2015 年底,空中巴士(Airbus)遇到一個很具體的麻煩:A350 這款客機要加快生產,但品質又不能掉。一架 A350 有五百萬個零件,是由數百個團隊在四個國家、八座以上的工廠一起做出來的。
問題是,排程、班表、缺料、工單(派給現場的工作指示)和品質問題,全都分散在不同團隊手上。所以產線上的人想知道「這個瑕疵會讓後面延誤多久」「這張工單為什麼還沒做完」時,都很難馬上查到。
這時候 Palantir 派去的人,並沒有留在辦公室等需求單。當時剛進公司的工程師 Nabeel Qureshi 搬到法國土魯斯住了一年。他每週有四天都在工廠裡,和產線人員一起工作。而他做出來的東西,他自己形容是「造飛機用的 Asana」(Asana 是常見的專案管理軟體)。
很多人查 Palantir,看到的不是股價就是國防新聞,看完還是不知道它到底在做什麼。所以這篇我就沿著 Airbus 這個案例,講它實際上怎麼幫企業做事,以及台灣企業可以從中學到什麼。如果你想看的是股價分析,這裡就沒有了。
Palantir 到底在做什麼?
Palantir 開發軟體平台,同時也派工程師進客戶公司,把資料和作業流程接起來,讓第一線可以直接拿來做決定。這家公司是 2003 年成立的。2025 年營收 45 億美元,其中 54% 來自政府、46% 來自企業,而且有 74% 來自美國客戶。到了 2026 年第一季,它的客戶數是 1,007 家。
它的產品名稱很多,整理起來大概是這樣:
| 名稱 | 白話說明 | 主要給誰用 |
|---|---|---|
| Gotham | 從大量情報資料裡找出關聯,協助規劃行動 | 國防、情報、救災單位 |
| Foundry | 接資料、定義資料關係,再做出分析和日常工作用工具的平台 | 企業與公部門 |
| AIP | 把大型語言模型接到公司資料和作業流程,用來做 AI agent | 企業與公部門 |
| Apollo | 把軟體更新持續送到各種環境,包含不連外網的環境 | 支援上面三個產品的底層工具 |
| Ontology | 把資料對應成公司實際在管的東西,是 Foundry 和 AIP 的核心 | 所有使用者 |
這張表只是名詞整理。如果要看懂它怎麼幫企業,還是得回到 Airbus 的產線。
Palantir 怎麼幫 Airbus 造飛機?
Palantir 的做法,是把分散在各處的生產資料接成一個畫面,讓產線上每個人都看得到現況,也知道下一步要做什麼。依 Palantir 的案例頁,它接進了排程、班表、零件、到貨和瑕疵資料。A350 團隊的每個人,都用同一個畫面來規劃工作、排除問題。
Qureshi 的回憶則補上了更多細節。當時 Airbus 執行長說,他最大的問題就是把 A350 的產量拉起來,所以團隊就直接做這件事。畫面上有工單、缺料和品質異常,大家可以勾選完成的工作,也看得到其他團隊在做什麼、零件在哪裡。工程師還做了搜尋功能,讓現場查得到過去類似的瑕疵是怎麼處理的。
他自己也說,這些都是很基本的軟體功能。真正值錢的地方在於,它解決的是執行長最在意的那一個問題,而且是坐在產線旁邊做出來的。
後面的發展是一步接一步的:
- 2015 年:先處理 A350 的生產。Palantir 公布的結果是 A350 交機速度加快 33%,頁面沒有寫比較基準。
- 2016 年:同一批資料開始用在排程、供應鏈和財務。
- 2017 年:和 Airbus 一起推出 Skywise(航空業共用的資料平台),把範圍擴大到航空公司和供應商。Palantir 現在公布的數字是連接超過 10,500 架飛機,每月超過 25,000 位使用者。
這些數字都是 Palantir 自己公布的,我沒有查到第三方查核。不過這個先後順序很值得看。它不是一開始就做「全公司的資料平台」,而是先解決一條產線的問題,平台是後來才慢慢做出來的。
工程師到了現場實際做什麼?
他們要先找到老闆最頭痛的問題,拿到資料,把資料權限一起處理好,然後很快交出能用的東西。Palantir 把這種工程師叫 Delta,也就是現在說的 FDE(前線部署工程師)。依 Qureshi 的回憶和 Palantir 的自述,現場工作大致可以分成五步,不過不全是發生在 Airbus:
- 找到老闆最在意的問題。以 Airbus 來說,就是 A350 的產量。Palantir 判斷工程師做得好不好,也是看客戶的目標有沒有達成,例如工廠的不良品有沒有變少。
- 拿到資料,這一步最難。Qureshi 說,資料整合才是公司的核心工作。這包括和資料負責人談權限、清理資料,再放到大家都用得到的地方。他也提過比較誇張的例子:客戶買了 8 到 12 週的試行,結果幾乎都花在等權限,到最後一週才趕出東西來展示。
- 把資料權限做進系統。他的觀察是,資料負責人不肯開放資料,有一部分是因為真實的資安疑慮。所以平台內建了依職務設定的權限、逐列控管和操作紀錄,對方才比較願意放行。逐列控管的意思是同一張表,不同人只看得到自己該看的列。例如產線組長只看得到自己工作站的工單(這是我舉的例子)。
- 很快交出能用的版本。他記得現場團隊常常只有 4 到 5 個人,要盡快做出有價值的東西,客戶才會相信他們。在 Airbus,這個東西就是那份工單、缺料和品質異常的畫面。
- 把臨時做法變成產品。現場的程式通常寫得很趕,會留下技術債,也就是之後要還的整理工作。所以產品團隊要再把它整理成通用工具。Qureshi 提到,Foundry 的資料匯入和視覺化工具就是這樣來的。
Palantir 進一家公司通常怎麼走?
如果從它和一家客戶的整段合作來看,它通常會先自己吸收成本做小範圍試行,證明有用才擴大。到最後,客戶就會自己在平台上開發。2020 年的上市文件把這段過程分成三個階段,還列出了每個階段賺賠多少。表裡的貢獻利潤,指的是營收扣掉營業成本與銷售行銷費用(不含股票酬勞),還沒有算研發和管理費:
| 階段 | Palantir 在做什麼 | 2019 年營收 | 2019 年貢獻利潤 |
|---|---|---|---|
| Acquire(取得) | 免費或低價的短期試行 | 60 萬美元 | 虧損 6,540 萬美元 |
| Expand(擴大) | 大量投入,弄懂客戶的主要問題並做出成果 | 1.763 億美元 | 利潤率 -43% |
| Scale(規模化) | 全公司都在用,客戶開始自己開發應用 | 5.657 億美元 | 利潤率 55% |
這是 2019 年的數字,2025 年的年報沒有再按階段揭露。
這張表可以解釋 Palantir 為什麼敢派人長駐:前面賠的錢,是靠後面規模化的客戶賺回來的。不過這只算到貢獻利潤這一層,2019 年全公司還是淨虧損 5.796 億美元。上市文件也寫明,它常常免費或低價提供試行,而且不保證客戶之後會繼續往下走。
2023 年推出 AIP 之後,Palantir 開始用工作坊當第一步。AIP Bootcamp 是一到五天的實作工作坊,客戶要帶自己的真實問題和資料來,當場做出第一個應用。不過 2025 年的年報還是提醒,這些活動可能沒有後續收入。
而上市文件描述的 Scale 階段,客戶會越來越能自己開發應用,Palantir 投入的人力比例則會下降。所以我的理解是,Palantir 派工程師進客戶公司,最後的目的是讓客戶以後不用一直靠它派人。但客戶要能自己開發,就得先有一套大家都看得懂的資料結構,這就是下一節要講的 Ontology。
Ontology 是什麼?為什麼 Palantir 一直講它?
Ontology 是一份資料地圖,把公司裡的東西、它們之間的關係,以及可以對它們做的動作都定義清楚。
依 Palantir 文件,它分成兩部分。一部分定義物件(工單、飛機)、屬性(工單狀態)和關聯(這張工單屬於哪架飛機),另一部分則定義動作和商業規則。Palantir 也把它形容成組織的數位分身,意思是公司實際運作的情況,在系統裡都有對應。
用 A350 產線的情境來示意會比較清楚。下面的欄位和動作都是我為了說明寫的,並不是 Airbus 的實際資料:
原本資料表的樣子:
WO_4471 | MSN123 | ST45 | NCR_209 | OPEN。除了寫報表的那位同事,大概沒有人看得懂。整理成 Ontology 的樣子:「工單 4471」屬於「第 123 架飛機」,位在「45 號工作站」,被「瑕疵 209」擋住。它缺的是某個零件。現場組長可以直接按「改派給下一班」,系統依權限更新資料,也會記下是誰改的。
差別在於,後者讓人和程式都用公司平常講的名詞做事。而且它還定義了「可以做什麼動作」,我認為這是它和一般資料倉儲(把公司資料集中存放、方便分析的系統)差最多的地方。
這也是 Palantir 講 AI 時一直回到 Ontology 的原因。AI agent(會自己查資料、做動作的 AI 程式)如果只讀到 NCR_209,根本不知道它代表什麼。它要讀得到物件、關聯和可用的動作,才知道有哪些動作可以選。至於這個人或這個 agent 有沒有權限做,則是由系統在執行時檢查。
這和 context engineering(決定 AI 每一步該看到哪些資料)也是同一類問題。你在整理知識庫要做到什麼程度、設定權限與人工確認時,也會碰到一樣的事。
其他公司實際拿到了什麼?
它們拿到的多半是一個接好資料的工具,用來解決一個營運問題,成果則是省下時間或金額。除了 Airbus,下面是我從案例頁挑的三個案子,產業差很多,但做法卻很像:
| 客戶 | 原本的問題 | 接了哪些資料 | 做出什麼 | Palantir 公布的結果 |
|---|---|---|---|---|
| Tampa General 醫院 | 護理排班要到當天才手動調整,病人也常卡在恢復室等床位 | 護理班表、病人人數、手術排程 | 排班建議與病人床位規劃工具 | 恢復室等候時間減少 28%,安排病床的時間減少 83% |
| 未具名的全球能源公司 | 想把 20 億美元的庫存成本減半,資料分散在五套以上的舊 ERP | 超過 300 個 ERP 資料集 | 下單前比對其他廠區有沒有多餘庫存的提醒 | 導入數週內,多出約 5,000 萬美元可週轉的資金 |
| 未具名的大型鐵路公司 | 每週更換數千個火車頭零件,很多保固沒有申請到 | 財務與營運系統 | 追蹤每個零件的完整紀錄,自動比對保固條款 | 每年多回收數百萬美元保固款 |
這些都是廠商自己挑的成功案例。所以你可以拿來參考「它們做了什麼」,但不要當成你公司也會得到的數字。我覺得更值得看的是共同點:這三個案子要解決的問題都講得出金額或時間,沒有一個寫成「導入 AI」。
Cleveland Clinic 數位長 Rohit Chandra 對這種合作的描述也很貼切。他說 Palantir 願意和他們坐在一起,花時間理解醫療、流程和文化,再從頭開發解法。這句話出自 Palantir 自己的活動,所以要打點折扣,但它講的正是工程師實際坐到客戶旁邊、先把現場搞懂這件事。
Palantir 的做法有哪些限制?
最大的限制就是規模和成本,很多公司很難走同一條路。依 2025 年的年報,它前二十大客戶平均每年付 9,390 萬美元,年底的客戶數是 954 家。而我也沒查到公開的價目表,所以沒辦法告訴你最低要花多少。
不過前二十大的平均並不是門檻。用同一份年報粗算,45 億美元扣掉這二十家之後,其餘約 930 家平均每年約 280 萬美元。這是我自己的推算,不是報價,裡面也包含政府客戶。
另外還有幾個限制,在評估時也要算進去:
- 銷售和導入不快。2020 年的上市文件寫,銷售週期通常是 6 到 9 個月,有些還超過一年。Bootcamp 應該有縮短這段時間,但我沒查到新的公開數字。
- 資料權限還是得靠人談。權限功能可以降低資安疑慮,但如果有人就是不想放手,平台也解決不了。Qureshi 也說,他們遇到的阻力大多來自部門之間的角力。
- 很依賴工程師的能力。創投 a16z 就認為,這需要平台、頂尖工程師,以及在國防這類不能出錯的環境做過的經驗,三者兼備。多數公司只能做到其中一兩項。
- 綁定的風險。這是我自己的判斷:當作業流程都蓋在同一個平台上之後,要換掉的代價會很高。所以簽約前要問清楚,資料和邏輯日後怎麼搬出來。
- 爭議。它有一半以上的營收來自政府,Qureshi 也寫到,美國移民執法等案子曾引發公司內外的爭論。有些公司和員工會在意這一點。
所以值得去問報價的公司,我覺得大致要符合三點。第一,這個問題解決之後,每年能省下或多賺的錢,要明顯高於其餘客戶約 280 萬美元的平均。不過這只是平均,不是起價。第二,資料散在多個系統或廠區。第三,內部有人能拍板開放資料,也接受之後不容易換掉。
如果這個問題一年省不到這個金額,那比較實際的問題就是:這套做法有哪些部分可以直接拿來用?
台灣企業可以從 Palantir 學到什麼?
台灣企業最值得學的,是 Palantir 的工程師進到一家公司之後,先做什麼、再做什麼的這套步驟。這些步驟就算不買 Palantir 的軟體,你的公司一樣可以照著做。下面這張表,左邊是 Palantir 的做法,右邊則是我建議一家幾十到幾百人的公司可以怎麼做:
| Palantir 的做法 | 你可以怎麼做 |
|---|---|
| 先解決執行長最在意的問題 | 列出老闆每週都在追的三個數字,挑一個講得出金額或時間的 |
| 工程師到現場 | 請做系統的人去旁邊坐三天,看同事實際怎麼處理,不要只看需求單 |
| 把拿資料和開權限當成第一件事 | 約好資料負責人,兩週內拿不到資料,就換一個流程 |
| 用真實資料一到五天做出第一版 | 拿上週的 20 筆真實案件試做(個資先遮掉),交給實際要用的人試用 |
| 把公司的資料整理成 Ontology | 用一張試算表列出這個流程的物件、關聯和動作,先不超過十列,例如「客訴單屬於某張訂單,客服可以轉給工程師,退款要主管才能按」 |
| 客戶最後自己開發 | 指定一位內部同事一起寫,上線前由他自己改一個小需求 |
如果公司裡沒有做系統的人,就請 ERP 廠商或外部團隊的工程師來坐這三天。
至於要挑哪個流程,可以看哪些流程適合先交給 AI agent。如果要找外部團隊一起做,判斷條件和前 90 天怎麼排,我寫在企業需要 FDE 嗎。我們的企業 AI 營運方案也是讓工程師到現場,再串接內部系統與資料,做成專用的操作介面。
Airbus 當初也只是從一條 A350 產線開始做的,Skywise 是兩年後才推出的。所以你下週一可以做的,就是從那三個數字裡挑一個,把它現在每週是多少記下來,再請人去現場坐三天。
坐完三天,如果你發現那個流程的資料根本拿不到,也不算白做。前面提過,Palantir 的客戶裡就有人買了 8 到 12 週的試行,結果幾乎都花在等權限。而你在花大錢之前,就已經先知道這件事了。
常見問題
Palantir 是軍工公司嗎?
不完全是。它 2025 年有 54% 的營收來自政府,其中包含國防與情報單位。所以 Gotham 才常出現在軍事新聞裡。但另外 46% 來自企業客戶,涵蓋航空、醫療、能源、製造等產業。
PLTR 是什麼?
PLTR 是 Palantir 的美股代號。這篇只談它怎麼做事,要不要投資請看財報和專業分析,我不在這裡給意見。
Foundry 和 AIP 差在哪?
Foundry 負責接資料、建立 Ontology 和做作業工具,AIP 則負責把大型語言模型接進來,做 AI agent 和自動化。兩者合起來用的時候,AI 就能讀到整理好的資料和可以做的動作。
Palantir 在台灣有客戶嗎?
在我查到的公開資料裡,沒有看到它在台灣的具名企業客戶,但這不代表一定沒有。它 2025 年有 26% 的營收來自美國以外,不過年報沒有列到台灣的數字。
中小企業用得起 Palantir 嗎?
大多不太實際。我沒查到公開價格,但它整體的客戶結構明顯偏大型組織。它是有一個開發者方案(Developer Tier),讓開發者在美國和部分國家低成本試用 Foundry 和 AIP。但這比較適合先了解平台,不等於整套導入的費用。
參考來源
以下案例數字多由 Palantir 自行公布,產品名稱、客戶數與財務數字以它當下的財報和官網為準。
- Palantir:Airbus 案例(廠商自述)
- Palantir:Tampa General Hospital 案例(廠商自述)
- Palantir:ERP 案例(廠商自述)
- Palantir:Warranty Optimization 案例(廠商自述)
- Palantir:Cleveland Clinic 案例(廠商自述)
- Palantir Ontology 官方文件
- Palantir:How AIP Bootcamps Work
- Palantir:Dev versus Delta
- Palantir 2025 年年報(10-K)
- Palantir 2026 年第一季季報(10-Q)
- Palantir 上市文件(S-1/A,2020)
- Nabeel S. Qureshi:Reflections on Palantir(前員工自述;作者揭露持有股票)
- a16z:The Palantirization of Everything
