Palantir季度净赚10亿美元，真正值钱的可能不是AI，而是FDE

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。