我一直比较关注 Palantir。
并不完全是因为它的股价表现，而是因为在今天大量讨论 AI 的公司里，Palantir 是少数已经把 AI 深入到大型企业真实业务流程，并且跑出了规模化商业结果的公司。
所以每次看 Palantir 的财报，我比较关注的也不是它这次又超了多少预期，而是想看一个更实际的问题：
企业到底愿意为什么样的 AI 买单？这种业务又是怎么持续增长的？
最近 Palantir 发布了 2026 年二季度财报。
从数字来看，确实非常亮眼。（以下数据均来自 Palantir 2026 年 Q2 官方财报，货币单位为美元。）
公司二季度收入达到 19.35 亿美元，同比增长 93%；美国业务收入达到 15.73 亿美元，同比增长 115%。其中最受关注的美国商业业务收入达到 7.64 亿美元，同比增长 149%。
与此同时，公司当季签署的合同总价值（TCV）达到 33.73 亿美元，其中美国商业 TCV 达到创纪录的 21.32 亿美元，同比增长 153%。GAAP 营业利润率达到 47%，调整后营业利润率达到 62%。
单看这些数字，最直接的结论当然是：AI 的企业应用需求仍然非常旺盛，Palantir 的增长还在加速。
但我更感兴趣的是另外一个问题：
这么高的增长，到底是怎么来的？
进一步看数据，会发现一个很有意思的现象。
为了排除行业周期的干扰，这里我特意用"环比"（相对上一个季度）来看：美国商业客户数量从上季度的 615 家增加到 653 家，环比只增长了约 6%；但同一口径下，美国商业 TCV 环比增长了约 81%，净美元留存率（NDR）也进一步提升到 157%（环比上升约 7 个百分点）。
换句话说，无论用同比（相对去年同期）还是环比来看，结论是一致的：这一轮增长并不主要依赖客户数量快速增加，相当一部分动力来自既有客户不断扩大使用范围和合同规模。
这也是这次财报最让我关注的地方。
因为如果把这些数字和 Palantir 这几年形成的 AIP、FDE、Bootcamp 等业务推进方式放在一起看，会发现它背后其实呈现出一套越来越清楚的企业 AI 增长逻辑。
我把它总结成三个变化：
大客户价值挖掘、快速价值兑现，以及平台化超级个体。
一、大客户价值挖掘：客户的深度，有时候比客户的数量更重要
我们过去谈业务增长，很容易首先想到“拓客户”。
今年有 50 个客户，明年有没有可能做到 100 个；这个行业做完了，是不是应该再进入另外几个行业。
客户数量当然重要。
但 Palantir 这次的数据提醒了我另外一种增长方式：
对于企业级业务来说，一个足够大的头部客户，本身就可能是一个巨大的市场。
Palantir 美国商业业务本季度同比增长 149%，但客户数量并没有同比增长 149%。真正发生变化的是：已经进入的客户正在购买更多产品、覆盖更多场景，并逐渐从局部试用进入更大范围的部署。
这背后的逻辑其实很好理解。
大型企业不是一个需求，而是由大量部门、流程、系统和业务场景组成的复杂组织。
最开始进入客户时，可能只是解决一个问题。
但如果第一个问题解决得足够好，就可能继续进入第二个、第三个业务领域。随着平台逐渐连接客户的数据、系统和工作流程，合作关系也会从一个项目不断向组织内部扩张。
Palantir 自己的产品架构也体现了这种特点。Foundry 负责数据和业务逻辑，AIP 将生成式 AI、Agent 和自动化引入业务，Apollo 支撑持续部署和运行，最终目标并不是提供一个单点 AI 工具，而是逐渐进入企业的数据、决策和运营体系。
所以我现在越来越觉得，我们可能需要重新理解“客户拓展”这件事情。
客户拓展不仅是从 A 客户走向 B 客户，同样包括从一个客户的 A 场景走向 B 场景、C 场景。
尤其在这一轮 AI 浪潮里，这一点变得更加明显。
很多合作了多年的既存客户，过去可能已经形成了相对稳定的业务边界。大家容易产生一种感觉：这个客户已经做了很多年，再往上增长的空间是不是越来越有限？
但 AI 的出现，实际上重新打开了这些客户的可服务市场。
原来只是软件开发和系统维护，现在可能进一步延伸到知识处理、业务 Agent、自动化、数据分析、运营决策、开发效率提升，甚至整个工作方式的重新设计。
AI 不只是增加了一个新的产品类别，它实际上重新扩大了既存大客户的 TAM。
这也让我觉得，"选择客户"本身就是一种战略。
并不是所有客户都值得用同样的资源去深耕。
真正值得长期投入的，是那些业务规模足够大、场景足够丰富、持续投入能力足够强，同时我们又能够不断扩大价值边界的客户。
如果这样的客户内部，我们目前只覆盖了很小的一部分业务，那么继续向下深挖，并不意味着缺乏市场开拓能力。
恰恰相反，这可能是一种效率更高的增长方式。
因为已经存在的信任、业务理解、系统基础和合作关系，本身就是非常重要的资产。
客户数量不是企业业务增长的唯一指标，更应该关注的是重点客户内部的价值覆盖率。
选择一个好客户，真正做进去，把一个客户做深，有时并不比增加很多普通客户的增长空间小。
二、快速价值兑现：AI时代不仅要缩短 Time to Value，也要缩短 Time to Learn
第二个让我感触很深的是 Palantir 一直强调的 AIP Bootcamp。
Palantir 在官方页面上给出了一个非常直接的表述：
“From 0 to use case in 5 days.”
也就是从零开始，五天做到一个可以验证的 Use Case。其 Bootcamp 的目标包括理解 AI 如何应用到关键业务、直接开发初始场景，并让用户为后续真实运营做好准备。
需要说明的是，"5 天"是 Palantir 官方对 Bootcamp 的定性描述，公司并没有公开单个 Use Case 的成功率或转化率。但前面那个 157% 的净留存率，其实间接印证了这套打法是有效的——如果快速做出来的 Use Case 大多没有价值，客户不会年复一年地扩大合同规模。"先快速做出来验证"和"既有客户持续扩张"，本来就是同一条链路的两端。
第一次认真看到"5天"这个时间尺度的时候，我其实很有感触。
如果按照传统企业软件开发的方式，从需求调研、需求确认、设计、开发、测试到用户验收，五天几乎是一个不敢想象的数字。
以前，我们甚至会认为：需求都还没有彻底想清楚，怎么可能开始做？
但 AI 正在改变这个逻辑。
过去软件开发的基本模式是：
先尽量把需求想完整，再把系统做出来，最后验证有没有价值。
而 AI 时代越来越可能变成：
先找到一个高价值假设，用最短时间做出可以运行的东西，让真实业务验证，再决定下一步。
这看起来只是速度变化，实际上是一种项目推进哲学的变化。
而且我认为，“5天做出 Use Case”还有一个很容易被忽略的含义：
它并不是要求每一个 Use Case 五天之内都必须成功。
企业里面值得尝试的 AI 场景实在太多了。
销售、供应链、客服、研发、财务、人事、制造、运营……几乎每一个流程今天都可以问一句：“这里是不是可以用 AI？”
真正的问题已经不是没有场景，而是场景太多，资源有限。
那应该怎么办？
一个很重要的答案就是：
尽快知道哪个场景值得继续投入。
所以在 Time to Value 之外，我认为还应该增加一个指标：
Time to Learn。
我们多长时间可以知道一个方向有没有价值？
如果一周以后发现业务价值不明显，就及时换一个场景；如果效果很好，就迅速增加投入，把它从一个小 Use Case 向完整业务流程扩展。
这比一个团队花三个月甚至半年做出一个完整系统，最后才发现业务部门不愿意用，要高效得多。
所以我理解的“快”，不是简单追求开发速度。
它真正解决的是创新的不确定性。
越快获得真实反馈，就越早停止错误投入，也越早把资源集中到真正有价值的地方。
而这里还有另外一个问题：
什么才算 Value？
我认为企业 AI 未来必须逐渐摆脱纯技术指标的表达。
不是告诉客户"准确率达到 95%"，而是"原来一个人处理 30 分钟的事，现在 3 分钟"。不是"我们的 Agent 可以自动分析风险"，而是"过去每天人工检查 1000 个对象，现在系统全覆盖，人只处理异常"。
企业最终不会长期为"AI 很厉害"买单，也不会为"模型回答得更聪明"买单——它要看的是，因为提前发现了风险，库存下降了多少、响应时间缩短了多少、人工投入减少了多少。
说到底，还是会回到一个很朴素的问题：
用了以后，业务到底发生了什么变化？
所以我认为，AI 时代真正重要的是一条完整的链条：
快速做出来，快速进入业务，快速看到结果，再快速决定是扩大还是调整。
Time to Value 和 Time to Learn，本质上是同一件事情的两个方面。
三、平台化超级个体：真正的组织杠杆来自"人 × 平台"
第三个变化，也是我最近思考比较多的一个问题，是 Palantir 的 FDE 模式。
Forward Deployed Engineer，直译就是前线部署工程师。
但如果只把它理解成“技术人员驻场”，其实会严重低估这个角色。
Palantir 对 Forward Deployed Engineering 的描述很有意思：工程师深入客户真实环境，从工厂到各种关键业务现场，直接围绕客户的问题工作，再把这些一线需求和经验反馈回产品和平台建设。Palantir甚至把这种机制类比为一种“人的反向传播”——前线不断把真实世界的反馈传回系统。
这类人的价值非常高。
因为企业 AI 项目最困难的地方，通常不只是技术。
真正困难的是：
客户说了一个业务问题，你能不能理解它真正的问题在哪里？
能不能判断 AI 到底适不适合？
需要什么数据？
需要连接哪些系统？
AI 做到哪一步，人应该在哪一步确认？
怎样在很短的时间里做出一个可以运行的东西？
怎样把技术结果翻译成业务结果？
能同时完成这些事情的人，本质上已经不是传统意义上的程序员、售前或者顾问。
我更愿意把这样的人称为：
超级个体。
但是这里马上会出现另外一个问题。
如果企业只是培养了一批非常优秀的人，然后每一个人进入客户以后都从头解决问题，会发生什么？
答案很可能是：
公司最终变成一家非常高级的咨询公司或者定制开发公司。
人的能力越强，收入可能越高，但组织仍然是线性增长。
增加一个客户，就要增加一批人。
增加十个客户，就要增加十倍的人。
而且最危险的是，能力会高度依赖个人。
一个核心人员离开，经验也跟着离开。
所以我认为，Palantir 真正值得研究的并不是 FDE 本身，而是：
FDE 后面站着平台。
Palantir 的前线工程师并不是空手进入客户现场。
他们背后有 Foundry、AIP、Ontology、Apollo 等一整套已经沉淀好的能力。数据连接、权限、安全、Agent、Workflow、模型调用、业务对象、部署、监控，不需要每一次都重新建设。
而现在 Palantir 又在进一步推进 AI FDE——让 AI Agent 本身可以通过自然语言操作 Foundry，完成数据转换、代码库管理、Ontology 编辑等工作。
这其实是在做一件非常清楚的事情：
继续提升一个优秀前线人员的单位产能。
这里其实藏着一个可以被财报验证的判断。一家靠"人驻场解决问题"的纯咨询/定制开发公司，很难做出很高的营业利润率，因为成本几乎跟着人头线性增长。而 Palantir 这个季度的 GAAP 营业利润率是 47%、调整后营业利润率高达 62%——这个利润率结构本身就说明：它的交付并不是靠人力堆出来的，而是靠平台把前线人员的产能放大出来的。 FDE 模式如果没有平台在背后，是撑不起这样的利润率的。
所以我现在越来越觉得，“平台”和“超级个体”不应该被拆成两个独立的话题。
它们本来就是一个整体。
可以把它理解成：
超级个体负责撬动业务，平台负责放大超级个体。
超级个体最接近客户，负责发现新的高价值问题。
平台把过去已经解决过的问题变成可以重复调用的能力，让超级个体不需要反复做低价值、重复性的工作。
而超级个体每完成一个新场景，又会产生新的方法、知识、流程和模块，再沉淀回平台。
于是形成一个循环：超级个体先发现问题，快速解决，能力沉淀回平台；平台让下一次交付更快，超级个体能覆盖更多场景，新场景又再次反哺平台。
这才是真正的飞轮。
过去软件公司经常讲一个词，叫“经验积累”。
但现在我越来越觉得，这个词其实是不够的。
如果一个项目做完以后，只是项目经理“更有经验了”，核心工程师“更懂业务了”，那么这些能力依然主要属于个人。
真正有价值的经验积累应该同时发生两件事：
一个人变得更强，同时一部分人的能力进入了平台。
平台的价值也不只是提高效率。
它还有一个非常重要的组织作用：
降低企业对个别超级个体的绝对依赖。
这并不是要让优秀的人变得不重要。
恰恰相反。
最理想的状态应该是：
优秀的人因为平台而变得更强，而组织又因为平台不会完全被某一个优秀的人绑定。
人和平台之间形成的是一种相互依存。
人需要平台放大自己的能力，平台也需要优秀的人不断给它输入真实业务问题。
未来企业的一种重要组织能力，我愿意把它定义成这样：
平台化超级个体。
总结：三个变化，其实是一件事
写到这里，再回过头看 Palantir 这次财报，我发现这三个变化其实并不是三个彼此独立的观点。
它们可以连接成一套完整的增长逻辑。
第一，选择正确的大客户。
找到业务规模足够大、问题足够复杂、长期投入能力足够强的客户。不要只计算今天能够拿到多少订单，而要看未来能够进入多少业务场景。
第二，用最快速度兑现价值。
超级个体进入客户以后，不从“大项目”开始，而是尽快找到一个真正有价值的问题，用最短时间打穿。
做出效果就扩大。
没有效果就调整。
不断缩短 Time to Value，同时不断缩短 Time to Learn。
第三，用平台放大超级个体。
每一次项目都不能只是完成交付，而应该把其中的共性能力重新沉淀进平台。
平台越来越强，前线人员解决问题越来越快；前线进入更多真实场景，又不断把新的能力带回平台。
最终形成：
大客户带来大量真实场景，超级个体快速进入、快速兑现价值；客户扩大使用范围，能力沉淀进入平台；平台进一步提高人效，再进入更多场景。
这样再来看 Palantir 这次财报中“客户数量并没有剧烈增长，但单客户合同价值和收入快速增长”的现象，就会发现它并不是一个孤立的财务数字。
它背后实际上是一套业务机制在运转。
这也是我认为 Palantir 最值得研究的地方。
它给我们的启发并不是“所有公司都应该复制 Palantir”。
不同市场、不同客户、不同企业所拥有的资源完全不同，这种模式当然也不可能简单照搬。
但它至少证明了一件事情：
AI 时代的软件企业，增长模式可能正在发生变化。
过去比较典型的增长方式是：
更多客户、更多项目、更多人员。
未来则可能越来越多地变成：
更好的客户选择、更快的价值兑现，以及更强的“平台 × 超级个体”杠杆。
如果让我把这次看完 Palantir 财报以后最大的感受压缩成一句话，我会这样总结：
客户选择决定资源投向，快速价值兑现决定资源效率，而平台化超级个体决定这种增长能不能被持续复制和放大。
我想，这可能比单纯讨论某一个大模型又提高了多少能力，更值得企业经营者认真思考。
写这篇的时候，我其实一直在想的并不是 Palantir 本身，而是几个更实际的问题：
手里那几个合作多年的大客户，内部到底还有多少没被覆盖的业务场景？进入一个新场景，是习惯先立项做大系统，还是能先用最短时间打穿一个高价值假设？每做完一个项目，沉淀下来的到底是"某个人更有经验了"，还是"一部分能力进入了平台、下一个人能直接复用"？
Palantir 不能照搬，但这三个问题，是可以照着问自己的。
