熟悉企业级IT服务的人，对Palantir大概不会陌生。
Palantir长期服务于政府、国防机构以及大型企业，在数据治理、复杂系统集成和企业级AI落地方面积累了大量经验。
在近期公开采访中，Palantir CEO Alex Karp把矛头对准了当前快速扩张的生成式AI商业模式，对部分前沿AI公司的商业逻辑提出了非常尖锐的批评。
当模型越来越强、企业调用量越来越大之后，AI的价值究竟如何衡量？企业又该如何保护自己的数据、工作流和核心竞争力？
Token计费本质是“财富税”
当前大模型服务最普遍的商业模式，仍然是按照Token、调用次数或者算力资源收费。从基础设施角度看，这种方式很自然。
但Karp质疑的是另一层问题——Token消耗和企业最终获得的业务价值，并不存在天然的线性关系。
于是企业很容易遇到一种情况：Token使用量持续增长，账单持续增加，但真正能够量化出来的业务收益却没有同步增长。
这种计费模式说明：模型厂商卖给企业的仅仅是底层的算力消耗，而不是最终的业务结果。风险全在企业端，而大厂稳赚不赔。
比成本更重要的
是企业是否会泄漏自己的“Alpha”
Karp的另一层担忧更加值得企业警惕。
在AI应用中，真正有价值的并不是Prompt本身，而是企业内部的数据结构、业务流程、操作习惯、专家经验、决策逻辑，以及多年积累形成的工作流。这些共同构成了一家企业独特的Alpha——也就是别人难以复制的竞争优势。
随着模型越来越深入地进入企业研发、设计、客服、营销和运营流程，模型厂商与应用公司的边界也开始变得模糊。基础模型厂商本身也可能向AI Coding场景延伸；设计、搜索、办公等领域也出现了类似趋势。
例如，知名代码编辑器Cursor曾是Anthropic的最大客户之一，不仅贡献了巨额的API收入，还向其输送了海量的编程交互场景数据。结果Anthropic推出了面向编程场景的Claude Code。
设计巨头Figma也曾是Anthropic的头部客户。而在吸收了足够的设计工作流意图后，Anthropic顺势推出了Claude Design，业务触角进一步向设计领域延伸。
哪些能力可以交给外部模型，哪些数据和工作流应该留在企业的控制边界之内？
对于普通消费者而言，这可能只是一个隐私问题。对于企业而言，它涉及的却可能是商业机密、客户数据、研发代码乃至整个公司的核心生产流程。
企业真正需要的
不是“开源还是闭源”二选一
企业AI架构应该从“选择一个最强模型”，转向更加复杂的模型组合。
通用写作、公开资料分析、复杂推理等任务，使用能力更强的前沿商业模型；内部知识检索、代码辅助、批量数据处理等场景，更多使用开源模型；而涉及财务、客户隐私、核心代码等高敏感数据时，则可以进一步采用私有化部署或者专属模型实例。这种“混合模型架构”会越来越接近企业AI的常态。
企业更需要的是一层独立于具体模型厂商之外的AI基础设施。作为一家长期服务企业客户的云计算公司，优刻得本身并不经营与客户直接竞争的SaaS应用，因此更适合承担相对中立的基础设施角色。
优刻得推出的模型一站式服务平台星图，企业既可以调用不同商业模型，也可以使用开源模型，并根据数据敏感程度、模型能力和成本要求进行组合。
星图对不同模型进行了统一接口管理。对于上层业务而言，模型更像一种可以替换的底层资源。企业可以根据不同任务调整模型路由，而不需要因为更换模型重新搭建整套应用。
企业真正需要保持稳定的，是自己的数据、Agent、业务工作流和应用体系，而不是对某一个模型形成长期绑定。
支持独立部署和算力复用
让企业AI更安全、高效
任务涉及高敏感信息时，企业可以将请求路由到独立部署的模型环境中。优刻得星图平台支持用户托管或租用独立的GPU服务器，在上面部署属于自己的开源模型，并与星图平台上的闭源模型打通使用。
针对租用独占GPU的企业，我们推出“日夜轮轴转”的资源最大化策略，确保没有任何算力浪费：
白天（正常工作时间）：GPU上的大模型主要挂载为推理服务，支持企业内部员工的代码编写、文档生成、智能问答等高并发交互场景。
夜晚（下班后时间）：将GPU资源释放，模型转入后台，利用算力进行大规模的数据分析、长文本日志处理、历史数据清洗等异步批处理工作。
白天做交互，晚上做批处理。通过优刻得灵活的GPU租赁与调度能力，企业可以将硬件的ROI拉到最高。
在AI时代，算力是基础设施，模型是工具，而企业的数据和业务逻辑，才是真正的护城河。在星图平台，构建属于企业专属的、真正安全且中立的AI生产力。
利好优配提示：文章来自网络，不代表本站观点。
