分，也是我们产品战略和持续、可扩展产品差异化的核心支柱。通过在公私领域深度嵌入工程师，并赋予他们快速开发解决方案的能力，我们确保自己的产品能够不断进入新的用户群体和使用场景。”
此外，Palantir 在 2020 年发布的一篇博客中，还通过采访一位 FDE 详细介绍了他们的工作内容。这篇博客对理解 FDE 角色的价值和实际应用具有很大帮助。
Q&A：关于前置部署软件工程师（FDSE）
Q: 你是前置部署软件工程师（FDSE）。这个职位是什么？
A: 前置部署软件工程师（Forward Deployed Software Engineer, FDSE） 是一种直接嵌入客户团队的软件工程师，负责配置 Palantir 现有的软件平台，以解决客户最棘手的问题。
与传统软件工程师（通常简称为“Dev”）专注于开发可供多个客户使用的单一能力不同，FDSE 的职责是为单一客户启用多个能力。我们的工作涉及多个行业和问题领域，因此项目类型多样，且不断演进。
自从加入 Palantir 以来，我有机会在网络安全、医疗健康和国防等领域工作。这些行业的客户需求不同，要求 FDSE 具备广泛的技能，包括软件开发、数据工程、客户互动以及创造性问题解决能力。我需要思考的问题包括：
-
“针对这个应用场景，我们要部署哪些产品？” -
“为什么要选择这些产品？” -
“如何设计能满足客户特定需求的工作流？”
FDSE 的职责不仅是回答这些问题，更要与最终用户协作，共同实施解决方案。
Q: 前置部署软件工程师类似于顾问（consultant）吗？
A: 不完全是。 FDSE 与顾问最大的区别在于，我们既能发挥技术创造力，又能快速交付解决方案。
Palantir 的产品——Foundry 和 Gotham——为 FDSE 提供了现成的开发环境，使我们可以灵活、高效地解决问题。不同于顾问需要从零开始构建解决方案，FDSE 可以直接利用 Palantir 平台的现有模块，避免重复造轮子，也不需要花费数年时间拼凑方案。
这意味着，我们的重点不是从头构建软件，而是利用 Palantir 现有能力，创造独特的架构和功能，让客户能够更高效地完成他们的工作。
Q: 你的日常工作中还包含传统软件工程的原则吗？
A: 是的，FDSE 的工作仍然包含传统软件工程的关键要素。
一个重要的职责是将我们在客户现场的技术经验反馈给业务开发和产品开发团队。虽然 FDSE 主要是为特定客户定制软件配置，但这些解决方案往往也适用于其他客户。事实上，Palantir 一些最有价值的产品功能最初就来源于 FDSE 在客户现场的实践经验。
通过分享我们配置的软件产品和工作流，其他 FDSE 也能了解平台的现有能力，并在此基础上进行改进和扩展。例如，我曾在网络安全领域工作，并在此过程中积累了丰富的经验。我能够将这些经验分享给公司内其他团队，使他们在启动新的网络安全项目时，不必从零开始，而是直接从经过优化的基础产品出发，从而构建更强大、高效的网络安全工作流。
OpenAI 和 xAI 宣布采用类似的 FDE 模型
在过去一个月里，我们注意到两家最具影响力的 AI 模型提供商——OpenAI 和 Elon Musk 旗下的 xAI——均开始招聘“前置部署工程师”（Forward Deployed Engineers，FDE）。除了这两家企业，其他大语言模型（LLM）公司也在扩展 FDE 相关岗位。例如，Cohere 也已发布“前置部署工程师”招聘信息，而Anthropic 目前正在招聘“应用 AI 工程师”（Applied AI Engineers），岗位职责是**“通过为顶级企业开发定制化 LLM 解决方案，推动前沿 AI 的应用”**，这在本质上也与 FDE 角色非常相似。
OpenAI 组建 FDE 团队
2025 年 1 月中旬，OpenAI 宣布成立新的“前置部署工程”团队，并任命 Colin Jarvis 作为该团队的负责人。Jarvis 在加入 OpenAI 之前，曾在**埃森哲（Accenture）和安永（EY）**担任顾问。
Colin Jarvis 于 2025 年 1 月 14 日在 LinkedIn 上发布的公告：
“我很高兴宣布，我将领导 OpenAI 新成立的前置部署工程团队。
我们的重点是帮助客户实现 AI 方案的落地，无论是从零开始构建创新型 AI 应用，还是帮助客户扩展成熟 AI 解决方案（如客服和推荐系统），使其能够与现有系统和客户群匹配。”
由于我们已经研究了 Palantir 的 FDE 体系，因此对 OpenAI 这一新职位的核心角色已有一定的了解。以下是 OpenAI 发布的FDE 招聘信息的关键内容：
OpenAI FDE 岗位介绍
背景
过去一年中，企业对 OpenAI 提供技术支持、将 AI 概念转化为实际生产应用的需求大幅增长。因此，OpenAI 组建了前置部署工程（FDE）团队，该团队将与最重要的战略客户密切合作，深入理解客户的业务需求，并设计、构建和实施 AI 解决方案。
作为 OpenAI 首批 FDE 团队成员，你将帮助全球最具影响力的企业在其基础设施上部署 AI 解决方案，并通过 OpenAI 最新的模型和技术，推动企业级 AI 方案的实际业务价值。
职责
- 深度嵌入到关键客户的业务中，详细理解其业务挑战和技术需求。
- 设计、架构和开发全栈 AI 解决方案，采用实验驱动和迭代式的方法推进项目。
- 编写详细的工作范围（SoW）和项目规划，涵盖概念验证（PoC）和完整的生产部署方案。
- 与客户的技术团队协作，以技术专家和可信赖顾问的身份并肩工作，直接在客户基础设施上部署 AI 方案。
-
与 销售、技术支持、应用工程团队 紧密合作，确保客户体验顺畅，并推动项目成功。 - 向 OpenAI 研发团队提供反馈，帮助改进 AI 产品，优化 FDE 模型。
- 贡献内部知识库，整理最佳实践，并分享从客户项目中获得的经验，以提升整个 FDE 团队的能力。
xAI 也加入 FDE 阵营
xAI 也已正式采用 Palantir 的“前置部署工程师”战略。2024 年 11 月下旬，xAI 开始组建自己的 FDE 团队，这一变化由 xAI 技术团队成员 Belce Dogru 在 2024 年 11 月 25 日 发布的 X（Twitter）帖子中暗示：
“我们正在招聘前置部署 AI 工程师，与地球上最酷的公司合作。”
xAI 的FDE 职位描述与 OpenAI 的招聘公告极为相似，进一步证明了 AI 产业对前置部署工程模式的认可。
xAI FDE 岗位介绍
职位概述
前置部署 AI 工程师（Forward Deployed AI Engineer）直接与最终客户合作，负责战略制定和执行。这一角色的职责类似于一家 AI 初创公司 CTO 的日常工作，你将在一个小型团队中承担交付高价值 AI 项目的责任。
日常工作内容
- 端到端交付 AI 解决方案，包括理解客户需求、定义产品规格、设计和开发基于 LLM（大语言模型）的 AI 软件。
- 评估模型表现，帮助客户编写模型评测（evals），找出模型的性能瓶颈和优化空间。
- 提升 AI 模型性能，包括系统提示词（system prompt）优化或微调（fine-tuning）模型。
- 分析请求日志和提示词数据，优化 AI 交互效果。
- 构建内部工具，实现自动化和效率提升，甚至“自动化自己的工作”。
- 优化 xAI SDK 和开发者文档，根据客户反馈不断改进开发者体验。
客户和行业专家反馈：Palantir 的 FDE 模式
OpenAI 和 xAI 采用 Palantir 的前置部署工程师（FDE） 模式，让我们深入研究了这一概念。在本部分，我们总结了客户和合作伙伴的真实反馈，并新增了一些见解，以便投资者更全面地理解 FDE 的实际价值。
客户反馈：FDE 在企业中的应用
客户 1：FDE 对供应链优化贡献巨大
-
我们高度依赖 Palantir 的前置部署工程师，大部分支出都花在专业服务上。这些工程师直接进入业务部门，实验并推动新用例，通常与分析和数据科学团队协作，不断拓展供应链管理的应用场景。他们针对 ROI 高的场景展开工作，例如降低运输成本、提高货运效率等，能够直接带来可量化的业务回报。目前，我们的服务/软件支出比例约为80%：20%，但随着更多用例上线，我们预计最终会向 50%：50%靠拢。
-
账单中没有单独列明服务费用，大致占我们支出的三分之一。Palantir 以计算和存储成本的形式捆绑了前置部署工程师服务。这些工程师非常出色，我们充分利用了他们的支持，但短期内仍然对他们依赖较重。理想情况下，FDE 主要用于帮助企业快速落地 AI 方案，然后企业内部团队应该自行维护和扩展，否则会长期依赖 Palantir 的支持。目前，Palantir 的 FDE 仍然主导着用例和应用的开发，而非仅仅提供指导。
-
在我们的总支出中，专业服务费用仅占 10%，且嵌入在 Palantir 的整体费用中，不会单独列出。我们倾向于自己构建解决方案，这也是 Palantir 未来的发展方向——向**自助化（self-service）**模式推进。我们对 FDE 的使用更趋向按需（on-demand），主要用于复杂项目或关键升级，而不是长期依赖。随着团队对 Palantir 技术的掌握程度提高，我们对 FDE 的使用也在逐步减少，但仍然会在特定场景下使用。在云端部署的情况下，对 FDE 的依赖更低，因为云端管理的复杂度较低。
合作伙伴反馈：FDE 业务模式的演变
合作伙伴 1：FDE 业务模式从 60/40 向 80/20 转变。当前我们结构化的合同是 80% 软件，20% 专业服务，而过去的 FDE 模式更接近60/40。随着客户扩展使用场景，这一比例基本保持稳定，FDE 主要解决早期问题，然后继续支持新的用例。供应链管理的企业通常有 400 多个待开发用例，因此即使软件成熟，仍然会有持续的服务需求。Palantir 的前期成本较高，但长期 ROI 非常吸引人，因为随着时间推移，FDE 依赖减少，软件的价值会更明显。
行业分析师观点：Palantir 的 FDE 价值
分析师 1：FDE 团队能力强，但客户知识转移较慢。Palantir 的合同通常起步价为 200 万美元，然后进一步扩展。Palantir 的服务团队非常强大，能够提供顶级咨询能力，但在客户知识转移方面相对滞后。
分析师 2：FDE 擅长推动用例扩展，降低 Foundry 的复杂度。Palantir 的 FDE 推动企业不断扩展 AI 应用。虽然 Foundry 可能被视为“黑箱”，但对于有经验的 FDE 来说，它的操作并不复杂。
最新 Palantir 访谈反馈：FDE 模型的应用与影响
为了更深入理解前置部署工程师（FDE）在实际客户中的应用，以及 OpenAI 和 xAI 采用 FDE 模式可能对整个软件行业带来的影响，我们最近采访了多家 Palantir 现有客户以及前 FDE 员工。本部分提供的反馈不仅涉及 FDE 模式，还更广泛地探讨了 Palantir 的商业模式，这对于希望全面评估 Palantir 投资价值的投资者可能尤为重要。
客户 4 反馈：FDE 在 Palantir 平台中的作用
我们部署了两类 Palantir FDE：
平台与功能开发型 FDE
这些工程师专注于平台级别的开发，例如帮助我们构建本地部署（on-prem） 的灾难恢复（DR）功能。由于我们是 Palantir Foundry 的早期用户，许多新功能的开发也与平台本身的迭代同步进行。
业务解决方案型 FDE
这些工程师精通 Palantir Foundry 的核心功能，并直接与业务团队合作，开发新的用例，最终在 Foundry 上运行。他们的工作成本不菲，但确实能够提供极高的业务价值。
Palantir Foundry 的核心差异化：FDE 是关键竞争力之一
Foundry 的主要竞争优势包括：
一体化（all-in-one）数据平台，集成用户体验和先进安全功能。极高的数据完整性和可追溯性（data lineage），便于快速构建新用例。前置部署工程师（FDE）是 Palantir 模型的核心组成部分，确保企业能够高效利用 Palantir 解决方案。FDE 影响的不是软件/服务支出削减，而是提升产品可用性
传统企业软件通常开发通用功能，适用于多个企业。FDE 模型相反，FDE 专门开发高度定制的用例，适用于特定企业，甚至特定部门。FDE 并不减少软件和服务支出，反而会增加 Palantir 产品的使用量，因为客户会更依赖该产品。但企业愿意为此买单，因为 FDE 能够确保解决方案完全符合他们的需求。这种模式只适用于高度可扩展（extensible）和可定制（customizable）的产品，例如 Palantir。Foundry 的一个重要特点就是普通业务用户可以在不依赖 IT 部门的情况下自行创建应用程序。这是因为这些应用程序是在 Foundry 的所有安全、治理和本体结构的框架下构建的，从而确保了它们是健壮的应用程序。例如，有一家飞机制造商的几千名初级业务分析师就能够在没有任何 IT 支持的情况下，积极使用 Foundry 创建自己的应用程序，甚至形成了一个相当复杂的生态系统。通常，当 FDE 进入客户公司时，客户会被引导讨论问题的根源，而不是简单地提出“我需要一个按钮能做这个”的需求。FDE 的目标是理解客户的实际需求，然后提出相应的解决方案。
FDE 和麦肯锡或波士顿咨询的顾问有所相似，顾问通常是被雇佣来解决一个特定问题，并按某种方式执行解决方案。然而，FDE 更像是一个能够解决重大问题或做出重大变革的顾问。FDE 通常拥有广泛的任务授权和较大的自由度来开发解决方案。关于 SAP ERP 云迁移，对 Foundry 的需求并没有实质性影响，因为 Foundry 与 SAP 的连接器非常强大，无论是云端还是本地部署都能很好的支持。SAP 系统迁移到云端并不会帮助客户分析洪水风险、交易风险，或者提高工厂效率。实际上，SAP 的云迁移对 Palantir 并没有太大影响。
关于 OpenAI 和 xAI 在打造自己的 FDE 实践，我怀疑这些非 Palantir 的 FDE 并不完全处于类似的岗位。他们可能更多的是做售前或售后工程师，帮助客户了解如何让软件满足他们的需求，而不像 Palantir 的 FDE 那样拥有独立的广泛任务授权来推动业务变革。Palantir 的独特之处在于它的 FDE 能够获得深度信任，能够独立开发新的应用场景，而其他 LLM 提供商的 FDE 可能更多是支持性职能，无法真正推动新的 AI 用例。这个现象也恰恰证明了 Palantir 模式的成功——这些 LLM 提供商正在复制同样的策略，甚至使用相同的职称。这表明，LLM 提供商确实需要帮助他们的 F500 客户充分利用 AI 技术，这并不一定是坏事。
尽管如此，LLM 提供商采纳 FDE 策略也有些令人担忧。很多组织正试图弄清楚如何利用 LLM，但它们并不一定真的需要 LLM。这涉及到寻找用例的问题，同时也关系到如何以安全的方式将这些用例投入生产。许多组织可能有能力开发 AI 应用并提出用例，但它们可能没有足够的 IT 成熟度来负责任地部署这些 LLM，尤其是在高度监管的行业中。FDE 并不是唯一推动支出置换的关键因素，更多的是企业决策采用一个平台来实现全员自服务的战略。这一点，我认为 OpenAI 很难达到像 Palantir 那样，让业务用户能够独立创建应用程序。真正受到影响的，可能是那些大规模的系统集成商（SI）团队，这些团队通常被招聘到 IT 部门来构建像数据湖和数据仓库这样的项目，这部分支出可能会被置换。
至于 Snowflake 和 Databricks，通常情况下，Foundry 会与它们并行工作，消费它们的输出数据，因此它们能够很好地互补。客户可以选择逐步缩小 Snowflake 和 Databricks 的使用，转而通过 Palantir 执行这些功能，但这并不常见。Snowflake 和 Databricks 相比 Palantir 并不特别昂贵，因此，客户将这些功能从 Snowflake 或 Databricks 转移到 Palantir 并不会显著节省成本。尽管不存在直接的“替代”过程，但 Palantir 的使用最终会有助于减缓 Snowflake 和 Databricks 的支出增长。
Palantir 与 Snowflake 和 Databricks 之间的关键区别在于，数据湖和数据仓库只是中介性功能，它们本身并不会直接为业务带来好处。对于 Palantir 来说，FDE 的角色是深入了解客户的实际业务问题，确保解决方案不仅仅是构建一个数据仓库这样的中介工具，而是围绕实际业务目标设计的。FDE 会根据客户的需求，在 Foundry 中为他们构建所需的功能，但这些只是实现更大目标的步骤之一。很多企业投入了大量资金（例如花费 1 亿美元与 Infosys 合作五年），构建了数据湖，然而，最终他们还是面临着“这些数据湖到底为我们做了什么？”的问题。FDE 的优势在于它能够让企业花费资金来解决实际的、可量化的业务问题。
这也反映了当前 AI 领域的一个大问题：有些 AI 的确非常有用并创造了显著价值，但大部分 AI 投资并未能带来实质性回报或 ROI，很多企业只是为了证明自己投入了 AI，但并没有真正实现有效的应用。尤其是企业现在在做一些低价值的 AI 项目，这部分原因在于它们还无法找到明确的用例，同时也没有信心在高价值问题上应用 AI。这个问题可能需要时间来解决，但目前来看，低价值 AI 的应用和投资是我最大的担忧。
Partner/Former FDE 2
关于客户合作，尽管Palantir部署工具的方式有所变化，但解决问题的过程一直保持一致。我参与的最早的项目之一是在一家大型石油公司支持其数字化转型，目标是从他们的石油生产平台创造更多的价值。这个过程从与工程师直接接触开始，了解他们的日常工作流程，问他们如果能够利用数据，会做些什么。然后，我们深入探讨了实际的业务流程，找出可以解决的小问题。一旦我们通过小规模的成果证明了价值，就更容易请求更多的数据并扩大合作范围。例如，我们自动化了一个团队每季度需花两周时间整理石油井生产数据的过程，将其缩短到几小时，释放出更多时间让团队专注于更重要的业务分析任务。
Palantir的客户主要是那些较为传统、复杂的企业，主要集中在生命科学、制造业和金融服务等领域，这些公司因为IT系统过时而转向Palantir。这些IT部门通常有维护和购买更多系统的动力，但Palantir通过直接与C-suite高层和基层员工合作来绕过传统的软件采购和数据访问模式，从而开发定制化的使用案例。然而，IT部门通常对Palantir的介入持抵触态度，因为这意味着他们要放弃数据控制权并实现数据的民主化。这往往会导致摩擦，获取数据的权限也成为Palantir部署中的最大挑战之一。为了应对这一问题，Palantir与C-suite高层合作，依靠他们的“温和手段”来推动突破IT部门的反对。
Palantir的前沿部署工程师（FDE）主要有两种类型。第一种是部署战略师，负责引导项目走向成功，解决政治和战略问题，规划客户的基础设施，并推动创造价值的战略举措。这个角色非常多样化，有些FDE技术能力很强，能够编写机器学习代码，而有些则不具备编程能力。第二种是传统FDE，也称为“Delta”，这类工程师通常拥有计算机科学背景，能够编写代码，擅长数据转化并解决复杂问题。这些FDE可能会深入参与技术细节，与客户的工程师一起工作，或者在更高层次上，识别战略考量和潜在问题。
在使用案例方面，Palantir通过多年的经验发现了一个普遍的模式，即“落地与扩展”。许多时候，Palantir进场是为了解决一个非常具体的业务问题，而不是单纯为IT部门部署软件。通常，Palantir会从供应链、客户360度视图、反洗钱（AML）等使用案例开始，因为这些是能够提供非常具体业务价值的案例。例如，客户可能会因为使用Palantir而实现了减少30%的欺诈索赔。由于Palantir使用的本体论（ontology）创建了整个业务的数字双胞胎，每一个新的数据集都能成为跨业务部门可用的资产。反洗钱团队可能专注于AML问题，但同一数据集可以很容易地转用于理赔部门进行案件管理，承保团队也可以用它来审查保险费率。使用案例扩展的唯一限制实际上是Foundry中的数据量。
在差异化方面，本体论无疑是一个关键的差异点，但它并不是唯一的差异化因素。Foundry本身是Palantir差异化的核心，它是一套设计非常精良的工具，能够有效地解决问题。一旦你完成了数据的整理工作，本体论让你能够非常轻松地跨使用案例复用数据。此外，Palantir还大大简化了数据的访问权限。这是公开的，Palantir支持一个名为Skywise的系统，允许航空公司将技术问题实时反馈给空客，空客可以在极短时间内解决这些问题。
作为前沿部署工程师（FDE），你的100%的时间都花费在Foundry中，你会在Foundry中构建整个生态系统。Foundry实际上充当了记录系统的角色，并不是要取代公司的SAP系统。Foundry有大约150种不同的数据连接器，可以连接客户可能使用的任何系统。对于像SAP这样的系统，Foundry有预先打包好的数据转换工具，可以几乎开箱即用地将你的SAP数据快速转化为可读的本体论结构，你可以几乎立刻将SAP数据结构化为业务相关的上下文。即便是像Snowflake和Databricks这样的系统，Foundry也有虚拟化连接器。对于某些客户来说，将所有数据导入Foundry可能是一个巨大的挑战，但通过虚拟化连接器，你可以在不需要导入数据的情况下查看数据。过去没有任何情况下，Foundry无法拉取所需的数据。
就最终取代的部分来说，最直接且最初想到的就是PwC、Deloitte和McKinsey等咨询公司，这些公司通常是来开发某个特定解决方案的，而这些传统的点解决方案将被Palantir所取代或威胁到。所有这些最终都会被取代，因为Palantir是从IT组织之外进入的，而IT组织通常会非常防御地保护他们的Snowflake和Databricks平台，因为这些系统为他们提供了底层的竞争壁垒，即拥有数据转化的主控权。不过，这没关系，你可以通过管道将数据导入，或者利用虚拟化连接器，这种对数据类型的灵活处理使得Foundry具备了巨大的优势。
在实际使用案例的提出方面，大约80-90%的时间是客户自己提出使用案例。始终的目标是让客户自己提出使用案例，因为他们才是领域专家，通常能提出最佳的使用案例。然后，我们会进入实际场景，解决这些问题，但通常是客户主动带着使用案例来找Palantir。
关于SAP ERP迁移到云端的问题，实际上没有影响。无论你的数据来自哪里，都不重要。Palantir通过抽象化处理了系统级别的许多变化，对Foundry的需求和使用没有任何影响。
关于AIP，人们对于将AI部署到Foundry平台中的想法感到非常兴奋，特别是使用大语言模型（LLMs）来增强用户的分析和工作流程的能力。一个非常常见的使用案例是，如果某个领域的技术专家无法编写代码，他们可以利用AIP来描述他们希望应用程序或数据转换的样子，然后使用Palantir的无代码工具来构建该应用程序或数据管道。例如，我参与的一个演示是针对临床试验分析工作流的，其中一位临床医生希望研究肝病，利用AIP来找到所有常见的纳入/排除标准，并帮助从他们的数据中找到示例患者。这样的AIP使用案例有很多。
关于AIP在Foundry上的竞争优势，最关键的一点是数据安全性。没有谁能比Palantir更好地保护你的数据，一旦数据进入平台，后面就有极强的数据追踪和安全防护。Palantir可能会因为是一个封闭的生态系统而受到一些反对，但正是由于你在不同系统之间对接时权限不一致，才会出现数据安全问题。这些安全保护措施让你能够在一个安全的环境中实验AI，这也帮助将这些真实的AI使用案例推向生产环境。最大的优势无疑是数据治理和数据完整性。此外，本体论可能是最适合用于AI交互的数据结构，AI与公司数据的交互通过本体论是最有效的。
我一直在思考OpenAI和xAI构建自己的FDE团队的问题。仅仅构建软件并将其交给客户自己去使用远远不够。公司内部的激励机制可能与AI推动变革的潜力并不一致。如果你真的想驱动价值，FDE模型非常重要，因为它确保客户朝着有价值的结果努力，同时也能让你洞察产品的使用情况以及如何改进产品。我坦率地说，我对这些LLM走上这条路径感到放心。
LLM采用这种策略，显然越来越像Palantir的模式。这推动了OpenAI生态系统的更多投资和使用。Palantir通过FDEs能够做的最关键的事情是学习如何构建能够创造价值的工具，并帮助它们达到生产状态，这反过来可能会拓宽OpenAI的产品组合。例如，OpenAI的智能体（agent）产品现在只会越来越好，与应用软件供应商的解决方案相比也会变得更具竞争力。这将使OpenAI成为我看来对Salesforce和Adobe等公司更大的竞争威胁。
根据我的经验，我认为LLM提供商聘用这些FDEs的原因是缺乏AI使用案例和将这些应用程序推向生产的困难。目前，企业AI的大规模采用仍然面临很大的障碍，但如果你试图推动企业采用，FDEs可以帮助你测试使用案例，同时帮助你将其推向实施阶段。
我认为OpenAI复制Palantir模型的最大障碍实际上是信任。美国政府使用Palantir是一个巨大的优势，这也有助于建立公司对Palantir在数据托管方面的信任。在AI采用方面，信任问题可能是最大的问题，尤其是对于财富500强的高管们，他们对于将数据交给OpenAI持谨慎态度。
关于赢家和输家的问题，我也在深思。在某些方面，鉴于AI代理的工作方式，可以想象会有去中心化的趋势。如果你有FDE和OpenAI，为什么还需要使用Salesforce的Agentforce？不过，反方观点是，数据才是关键组成部分。所有AI代理的表现都依赖于数据，如果Salesforce拥有重要的CRM数据并且对这类数据有经验，这将成为OpenAI的一个优势。我认为，从更广泛的角度来看，AI将继续偏向那些行业领先的公司而非新兴的公司，如果你现在就拥有客户和数据，这将是最大的优势。
通常，Palantir的合作会从一个简单的试点项目开始。当合作初期，我们会讨论对业务具有高影响力的使用案例，目标是真正培养出一个业务级别的倡导者。初期讨论通常围绕着问题带来的损失或成本，衡量问题的严重性。试点项目通常是一个1-3个月的过程，是否收费取决于客户和问题的类型。我们在第一天会收到一份工作声明，基本上是对使用案例的范围定义，明确解决问题所需引入的数据元素。接下来，我们开始获取数据，围绕数据构建数据管道，并开始思考如何将业务建模为数据形式——无论是管道、部件、阀门、交易，或者其他任何东西。FDE是与最终用户互动并实际构建系统的关键人物，我们进行访谈，真正将最终用户深度参与进来。你会发现效果几乎是立即显现的，接下来的一个月或两个月则是在微调应用程序。最后，我们会有一个大型会议，解释结果并讨论企业级协议。团队规模因项目而异，通常是2名前线软件工程师和2名前线战略师。
一切都是可配置的，基于需求来调整。Foundry平台有超过200个不同的连接器，因此几乎可以连接任何数据源。SAP是一个大数据源，Foundry针对SAP的预构建模块非常强大，但实际上它可以连接任何数据源。
关于使用案例的扩展，在同一使用案例中是相对容易的。所有的工厂都有SAP，拥有部件编号、供应商、物流基础设施，实际上只是将其扩展到另一个工厂。你使用的是完全相同的本体论。很多时候，我们只是重复相同的使用案例和本体论。在一个客户处，我和一个只有两个人的团队将相同的使用案例推广到80个不同的地区。
本体论是通过数据支持的，你通过本体论将业务转化为对象。最大的优势之一是数据的连接性，业务不同元素如何相互作用。你可以在多个使用案例和客户之间使用相同的本体论，你可能有一个针对生产线的使用案例，针对销售部门的销售使用案例，你可以利用现有的本体论，去补充或扩展它的元素。还有一个概念是数据元素的复合效应，你已经从一个基础设施开始，这就是为什么Foundry在每个客户的使用图谱总是呈指数级增长，而不是线性增长。最大的问题通常是获取数据的权限。达到第一个百万的支出非常困难，但当你达到500万、1000万、1500万时，增长就容易得多。
IT部门通常讨厌Palantir，他们觉得Palantir抢走了他们的风头，所以自然不喜欢Palantir，但驱动Palantir使用的不是IT部门，而是业务用户。FDE模型是推动组织内平台启动的催化剂，通常，一旦你在组织内部获得了动力，就会有太多的使用案例需要解决，需求大到很难满足，但实际上没有第三方支持可用。FDE的工作就是优先处理使用案例，维护平台和本体论。
我认为FDE模型非常独特，我接到很多关于FDE结构的请求。人们试图了解它是如何运作的，并希望将这一模式引入他们自己的业务，但我只听说过或见过LLM公司在这方面有实质性的举措。
我认为FDE结构是Foundry的特别之处，也是其主要的差异化因素。它还有助于平台的不断改进。回顾2019年，Foundry中并没有很多模块，而现在Foundry中有40-50个预构建的模块。这些模块都是解决客户问题后，永久集成到平台中的。大多数模块实际上是解决客户问题的解决方案。这些问题解决方案在平台中得到了长期的固化。我认为，今天Palantir的FDE员工大约占公司总人数的30-40%，而2019年这一比例接近50%。至于利润率，我并不清楚，我从未见过FDE成本的详细拆解。
关于LLM供应商模仿Palantir的模型，我认为问题在于，AI无法转化为收入，因为公司无法超越聊天机器人模型。如果没有人引导你并帮助你构建模型，聊天机器人永远只能停留在原地。FDE是采用的催化剂，他们没有特定的专业领域，他们的优势在于帮助培养企业内部的“冠军”，从而推动使用。LLM供应商的问题在于，他们无法有效地将这些模型转化为收入，所以他们需要FDE。
就Palantir而言，客户结构相对稳定，既包括新客户，也包括现有客户的扩展。我们有一个新客户业务，由于需求过大，反而无法跟上步伐，同时也有一些大客户找不到足够的资源来扩展。Palantir缺乏足够的人员来应对需求。在过去的2-3年里，Palantir非常关注新客户，并且已经获得了数百个客户。但他们现在正处于第一年的阶段，合同金额通常在100万到200万美元之间，预计未来几年这些合同将发展成1000万到1500万美元的合同。增长点将来自这些新客户。虽然新客户的增长也很稳定，但真正的收入增长来自现有客户。
我认为Databricks可能是最接近Palantir的公司，这是我首先想到的。至于Snowflake，可能没那么接近。有很多公司正在尝试从Snowflake迁移出去，他们曾经对可扩展性和易用性有很大的承诺，但现在这些都没有实现。我正在为一家大型公司提供咨询，这家公司是Snowflake的8位数客户，我们正将其迁移到Palantir。Palantir的成本略高，如果Snowflake的支出是1000万美元，那么在Palantir上大约需要1200万到1300万美元，运行相同的数据仓库功能，价格大约提升了1.2倍。
我认为，从OpenAI走向FDE模式，最大的输家将是应用软件供应商。这个变化将剥夺这一群体的AI机会，包括Salesforce的Agentforce，但实际上，所有这些供应商都会受到影响，因为OpenAI在许多情况下是背后提供技术的模型供应商，因此，选择Salesforce而不是直接利用OpenAI并没有什么明显优势。我认为，转向FDE的趋势对于应用软件来说会不利，而像Databricks这样的基础设施软件可能会稍微受到保护。
关于此反馈的解读
在吸收了客户和合作伙伴的反馈后，我们提出了以下几点结论：
客户对FDE持积极态度
虽然许多华尔街分析师对Palantir的FDE模式的优点看法不一，但Palantir的客户却持相反看法。尽管一些客户的热情比其他客户更高（主要的反对意见集中在成本和锁定/依赖性上），但客户普遍认为FDE模式具有正面价值。FDE的主要价值似乎在于它们能够快速开发出具有高投资回报率的用例，无论是对于Foundry还是定制构建的AI用例。我们通过多方反馈得知，这些前部署的工程师对推动Palantir的使用和支出的增长至关重要。在具体FDE角色方面，多项反馈表明，客户通常是最早识别出初步用例或业务问题并因此联系Palantir的。Palantir的FDE可能帮助扩展用例以及使用Foundry和AIP的解决方案，目标是让用例进入“可持续生产”阶段。以下是一些关键引用：
-
他们非常擅长识别这些高投资回报率的用例，尤其是在供应链方面，比如他们会进来找出如何减少运输成本、提高货物生产率等具有非常具体回报的事项。 -
这些前部署的工程师非常棒，我们已经充分利用了他们，唯一的问题是，我们可能还会长时间依赖他们。前部署的工程师进来和你一起开发用例/应用。 -
Palantir的前部署工程师在推动用例扩展方面做得非常好。 -
前部署的工程师开发的用例通常是一个限量版的模型，专门为特定公司，甚至是公司中的某个特定部门量身定制。他们专注于提高产品的可用性，并倾向于增加我们的总体支出和使用，因为我们开始更多地使用这些产品。 -
FDE模型是组织平台的催化剂，通常一旦组织内部获得了动力，就会有太多用例需要解决，企业很难满足这种需求，但第三方支持几乎没有。FDE负责优先排序用例、维护平台和本体。
FDEs 是否仅仅是顾问？
不是。这一点在我们与客户的对话中非常清晰。乍一看，FDE的概念确实似乎与像埃森哲、麦肯锡和波士顿咨询公司（BCG）等顾问公司所做的事情有些重叠——即将技术与实际问题相结合。然而，大多数反馈认为，Palantir的FDE在数据和后端工程挑战方面的知识深度，远超麦肯锡顾问。就这一点而言，Palantir的FDE更像是麦肯锡顾问与技术支持专家的结合体。
来自埃森哲/德勤/麦肯锡的顾问与Palantir的前部署工程师有所不同。来自这些咨询公司的顾问通常没有与Palantir前部署工程师相同的知识深度，更重要的是，他们不具备与产品后端工程相连接的能力，而这是Palantir的前部署工程师所支持的。相比之下，前部署工程师在平台上进行特殊用途或定制开发时，明显比顾问更为理想。
FDE与麦肯锡或BCG的顾问有一定相似之处。一般来说，顾问是受聘来以特定方式解决特定问题的。但并非所有顾问都是一样的。FDE更像是那些被赋予充分权力来解决大问题或进行重大变革的顾问。FDE通常拥有非常广泛的任务范围和较大的解决方案开发自由度。
OpenAI 和 xAI 的 FDEs
我们询问了每个受访者对 OpenAI 和 xAI 招募 FDE（前部署工程师）的看法，并得出以下结论：
对 Palantir FDE 模型的验证
尽管我们在初步尽职调查中就看到了 Palantir FDE 战略的价值，但我们认为，LLM（大语言模型）提供商的这些举措验证了 Palantir 模型的有效性。可以说，当我们这一代的 AI 公司——OpenAI——也在打造类似的团队时，批评 Palantir 的 FDE 模型显得更加困难。正如一位前 Palantir FDE 所说：“在我看来，这是对 Palantir 和其模型成功的极大褒奖，因为 LLM 提供商正在复制这一战略，甚至使用了相同的职位名称。”
它们与 Palantir FDE 的不同之处
有一位受访者区分了 OpenAI 和 xAI 与 Palantir FDE 的不同，他说：“在 OpenAI 和 xAI 扩建他们的前部署工程师团队时，我怀疑许多非 Palantir 的 FDE 实际上并不是在做一个可以比较的工作。许多人可能更多的是做销售前或销售后的工程师，帮助客户弄清楚如何将软件应用于他们的需求。他们不会有广泛的独立任务，可能也无法推动新的 AI 用例，他们更多的是一个支持职能。”
反映 AI 投资回报率（ROI）的障碍？
我们和行业调查的反思表明，OpenAI 和 xAI 现在招募 FDE 的原因可能是因为企业在 AI 用例发现和/或将初步的 AI 用例推向生产方面存在困难。正如一位大客户所说：“我认为我们能找到 AI 用例，但将它们推向可持续生产才是挑战。”事实上，OpenAI 将 FDE 角色描述为“提供动手的技术专长，将抽象的想法转化为生产应用”。对投资者来说，负面影响可能是，这一 FDE 努力本身反映了企业 AI 采用的障碍；而正面来看，OpenAI 的 FDE 可能帮助企业更快地克服这些障碍。几位受访者认为，OpenAI 和 xAI 扩建 FDE 团队可能是这些 LLM 提供商推出更多企业 AI 软件应用的前兆。我们听到：
-
“我一直在思考 OpenAI 和 xAI 建立自己 FDE 团队的这个话题。如果你真的想创造价值，FDE 模型非常重要，因为它确保客户朝着能带来价值的结果前进，它还让你了解产品如何被使用以及如何改进产品。我很高兴这些 LLM 正在走这条路。” -
“在模仿 Palantir 模型方面，我认为问题在于 AI 无法转化为收入，因为公司无法超越聊天机器人模型。如果没有人引导并构建你的模型，他们永远也无法超越仅仅是聊天机器人的阶段。FDE 是推动采纳的催化剂。我认为 LLM 提供商的问题在于他们无法有效地将这些模型转化为收入，因此他们需要 FDE。” -
“根据我的经验，我认为 LLM 提供商招募这些 FDE 是因为缺乏 AI 用例，并且在将这些应用推向生产方面遇到困难。虽然大规模企业 AI 采用仍然面临巨大障碍，但如果你想推动企业采纳，FDE 真的能帮助你解决用例问题，并将其推进到生产阶段。FDE 可能会推动对 OpenAI 生态系统的更多投资，推动更多的使用。这可能会使 OpenAI 的软件产品组合扩大。举个例子，OpenAI 的代理服务将变得越来越好，逐渐与应用软件供应商的解决方案竞争。在我看来，这将使 OpenAI 成为像 Salesforce 和 Adobe 这样公司的更大竞争威胁。”
LLM 提供商采取 FDE 战略的担忧
“LLM 提供商采纳 FDE 战略有些令人担忧。许多组织正在拼命想弄明白如何使用 LLM，但并没有明确的需求。问题不仅在于找到用例，还在于如何以安全的方式将这些用例推向生产。许多组织可能具备开发 AI 应用和提出用例的 IT 成熟度，但可能没有将这些 LLM 负责任地部署到组织中的 IT 成熟度，尤其是在高度监管的行业中。”
Do More Software Firms Need FDEs?
目前，像 Salesforce、Workday 或 ServiceNow 这样的企业软件公司，其大部分专业服务组织都专注于实施，而不是用例的发现或扩展。FDE（前部署工程师）概念可能更适用于像 Palantir 和 OpenAI 这样的公司，它们正在开辟新天地，推出新型且有时高度定制化的解决方案（例如 OpenAI 的模型，针对企业数据进行微调）。然而，随着“主流”软件公司（例如 Salesforce 的 Agentforce）采用自己的 AI 解决方案，客户需要帮助寻找高 ROI 用例，并将这些 AI 应用推向生产，那么传统软件公司——或者至少是像 Databricks 和 Snowflake 这样的数据平台公司——是否会效仿这一做法呢？
FDE 概念的独特性
在我们对 Palantir 股票的初步尽职调查中，我们深受 FDE 概念的独特性所打动，它充当了现代数据管理技术与实际业务问题之间的桥梁。当然，传统的数据和应用软件公司都雇佣技术支持专家，但他们的角色更多是解释产品功能给客户，而不是深入客户业务单元，识别并解决实际问题。通常，他们并不是“前部署”的。而且，软件公司在解决用例扩展问题时，往往通过调整销售代表的薪酬结构，激励他们推动客户使用（通过新用例）。但一般的销售代表在客户业务领导者和用户的身边，帮助他们发现新用例、编写新应用程序并与客户的数据本体映射时，可能成效有限。
传统软件公司缺乏深入支持
为了简化问题，许多传统软件公司卖出产品后，便告诉客户“自己去做”。正如一位受访者所说：“仅仅构建软件并把它扔给客户，让他们去使用，这根本不够。”另一位受访者提到：“Palantir 来解决一个非常具体的业务问题，而不是仅仅为 IT 组织部署软件。”当客户在评估或推出新的以 AI 为核心的技术和 AI 应用时，尤其是定制化或自建的应用程序，而不是成熟和标准化的技术时，对 FDE 或类似角色的需求可能更高。
传统数据平台公司与 Palantir 的区别
针对像 Databricks 和 Snowflake 这样的替代数据平台，一位受访者指出：“Palantir 与 Snowflake 和 Databricks 等公司的关键区别在于，数据湖和数据仓库是中介功能，单独并不会为业务带来实质性好处。对于 Palantir，FDE 会介入并问，‘我们要解决的实际业务问题是什么？’无论需要什么中介工具，比如数据仓库，我们会在 Foundry 中为您构建，但那不是最终目标。你会看到有些公司花费了 1 亿美元与 Infosys 合作 5 年，建立了数据湖，但问题是：你到底在用这些数据做什么？”
风险投资反馈
在 1 月中旬，我们在门洛帕克举办了年度风险投资（VC）日活动，邀请了 14 家大型风险投资公司及其专注于企业软件的合伙人。我们对有关国防技术投资机会的积极评论感到惊讶（这对 Palantir 显然是一个积极的信号），同时也对公司整体的建设性看法印象深刻。
新兴国防技术主题
我们对风险投资公司关于新兴国防技术主题的评论感到惊讶，而 Palantir 显然在这方面有着很大暴露（56%的收入来自政府，作为美国国防部的大型技术供应商）。Palantir 显然受益于这一趋势，最近 3Q24 美国政府收入增长了 40%，远高于 4Q23 的 6% 增长。
风险投资合伙人 1
许多风险投资公司已经开始投资国防技术，我们也不例外。去年我们进行了首次投资，我得告诉你，我曾是怀疑者，但现在我们看到的情况是，合同数量和新一批主承包商的势头，以及美国与欧洲之间的脱钩，促使欧洲开始更多地投资这些技术，真的是非常有趣，而且正在发生。我们看到很多公司今年进入了真正的增长阶段。预定的合同规模非常大，零到两亿美元的预定合同量只需一年或一年半时间，因为这些合同的规模实在是太庞大了。地缘政治背景对这一趋势确实产生了影响。美国推动其他国家增加国防开支，威胁行为或言辞实际上促使许多国家开始投资或增加开支。
在国防领域，大家普遍对浪费的开支感到沮丧。新技术的出现，如无人机、计算机视觉、人工智能和情报技术，已经达到一定水平，可以用极低的成本替代许多传统的历史供应商，且能提供更强的能力。例如，CHAOS Systems 制造的雷达系统主要基于消费级技术，成本大约为几万美元，而雷神公司生产的类似系统则需要几千万美元，且其功能和能力却差异巨大。因此，成本只有1%到2%，功能却高出5倍至10倍，效率和能力都远超传统产品。这对 Palantir 来说显然是一个积极的信号。
风险投资合伙人 2
长期以来，绿色能源和国防并不是热门领域，但现在随着与俄罗斯和中国的紧张局势，这些领域确实变得非常热门，预计会有一些非常有趣的机会出现。我们有一些大型国防公司，但并非所有技术公司都能充分利用这些机会。未来五到十年将是非常有趣的时期。政府试图通过像博兹·艾伦·汉密尔顿（Booz Allen Hamilton）这样的公司投资数十亿美元，但最终的产品质量较差，且总是延迟交付。
无人驾驶技术在国防领域将出现爆炸式增长，而传统国防公司并未完全准备好迎接这一变化。比如说，消费领域已经有了无人驾驶汽车技术，而无人机、无人海洋车辆等在国防领域也将会有很大的潜力。我认为，科技公司在这方面能够做很多有趣的事情，因此这一领域也变得非常具有吸引力。许多人开始认为，与其在传统国防公司工作，不如加入 Anduril，确保我们不会因忽视国防而在与中国或俄罗斯的竞争中陷入危险境地。这是一个非常激动人心的领域，而且随着政府的改变，我预计会出现一些非常精彩的局面，Palantir 可能会成为其中的一部分。
软件方面的例子，比如说有1500家公司，但国防领域的公司数量要少得多，而且投入的资金规模也更大。因此，进入这一领域无论如何都具有巨大的商业潜力。在竞争不激烈的领域寻找机会往往能获得巨大的价值，因此，我们需要关注那些需求旺盛却竞争较少的领域。
对Palantir的更广泛看法
风险投资合伙人3
显然，Palantir最初是进入政府领域，然后转向商业领域。他们有两个独立的产品，分别可以针对商业部门或政府部门。可以这样理解这些公司和它们提供的产品，它们实际上只是下一代以AI为核心的应用平台。事实证明，这些应用平台都有能力管理数据的转化过程，当数据被处理并暴露到应用层时，可以通过多个潜在的排列组合来展示模型的结果。我认为接着是在Palantir的情况下，加上了一个可以与客户配合的前工程团队，我几乎可以把它看作是定制软件开发，而这些软件恰好是在应用平台上运行，或者说是在几个应用平台上运行的。
这就是我认为Palantir能够提供的价值主张，而C3也已经提供了好几年。我认为这并没有发生剧烈变化。我只能说，现在看起来Palantir有点像是一个“迷因股”，但尽管如此，这家公司通过提供几乎是定制的软件开发和一个支持它的应用平台，提供了巨大的价值。这种情况有点类似我现在的想法。尽管我们看到SaaS市场略显疲软，并且不确定SaaS的未来会怎样，但定制软件开发正迎来丰收。我认为我们忽视了一个事实，那就是目前正在构建的许多AI系统实际上掌握在定制软件开发者手中。所以你看看Accenture的数字，看看他们在生成性AI实践方面的预订量。这个消费转变也在发生，因为公司以及它们的集成商和系统提供商有能力构建更多的定制软件。我能想到的最接近的例子是，这可能类似于我们在90年代互联网浪潮中看到的情况。
风险投资合伙人4
我一直在说，Palantir代表了AI的下一个浪潮的承诺，不是生成性AI，而是他们专注于我常说的“关键任务”，他们解决的是关键任务应用和业务问题，执行并保持在安全范围内。但我认为他们走在前面。这些是我会非常关注的公司。但是问题是，如果你要从事关键任务业务，你不能让它成为黑盒。当你处理关键任务应用时，信任非常重要。所以这将是一个风险领域，我敢打赌，Palantir最终会在这一点上有所开放。
关键指标与估值思考
在回顾了我们对Palantir最新的调研后，接下来我们将简要讨论我们的预测模型，并介绍我们对即将于2月3日收盘后公布的2024年第四季度财报的主要关注点。自从12月中旬我们发布Palantir股票报告以来，我们收到了不少投资者的询问，但坦率地说，大多数问题集中在理解Palantir的商业模式和差异化（正如预期，这是知识空白的地方），而对数字设置的提问较少。Palantir相比其他软件公司，其与Accenture级别的合作伙伴较少，且客户基础更为集中，因此很难通过传统的调研方式获得每个季度预定收入和收入增长趋势的清晰视图。因此，我们对于即将发布的财报的可见度低于平常，但我们在下面列出了我们将关注的几个关键指标。
关注2025年初步收入增长指引
初步2025年指引：Palantir通常会在第四季度财报发布时提供初步的全年度收入指引。去年此时，Palantir刚经历了2023年17%的增长，并设定了2024年20%的收入增长指引，最终（根据我们对2024年第四季度的预测）达到了27%的增长，超出了7个百分点。然而，当时（2024年初），Palantir看到美国商业部门收入增长急剧加速，以及cRPO/DR增长，这可能让其假设2024年需求会得到提振，尽管整体软件需求背景仍然面临挑战。目前，Palantir的总收入增长、cRPO和DR指标比之前的转折点更稳定，因此可以合理推测，Palantir的2025年指引可能不再预期加速或大幅超出预期（换句话说，它可能不再过于保守）。假设Palantir的2025年收入指引设定在23-24%的范围内，超出5个百分点将超过卖方共识的25%增长，接近我们自己28%的增长预期，并且（如果有一些附加的顺风）能够保持约30%增长的梦想。考虑到新一届总统政府的起步阶段，我们认为Palantir在2025年的指引中不会包含来自任何新政府计划（如DOGE或国防部相关AI项目）的实质性上行。我们对2025年的28%增长预期意味着收入增加7.79亿美元，相较于2024年和2023年分别增加的约6亿美元和3.2亿美元。
2024年第四季度收入
Palantir预计2024年第四季度的总收入为7.67亿美元至7.71亿美元，同比增长26%-27%。截至目前，收入的增长主要受益于美国政府收入的大幅增加，从2024年第一季度同比增长12%（环比增加2000万美元）到2024年第三季度同比增长40%（环比增加4200万美元）。我们预测收入达到7.91亿美元，同比增长30%，略低于1-3季度的平均超预期3.4%。由于我们对季度收入动态的可见度较低，我们保持略为保守的态度，但明确指出，至今我们未收到任何明确信号表明收入增速会低于正常水平。
2025年第一季度收入指引
鉴于2024年第四季度与2025年第一季度的同比基数相似，我们预计Palantir将在2025年第一季度给出与第四季度相当的收入增长指引，大约为26%-27%。我们目前的预测是29.5%，这意味着比预期超出2-3%的区间，相较于2024年1-3季度的3.4%平均超预期。这意味着2025年第一季度的收入增幅可能为3100万美元，同比增长18%，这可能暗示着超出我们估计的潜力。
利润率和现金流
2024年第四季度利润率：Palantir预计2024年第四季度调整后的运营收入为2.98亿至3.02亿美元，意味着在收入指引的高端，运营利润率为38.7%-39.2%，同比增长约500个基点。在2024年1-3季度，随着收入增长加速，运营支出仅同比增长4%，因此Palantir的运营利润率有所显著提升。考虑到Palantir的季度利润率主要依赖于政府合同的收入确认和前部署工程师的部署时间，我们预测2024年第四季度的运营利润率将略有超出预期，达到40.4%。
以上。