核心章 · Chapter 04

AIP:
AI 的手銬與手

別人賣「把 LLM 接進企業」。Palantir 的角度相反:先有一個可信任的世界模型與動作集,再讓 LLM 進來當操作員。模型只是可抽換的零件。

AIP(Artificial Intelligence Platform,2023 年推出)不是一個聊天機器人。它是把 LLM 焊在 Ontology 上的一整套機制,讓 AI 從「會講話」變成「能做事、而且只能做被授權的事」。

LLM 已經商品化。真正稀缺的不是模型,是一個能讓模型安全行動的地基——Ontology 正好就是那個地基。這是 Palantir 在 AI 時代最大的結構性優勢。

The Mechanism三個問題,一次解掉

把 LLM 放進企業會撞上三堵牆。AIP 靠 Ontology 逐一拆解——每一項都給你範例:

① 接地(Grounding):不讓它瞎編

主張:AIP 讓模型對結構化物件做檢索,而不只是對文件做 RAG。答案有出處、可追溯到具體物件。

Grounding · 可追溯的答案

問:「ACME 這季逾期多少、風險等級?」AIP 不是憑記憶回答,而是去讀 Customer(ACME) 的真實屬性 .overdueAmount、跑 riskScore(),回:「逾期 NT$2.3M,高風險」,並附上推導鏈——哪個物件、哪個 Function 得出的。2026 年 GA 的 AIP Analyst 就是把這種「對話式查 Ontology + 透明推導鏈」產品化。

② 賦能(Agency):讓它能做事

主張:模型能呼叫的「工具」就是 Ontology 的 Action 集合。LLM 負責「提議呼叫哪個 Action、帶什麼參數」,執行則交給 Ontology。

Tool-calling → Action

你對 agent 說:「把這批高風險逾期帳戶處理掉。」它讀 Account → 篩選 → 對每筆提議 freezeAccount() 或 escalateToHuman()。模型沒有「直接寫資料庫」的能力,它唯一能做的就是呼叫那幾個被定義好的 Action——工具邊界即安全邊界。

③ 約束(Guardrails):只能做被授權的事

主張:每個 Action 照樣跑它原本的權限、驗證與稽核。所以 AI 犯錯的上限,就是「一個沒有超額權限的員工能犯的錯」,而且全程留痕、可設人工複核關卡。

Human-in-the-loop · 稽核

agent 想凍結一個 NT$5M 的大帳戶,但 freezeAccount() 的驗證規則寫著「>1M 需人工核准」。於是動作停在待審佇列,主管收到通知、按核准後才執行。事後稽核可回放:是 AI 在幾點、根據哪些物件、提議了什麼、誰核准的。這就是為什麼受監管產業敢讓 AI 上場。

The ToolkitAIP 的組件地圖

組件	做什麼	範例
AIP Logic	用低程式碼把 LLM 包成一個 Function	建一個 summariseComplaint(),把客訴文字轉成結構化的類別+嚴重度
Agent Studio	組多步驟的自主 agent(帶工具、記憶)	「理賠初審 agent」:讀保單物件→比對條款→提議准駁
AIP Assist	平台內建的 copilot,幫你建 pipeline/App	問「怎麼把這兩個資料集連成物件」,它直接給步驟
AIP Analyst 2026 GA	對話式查 Ontology、生成視覺化、執行動作,附推導鏈	「畫出各廠上季良率並標出異常」一句話出圖
AIP Autopilot 2026 beta	視覺化、追蹤、除錯複雜的 agentic 工作流	回放一個 agent 為何走錯分支,逐步 debug

InteropOMCP:把企業的動作層變成 AI 的標準插座

主張:2026 年 Palantir 把 Ontology 包成 OMCP(Ontology MCP server),透過開放的 MCP 協定,讓外部 AI agent 也能連進來讀物件、跑被授權的 Action——Ontology 不再只服務 AIP,而是變成整個 AI 生態的工具介面。

OMCP · MCP Hub

你在 Claude 或自建 agent 裡,透過 MCP 連上某企業的 OMCP server。你的 agent 現在「看得到」Aircraft、Flight 物件類型,也能呼叫 groundAircraft()——但一樣受該企業 Ontology 的權限與驗證管。等於 Palantir 把自己變成「AI 世界與企業動作之間的受治理閘道」。這是很強的卡位:模型可以換,插座是它的。

Go-to-marketBootcamp:用五天證明,而非用 PPT 說服

主張:AIP 的銷售不是 demo,是 bootcamp——把客戶工程師找來,幾天內用他們自己的真實資料做出可運作的用例。這把「land」的時間從幾個月壓到幾天。

Bootcamp · 用真資料落地

一家製造商派五個工程師參加三天 bootcamp,帶著自己的產線資料進去。結束時他們手上已經有一個會動的「異常停機診斷 agent」。回去後這變成內部擴散的種子——這就是 Palantir 近年商業客戶爆發成長的引擎(細節與數字見第 07 章)。

De-mystification祛魅:AIP 不就是個 GPT 外殼?

「AIP = 一層 prompt + OpenAI API」

攻擊

底層還是 GPT/Claude,Palantir 只是加了 system prompt 跟 UI。我自己接 API + LangChain 也能做 agent,幹嘛付這錢?

回應

模型層確實是別人的、可抽換——這正是 Palantir 的論點而非弱點。差異不在模型,在「agent 能安全做事」的那一整套:接地(結構化物件)、動作邊界(Action)、動態權限、稽核、人工關卡、跨環境部署。自己用 LangChain 拼一個 demo 很快;拼一個敢在受監管環境放行真實寫入操作的系統,才是難的部分。你的判斷點是:你要不要自己扛這套治理基建。

AIP:AI 的手銬與手