Palantir 刚发完 Q2 财报，股价大涨，The Information 直接称它是「AI 软件领域的英伟达」。但财报里最扎眼的不是数字，是一句话：绝不按点击量、Token 消耗量或对话次数收费。
这家没有自研大模型的公司，2026 年上半年经营现金流入 21 亿美元，资本支出只有 2200 万美元（来源：Palantir 财报，后浪 new 公众号整理）。钱从哪来？从业务结果来。
Token账单的尽头
Palantir 管理层在财报会上的原话很冲：Token 消费模式或许适合模型厂商，但对其他所有主体都行不通。
这不是抱怨。过去两年，大量企业的 AI 项目停在同一个地方：Token 越烧越多，业务指标纹丝不动。更糟的是，业务 Know-how、提示词、专业知识在调用过程中流进了第三方平台，反过来被拿去喂模型。
出门问问创始人李志飞给过一组数字（来源：IDC 圈 2026 年 8 月报道）：高峰时期，公司员工日常消耗的 Token 成本是人力成本的 15%。这个比例下，Token 账单已经不是 IT 预算问题，是成本结构问题。
图注：Palantir 2026 上半年现金流入与资本支出的极端不对称，来自其按结果收费的模式
Benchmaking时代
Palantir 这次财报会还造了一个词：Benchmaking。直译是「定制基准」。
他们的判断是，「前沿大模型一定表现最好」这个假设在企业实践中站不住。榜单分数能靠特定训练数据刷出来，进了企业真实场景就不灵。一个案例：Palantir 引入英伟达开放权重模型 Nemotron，只针对具体业务场景做后训练，24 小时内就在多个生产任务上击败闭源前沿模型；另 5 个生产任务里，未经任何后训练的开放权重模型直接赢了闭源模型。
所以基准不该是第三方的静态评分表，而是企业自己的业务目标。模型选型、后训练、部署，全部围绕这个自定义基准转。
国内对这条路径的呼应很直接。《数力：让数据成为现实生产力》白皮书（2026 年 7 月）的核心判断是：过去卖的是数据，未来卖的是数据完成工作的能力，商业模式沿「数据记录—查询服务—分析能力—任务服务—业务结果」升级，定价从按条、按库、按席位，转向按调用、按任务、按 SLA、按结果。
白皮书里有个 Palantir 的真实案例：与水处理公司 Jacobs 合作，Foundry 平台整合工厂运行数据，用预测模型优化鼓风机运行，工厂整体节电 20%，单位处理电耗从约 2000 kWh 降到约 1500 kWh。没人关心这次优化烧了多少 Token。
图注：Palantir 财报数据（图源：后浪new 公众号，2026-08-04）
壁垒在工程师
那模型厂商为什么吃不掉这块市场？Palantir 给的答案是 FDE，前沿部署工程师。
同一场客户实战比试：某头部 AI Lab 做工单自动化，没交付有价值的成果；Palantir 构建 Agent Swarms 做营销、定价策略推荐，直接转化 1000 万美元订单。同一个客户、同一时间点、用完全相同的模型。差别在平台和工程师。
Karp 更早的访谈里把软件拆成三层（来源：奇点折射 2026 年 8 月整理）：基础设施层价值最高，数据不出门；Ontology 这类管理层价值持久；PhD 团队加大模型那层壁垒反而最低。用他的原话：真正难被替代的，是硬编码进企业系统的基础设施和管理层。
这个判断对国内企业的含义是：采购 AI 服务时，问清楚对方交付的是模型调用量，还是能写进业务流程的结果。两者的护城河完全不同。
源势AI怎么看
我们的三大业务线里，Token 聚合平台和 FDE 落地正好卡在 Palantir 说的两个位置上。
Token 生意我们做，但认知上我们和 Palantir 一致：Token 是中间品，不是交付物。聚合平台的价值在把模型调用做稳、做省、可审计，20+ 模型一个 Key、99.95%+ SLA、智能路由降本 30% 到 50%。企业真正的收益来自第二层：FDE 把 Agent 砸进业务流程，按可验证的结果结算。
我们在能源和金融行业的 Agent 项目，AI 研判准确率 98.7%，人力节省 70%，这两个数字就是我们自己的 Benchmaking 基准。不看 Token 消耗量，看业务指标动没动。
Palantir 用 21 亿美元现金流入证明了这条路。国内还没有人完整跑通，窗口就在接下来两年。
