跳至正文
i@laoer.com

技术、生活、感悟 -- Laoer的博客

i@laoer.com

技术、生活、感悟 -- Laoer的博客

  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
关

搜索

  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
i@laoer.com

技术、生活、感悟 -- Laoer的博客

i@laoer.com

技术、生活、感悟 -- Laoer的博客

  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
关

搜索

  • 首页
  • 人工智能
  • 互联网
  • 商业观察
  • 天乙软件
  • 用药有数
  • 隐私政策
  • 关于
  • X
Palantir季度净赚10亿美元,真正值钱的可能不是AI,而是FDE
人工智能博客文章

Palantir季度净赚10亿美元,真正值钱的可能不是AI,而是FDE

作者 Laoer
2026年8月5日 10 分钟阅读
0

很多人第一次听说Palantir,可能是在美股市场、俄乌战场或者美国政府的国防合同里。它经常被称为大数据公司、国防科技公司,最近又被归入企业AI公司,但这些标签都只描述了Palantir的一部分。

Palantir本质上是一家帮助政府和大型企业整合数据、分析问题并执行决策的软件公司。它面对的通常不是简单的办公需求,而是军队如何协调情报和装备、制造企业如何安排生产、医院如何调度资源、航空公司如何管理机队,以及供应链出现异常时应该采取什么行动。

它的产品主要可以分为四部分。Gotham最早面向政府、情报和国防机构,用来连接不同来源的数据,帮助一线人员进行分析和决策;Foundry主要面向商业企业,将分散在各个系统中的数据、业务规则和工作流程连接起来;Apollo负责把这些软件持续部署到云端、本地机房甚至高度受限的网络环境;AIP则是在这套基础上,把大模型、AI Agent和企业真实业务连接起来。Palantir将AIP、Foundry和Apollo组合起来,称为一套“企业操作系统”。

简单来说,Palantir卖的并不是一个模型,也不只是一个数据分析工具。它希望成为企业数据、AI和业务行动之间的连接层,让AI不只能够回答问题,还可以在严格的权限控制下进入真实工作流程。

这也是为什么Palantir刚刚发布的财报,显得格外值得讨论。

2026年第二季度,Palantir实现营收19.35亿美元,同比增长93%;其中美国商业收入7.64亿美元,同比增长149%,美国政府收入8.09亿美元,同比增长90%。公司实现GAAP营业利润9.12亿美元,营业利润率47%;归属于普通股股东的GAAP净利润达到10.62亿美元,净利率55%。当季,Palantir还签下了220笔金额超过100万美元的交易,合同总价值达到33.73亿美元。

当然,55%的净利率不能全部理解为软件业务本身的盈利能力,其中还包括7750万美元的利息收入和9180万美元的其他收入。真正更能体现经营效率的,是47%的GAAP营业利润率。但无论使用哪个口径,这都是一份很少见的财报:一家营收仍然接近翻倍增长的软件公司,同时已经获得极高的利润率。

更反常的是,Palantir过去最受质疑的地方,恰恰是它的交付模式。

一、企业买的不是AI,而是把AI真正用起来

在传统软件行业的理解中,一家公司越依赖工程师进入客户现场,越需要针对每个客户进行个性化开发,就越难形成规模效应。客户数量增加,实施和维护人员也必须同步增加,最后很容易从软件公司变成咨询公司或者项目公司。

Palantir却长期要求工程师深入客户现场。它甚至专门创造了一个岗位:Forward Deployed Engineer,简称FDE,通常翻译为前线部署工程师或前向部署工程师。

如果只看工作方式,FDE确实很像高级实施顾问。他们会进入军队、医院、工厂和大型企业,与客户一起梳理数据、理解流程、构建应用,甚至直接编写生产代码。但Palantir今天取得的结果说明,这种看起来非常“重”的交付方式,并没有拖累它的利润率,反而可能正是其产品和商业模式的核心。

原因在于,企业AI真正困难的部分,从来不只是模型。

今天的企业很容易获得GPT、Claude或者其他大模型,也可以在几天内做出一个聊天机器人。但一家制造企业的数据可能分散在ERP、供应链、仓储、财务和生产系统中,同一个产品在不同部门里可能使用不同的编码,权限和责任边界也完全不同。

模型可以告诉企业“库存可能不足”,却未必知道哪些订单应该优先、应该调用哪条生产线、谁有权修改计划,以及最终结果应该写回哪个系统。如果这些关系没有被梳理出来,再强的模型也很难真正进入企业的核心业务。

Palantir真正解决的,是模型与现实世界之间的这段距离。

二、FDE不是售后,而是产品研发的一部分

Palantir对FDE的定义很清楚:传统产品工程师通常开发一种可以服务很多客户的通用能力,而FDE直接嵌入客户环境,使用Palantir现有的软件平台,为一个客户组合和启用多种能力。

FDE需要理解客户真正想解决的问题。有时客户提出的需求是做一个数据看板,但工程师进入现场后可能发现,真正的问题不是缺少图表,而是多个部门的数据口径不一致;客户希望引入AI预测需求,实际障碍却可能是预测结果无法进入现有采购和审批流程。

这种工作与传统咨询最大的区别,不在于是否有人驻场,而在于现场产生的经验最终沉淀在哪里。

咨询公司完成一个项目后,主要价值通常留在客户报告、项目系统以及参与人员的经验里。Palantir希望建立的是另一种循环:FDE进入现场发现问题,先使用Foundry、AIP和现有工具完成解决方案;如果某种数据模型、工作流或功能会在其他客户中反复出现,就将它抽象出来,反馈给产品团队,最终变成平台的一部分。

Palantir甚至把FDE称为产品开发过程中的“人类反向传播”:工程师在真实环境中观察软件哪里有效、哪里失效,再把这些反馈传回产品。公司公开资料也明确表示,AIP、Foundry与Apollo的产品演进,反映了这种Forward Deployed Engineering方法。

因此,FDE并不是用人力替代产品,而是用人力加快产品学习。

三、Palantir不是消灭定制,而是让定制逐渐变轻

传统SaaS追求的是尽量减少定制。开发一套标准产品,通过互联网卖给尽可能多的客户,客户最好可以自己注册、自己配置、自己使用,这样才能获得最低的边际成本。

这种模式适合邮箱、协作工具、财务软件等标准化程度较高的需求,但企业AI面对的往往是另一类问题。每家大型企业都有不同的历史系统、数据结构、工作流程和权力关系,很难依靠一套完全标准化的界面解决。

Palantir没有回避这种复杂性,而是选择先进入复杂性,再从复杂性中寻找可以复用的部分。

第一次进入一家医院,团队可能要花很多时间理解病床、科室、人员和物资之间的关系;但这些关系一旦被抽象为平台中的数据对象、权限规则和工作流程,下一家医院就不必再从零开始。第一次为制造企业解决生产计划问题可能很重,但一旦数据接入、异常预警和决策流程被沉淀为产品能力,以后的交付就会越来越快。

Palantir过去曾将客户关系划分为获取、扩展和规模化三个阶段。早期进入客户时,公司可以投入大量资源;当更多部门和场景开始使用平台,客户收入继续扩大,而Palantir相对于收入的投入比例会逐渐下降。

生成式AI进一步放大了这种机制。Palantir通过AIP Bootcamp,让客户使用真实数据,在很短时间内构建可以运行的AI用例;其新推出的AI FDE,还可以通过自然语言帮助用户处理数据转换、代码开发和Ontology维护。人类FDE负责理解业务、判断问题和推动组织采用,AI则承担越来越多重复性的配置与开发工作。

真正的软件规模,并不一定意味着完全没有定制,而是完成一次定制之后,下一次不再需要付出同样的成本。

四、模型越强,FDE反而可能越重要

最近,OpenAI也在全球多个地区扩充FDE团队。OpenAI对这个团队的描述,与Palantir非常接近:FDE位于产品、工程、研究和商业化的交叉位置,需要与客户共同将研究突破转化为生产系统,同时将真实部署中发现的问题反馈给平台和产品团队。

这背后有一个容易被忽视的变化。模型能力越强,代码生成、数据处理和应用开发的成本确实越低,但企业自身并不会因此变得标准化。

AI可以帮助企业更快地构建系统,却不能自动判断一家企业最值得解决的问题是什么,也不能自动协调部门利益、责任划分和历史流程。企业AI最后一公里的难点,越来越不是“能不能做出来”,而是“能不能进入真实业务,并长期运行下去”。

当模型逐渐成为一种通用能力,知道如何将模型放进工厂、医院、金融机构和政府部门的人,可能反而会变得更加重要。

FDE真正稀缺的不是代码能力,而是同时理解技术、业务和组织的能力。他们需要将客户模糊的需求转化为可以运行的软件,也要判断哪些需求只是单个客户的特殊情况,哪些问题值得进入产品路线图。

AI不会简单地消灭FDE,更可能为FDE增加杠杆。

五、中国企业应该学的,不是派更多人驻场

Palantir的成功很容易产生一种误解:既然FDE有效,企业软件公司只要多招一些懂技术、懂业务的人,派到客户现场就可以了。

但如果只是增加驻场人员,最后大概率只会变成一家成本更高的项目公司。

FDE模式成立至少需要三个前提:首先,公司必须有足够强的底层平台,让现场团队组合已有能力,而不是每次重新开发一套系统;其次,客户现场发现的问题必须能够反馈给产品团队,经过抽象后成为通用功能;最后,客户使用越深入,公司投入的人力占收入的比例必须逐渐下降。

如果客户数量增加一倍,驻场工程师也必须增加一倍;每个客户都有一套只有原团队才能维护的代码,那么无论岗位叫什么,本质上仍然是外包。

中国企业软件长期存在的一个问题,就是项目与产品之间没有形成真正的循环。销售为了拿下项目承诺大量定制,交付团队为了按时上线做出临时方案,产品团队又担心个别客户的特殊需求破坏统一架构。项目结束之后,经验没有进入产品,下一个项目依然从头开始。

Palantir真正值得学习的,不是它敢于进入客户现场,而是它能把现场的复杂性持续写回产品。每完成一个复杂项目,平台就变得更完整;平台越完整,下一次复杂项目就越容易。

当然,Palantir的模式也不能被简单复制。它拥有大量高客单价的美国政府和大型企业客户,国防、数据主权和复杂安全要求为其产品提供了特殊市场。此次财报中,美国收入已经达到15.73亿美元,占总收入超过八成,其美国业务的增长速度也明显快于其他地区。

但这份财报至少说明了一件事:深入客户现场与软件规模化并不是天然对立的。

过去的软件公司希望尽量远离客户复杂性,通过标准产品实现规模;Palantir选择进入最复杂的现场,再将反复出现的问题变成平台能力。前一种方式适合标准化需求,后一种方式可能更适合企业AI,因为AI最终需要改变的不是一个独立工具,而是企业已有的数据、流程和决策方式。

Palantir真正值钱的,可能不只是Gotham、Foundry或者AIP,也不只是它接入了哪个大模型,而是它建立了一套从客户现场学习,再把经验变成软件的机制。

真正的软件规模,不是完全不需要人,而是人的经验能够被产品保存下来,并在下一次交付中继续复利。

标签:

AIFDEPalantir
作者

Laoer

1999年开始做互联网,做过开发、技术管理,也创过几次业。 现在依然在一线做产品、写代码、折腾AI。 关注AI如何重新改变软件、公司和人的工作方式。 公众号:Laoer杂谈。

关注我
其他文章
Claude Code的创造者Boris Cherny:当AI开始包办写代码,开发者真正该学什么?
上一个

Claude Code的创造者Boris Cherny:当AI开始包办写代码,开发者真正该学什么?

下一个

Google首席科学家Jeff Dean离职创业,他把“AI成功率1%”的选题法用在了自己身上吗?

暂无评论!成为第一个。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

这个站点使用 Akismet 来减少垃圾评论。了解你的评论数据如何被处理。

微信订阅

欢迎订阅微信公众号--“Laoer杂谈”,搜索微信号:laoertalk,“Laoer杂谈”是关于技术、创业、生活的杂谈与随笔,希望与大家多多交流。

用药有数·DoseLoop

用药有数·DoseLoop 一款不会响完就消失的用药提醒。每次计划用药持续追踪,直到有明确结果。支持慢病、老人、ADHD 等各种用药场景。

标签

AI AI Agent AI Coding Anthropic ChatGPT Claude Claude Code Codex DeepMind DeepSeek DeepSeek Harness Gemini Google GPT iOS iPhone Java JavaScript jQuery Kimi Kohana Linux LLM Mac Meta Mysql Nginx OpenAI Oracle PHP RSA Sam Altman SNS Struts Tomcat Web2.0 互联网 人工智能 创业 大模型 字节跳动 工作 旅游 生活 管理

日历

2026 年 11 月
日 一 二 三 四 五 六
1234567
891011121314
15161718192021
22232425262728
2930  
« 10 月    

近期评论

  • 黄仁勋卸任:1158亿财报后,英伟达由盛转衰? - i@laoer.com 发表在《当OpenAI们开始自己造芯片,英伟达为什么要花140亿美元买Hugging Face?》
  • Gemini 4 Hydrogen 实测与定价分析:谷歌把 Flash 变贵了? 发表在《跑分破纪录、内部重写百万行代码,为什么程序员实测 Gemini 4 还是觉得不如 Claude?》
  • AI Coding 已经不稀奇了:从1个插件看软件开发成本的变化 - 技术、生活、感悟 - Laoer的博客 发表在《从瀑布到敏捷,再到AI原生:软件工程正在进入第三个时代》
  • AI Agent跨App困局:20年平台围墙与Palantir解法 - i@laoer.com 发表在《155款App拉黑豆包手机:大厂怕的不是AI乱花钱,而是AI不看广告》
  • 腾讯AI战略的深层困局:马化腾28周年讲话与过去的成功 发表在《155款App拉黑豆包手机:大厂怕的不是AI乱花钱,而是AI不看广告》
  • 腾讯AI战略的深层困局:马化腾的AI焦虑与过去的成功 发表在《红果短剧月活4.1亿,为什么AI更容易做成流量生意?》
  • Gemini 4 Hydrogen 实测与定价分析:谷歌把 Flash 变贵了? 发表在《Gemini 4 Argon已经开始赢跑分了,但真正的考试还没开始》
  • AI Coding 文档管理:写代码越来越快,文档却更重要了 发表在《AI写代码已经不稀奇了,真正的变化是很多东西突然值得做了》
  • 大模型商业化:中国AI模型越来越强,为什么反而更难赚钱? 发表在《DeepSeek V4涨价后,真正的问题不是谁在用,而是谁在赚钱》
  • Laoer 发表在《AI 有没有意识还没定论,Anthropic 为什么先限制虐待它?》

分类

  • iOS
  • Java
  • JavaScript
  • Linux
  • Mac
  • PHP
  • Web2.0
  • 互联网
  • 人工智能
  • 创业
  • 博客文章
  • 商业观察
  • 工作
  • 数据库
  • 构架设计
  • 生活

归档

  • 2026 年 11 月
  • 2026 年 10 月
  • 2026 年 9 月
  • 2026 年 8 月
  • 2026 年 7 月
  • 2026 年 6 月
  • 2026 年 1 月
  • 2024 年 12 月
  • 2024 年 10 月
  • 2024 年 8 月
  • 2024 年 7 月
  • 2023 年 12 月
  • 2023 年 1 月
  • 2022 年 8 月
  • 2021 年 12 月
  • 2021 年 10 月
  • 2020 年 12 月
  • 2020 年 1 月
  • 2018 年 12 月
  • 2018 年 8 月
  • 2018 年 4 月
  • 2017 年 12 月
  • 2016 年 12 月
  • 2016 年 8 月
  • 2016 年 2 月
  • 2015 年 12 月
  • 2015 年 1 月
  • 2013 年 6 月
  • 2013 年 5 月
  • 2012 年 11 月
  • 2012 年 7 月
  • 2012 年 6 月
  • 2012 年 5 月
  • 2012 年 3 月
  • 2012 年 1 月
  • 2011 年 12 月
  • 2011 年 11 月
  • 2011 年 10 月
  • 2011 年 9 月
  • 2011 年 8 月
  • 2010 年 11 月
  • 2010 年 2 月
  • 2010 年 1 月
  • 2009 年 12 月
  • 2009 年 11 月
  • 2009 年 9 月
  • 2009 年 7 月
  • 2009 年 6 月
  • 2009 年 5 月
  • 2009 年 4 月
  • 2009 年 3 月
  • 2009 年 2 月

其他操作

  • 登录
  • 条目 feed
  • 评论 feed
  • WordPress.org
Copyright 2026 — i@laoer.com. All rights reserved. Blogsy WordPress Theme