新一届美国政府最大的赢家除了特朗普、马斯克，还有一位神秘大佬——硅谷幽灵彼得・蒂尔，他将投资合伙人万斯引荐给特朗普，成为新一届政府的副总统，效率部长马斯克和白宫人工智能和加密货币事务负责人戴维·萨克斯是他昔日创业战友。
Peter Thiel是谁？是PayPal的创始人，后来，彼得・蒂尔是硅谷天使投资教父，Facebook、OpenAI、LinkedIn、SpaceX、Yelp的早期投资人，以太坊创始人Vitalik Buterin的早期创业赞助人。他是《从零到一》的作者，同时也是Palantir的联合创始人和董事会主席。
Q: Palantir 是否是人工智能的主要受益者？
瑞银观点
是的。我们的客户和其他调研反馈强烈支持一个观点，即 AIP-on-Foundry 不仅在即将推出的人工智能应用和用例方面处于非常有利的位置，而且已经推动了 Palantir 增长的显著加速，涵盖了其商业和政府部门。Palantir 还受益于—实际上是推动了—“自建 AI”或定制化构建 AI 的趋势，并且在即将解锁私人/企业数据集、微调大语言模型（LLMs）以提升 AI 应用性能的可能趋势中处于非常有利的位置。
证据
我们的观点来自与 17 位 Palantir 客户、合作伙伴、行业分析师以及 F500 CIO/CTO 的对话。我们的调研全部集中在 Palantir 业务的商业部分，目前该部分占其整体收入的 44%。
当前定价情况
根据 2025 年的预估，Palantir 目前的市销率为 49 倍，自由现金流倍数为 124 倍，投资者似乎已经在定价时考虑到 Palantir 是一个主要的人工智能/数据受益者。
AIP - Palantir的商业人工智能产品
Palantir股票目前的市销率为 40 倍 2026 年收入，市自由现金流倍数为 97 倍，这清楚地表明股票定价反映了普遍看法，即 Palantir 是人工智能的主要受益者。我们来验证这一假设。Palantir 于2023年第二季度推出了其人工智能平台（AIP），这是一个独立的人工智能SKU，Palantir将其称为“将LLM和其他AI与客户数据和运营连接起来，以在法律、伦理和安全约束下促进决策的方式。”本质上，AIP是一个AI平台，旨在使用现有或定制的LLM构建AI应用程序和工作流程，Palantir称其主要优势是通过与Foundry的连接，在数据最终驻留的地方内置的守卫机制，并且具有强大的数据治理/安全功能。Palantir将LLM视为AI技术堆栈中的“商品化”组成部分（我们通常同意这个观点，稍后会进一步讨论），该公司并未提供现成的AI产品，而是专注于平台层，允许客户构建自己的AI应用程序和工作流程。尽管Palantir长期以来在其核心的Foundry和Gotham平台中使用传统的AI/ML，AIP明确致力于更广泛地利用LLM和生成式人工智能（GenAI）。AIP主要面向该公司商业客户群，并且Palantir已将AIP视为增长加速的关键推动力。
我们听到的反馈
为了回答“Palantir到底做什么？”这个问题，我们参考了Palantir客户、合作伙伴和行业分析师的反馈。现在，我们通过提供这些反馈，来验证人工智能对Palantir带来的增长效应。
Customer 1
“Palantir的AI平台非常出色，是我们AI工作的重要组成部分。我们还使用Snowflake、Informatica、Collibra以及AWS和Anthropic来进行AI工作。生成式AI是一个非结构化数据问题，使用的是文档，而非结构化数据。我需要确保我们的表单库对承保人是合适的。在AWS的生态系统中，我需要确保可以让模型调用并且采用RAG方法查询这些数据。AI确实促进了我们在Palantir上的支出，因为我需要更多的资源来支持AI，这是一种基于消费的费用。如果没有Palantir，我们就需要更多的AWS或GCP。”
“我们有两个主要的AI应用场景，两个都在试点阶段。第一个是代码生成，我们正在决定选择两个选项中的一个：Microsoft GitHub Copilot或AWS Code Whisperer。第二个是行业特定的AI应用，用于自动化前期的索赔数据录入任务。我们的试点将这一劳动密集型过程从3周缩短到了1天。这个AI应用利用了Anthropic和AWS Titan模型、AWS基础设施、Palantir进行数据准备、一些Accenture进行咨询以及一些MuleSoft/Salesforce用于API连接。”
Customer 2
“AIP真正出现在2023年底，基本上允许你在你的本体上层叠LLM，在我看来这是一个改变游戏规则的技术。我们是AIP的非常大客户，几乎从一开始就是全球前五个AIP客户之一。这也是他们的Go-to-Market（GTM）战略的一个重大转变，不再是花费2个月部署Foundry并试图找出应用场景，而是将集成的LLM快速推出到你的本体上。无论本体是由单一数据集还是整个ERP构成，它让你能够非常快速地证明价值，这在我看来为他们的GTM策略带来了更大的杠杆作用。我认为他们已经举办了近2000个AIP训练营，这是他们管道的关键所在。现在他们不再需要投资工程师的几个月时间。我们最终使用Foundry和AIP建立了一个完整的数字双胞胎，模型能够在700万种独特的成品上扩展，Palantir基本上构建了一个可遍历的表格，让我们能够端到端连接供应链，实际上是一个有15亿行的表格，所有内容都连接在一起，你可以点击任何客户、物料等，简直疯狂。”
“Foundry和AIP是100%集成的，所以你实际上无法只使用其中一个，实际上也不应该把它们当作不同的产品来看。你不能没有Foundry的数据使用AIP，你实际上在AIP上使用的数据就是存储在Foundry中的，所以如果你想要AIP，你就必须使用Foundry。没有只使用AIP的GTM策略，AIP必须建立在Foundry之上。如果你想开始构建自定义的LLM，你实际上只需要在Foundry上添加AIP功能。”
“从成本结构的角度来看，实际上我们还没有具体将AIP和Foundry的支出拆分开，但我可以说，目前我们在AIP的合同支出大约占Palantir总支出的30-35%。AIP完全是基于消费计费的，所以每次你调用LLM API时，会按存储和计算进行收费，而且根据你使用的其他AIP功能，可能还会有附加费用。正如我所说，我们并没有详细拆分这两者的支出，但AIP的定价模式基本上是通过传递成本加上AIP功能的利润。价格上，可能与我们直接利用这些LLM自行构建的成本相差不大，但我们还没有详细研究这个问题。”
“我们的增长大部分来自Foundry，我认为从整体支出的角度来看，Palantir的支出也会更多集中在Foundry上。AIP可能会推动客户增长，但不会直接带来收入增长，因为你确实需要通过Foundry加载所有数据并构建一个稳健的数据模型，才能真正充分利用AIP。LLM实际上只是帮助你在最后一步，但你的数据模型必须是扎实的。当客户将所有数据和应用场景加载到Foundry中时，从收入角度来看，可能会成为一个真正的推动因素。所以，AIP可能是一个催化剂，但支出实际上不会发生在AIP上，而是通过加载更多的数据集和应用场景到Foundry中。”
Customer 3：
“人工智能确实是我们的一个重点，但目前还不是开支的主要驱动因素。我们预计在12个月内会有显著的增长。目前，AI相关的云支出不到5%。我们已经投入生产的应用包括虚拟助手、各种数字渠道的聊天机器人以及一些知识管理的用例。在生产力方面，我们正在使用O365 Copilot，并且有少量几百个许可证的试点。我们仍在测试阶段，开发人员生产力工具和整体AI的采用目前比较有限。我认为，未来12到24个月内，AI的云支出比例将从今天的5%增加到10%。”
“对我们来说，AIP的替代方案是OpenAI和Google Cloud上的Gemini，这些产品的参考性更好，使用它们要更开放。Palantir有一个锁定机制，实际上强迫你将数据移入平台，无法将数据提取出来，基本上是强制客户将数据物理地移动到Palantir平台上。问题在于，AI模型的情况非常不同。当人们想要一个单一的数据湖时，这种做法是可行的，但在AI应用中，你希望能够从多个来源消费数据。所有其他的替代方案，特别是使用OpenAI和Gemini，可以让你在一个更具互操作性的数据基础设施上构建AI，这是非常关键的。我认为AIP仅适用于那些想要在Palantir内部完成所有操作的客户。如果你想在Palantir中进行端到端操作，那么AIP是有意义的，实际上你就有了一个在Palantir内部的数据湖。对于我们来说，AI用例非常关键的一点是，能够从不同来源拉取数据，而无需首先将数据移入Palantir。Palantir从商业角度上非常灵活，能够通过免费提供AIP然后收取Foundry使用费用来吸引客户，但最终这只会让你进一步锁定在Palantir平台内。
如果你希望完全依赖Palantir，你会选择AIP，因为它的数据治理和数据血统是顶级的。但如果你在大型企业中使用多个解决方案，你需要通过多个系统管理数据。我们有Oracle Exadata、Teradata、Cloudera，我们需要管理这些系统之间的互操作性，不能把所有数据都移到Palantir平台。因此，我们的AIP使用可能仅限于少数几个用例。”
Customer 4：
“AIP在Palantir的策略上是有所不同的，它实际上是一个低接触的DIY平台。你可能会看到我们最终会朝这个方向发展。其好处在于，你可以利用AI用例，并且有一个非常强大的数据治理和数据完整性框架直接内置于解决方案中。这最终消除了我们在谈论AI用例时通常会提到的许多风险，特别是在数据集成、治理、数据血统方面，AIP都能很好地处理，而且非常低接触、非常DIY。它不需要重型的实施和昂贵的Palantir工程师来为你构建。所以我认为这是很有趣的，我们可能会朝这个方向发展，但我们目前仍处于与Palantir学习的阶段，关于AIP的任何采购决策可能要一年或更长时间后才会做出。”
Customer 6：
“我们在GenAI方面仍处于非常初期的阶段。我们有一个500万美元的项目，旨在利用一些Azure服务进行GenAI的实验，但它的规模很小，甚至不到我们整体IT预算的1%。我们实际上没有主要的GenAI用例在生产中，这些实验主要集中在试验并尝试弄清楚那些用例。退一步说，我们大约有10%的IT预算专门用于数据、数据存储、数据传输和模型管理。我们非常批判性地看待这一点，推动向数据工程转变，而不是这些仅仅是处理数据的技术和人员，这就是Palantir介入的地方。我们还没有使用AIP，但未来可能会发生变化。”
Customer 7：
“我们认为AIP远不止是LLM，它实际上是构建公司所有智能的解决方案，关键在于让AI的访问变得更加普及。关于AI的最大挑战是如何掌控所有这些分散在不同解决方案中的数据。在任何时候，你至少有60个不同的解决方案在发挥作用，我们在物流领域有大约40个不同的解决方案，在制造业中有80个，任何AI解决方案的最大问题是你需要让这些解决方案之间相互沟通，这就是AIP和Palantir的优势所在。我们在供应链职能中有大约700名业务分析师，凭借AIP，在未来2-3年内，我们可能通过利用AIP替代大约30%的分析师岗位。很多分析师只是在回答一些非常基础的产品问题，这部分工作是比较容易被替代的。”
“DIY这个过程即便对于像我们这样的大公司来说也很繁重，它需要在我们的制造数据上训练模型，识别重要的KPIs，实际上从创建基础模型到调优，通常需要6个月到一年的时间。Palantir在供应链领域有很强的业务，他们已经有了经过预训练的模型，只需要进行一些微调。毕竟我们是一家啤酒制造公司，我们的核心竞争力是生产啤酒，我们不想参与开发自己AI解决方案的业务，尤其是这些解决方案已经可以商业化使用了。市场投入的时间也很重要，选择Palantir的AIP可能让我们在实际推出任何AI用例时节省大约6到12个月。”
Customer 8：
“AIP工具非常强大，理论上我们本可以在有Foundry数据血统的情况下，利用它来解决我们在商业问题上的一些挑战。但是，由于我们有削减成本的要求，因此我们不能在Foundry上做更多投资，限制了我们使用AIP的空间。虽然它是一个非常强大的产品，尤其是与Foundry结合使用时，但我们不能进一步投资于Foundry，因此也受到了限制。我无法告诉你AIP将如何增加我们的Foundry成本，我们的支出已经超过了每年4000万美元，使用AIP肯定会增加一些，但我不清楚具体增加了多少。”
Industry Analyst 2：
“生成式AI正在推动人们对AI和数据的兴趣和投资，并且现在大家也意识到，数据的良好组织对AI至关重要。随着生成式AI的炒作逐渐平息，人们现在更关注确保准确性。ChatGPT的界面帮助人们更清楚地了解AI的能力，这比传统的仪表盘类型界面更具启发性，也激发了对经典AI以及生成式AI的极大热情。我无法评论Palantir的具体用例，但我预计绝大多数用例都可以应用AI——可以将AI看作是一个输出或接口层，位于数据管理层（Foundry）之上。”
“AIP将前端与Foundry结合起来，因此可以展示更多内容，作为销售策略，这有助于推广。我没有感觉到Palantir在单独销售AIP。它扩大了产品的吸引力，从这个意义上说，它确实是一个增长催化剂，但这体现在获得更多客户和扩展技术足迹，而不是推出额外的产品或项目。我不认为它会扩大客户基础，我认为它依然瞄准全球最大的组织和最复杂的企业。关键是要在每个客户内部拓展更大的技术足迹。”
“AI比数据管理更容易销售，特别是在当前阶段。将AI加入堆栈中的优势是，客户是否已经准备好数据的问题讨论会减少，因为他们已经在销售优化数据组织的承诺。Palantir提供了支持多个LLM的能力，这对他们特别有利，因为他们的关键客户目前都在进行实验。这降低了其他供应商面临的行业特定、领域特定和开源LLM的风险。本质上，Palantir作为你的LLM平台层，解决了很多直接使用LLM时的实际问题——你不需要数据科学家团队，也不需要担心数据管理或数据安全问题。你可以直接使用LLM，快速启动用例。”
Industry Analyst 3：
“客户仍处于非常早期的阶段，但他们正在尝试更好地理解如何利用生成式AI。Palantir一直将AI/机器学习和数据科学作为核心，但生成式AI部分是新的。关于Palantir的咨询几乎翻了一倍，就像我说的，客户对Palantir的兴趣并不专门集中在AI方面，但AI无疑促进了人们对这一领域的重新关注。”
“Palantir绝对是实现AI价值的最快方式，特别是对于那些有大量本地部署的客户。一旦数据进入Foundry，它在数据治理、数据血统、数据安全等方面已经具有很高的数据完整性，几乎可以直接用于AI用例。Palantir的本体结构方式让你可以使用几乎任何LLM，因此在这方面不会受到限制，而且你不需要是博士级的数据科学家，也可以利用Palantir将AI用例投入生产。”
Industry Analyst 5：
“Palantir已经在AI/ML领域工作了很长时间。所有AI公司都在这个领域受益，但正是生成式AI让C-suite的高管开始关注。尽管Palantir历史上更专注于传统的AI/ML，但他们一直非常关注数据集成、库存管理和计算机视觉的用例，这些都与生成式AI的应用非常契合，因此他们在生成式AI能力方面加大了投资。Palantir真正试图成为一个通用的数据平台，虽然他们历史上专注于非常具体的操作性用例，填补特定的需求，这在某种程度上仍然成立。这意味着Palantir需要花费大量精力与客户和他们的工程师合作，这一过程并不简单。而AIP的出现，基本上给客户提供了一个平台，可以“安全地”使用这些LLMs并将用例投入生产。AIP实际上是LLMs之上的一层，Palantir会帮助你开发应用程序，但他们真正销售的是LLMs之上的平台层。问题在于，要最大化AIP的效益，你需要将数据放入Foundry，如果你的数据不在Foundry中，如何确保它有适当的保护措施？因此，对于那些没有大量使用Foundry的客户来说，AIP的吸引力会较小。”
“尽管Palantir的大多数客户今天可能仍然主要是本地部署的，但我认为90%的生成式AI用例都是在云端完成的。如果你计划建立自己的基础模型和LLM，所需的计算资源在本地部署几乎是不可行的，这也是为什么这种情况非常罕见。如果你使用的是OpenAI、Gemini等，你几乎必须迁移到云端，才能充分利用这些基于云的LLMs。”
“Palantir的可寻址市场实际上是AI生命周期软件，但它是一个功能市场——包括一些软件、数据集成和商业分析。它们的解决方案涵盖了许多不同的总可寻址市场（TAM），并通过创建一个跨越所有数据的解决方案来解决很多问题，而无需增量软件，你基本上是在创建行业特定的应用，而不需要增加额外的软件。”
“AIP实际上正在拓宽客户基础，他们显然首先关注最大的客户，但根据我与他们的对话，他们也在努力向下拓展市场，提供更多的现成解决方案。他们在医疗保健和保险领域做了很大的推动，我认为这个平台非常适合随着时间的发展进入这些市场。因此，Palantir也将不得不招聘更多的人，继续扩大其业务。因此，我预计未来一段时间内，Palantir的利润率将面临压力。”
Industry Analyst 6：
“AIP也成为Palantir的一种重要的‘落地’工具，你可以看到他们通过AIP赢得了相当数量的新客户。所以，这不仅是支出的提升，也有来自新客户的增长，特别是专门为AIP而来的客户。AIP运行在Foundry上，因此即使你只使用AIP，你也在使用Foundry的一部分，即使你没有显式地为其付费。”
Partner 1：
“我们不使用Gotham，只使用Foundry和AIP，这才是我们业务的核心。AIP一直是我们业务增长的引擎。拥有一个数据层的本体结构来组织和控制数据非常有用，Foundry基本上就是这个。AIP则是在此基础上为其添加了一个LLM，帮助你构建这些用例。AIP与众不同的地方在于，它内置了保护机制，可以在系统内部进行大量的调试。它允许你推动这些用例，而你不需要是一个拥有博士学位的数据科学家，任何普通用户都可以进入系统调试/验证用例。与普通的生成式AI解决方案相比，你必须进入客户环境，将数据迁移到Microsoft Fabric中，并考虑用户如何使用、如何处理安全问题——直接使用一个现成的LLM并不简单，自己实现会遇到重大实施难题。Palantir让DIY构建AI变得更容易，核心LLM仍然是由GPT-4驱动的，但它简化了实施过程。”
“Palantir在AIP方面的主要差异化点实际上在于数据安全。Palantir本身就是为了高度敏感的军事用例而建立的，完全可以信赖其数据安全。因此，你可以放心地使用Palantir中的数据，同时仍然能够享受LLMs的所有好处，并确保你的信息得到了保障，不会危及你的知识产权。利用Foundry中的数据，你根本不需要担心数据治理和数据沿袭的问题，这是巨大的优势。AIP内置的保护机制使你能够以前无法做到的方式利用这些LLMs。任何人都可以去OpenAI获取模型，但我们必须引入博士级数据科学家来调试、测试等，才能将其投入生产。即便有这些技术人员，你仍然需要担心数据安全问题。事实上，你可以在AIP内部进行所有这些测试和调试，且内置的软件开发工具包允许非技术用户进行操作，这非常重要。它让你能够以一种受限程度更低的方式扩展你的AI应用。通过AIP，你基本上解决了采用LLMs的两个最大难题——数据安全/治理问题得到了保障，因为你使用的是Foundry中的数据，它具有业内最强的数据治理/沿袭功能；其次，实施过程现在基本是低代码的，这大大扩展了可以推动新用例的人员范围。这真的是最简化的DIY方式，你甚至不需要一大批高度技术化的数据科学家和工程师来构建用例。
我举个例子，比较使用开源LLM和使用Palantir AIP的典型部署。以供应链用例为例，假设我们要解决瓶颈问题，首先尝试将LLM接入Blue Yonder或SAP，然后创建一个模型来解决供应链中的特定问题。这是一个漫长的过程，可能需要16到20周才能得到最小可行产品(MVP)，6个月才能投入GA等，客户可能为此支付每月10万美元。如果使用Palantir，现实情况是，可能需要每月15万美元，但你大概能在3到4个月内完成，时间不到一半。一旦在Palantir上进行扩展，Palantir的投资回报率(RoI)就开始显现出来。当你在规模化生产中——构建托管服务和实施时，总拥有成本(TCO)随着时间的推移会变得非常高。但在Palantir上，你可以在一个环境中完成所有建设，所有30个不同的数据平台都在Palantir上运行，并且完全融合在本体结构中，让你可以持续处理更多用例，而几乎不增加额外成本。所以，现实情况是，Palantir的前期成本更高，但从长远来看，它会变得非常有吸引力。”
Partner 3：
“Palantir在AIP方面的一个大优势是，它们的学习模型似乎能够比当前的供应商或替代方案更快地发现这些趋势。虽然这并不总是至关重要，有时候你不一定需要超快的推荐，但如果你了解Palantir的军事背景，这一点就能理解了——在那些应用场景中，速度至关重要。数据关联的发现速度，实际上就是解决方案的速度，这正是Palantir的亮点。对于那些绝对需要更快结果的应用，Palantir能胜出。当然，你也要为此付出代价，Palantir的成本可能比C3.ai高20-30%，而项目范围几乎完全相同。
我认为AIP的销售策略反响非常好。它之所以引人注目，是因为它与AI版本无关，基本上只需要上传数据，告诉他们你的AI目标，他们就能非常快速地为你提供定制解决方案，并带来非常可见的投资回报。我认为AIP对Palantir来说是一个颠覆性的产品，它能够将AIP应用于集成图像处理、航空电子健康监测等领域，本质上你可以创建非常强大的AI代理。我认为这真的是一个游戏规则改变者，打开了很多强大ROI案例的新用例。”
关键要点：
1.AIP的整体积极反馈：虽然大多数客户仍处于AIP决策过程的早期阶段，但反馈总体上是积极的，许多客户和合作伙伴表示，未来12个月AIP的采用前景看好。多项调查显示，Palantir被认为是“运营化”AI的最快方式，具有快速的价值实现时间，许多客户特别提到了强大的数据管理框架（包括数据安全和数据治理）作为其关键优势，也就是强大的“护栏”，这是AI广泛采用的一个重要障碍。然而，反馈并非完全一致，一些客户，包括一大批Palantir Foundry客户，指出Palantir缺乏数据互操作性和缺少“开放”的数据环境，认为这是采用AIP的主要障碍。这些客户打算直接使用OpenAI和Gemini的LLM来构建自己的AI解决方案，而不是通过Palantir。
2.AIP利用Foundry：许多调查显示，AIP提供了一种直接且安全的方式，在现有的Foundry数据基础上部署LLM，几乎无需额外投入。多项调查中提到，AIP和Foundry内建的强大“数据血统”、“数据安全”和“数据治理”是Palantir的关键差异化因素。在我们看来，Foundry是PalantirAI战略中的一个重要差异化因素。
3.低接触DIY平台：我们此前在报告中提到，许多组织选择自定义构建AI应用，而不是购买第三方软件公司的现成AI产品。从上述检查结果来看，Palantir的AIP正好提供了这种“低接触DIY平台”，允许客户（即使是非技术用户）自行构建基于LLM的应用程序。一项合作伙伴调查将AIP的主要竞争者视为那些直接利用LLM并将其暴露于自己数据集的客户，而没有使用Foundry作为中介和“封闭”数据平台。
4.按消费计费：我们的调查显示，尽管AIP定价没有标准公式（高度定制化，逐个案例处理），但AIP的定价是基于消费和使用驱动的，一些客户通过“免费”获得AIP，仅支付增量的Foundry使用费用，而另一些则明确为AIP付费。
唯一的“整理数据资产”AI策略
过去18个月，我们和投资者接触了大量预测（来自软件公司和行业专家），认为AI将成为企业“整理数据资产”的强大催化剂。这一合理假设认为，AI模型和应用程序的表现依赖于其训练数据，最有价值的数据是企业的私有数据，因此，上市数据软件巨头（如Oracle、Teradata、Informatica、MongoDB、Confluent、Snowflake）将在其中发挥作用，并最终因AI带来的增长率提升受益。
然而，如今接近2023年初“ChatGPT”现象两周年时，我们几乎看不到这些数据软件公司因AI而获得任何显著提振，唯一的例外是Oracle，但其增长主要体现在OCI部门，而不是核心数据库业务。
为什么会这样？部分原因在于企业在将AI应用投入生产方面仍处于相对早期阶段。但我们并不完全接受这个解释，因为许多企业CIO/CTO实际上告诉我们，他们在2024年确实花费了不少于AI应用程序（尽管许多是自助开发的），并且这些应用程序正在进入生产阶段。
另一个解释是，这些初期的AI应用程序是轻量级的、基于机器人（bot）的应用，实际上对数据库的需求较低（非高读写密集型）。但另一个合理的解释是，AI尚未引发大规模的数据堆栈现代化浪潮，因为这样做成本过高，耗时过长，而且可能根本没有必要。
更便宜、更快且更高效地将LLM与企业相关数据对接的方法。一种更具成本效益、更快速且更高效的方法是：
a) 将相关数据迁移到AWS或Microsoft Azure托管的集中式“数据湖”中（事实上，Snowflake和Databricks目前正竞相占据数据湖分析市场的主导地位）；
b) 不重建数据堆栈，而是在现有数据堆栈之上构建一个易用且高度安全的层，使客户能够与其数据进行交互，包括在其有价值的数据集上构建基于LLM的AI应用。这正是基于Foundry的AIP所提供的功能。对于希望在AI领域投资数据技术的投资者来说，Palantir可能是最好的选择。
The Coming Fine-Tuning Boom
科技投资者热议的一个话题是，““scaling laws”是否正在失效。换句话说，OpenAI、Anthropic和Meta/Llama的AI模型可能在投入了大量数据和计算资源后，改进的速度却在放缓。
在我们看来，这一趋势的一个重要影响是，科技行业和大型企业可能会愈发关注“私有数据”（即企业的大量专有数据），将其视为模型需要微调的下一个主要数据集，以从AI应用中真正创造价值。
我们是否正站在“微调”浪潮的起点？如果是，那这将对所有数据软件公司（Oracle、Teradata、Informatica、MongoDB、Confluent、Snowflake、Databricks、Salesforce/Tableau）以及支持企业管理数据集的云基础设施供应商（AWS、Microsoft Azure、Google Cloud）产生何种影响？
我们目前还没有一个精确的答案，但Palantir的AIP-on-Foundry架构可能正是大型企业所需的——一个企业在追求的“AI-on-data”圣杯。
Databricks也在拥抱这一主题
两周前，我们在UBS科技与AI会议（亚利桑那州斯科茨代尔市）上邀请了Databricks的CEO发表演讲。Databricks指出，大多数企业的数据基础设施过于分散和复杂，将企业拥有的有价值原始数据转化为可操作数据（应用于现实世界的问题）是一个挑战。
Databricks通过构建“数据智能平台”来应对这一挑战，该平台基于“湖仓”（数据湖与传统数据仓库功能的结合）架构，并在其上提供了“语义层”。这个语义层可以看作是一个抽象层，为业务分析师和最终用户提供了更贴近业务的视角。
在AI主导的世界中，这一语义层成为LLM与大型组织海量但未充分利用的数据集之间的关键桥梁。
当我们反思Databricks的愿景时，很容易将其与Palantir联系起来。Palantir的人工智能平台（AIP）与Databricks的数据智能平台类似，但已大规模投入生产。
AIP 收入提升分析
能否量化AIP对Palantir支出的提升？Palantir尚未直接量化AIP对公司收入的提升，也未透露AIP的定价模式。然而，与Palantir其他产品套件类似，AIP的定价很可能是高度定制化的。
AIP 是否推动了 Palantir 的收入加速增长？
正如所述，Palantir在2023年第二季度推出了AIP产品。而如图5所示，该季度正是公司增长率的最低点。从那以后，收入增长率每季度加速，到2024年第三季度达到30%。虽然因果关系尚不明确，但这种相关性相当有说服力，支持了AIP确实对Palantir整体增长率产生了提升——可能是一个显著的提升的观点。
这使Palantir成为少数几家能够直接通过AI实现货币化的软件公司之一（该名单包括微软、甲骨文、ServiceNow和Datadog）。事实上，在其公开信息中，Palantir将最近几个季度的收入加速很大程度上归因于AI。
我们听到的反馈
各方反馈如下：
Customer 2：
总体来说，我认为 AIP 带来的支出增长可以分为两种情况。一种是客户通过添加 AIP 将支出增加两倍或三倍，另一种是每年支出增长 5-10%。第一类是那些实施所有目标 AI 用例的客户，这会导致 Palantir 支出急剧增加。在这种情况下，主要是 IT 部门需要尽快满足管理层的 AI 项目需求。第二类更依赖于业务战略，专注于逐步添加单个用例或数据集。例如，将数据集从 7 个增加到 8 个，或者添加一个单独的用例。在这种情况下，Palantir 的支出增长通常在 5-10% 左右，并且每年最多发生几次。因此，这种情况下 AIP 支出的增长上限大约是 20-30%。我会说，大多数客户属于第二类，总体来看，添加 AIP 后的平均 Foundry 客户支出增长大约是 30-35%。
Customer 3：
AIP 是基于消费量定价的，与数据量挂钩，但 Foundry 中的数据量决定了 AIP 的绝对消费上限。还有其他变量，比如用户数量、数据量、能够访问 AI 提示的用户数量等，因此定价并不是特别直观。然而，如果让我猜测，AIP 的支出可能是 Foundry 支出的一个比例，大约在 30-40% 左右，并且会在 2-3 年内体现出来。举个例子，如果客户每年在 Foundry 上的支出是 1000 万美元，那么添加 AIP 后，到第 3 年的支出可能是 1300-1400 万美元。这只是猜测，因为 Palantir 的定价涉及很多变量。
Customer 4：
如果我们最终将 AIP 用于我们当前正在研究的那些用例，可能会花费几百万美元。目前我们并没有 Palantir Foundry 的相关部署，所以无法对此多说。不过正如我之前提到的，当我们做规模评估时，那大概是在 2000 万美元的范围内。所以几百万的 AIP 支出并不算是额外增长，实际上对我们来说是全新的预算。这几百万仅仅是针对少数几个用例的，如果是大规模使用，我想费用会更高，但我无法提供理论上的增长估算。Palantir 的定价结构非常复杂，每件事都是定制化的，因此我无法给出经验法则，只能说我不知道。
Customer 5：
我们目前正在评估 AIP 用于几个用例。从支出增长的角度来看，可能是增加 5-10% 的预算，因为短期内我们只有一个用例正在考虑。如果我们有更多用例，支出增长显然会更高。技术上来说，你可以在没有 Foundry 的情况下使用 AIP，但显然两者结合使用会更有意义。在我们的用例中，我们会将 Foundry 和 AIP 结合使用。我认为 Palantir 最大的优势在于 AIP 的“护栏”、数据保护以及数据完整性，这些方面非常强大，因此在数据安全方面你不用担心太多，而数据安全显然是 AI 采纳时的一个主要关注点。
Customer 7：
我们目前每年在 Palantir 上的支出约为 550 万美元，我没有具体的分类数据，但我们同时使用 Foundry、AIP 以及 Palantir 提供的一些专业服务。我们的支出肯定会继续增加，目前只有 20% 的啤酒厂在使用 Palantir，所以随着这一比例的提高，我们在 Palantir 上的支出也会随之增加。不过，Palantir 是一个非常昂贵的解决方案，比 DataRobot、Dataiku 甚至 C3.ai 都要昂贵。因此，我们只会在能够实现效率提升的地方部署它。目前我们没有大规模部署 Palantir 的计划，而是会在继续推进的过程中采取战术性的方式。
Industry Analyst 2：
关于 AIP 对 Palantir 支出的增长影响，我并没有一个非常明确的答案，我认为这确实因情况而异，但我确实认为这会与 Foundry 的支出有关。换句话说，购买 AIP 的支出可能会是 Foundry 支出增长的 40% 或 50%。我认为实际上可能会落在这个范围内，特别是经过多年后。但这仍然是一个非常早期的阶段。我猜测，在一个典型的 Palantir 客户中，AIP 的添加可能会在 3 年期间使 Foundry 支出增加大约 40%。
Industry Analyst 3：
Palantir 的技术非常强大，本质上是一种全能的解决方案。一旦 Palantir 进入客户系统，他们在追加销售（upselling）方面非常擅长，因为 Palantir 的客户基本上是“被绑定”的。从我的经验来看，他们并没有单独通过 AIP 打开市场，更多的是客户同时购买 AIP 和 Foundry，但实际上通常只是现有的 Foundry 客户转向使用 AIP，而不是相反。因此，我并不认为 AIP 能显著扩展客户基础的范围，它更多地是在现有客户中推动追加销售。追加销售的增长有多少？我说不好，但鉴于 Palantir 的一些交易规模非常大，我会说可能不会超过 20%，或许是 30%。你需要记住，Palantir 在 AI 应用中提供了人员支持方面的巨大帮助，因为他们具备专业知识，但这更多是传统 AI/ML 领域的内容，更属于 Foundry 范畴，而 AIP 被宣传为一种在专业服务方面更加轻量化的解决方案。简单来说，由于 AIP 涉及的专业服务较少，因此其增长幅度可能较小，但显然利润率更高。如果你所在的组织拥有大量复杂的数据，Palantir 确实是利用 AI 的最快、最简单的方式，这也是他们的卖点。
Industry Analyst 5：
关于 AIP 的支出增长幅度，并没有明确的答案。我见过一些规模较小的 Foundry 客户，比如年支出为 30-50 万美元的客户（相对 Palantir 的标准而言算小规模），在添加 AIP 后支出增长了 100 万美元。所以，当我提到 AIP 的支出增长时，我指的不仅仅是 AIP 的明确支出，还有由于使用 AIP 导致的 Foundry 支出增加。我确实认为这可能会让客户的支出随着时间的推移翻倍甚至更多，但并不是所有客户都会实际使用 AIP。如果说他们的客户群中有三分之一在未来 3-5 年通过购买 AIP 将支出翻倍，这相当于年销售增长额外增加约 7-10%，我认为这是一个现实的结果。AIP 的定价方法据说非常透明，我认为某种程度上确实如此，但关于定价透明度的问题在于 Palantir 的收入不仅直接来自 AIP 使用，也间接来自于 Foundry 使用的增长。坦率地说，对于 Palantir 的定价，所有内容都太过定制化，很难给出明确的规则。
Industry Analyst 6：
如果你看 AIP 的定价结构，它显然会根据客户需求高度定制，实际上 AIP 支出分为两个部分：一个是直接的 AIP 支出，另一个是它对 Foundry 支出的影响。有些客户可能并不直接为 AIP 支付费用，我听说过一些客户“免费”使用 AIP，但这最终会导致他们在 Foundry 上的支出增加。从目前的经验来看（尽管还处于早期阶段），如果你是现有的 Foundry 客户并且新增 AIP，我认为这可能会让你的 Palantir 总支出增加 10-20%，这部分是因为支付 AIP SKU 的费用，另外可能还有 20% 左右是由于 AIP 对 Foundry 的拉动效应，因此两者的影响可能是相当的。如果你没有为 AIP 直接支付费用，那么你可能会发现 Foundry 支出增长 30-40%，分配方式并不重要。当然，这种情况可能差异很大，我听说过一些客户因为引入 AIP 导致支出翻倍甚至是三倍的情况，但我认为那只是个例而非普遍现象。
Partner 1：
关于 AIP 的定价，一切都是个案处理。一些客户作为 Foundry 支出的一部分，免费获得 AIP，每个客户的情况都有所不同。我确实无法给出 AIP 的确切支出增长数据，因为这些数据通常并未被单独列出。
不过我可以说的是，我们与 Palantir 的业务从 2022 年和 2023 年的 15-20% 增长，跃升至 2024 年的 30%，这一增长中的大部分是由 AIP 驱动的，希望这能为你提供一定的参考。
核心观点 – AIP 的显著商业收入增长
从以上调查来看，AIP 的采用显然正在推动 Palantir 总支出的显著增长。在许多情况下，这成为未来几年 Palantir 收入的主要驱动力。尽管各项调查结果略有差异，大多数调查显示 AIP 带来的支出增长平均在30-40% 左右，少数情况下可能出现2-3 倍 的支出增长。
将这一点转化为潜在的收入影响：尽管并非所有受访者计划采用 AIP，但即使基础客户群的一半采用 AIP 且平均增幅为30-40%，这也会带来每年~5-8% 的收入增长；如果有相当一部分客户（约 5-10%）支出增长达到2-3 倍，则年增长率可能超过10%。
事实上，我们认为 AIP 的引入可以很好地解释 Palantir 收入增长的加速：从 2023 年第三季度的同比增长17%（不包括投资协议收入为21%），跃升至 2024 年第三季度的同比增长30%（不包括投资协议收入为32%）。
没有调查显示 AIP 支出增长会在短期内放缓，也没有出现任何值得特别警惕的红旗信号，对 AIP 的增长前景持积极态度。
AI 对政府业务的推动？
上述调查均基于企业或商业客户。那么，Palantir 的另一半业务，即政府业务呢？尽管 AIP 主要面向商业客户，但 Palantir 的政府端 AI 解决方案通常更为定制化，同时仍然利用相似的底层技术。尽管我们对 AIP 在商业端的影响数据有限，但我们对 Palantir 的部分政府合同有一定的可见性。
过去一年，Palantir 与美国政府（约占政府收入的 80%）签署了几项 AI 合同，合同总额略高于10 亿美元。以下是一些关键的 AI 合同：
Maven 项目 – UBSe 年化经常性收入 (ARR)：约 1.16 亿美元
Palantir 至今最大的 AI 合同于 2024 年 5 月签署，旨在增强美国陆军的 Maven AI 项目。2024 年 9 月，合同扩展到为陆军、空军、太空军、海军和海军陆战队提供 Maven 的访问权限。出于显而易见的原因，我们无法得知具体的应用场景，但这成为 Palantir 最大的 AI 合同，合同期间平均每年为 Palantir 贡献约1.16 亿美元的收入。
TITAN 项目 – UBSe 年化经常性收入 (ARR)：约 8900 万美元
2024 年 3 月，Palantir 签署了一份为期两年的合同，为美国陆军开发名为战术情报目标访问节点 (TITAN) 的地面站系统。这是一份两年期合同，合同总价值为 1.78 亿美元，表明在合同期间平均每年可贡献8900 万美元 的收入。在 2024 年第三季度的财报电话会议中，Palantir 提到 TITAN 项目在第三季度已全面投入运营，这表明美国政府部门第三季度新增的4200 万美元 收入中可能有一半来自 TITAN 合同的执行。
JADC2 AI 项目 – UBSe 年化经常性收入 (ARR)：约 8300 万美元
Palantir 的首个重大 AI 合同于 2023 年 9 月签署，支持联合全域指挥与控制 (JADC2)，旨在“为战斗指挥部 (COCOM)、武装部队、情报部门和特种部队提供额外能力，帮助其测试、利用和扩展人工智能 (AI) 和机器学习 (ML) 能力”。这是一份为期三年的合同，总价值为2.5 亿美元，表明在合同期间每年可贡献约8300 万美元的收入。
政府部门的 AI 收入显著增长
虽然以上列出的政府 AI 合同并不全面，但还有一些未提及的小型 AI 合同，可能还有由于敏感性尚未披露的合同。综合来看，我们估算这些合同的年化 AI 收入约为3 亿美元，在 2024 年第三季度美国政府部门年化收入13 亿美元 的背景下，这表明 AI 合同可能占到美国政府收入的四分之一 左右。
上述所有 AI 合同均为军事应用合同，因此我们无法准确判断其收入增长的时间节奏。但我们相信，自 2023 年第三季度 JADC2 AI 合同签署以来，AI 收入可能已经成为美国政府新增收入的主要来源。正如下方图表所示，Palantir 的美国政府收入增长显著加速，从 2023 年第四季度的同比5% 增长到 2024 年第三季度的40%。这种增长的时间节点与这些以 AI 为核心的政府合同的签署和规模密切相关，可以得出结论：Palantir 是商业和政府两大领域中人工智能的显著受益者。
（未完待续）