Embedded Files
Palantir 為什麼這麼難被取代？真正的護城河可能不是 AI 模型，也不是單純的資料整合，而是它長期嵌入企業與政府工作流程後，累積出的 operational model、組織知識與 switching cost。從 BP、Airbus、Rio Tinto、NHS 與美國陸軍案例，看懂 Palantir 真正的競爭優勢。
主要關鍵字： Palantir、Palantir 護城河、Palantir 商業模式、Palantir AI、Palantir Ontology、Palantir Foundry
延伸關鍵字： switching cost、企業 AI、資料整合、AI 商業模式、企業軟體、Palantir AIP、Palantir Foundry、Palantir 競爭優勢
Palantir 的護城河是什麼？真正難複製的不是 AI，而是企業如何運作的那一層
Palantir 的護城河是什麼？真正難複製的不是 AI，而是企業如何運作的那一層
Meta Description：
Palantir 為什麼這麼難被取代？真正的護城河可能不是 AI 模型，也不是單純的資料整合，而是它長期嵌入企業與政府工作流程後，累積出的 operational model、組織知識與 switching cost。從 BP、Airbus、Rio Tinto、NHS 與美國陸軍案例，看懂 Palantir 真正的競爭優勢。
主要關鍵字： Palantir、Palantir 護城河、Palantir 商業模式、Palantir AI、Palantir Ontology、Palantir Foundry
延伸關鍵字： switching cost、企業 AI、資料整合、AI 商業模式、企業軟體、Palantir AIP、Palantir Foundry、Palantir 競爭優勢
很多人在分析 Palantir 時，第一個想到的答案都是：
它的 AI 很強。
但這可能不是 Palantir 真正難以被取代的原因。
今天企業可以使用 OpenAI、Anthropic、Google、Microsoft 的模型，也可以把資料放在 Snowflake、Databricks 或其他雲端平台。
如果 Palantir 的核心競爭力只是：
「它有比較好的 AI 模型。」
那麼隨著大型模型逐漸商品化，它的優勢理論上應該愈來愈小。
但現實卻不是這樣。
BP 使用 Palantir 超過十年後繼續擴大合作；Rio Tinto 不只是續約，還把新的 AI 能力建立在既有 Palantir 架構上；Airbus 將 Palantir 的能力逐步融入 Skywise 航空資料平台；美國陸軍甚至開始讓自己的士兵直接在 Palantir 平台上建立新的工作流程。
這些案例共同指向一件更重要的事情：
Palantir 真正建立的，不只是軟體，而是一個組織「如何理解自己、如何運作、如何做決策」的數位結構。
這可能才是 Palantir 最深的護城河。
Palantir 真正的護城河，不只是資料整合
Palantir 真正的護城河，不只是資料整合
假設一家大型企業有：
幾十個資訊系統
數百個資料來源
成千上萬台設備
不同部門
不同權限
不同作業流程
大量歷史資料
技術上，把這些資料集中到一個 data lake，並不是今天最難的事情。
真正困難的是：
這些資料到底代表什麼？
例如在一家能源公司裡：
某個 sensor 屬於哪一座平台？
這座平台和哪一口油井有關？
這個設備異常會影響哪一條 production line？
誰有權限看到？
誰有權限改變操作？
異常出現之後，下一個應該採取的 action 是什麼？
這些關係不是一個 AI 模型下載下來就會知道。
它們是企業多年累積的 operational knowledge。
而 Palantir 做的事情，就是慢慢把這些關係建成一個可以被電腦理解、也可以被人操作的模型。
BP：真正難複製的不是 dashboard，而是十年累積的 operational model
BP：真正難複製的不是 dashboard，而是十年累積的 operational model
BP 是最容易理解 Palantir 護城河的案例之一。
BP 從 2014 年左右開始與 Palantir 合作。
隨著時間推進，Palantir 不只是協助呈現資料，而是逐步進入：
production optimization
offshore monitoring
well planning
engineering operations
digital twin
這套系統最後甚至整合了數百萬個即時 sensor 訊號。
真正值得注意的不是：
Palantir 可以分析這麼多資料。
今天很多平台都可以。
比較重要的是：
十年之後，BP 已經把大量設備、流程、風險、工程判斷與日常 operation 建立在同一套數位結構上。
2024 年，BP 沒有宣布：
「現在我們學會了，所以自己做。」
反而再次與 Palantir 簽署長期合作。
為什麼？
為什麼？
因為換掉 Palantir 並不只是：
把資料搬去另一個 database。
真正要搬的是：
BP 過去十年逐漸數位化的「我們到底怎麼工作」。
這就是 switching cost 真正開始出現的地方。
Airbus Skywise：最強的軟體，甚至不需要把自己的名字放在最前面
Airbus Skywise：最強的軟體，甚至不需要把自己的名字放在最前面
Airbus 的 Skywise 是另一個非常有意思的例子。
如果只是傳統 SaaS 商業模式，Palantir 應該希望所有航空公司都知道：
「這是 Palantir 的產品。」
但 Skywise 最後更像：
Airbus 自己的航空資料與營運生態系。
航空公司透過 Skywise 進行：
predictive maintenance
fleet monitoring
operational analysis
maintenance planning
easyJet、Delta 等航空公司的實際使用案例，也逐漸把資料分析接到維修、航班與機隊操作。
這時候 Palantir 的位置已經變了。
它不再只是：
一家賣分析軟體的公司。
它更像：
一個躲在 Airbus 產品後方的 operational infrastructure。
而一旦平台和：
Airbus aircraft
airline maintenance
engineering knowledge
fleet data
partner ecosystem
開始一起成長，競爭者就不能只靠做一個「功能差不多的 dashboard」把它取代。
Rio Tinto：AI 真正有價值，是因為前面的世界已經被整理好了
Rio Tinto：AI 真正有價值，是因為前面的世界已經被整理好了
Rio Tinto 的例子更能解釋為什麼 Palantir 可能會因為 AI 時代到來而變得更有價值。
想像一家大型礦業公司。
它有：
礦場
火車
感測器
維修系統
地質風險
supply chain
plant operation
如果今天直接丟一個大型語言模型進去，AI 第一個問題會是：
這些東西彼此到底是什麼關係？
但如果企業過去幾年已經透過 Palantir 建立出完整 operational model，AI 就不是從空白開始理解公司。
它可以直接面對：
「這台設備發生這個異常，會影響哪一個流程？」
「這班火車晚了，下一個 production decision 應該怎麼改？」
這也是 Palantir Ontology 真正重要的地方。
Ontology 不是一個漂亮的技術名詞
Ontology 不是一個漂亮的技術名詞
它真正代表的是：
把資料背後的真實世界建成一張可運作的地圖。
而這張地圖通常需要時間慢慢長出來。
美國陸軍：當客戶開始自己在你的平台上造東西，護城河就變了
美國陸軍：當客戶開始自己在你的平台上造東西，護城河就變了
美國陸軍的故事則更加極端。
早期，美國政府其實曾經傾向自行開發相關系統。
Palantir甚至為了「政府是否應該重新開發，而不是購買成熟 commercial software」這件事情進入採購爭議。
後來 Palantir 不只成功進入相關系統，Army Vantage、Maven 等專案也逐漸擴大。
真正有趣的是後面的變化：
美國陸軍自己的人開始在 Palantir 的平台上建立新的 AI workflows。
這代表 Palantir 已經不只是：
外面來的一家 vendor。
而開始變成：
組織內部的人進行資料工作與決策工作的環境。
這時候真正的 switching cost 就不只是 license fee。
而是：
使用者習慣
權限系統
mission workflow
security accreditation
internal developer capability
procurement history
institutional trust
全部一起開始累積。
NHS：Palantir 的護城河甚至強到開始變成政治問題
NHS：Palantir 的護城河甚至強到開始變成政治問題
英國 NHS 是一個非常好的反例。
因為護城河並不是永遠只有好處。
NHS Federated Data Platform 導入後，一些醫院開始把原本分散在 spreadsheet、排程系統與不同資料來源的流程整合起來。
部分醫院報告：
手術排程效率改善
staff administrative time 減少
theatre utilization 提升
waiting-list 管理改善
但是當 Palantir 進入愈來愈多 NHS workflows 後，另一個問題也出現了：
英國是不是開始太依賴一家外國科技公司？
於是「Palantir 是否形成 vendor lock-in」反而變成公共政策問題。
這個案例非常重要。
因為它提醒我們：
真正的護城河不是「永遠不能被取代」。
而是：
取代它的成本高到需要被當成一個大型組織轉型專案。
法國真的準備換掉 Palantir，但這反而證明護城河存在
法國真的準備換掉 Palantir，但這反而證明護城河存在
如果 Palantir 的 switching cost 真的那麼高，有沒有客戶成功離開？
有。
法國情報體系已經開始推動本土替代方案，希望逐步降低對 Palantir 的依賴。
這是一個重要反例。
因為它證明：
Palantir 並不是完全無法取代。
但是有趣的是，這種 replacement 並不是：
今天取消訂閱，明天換 SaaS。
而可能需要長時間 migration。
這個差別很重要。
真正的護城河不是：
「別人永遠跨不過去。」
而是：
跨過去需要付出非常大的時間、成本與組織改造。
Palantir 的真正競爭者，其實不一定是另一家 AI 公司
Palantir 的真正競爭者，其實不一定是另一家 AI 公司
如果只看科技公司名單，大家很容易把 Palantir 和：
Snowflake
Databricks
Microsoft
Google
放在一起比較。
但 Palantir 一個很聰明的策略是：
它不一定要和這些公司在最底層正面競爭。
Snowflake 可以存資料。
Databricks 可以做 data engineering。
Microsoft 可以提供 cloud 與 AI。
甚至不同大型模型都可以接進來。
Palantir真正想站的位置更靠上：
這些資料進入真實企業流程之後，到底代表什麼，以及下一步該怎麼做？
也就是：
Data infrastructure
↓
Operational model
↓
Decision workflow
Palantir努力控制的是後面兩層。
那 Palantir 的護城河到底有哪些？
那 Palantir 的護城河到底有哪些？
如果一定要把案例最後整理成商業語言，大概可以分成幾層。
1. Operational workflow embedding
1. Operational workflow embedding
當日常工作真的開始透過 Palantir 執行，替換成本就開始出現。
2. Accumulated organizational model
2. Accumulated organizational model
Palantir 不只是記錄資料，而是逐漸記錄：
這家公司到底怎麼運作。
這種 knowledge 很難一次搬走。
3. Deployment capability
3. Deployment capability
Palantir 很早就選擇進入政府、情報、軍事、能源等高度複雜環境。
它累積的不只是 software engineering，而是：
怎麼讓軟體真的在複雜組織裡活下來。
4. Institutional trust
4. Institutional trust
尤其在 defense 與政府領域，security、procurement、accreditation 和長期合作本身都需要大量時間累積。
5. Compounding learning
5. Compounding learning
最重要的是：
第一個 use case 完成後，第二個 use case 不必再從零開始。
這才是 Palantir 最容易被低估的地方。
Palantir 的 network effect 其實沒有大家想像中那麼重要
Palantir 的 network effect 其實沒有大家想像中那麼重要
Palantir 並不像 Facebook。
一個 BP 加入，不會直接讓 Rio Tinto 因此必須加入。
所以把 Palantir 最主要的護城河稱作：
network effect
並不精準。
比較接近的是：
每一家客戶內部，都會形成自己的 compounding operational knowledge。
也就是它的 moat 很深，但不一定主要靠跨客戶 network effect。
Palantir 最值得新創學的，不是今天的護城河
Palantir 最值得新創學的，不是今天的護城河
一家剛成立的公司不可能複製：
20 年政府合作
CIA／國防產業經驗
數百家大型企業
龐大 deployment 團隊
所以真正值得學的問題不是：
我怎麼變成 Palantir？
而是：
Palantir 最早做了什麼，才讓護城河開始形成？
答案可能非常簡單：
先找到一個非常痛、非常複雜，而且真正需要做判斷的 workflow。
不要先做：
一個所有企業都可以用的 AI 平台。
而是先解決：
一個如果你做得夠好，客戶下一個 decision 真的會開始依賴你的問題。
然後：
一個 workflow
→ 第二個 workflow
→ 共用 operational model
→ organizational habit
→ switching cost
護城河才開始長出來。
AI 時代，Palantir 反而可能更有價值
AI 時代，Palantir 反而可能更有價值
這裡有一個很反直覺的地方。
如果 AI 模型愈來愈便宜、愈來愈普及，很多人會認為：
Palantir 的 AI 優勢應該下降。
但也可能剛好相反。
因為 AI 愈強，新的瓶頸愈可能從：
模型會不會回答？
變成：
AI 知不知道這家公司真正的世界長什麼樣子？
而 Palantir 花很多年建立的，正是後面這一層。
因此 AI commoditization 未必削弱 Palantir。
它甚至可能讓：
operational context
變得更值錢。
結論：知道 Palantir 在做什麼，為什麼還是很難打敗它？
結論：知道 Palantir 在做什麼，為什麼還是很難打敗它？
Palantir 真正值得研究的地方，不是它有沒有最厲害的 AI。
真正的問題是：
當一家科技公司進入客戶之後，它能不能把一次性的專案，逐漸變成這家公司每天工作的結構？
如果可以，護城河就不再只是 code。
它開始變成：
歷史資料
workflow
organizational knowledge
user habits
institutional trust
operational model
accumulated learning
這也是為什麼，就算競爭者已經知道 Palantir 在做什麼：
Knowing the recipe is still not enough.
真正需要複製的不是 Palantir 的軟體介面。
而是它過去二十年，如何一點一點把自己嵌入真實組織運作的過程。
這才是 Palantir 最深的護城河。
FAQ：關於 Palantir 商業模式與護城河
FAQ：關於 Palantir 商業模式與護城河
Palantir 是做什麼的？
Palantir 是做什麼的？
Palantir 提供企業與政府使用的資料整合、分析、AI 與 operational software，核心產品包括 Foundry、Gotham 與 AIP。它的價值不只是集中資料，而是把資料和真實世界的資產、流程、權限與決策關係連接起來。
Palantir 的 Ontology 是什麼？
Palantir 的 Ontology 是什麼？
簡單來說，可以把 Ontology 理解成：
企業真實世界的數位關係圖。
它描述的不只是資料欄位，而是「人、設備、訂單、工廠、病人、任務、權限與 action 彼此有什麼關係」。
Palantir 最大的護城河是 AI 嗎？
Palantir 最大的護城河是 AI 嗎？
不一定。AI 模型本身愈來愈容易取得。Palantir 更難複製的優勢可能來自長期 workflow embedding、organizational model、deployment capability 與 institutional trust。
Snowflake 和 Databricks 是 Palantir 的競爭者嗎？
Snowflake 和 Databricks 是 Palantir 的競爭者嗎？
部分功能有重疊，但並不完全相同。Snowflake、Databricks 更靠近資料與運算基礎設施，而 Palantir 正努力把自己的位置推向 operational interpretation 與 decision workflow。
Palantir 可以被取代嗎？
Palantir 可以被取代嗎？
可以，但某些大型部署的替換可能需要長時間 migration。真正的 switching cost 通常不是資料搬家，而是重新建立既有 workflow、權限、組織知識與 operational model。
新創公司可以從 Palantir 學什麼？
新創公司可以從 Palantir 學什麼？
最值得學的不是建立一個巨大平台，而是：
先找到一個高價值、資訊混亂、又真正影響決策的 workflow，做到客戶願意把下一個 action 接在你的 output 後面。
護城河通常不是創業第一天就存在，而是從第一個不可忽視的 workflow 開始累積。
對，上一個回合真的沒有跑起來；只有建立了 Skill，Palantir @Moat 那次沒有真正執行。現在我照我們剛做好的規則，正式跑一次。
Palantir @Moat
Moat Evidence Pack — 2026-08-26
A. One-sentence answer
Palantir 最深的護城河不是 AI 模型，也不是「Ontology」這個技術名詞本身，而是它花很多年把客戶真實世界的資產、人、權限、流程與決策關係做成可運作的數位結構，然後讓日常工作真的在這個結構上跑。
所以競爭者要替換它時，不只是搬資料或重寫軟體，而是要重建一個組織已經累積數年的 operational model + workflow + institutional knowledge。
我目前會把它叫做：
Accumulated operational embedding
而不是單純的 switching cost。
B. The surprising answer
最容易被誤認為 Palantir 護城河的是：
它 AI 很強。
這恐怕不是最重要的。
Palantir 現在甚至刻意讓 Foundry/AIP 可以跟 Snowflake、Databricks、Microsoft Azure 以及不同模型共存；2025 年它與 Snowflake正式做到 zero-copy interoperability，而 Palantir 自己的架構文件也強調「any data, any compute, any model」。(Palantir)
也就是說，它自己都沒有把：
「資料一定要放我這裡」
「模型一定要用我的」
當成主要防禦線。
真正更難拔掉的是：
你公司已經開始透過 Palantir 表示「我們的世界是怎麼運作的」。
這件事一旦發生，AI 模型反而只是可以換掉的一層。
C. Six Real Cases
Case 1 — BP：十年之後不是換掉，而是把更多業務搬進來
Customer / Context
BP 有大量油田、平台、設備、井、sensor、maintenance 與 production data。
問題不是「沒有資料」，而是資料來自極大量不同實體與系統。
Before → What Palantir did
BP 從 2014 年開始使用 Palantir。後來逐漸把油氣生產建立成 model-based digital twin，Palantir 表示其中整合了超過 200 萬個 sensor 的即時資料。2024 年，雙方不是結束，而是再簽 5 年 strategic relationship。(Palantir 投資者關係)
更重要的是，BP 自己在 2024–2025 investor presentation 裡仍然把 Palantir 放進數位轉型核心。BP 表示，現在正在把十年來在 upstream 學到的東西帶進 refining；其數位工具與即時監測亦與 production optimization、well planning 等流程結合。(bp.com)
After
BP 2025 表示，數位工具支援的 offshore monitoring 與 optimization 約增加 5% operated production，並保護超過 10% production 避免 offline；BP 同頁也明確表示正在與 Palantir 把 upstream 經驗延伸到 refining。這不能全部歸因給 Palantir，但可以證明 Palantir 已進入更大的 operational transformation。(bp.com)
Why couldn't BP simply replace it?
不是因為別人不能做 dashboard。
而是十年後已經有：
real-world assets
→ data relationships
→ digital twin
→ operational workflows
→ engineering habits
都在同一結構裡。
替代者必須重新理解 BP 怎麼運作。
Moat revealed
Workflow embedding + accumulated organizational model + learning loop
這是目前我認為最典型的 Palantir moat。
Case 2 — Airbus Skywise：Palantir 躲到產品後面去了
這個案例非常有意思。
Airbus 並不是把「Palantir」賣給航空公司，而是跟 Palantir 一起建立 Skywise。
現在 Airbus 自己公布的 Skywise 規模是：
50,000+ users
11,900+ aircraft
15 app editors
6 certified partners
Delta 報告使用後節省約 10–20% analyst/data-scientist time；easyJet 的案例包括避免 120 次 cancellations/air turn-backs、減少約 500 次 delays。(mediaassets.airbus.com)
更早的 easyJet trial 成功後，不是停止實驗，而是擴展到整個 A320 family fleet。(Airbus)
Why can't somebody just copy Skywise?
因為這已經不只是 analytics product。
它逐漸形成：
aircraft data
Airbus engineering knowledge
airline maintenance workflow
applications
partner ecosystem
installed fleet
這裡最好玩的事情是：
Palantir 品牌反而不需要站在最前面。
護城河變成客戶 ecosystem 的一部分。
Moat revealed
Embedded platform + domain complementor + ecosystem
這比「Palantir 有很好的 AI」難抄得多。
Case 3 — U.S. Army：真正可怕的是從一個工具變成「大家工作的地方」
這條故事非常值得 Podcast 講。
2016 年，Army 原本想自己做下一代 DCGS-A development。Palantir 說：
你為什麼要重新開發？市場上已經有 commercial software。
它甚至一路跟 Army 打採購官司。聯邦巡迴法院最後要求 Army 正確考慮 commercial alternatives。(Justia Law)
2018 年，Army 重新競爭後，Palantir 和 Raytheon 一起成為 $876M contract 的 awardees。(U.S. Department of War)
然後故事沒有停在「贏標案」。
今天 Army Vantage 已經被 Army 自己稱為 enterprise data and analytics platform；2026 年 Army 甚至讓士兵直接在 Vantage + Palantir AIP 上辦 competition，做 production-ready AI workflows。(陸軍部)
同時，Maven Smart System 從 2024 年 $480M prototype contract，2025 又增加 $795M software-license modification。(U.S. Department of War)
TITAN 更有意思：2022 Palantir 與 Raytheon 都拿 prototype funding；2024 經過 competitive prototyping、soldier feedback 與 capstone demonstration 後，Army 選 Palantir進 Phase 3，$178.4M、10 台 prototype。(陸軍部)
Why is this hard to replace?
不是因為 Pentagon 不知道別家公司。
它一直有 competition。
真正累積的是：
software
→ operator experience
→ procurement credibility
→ security accreditation
→ soldier workflow
→ internal developers
→ new missions
到了某個階段，Palantir 不只是「一個外面的 vendor」。
Army 裡的人自己開始在這個平台上造東西。
Moat revealed
Institutional trust + installed workflow + user capability ecosystem
Case 4 — NHS：這一個案例同時證明 moat，也證明 moat 的危險
2023 年 NHS England 用 competitive dialogue、7 個 bids，最後把 Federated Data Platform contract 給 Palantir，合約金額約 £330M。(find-tender.service.gov.uk)
到 2026 年 5 月，已有 170 hospital trusts signed up。(英國國民健康服務系統)
實際例子比「AI healthcare」這個詞有意思得多。
Chesterfield 導入後：
多處理 232 名患者；
theatre sessions +5%；
ENT 原本 78% lists 超時，改善後只有 14% 超過 10 分鐘；
每個 all-day list 平均 cases 從 2.8 → 3.5。(英國國民健康服務系統)
Sussex 則報告 theatre-booking 團隊每週省超過 90 小時，跨 18 名 staff 計算約 540 小時。(英國國民健康服務系統)
到 2026 年 3 月，NHS 公布 FDP trusts 累積增加 111,589 位 theatre procedures，另有大量 waiting-list validation activity。因為這些是 programme-level observational metrics，不能把全部改善都因果歸於 Palantir，NHS 自己也承認正在加強 causal evaluation。(英國國民健康服務系統)
然後有趣的來了
英國國會反而開始擔心：
是不是依賴 Palantir 太深了？
2026 年政府正在 review 合約，國會委員會甚至把依賴少數外國 technology suppliers 稱為 weakness，並要求考慮 2027 break clause。(Reuters)
也就是：
當你的 switching cost 大到政府開始討論 sovereign risk，它確實是 moat；但它也可能變成政治負債。
這是非常好的反例。
Moat revealed
Workflow embedding / switching cost
But…
Strong economically, politically contestable.
Case 5 — Rio Tinto：不是把資料整合起來，而是把礦場變成一個可操作的模型
Rio Tinto 2021 開始 enterprise use Foundry。
2024 年再次續約 4 年，並加入 AIP。(Palantir 投資者關係)
目前 Foundry 被用於：
plant operations
geotechnical risk
supply-chain decisions
53 台無人駕駛列車、每列 240 節車廂的 rail coordination
Oyu Tolgoi 礦場數千個 sensor 的 cave-health / instrumentation / risk monitoring。(Palantir 投資者關係)
The interesting part
AIP 並不是從空白開始部署。
Rio Tinto 已經花數年在 Foundry 建立：
digital twin / Ontology
所以新的 AI 不是：
「AI 來理解 Rio Tinto。」
而是：
AI 被接到一個已經描述好 Rio Tinto 世界的結構上。
這個差很多。
Why is replacement hard?
替換軟體可能不難。
重建：
train
asset
mine
risk
maintenance
order
operator action
之間的 operational semantics，就難多了。
Moat revealed
Accumulated ontology + operational embedding
Case 6 — Panasonic Energy：從「幫忙分析」進到 Smart Factory foundation
Panasonic Energy North America 原本面對的是：
disparate systems + manual workarounds + inaccurate analysis。
2023 年宣布 multi-year partnership 後，Foundry 開始整合 factory edge sensors、manufacturing process 與 operational workflow。
Panasonic CIO 當時表示，幾個月內已經看到 waste reduction，並開始用在多個 functional use cases；公司也計畫讓這套結構支援 Nevada 與新 Kansas factory。這些具體 Palantir-attributed outcome 主要來自合作方聯合公告，因此應標記為 company-reported。(Palantir 投資者關係)
Kansas 廠已於 2025 開始 mass production，規劃產能約 32 GWh。(Panasonic)
Why is this interesting?
如果 Palantir只是替 Panasonic 做一個「良率 AI」，別人很好取代。
但是它試圖站的位置是：
factory operating substrate
設備、sensor、waste、defects、production decisions 都在上面連起來。
Moat revealed
Workflow infrastructure + expansion from one use case into adjacent use cases
D. Moat Formation Timeline
我現在看 Palantir，不會把故事講成「2003 創業 → IPO → AIP」。
真正比較重要的是：
2004–2009 — Initial wedge
先進最難的環境。
Palantir 法院文件記載，Gotham 早期在 2004–2009 年間與 CIA venture arm 的投資／合作下發展，然後進入 law-enforcement、intelligence、SOCOM 等環境。(法院電子檔案系統)
也就是它一開始選的不是：
最容易賣的 SaaS。
而是：
最需要 heterogeneous data + access control + high-stakes human judgment 的問題。
2010s — Early reinforcement
反覆碰：
intelligence
defense
BP
industrial operations
累積的不只是 code，而是：
deployment know-how。
2016–2018 — Important transition
它甚至為了證明「成熟 commercial software 可以取代政府重新開發」去打 Army procurement lawsuit。
最後 Army 真的重新採購 commercial solution。(Justia Law)
這是一個很重要的 formation moment：
Palantir 開始從 contractor 變成 product company that enters the workflow.
2017–2023 — Enterprise operational layer
Airbus Skywise、BP、Rio Tinto、Panasonic 等案例，把這套 deployment grammar 從情報領域搬到：
aircraft
oil
mining
factories
healthcare
2023–2026 — Compounding mechanism
AIP 到來後，Palantir最有利的客戶不是「今天才有資料的人」。
而是：
已經把 operational world 做成 Foundry Ontology 的人。
這就是為什麼 BP 與 Rio Tinto 的 AIP 故事特別重要。
AI wave 反而讓前面十年建的 ontology 更值錢。
E. Moat Map
Candidate moat
Verdict
Durability
Copy difficulty
我的判斷
Operational / workflow embedding
Strong
高
很高
核心 moat
Accumulated customer Ontology / digital operating model
Strong
高
很高
最被低估
Forward deployment / organizational capability
Strong–Moderate
中高
高
不是 hire 幾個 engineer 就有
Government trust + accreditation + procurement history
Strong in defense
高
很高
sector-specific
Customer-side builder ecosystem
Moderate, strengthening
中高
中高
Army/Airbus 很明顯
Network effect
Weak / overstated
—
—
不是典型 network business
Proprietary customer data
Mostly not the moat
—
—
資料通常屬客戶
Best AI models
Unproven as moat
低
低
模型越來越 commoditized
Brand
Moderate / double-edged
中
中
defense 有利，歐洲有時反而有害
Palantir 2025 有 954 customers，較 2024 的 711 增加；更值得注意的是，top 20 customers 平均 revenue 從 $64.6M 增至 $93.9M。這至少與「land → deepen → expand」的模式相容，但不能只靠這個數字證明 switching cost。(美國證券交易委員會)
F. Counter-Evidence：Palantir 不是拔不掉
最重要的反例已經出現了。
France：真的有人開始拔
2026 年法國宣布 DGSI 將逐步由 Palantir 轉向本土 ChapsVision。
這不是 hypothetical competitor。
是真的 replacement。(Reuters)
但 FT 報導預估 migration 可能需要約 兩年。(金融時報)
這個案例反而非常漂亮地校準 moat：
Palantir 不是不能被換掉。
而是：
換掉是一個多年期 institutional migration project。
這才叫 moat。
另外 NHS 也顯示：
switching cost 太高，本身可能引發政府反彈。
英國不是因為 FDP「完全沒用」才檢討它；反而是在承認一定 operational benefits 的同時，擔憂 foreign dependency 和 vendor lock-in。(Reuters)
最後還有一個很重要的財務反證：Palantir 自己的 10-K 明講，很多合約可以 convenience termination，而且過去一些投資的 early-stage customers 已經 bankruptcy 或 termination，所以contract value 不等於 guaranteed moat。(美國證券交易委員會)
G. Competitor Test
1. ChapsVision — 真正跨過城牆的人
它攻擊的不是：
「我們 AI 比 Palantir 準 3%。」
而是：
European sovereignty。
結果它真的拿下 DGSI replacement。
這告訴我們：
Palantir 的技術／workflow moat 很強，但政治 legitimacy 可以繞過技術 moat。
這是非常重要的策略課。(Reuters)
2. Snowflake / Databricks — 從下面挖地基
它們很可能取代 Palantir 的：
storage
compute
data engineering
ML infrastructure
但有趣的是，Palantir 的做法不是全力封殺它們，而是把它們變成 substrate / partner。
2025 Snowflake 與 Palantir宣布正式 partnership。(Snowflake)
Palantir也允許 workload pushdown 到 Databricks/Snowflake。(Palantir)
這很可能是很有意識的防禦：
不要在 data warehouse 層打仗。把 moat 往 operational decision layer 推。
這是 inference，但與產品方向高度一致。
3. 自建／傳統 SI — 最早也是最大的 competitor
2016 Army 就想自己 developmental procurement。
Palantir真正打贏的 thesis 是：
不要每次從零做 custom integration。
這比跟某一家 software company 打更重要。
某種程度上它最大的 competitor 一直是：
Excel + consultants + internal IT + custom system。
而真正的 wedge 是：
先拿一個痛到不能等的 workflow，把工作真的跑起來。
H. What can a small company actually learn?
這裡我覺得是我們今天最值得聊的地方。
不要模仿 Palantir 今天的 moat。
我們沒有：
CIA history
Pentagon contracts
20 年 deployment
hundreds of FDEs
billions of dollars
那都抄不了。
真正可以抄的是它護城河形成的第一步：
不要先做一個人人都能用的平台。先找到一個高價值、資訊混亂、現行工作流程真的很痛，而且必須做判斷的 workflow。
然後不要只提供 analysis。
要做到：
你的 output 真的進入下一個 action。
一旦第一次做到：
data → interpretation → actual workflow
第二個 use case 才能在第一個上面長。
這是我目前認為 Palantir 最值得小公司學的一件事：
The wedge is not the dataset.
The wedge is one indispensable decision workflow.
然後護城河才有可能變成：
one workflow
→ adjacent workflow
→ shared operational model
→ organizational habit
→ accumulated switching cost.
這也解答我們剛才一直在談的那個問題：
Palantir 不是因為「知道怎麼整合資料」所以難抄。
很多人都知道怎麼整合資料。
它真正厲害的是：
把一次 problem solving 留在系統裡，讓下一次 problem solving 可以站在上一層成果上繼續長。
I. Podcast Question Bank
這組我覺得真的可以聊一整集：
如果 Palantir 明天把 Foundry 原始碼全部公開，它的護城河會消失多少？
「客戶很難離開你」究竟是產品價值，還是 vendor lock-in？兩者的界線在哪裡？
為什麼 BP 用十年之後沒有選擇自己做，而是再簽五年？
Palantir真正的產品到底是 software，還是一群能把公司運作方式翻譯成 software 的人？
為什麼 Snowflake、Databricks、Microsoft最後可以成為 Palantir partner，而不是一定要成為 enemy？
一家公司什麼時候應該放棄擁有底層資料，而改去控制 decision layer？
如果法國真的能花兩年把 Palantir換掉，這證明 Palantir moat 很弱，還是反而證明它很深？
Palantir 在 NHS 的成功，為什麼反而開始產生政治風險？
一家資源有限的新創，應該先做「最好的 technology」，還是先找到一個沒有人願意碰的 workflow？
Ontology 到底是技術產品，還是企業多年累積下來的一種 organizational memory？
如果 AI model 越來越 commodity，Palantir 是否反而會因為 AI 普及而更值錢？
我們真正想做的 clinical judgment layer，最初應該找哪一個「一旦進去就可以長出第二個 use case」的 wedge？
三個 Final Tests
Dinner Test：通過。
不用講任何商學名詞，可以直接說：
Palantir 難換，不是因為沒有人會寫類似軟體，而是它進去之後，慢慢把「公司到底怎麼運作」做成一套大家每天真的在用的系統。
Copy Test：通過。
就算競爭者知道 Foundry、Ontology、AIP 怎麼設計，他仍然沒有：
BP 十年的 operational model、Army 的 mission integration、Airbus 的 fleet ecosystem、NHS 已經改掉的工作流程。
Podcast Test：通過。
而且我覺得真正有趣的 Podcast 主題其實不是：
「Palantir 有什麼護城河？」
而是：
「如果大家都知道 Palantir 在做什麼，為什麼還是這麼難把它換掉？」
這樣就有我們做 @Moat 這個 Skill 的味道了。
Page updated
Google Sites
Report abuse