Unternehmen · 4. Juli 2026
Palantir und die Kontrollebene für Enterprise-KI
Eine E-Mail aufzusetzen erfordert keine Frontier-Intelligenz, und doch konzentrierten sich die KI-Ausgaben bislang am oberen Ende der Fähigkeitskurve, während die wahren Kosten eines Tokens verborgen blieben. Während diese Subvention ausläuft und Kognition zur Massenware wird, verlagert sich der Wert vom Modell-Endpunkt zu jener Schicht, die steuert, wie Modelle im Unternehmen handeln — dem Terrain, das Palantirs AIP und Ontologie längst besetzen.
Eine E-Mail aufzusetzen erfordert keine Frontier-Intelligenz. Ebenso wenig, ein Support-Ticket zu kategorisieren, Positionen aus einer sauberen Rechnung zu extrahieren, eine Kundennotiz zu formatieren oder ein routinemäßiges Meeting-Transkript zusammenzufassen. Ein Großteil der Enterprise-KI braucht kein Modell, das Mathematik auf Promotionsniveau beherrscht. Dennoch konzentrierten sich die KI-Ausgaben bisher am oberen Ende der Fähigkeitskurve, auch weil die wahren Grenzkosten im Verborgenen lagen. Die Labs subventionierten die Nutzung, um Marktanteile zu gewinnen, Abo-Pakete verwandelten den Verbrauch in eine feste monatliche Pauschale, und interne „Tokenmaxxing"-Ranglisten belohnten Mitarbeiter dafür, möglichst viele Tokens möglichst schnell zu verbrauchen. Das mag eine nützliche Phase gewesen sein. Sie brachte Leute zum Experimentieren und half Unternehmen herauszufinden, wo KI überhaupt etwas bewirken kann. Doch die Phase der Subventionen geht zu Ende.
Anthropics Fable 5 steht mit 10 $ pro Million Input-Tokens und 50 $ pro Million Output-Tokens in der Preisliste und ist damit das teuerste allgemein verfügbare Modell, das Anthropic je bepreist hat. Schickt man es durch ein Agenten-Harness über eine große Codebasis oder eine lange Rechercheaufgabe — mit über Dutzende Runden hinweg wiederholtem Kontext und parallel ausschwärmenden Sub-Agenten —, kann eine einzelne Sitzung leicht 1.000 $ kosten. Fable steckt zudem nicht mehr vollständig im Abo-Paket. Entwickler, die mit einem 200-$-Monatsabo faktisch Tokens im API-Gegenwert von bis zu 14.000 $ verbrauchten, müssen sich nun direkt mit den API-Preisen auseinandersetzen.
Das Modell führt bei den Benchmarks, die zählen, und hat Fähigkeiten gezeigt, die frühere Systeme nicht hatten — sowohl in veröffentlichten Ergebnissen als auch in unserer eigenen Nutzung. Anthropics chinesische Wettbewerber und die stärkeren Open-Weight-Familien bieten nützliche Intelligenz zu einem Bruchteil der Kosten. Bei den schwierigsten Aufgaben hinken sie der Frontier noch hinterher, bieten aber das beste Verhältnis von Kosten und Leistung für alles, was nicht die oberste Stufe verlangt.
Alex Karp gab dem in Palantirs Telefonkonferenz zum vierten Quartal 2025 einen Namen. Er nannte es commodity cognition — Kognition als Massenware. Für jedes feste Fähigkeitsniveau fällt der Preis der Kognition rasch. Frontier-Modelle werden weiterhin wichtig sein, vor allem beim anspruchsvollsten Reasoning, Programmieren und Recherchieren und bei agentischen Workflows. Doch Enterprise-KI wird sich nicht auf ein einziges Modell standardisieren. Sie wird als heterogene Flotte laufen: Frontier-Modelle, günstigere gehostete Modelle, Open Weights, spezialisierte Domänenmodelle, lokale Deployments und souveräne Stacks.
Sobald das geschieht, wird die Modellwahl Teil der Produktionsarchitektur. Das System muss entscheiden, welches Modell welche Daten nutzen darf, unter welcher Autorität und wie das Ergebnis in das System of Record zurückgeschrieben wird.
Palantirs Anspruch ist, dass AIP und die Ontologie bereits auf dieser Schicht sitzen. AIP betreibt die Modelle und Agenten. Die Ontologie liefert ihnen den gesteuerten Unternehmenszustand, mit dem sie arbeiten.
Wir argumentieren, dass sich der Wert — während Kognition zur Massenware wird — vom Modell-Endpunkt zu jenem System verlagert, das steuert, wie Modelle im Unternehmen handeln.
Konzentrationsrisiko und der Case für einen pluralen Stack
Anthropic veröffentlichte Fable 5 am 9. Juni 2026. Drei Tage später wurde der Zugang unter einer Exportkontroll-Anordnung des US-Handelsministeriums ausgesetzt. Die Anordnung galt für ausländische Staatsangehörige, doch Anthropic erklärte, die praktische Wirkung sei eine globale Aussetzung gewesen, weil sich die Staatsangehörigkeit nicht in Echtzeit über den gesamten Kundenstamm hinweg überprüfen ließ. Fable kehrte später zurück, nachdem die Kontrollen aufgehoben wurden, doch die Episode blieb bedeutsam. Ein Frontier-Modell war aus Gründen zurückgezogen worden, die nichts mit Kundennachfrage oder Modellleistung zu tun hatten. In einem stärker umkämpften regulatorischen und geopolitischen Umfeld wird Fable kaum das letzte Frontier-Modell sein, dessen Zugang sich aus politischen Gründen ändert. Sich auf das einzige stärkste geschlossene Modell festzulegen, maximiert die Leistung – und zugleich die Wahrscheinlichkeit eines plötzlichen Abbruchs.
Der Cloud-Übergang ist ein Beispiel, bei dem Unternehmen dies bereits berücksichtigen, wenn auch aus engerem Grund. Firmen mit kritischer Infrastruktur setzen nicht auf einen einzigen Cloud-Anbieter, weil ein Ausfall oder Vertragsbruch bei einem Anbieter nicht das ganze Geschäft lahmlegen darf – also planen sie Failover von vornherein ein. KI, die in geschäftskritische Prozesse eingebettet ist, erbt dieselbe Anforderung. Ein zweites Modell deckt Ausfall, Abkündigung, plötzliche Neubepreisung, Änderungen der Anbieterpolitik und politische Unterbrechung ab.
Im ersten Halbjahr 2026 begannen Modelle, die auf proprietären Expertendaten in einer engen Domäne nachtrainiert wurden, universelle Frontier-Modelle in dieser Domäne zu einem Bruchteil der Kosten zu schlagen. Bridgewaters AIA Labs trainierte gemeinsam mit Thinking Machines ein Modell darauf, das Urteilsvermögen von Investoren nachzubilden, über sechs Aufgaben der Informationsfilterung, und erreichte 84,7 Prozent durchschnittliche Genauigkeit gegenüber Frontier-Baselines, die in den mittleren bis hohen Siebzigern stagnierten — bei rund vierzehnmal geringeren Kosten pro Aufgabe. Sie nennen das Ergebnis differentiated intelligence — differenzierte Intelligenz: die proprietären, von Experten gelabelten Daten einer Organisation als struktureller Burggraben, den ein allgemeines Modell durch Skalierung allein nicht überwinden kann. Im Rechtsbereich trainierte Harvey das Open-Weight-Modell GLM-5.1 auf seinem Legal Agent Benchmark nach und hob es bei der Rubric-Bestehensquote über GPT-5.5 wie auch Anthropics Opus 4.8 — das erste trainierte Modell der Branche, das diese Marke erreichte. In beiden Fällen wählten die Unternehmen Open-Weight-Modelle.
Fine-Tuning geschlossener Modelle existiert ebenfalls, doch der Reiz von Open Source ist Kontrolle. Offene Gewichte geben dem Kunden mehr Kontrolle über Trainingsschleife, Evaluierung, Deployment-Umgebung und Unit Economics. Das zählt, wenn ein Modell um proprietäre Expertendaten herum geformt wird, statt als generischer Endpunkt genutzt zu werden. Kimi, Qwen, GLM, DeepSeek und Nvidias Nemotron werden zu wiederkehrenden Basismodellen für diese Art domänenspezifischer Systeme.
Chinesische Open-Weight-Modelle werfen einen offensichtlichen Sicherheitseinwand auf, doch das Risiko hängt davon ab, wie sie eingesetzt werden. Eine gehostete API oder Consumer-App kann Prompts und Ausgaben der Infrastruktur und Datenschutzrichtlinie des Anbieters aussetzen. Die Gewichte auf vertrauenswürdiger Infrastruktur zu betreiben ist jedoch etwas anderes. Ein Unternehmen kann GLM, Qwen oder DeepSeek in seiner eigenen Cloud-Umgebung, on-premises oder bei Bedarf air-gapped betreiben. Amerikanische Cloud-Anbieter stellen mehrere dieser Modelle auch direkt bereit; Amazon Bedrock hostet DeepSeek, Qwen, GLM und Kimi, hält die Inferenz innerhalb von AWS und erklärt, dass Kundeneingaben und -ausgaben nicht an den Modellentwickler weitergegeben oder zum Training verwendet werden. Das beseitigt die einfache Sorge um den Datentransfer. Es bleiben die schwierigeren Fragen: Vertrauen auf Gewichtsebene, politische Optik, eingebettetes Verhalten und die regulatorische Sensibilität, die chinesische Gewichte vorerst aus der Verteidigungs- und Nachrichtenarbeit heraushält.
Artificial Analysis Intelligence Index v4.1
Claude Fable 5with fallbackClaude Opus 4.8
GPT-5.5Claude Sonnet 5
GLM-5.2
Gemini 3.5 FlashGemini 3.1 Pro
Qwen3.7 Max
MiniMax-M3
DeepSeek V4 Pro
Kimi K2.6Der aktuelle Trend begünstigt kleinere, nachtrainierte, domänenspezifische Modelle für Aufgaben, die sich sauber verifizieren lassen. Ihr Vorteil kann sich zudem verstärken: Ein an einen proprietären Workflow gebundenes Modell verwandelt jede erledigte Aufgabe in neue gelabelte Daten für die nächste Trainingsrunde. Das Hauptgegenargument wäre, dass ein künftiges Frontier-Modell so leistungsfähig werden könnte, dass Spezialisierung nicht mehr zählt. Doch Unternehmen kaufen nicht das abstrakt leistungsfähigste Modell. Sie kaufen das Modell, das die geforderte Genauigkeit zu den niedrigsten Kosten erreicht. Während die Frontier-Fähigkeit steigt, behält die oberste Stufe die schwierigsten Aufgaben, während mehr hochvolumige, verifizierbare Arbeit an spezialisierte Modelle wandert, die bereits gut genug sind.
Das Unternehmen betreibt am Ende beides: geschlossen und offen, ausländisch und inländisch, allgemein und spezialisiert. Irgendeine Instanz muss entscheiden, welches Modell auf welchen Daten läuft, unter welcher Autorisierung, und wie die Ausgaben in einen einzigen Datensatz zusammenlaufen. Das ist die Arbeit einer Kontrollebene.
Was Routing ist – und wo es endet
Routing ist die natürliche erste Umsetzung eines Multi-Modell-Stacks. Ein Klassifikator liest den Prompt, schickt einfache Aufgaben an ein günstigeres Modell und schwierigere an ein stärkeres und senkt so die gemischten Kosten. Er muss das Unternehmen nicht verstehen, weshalb er sich als getakteter Gateway oder als sofort einsatzbereite Optimierungsschicht verkaufen lässt. Für hochvolumigen, gut lesbaren Verkehr wie Klassifikation, Extraktion, Formatierung, Retrieval und einfache Zusammenfassung funktioniert es gut.
Die Grenze zeigt sich, sobald sich die Schwierigkeit der Aufgabe nicht unmittelbar ablesen lässt. Routing ist eine Vorhersage, die getroffen wird, bevor die Arbeit beginnt, doch der schwierige Teil der Aufgabe ist im Prompt oft nicht sichtbar. „Diesen Vertrag zusammenfassen" kann eine Routinezusammenfassung meinen oder einen rechtlich heiklen Grenzfall — je nach Klauseln, Vertragsparteien, Nachträgen, Rechtsordnung und Geschäftskontext im Dokument. Bei homogener Arbeit ist die Vorhersage sauber. Bei heterogener, kontextreicher Arbeit verschlechtert sie sich, weil der Prompt nur ein unvollständiges Abbild der Aufgabe ist.
Diese Verschlechterung ist schwer zu korrigieren, weil Modelle nur begrenzten Einblick in ihre eigenen Grenzen haben. Erhält ein schwächeres Modell eine Aufgabe oberhalb seiner Fähigkeitsschwelle, scheitert es selten sauber. Meist liefert es eine flüssige, selbstbewusste, falsche Antwort. Die Fähigkeit zu erkennen, dass eine Aufgabe zu schwer ist, erfordert oft genau die Kompetenz, die dem Modell zuvor fehlte. Ein Modell, das seine eigenen Fehler bei schweren Aufgaben zuverlässig erkennen könnte, besäße bereits einen Teil der Kompetenz, um sie zu bewältigen. Das Eskalationssignal, das der Router möchte, ist daher genau das Signal, das das günstige Modell am wenigsten liefern kann.
Verifikation und Eskalation können das abfedern, doch die Ökonomie ist anspruchsvoll. Man zahlt für den günstigen Versuch, dann erneut für das stärkere Modell, oft mit einem kalten erneuten Einlesen desselben Kontexts, weil das starke Modell den KV-Cache des schwächeren nicht erben kann. Wenn schwere Fälle selten sind, ist die Retry-Steuer erträglich, doch bei häufigen Aufgaben können sich die Rerouting-Kosten schnell summieren.
Portabler KV-Cache mag diese Strafe mit der Zeit verringern, beseitigt aber das architektonische Problem nicht. Prefix-Caching funktioniert, wenn dasselbe Modell denselben Kontext sieht. Cache-Wiederverwendung über Adapter hinweg ist plausibel, wenn Modelle eine Basis teilen. Modellübergreifender KV-Transfer zwischen nicht verwandten Modellen ist noch Forschungsstand und hängt von Projektionen, selektiver Neuberechnung oder Annahmen ab, auf die sich ein generischer Enterprise-Router nicht verlassen kann. Heterogene Flotten brauchen weiterhin einen Aufgabenzustand, der außerhalb des Modells liegt.
Naive Router lernen zur Inferenzzeit auch wenig. Ihre Anweisungen sind meist im Kontext definiert, sodass derselbe Dokumenttyp immer wieder denselben Fehler produzieren kann. Eine Rechnung mag ein sauberer Export sein, eine andere ein gescanntes Kassenbuch mit fehlenden Feldern und ungewöhnlicher Positionslogik. Ohne die Prozesshistorie des Unternehmens hat der Router keine Aufzeichnung darüber, was beim letzten Mal funktioniert hat. Das nützliche Signal fürs Routing steckt im Zustand: was beim letzten Mal mit diesem Dokumenttyp, dieser Gegenpartei, diesem System, diesem Nutzer, diesem Freigabepfad, dieser Ausnahmeklasse geschah.
Routing ist nützlich für gut lesbare, hochvolumige Aufgaben, deren Schwierigkeit sich an der Tür ablesen lässt. Es stößt an seine Grenzen bei schwer lesbaren, hochwertigen Aufgaben, weil die relevante Entscheidung Informationen erfordert, die der Prompt gewöhnlich nicht trägt: was die Aufgabe berührt, wer sie sehen darf, welche Autorität das Modell hat, in welchem Prozess sie steht und wie ihre Ausgabe in das System of Record zurückgeführt werden muss.
Für diese Aufgaben entscheidet der Workflow, welches Modell zu verwenden ist. Das System muss den Zustand über Übergaben hinweg tragen, bei jedem Schritt Berechtigungen durchsetzen und Ausgaben in einen einzigen gesteuerten Datensatz zurückschreiben. In dieser operativen Schicht steckt der dauerhafte Wert.
Ontologie als Kontrollebene
Palantir beschreibt seine Artificial Intelligence Platform so, dass sie einheitlichen Zugang zu Open-Source-, selbst gehosteten und kommerziellen großen Sprachmodellen bietet und die Daten, Aktionen und Prozesse einer Organisation in Objekte und Werkzeuge verwandelt, die sowohl Menschen als auch modellgesteuerte Agenten nutzen können. Blendet man den Marketing-Ton aus, ist das eine präzise Beschreibung einer Kontrollebene. Verkauft wird die Schicht, die jedes Modell an einen lebendigen Betriebszustand des Unternehmens bindet und vermittelt, was das Modell sehen und tun darf.
Die Kombination aus AIP und Ontologie ist es, die Palantir in der Enterprise-KI auszeichnet. Die Ontologie ist ein lebendiges Modell davon, wie die Organisation funktioniert: ihre Objekte, Beziehungen, Berechtigungen, Aktionen, Funktionen und Prozesslogik. AIP ist die Ausführungsschicht, die gegen dieses Modell gebaut ist. Sie gibt Modellen und Agenten Zugang zu Workflows, Werkzeugen, Evaluierungen und freigegebenen Aktionen im Unternehmen.
Nehmen wir eine Routing-Entscheidung in einem regulierten Unternehmen. Es geht selten darum, ob eine Anfrage schwer oder leicht ist. Es geht darum zu wissen, welche Daten die Aufgabe berührt, ob diese Daten den Perimeter verlassen dürfen, welcher Nutzer oder Agent befugt ist, darauf zu handeln, ob die Aktion einen gesteuerten Datensatz verändert und ob der Workflow eine menschliche Freigabe verlangt, bevor irgendetwas festgeschrieben wird. Diese Einschränkungen erscheinen gewöhnlich nicht im Prompt. Sie liegen in der Datenherkunft, dem Objektmodell, der Berechtigungsstruktur und dem Prozesszustand des Unternehmens. Hier unterscheidet sich Palantirs Stack von einem Gateway-Router. Ein Router kann eine Anfrage klassifizieren und einen Modell-Endpunkt wählen. AIP kann, an die Ontologie gebunden, die Modellwahl zum Teil des Workflows selbst machen.
Das ordnet auch das Cache-Steuer-Problem neu ein. Wenn ein Modellwechsel mitten im Ablauf den Cache zerstört, dann sollte die Architektur gar nicht erst auf einen Wechsel mitten im Ablauf angewiesen sein. Portabler KV-Cache mag die Strafe mit der Zeit verringern, doch heterogene Modellflotten brauchen weiterhin einen Aufgabenzustand außerhalb des Modells. Die Arbeit sollte in Stufen zerlegt werden, wobei die Modellzuweisung an der Stufengrenze entschieden wird. Ein Modell mag das Dokument klassifizieren, ein anderes Felder extrahieren, ein weiteres die Ausnahme behandeln und ein weiteres die kundengerichtete Antwort erzeugen. Die Systemfunktion, auf die es ankommt, ist, den Aufgabenzustand über Übergaben hinweg zu bewahren, bei jedem Schritt Berechtigungen durchzusetzen und die Ausgaben in das System of Record zusammenzuführen.
AIP stellt die Umgebung bereit, in der Modelle, Agenten, Workflows, Werkzeuge und Evaluierungen laufen. Die Ontologie stellt den gesteuerten Unternehmenszustand bereit, gegen den diese Systeme operieren. Zusammen erlauben sie, dass die Modellwahl vom Workflow, den Daten, dem Nutzer, der Aktion und dem geforderten Prüfpfad bestimmt wird — und nicht von einer Schätzung der Aufgabenschwierigkeit auf Prompt-Ebene.
Deshalb glauben wir, dass der Routing-Markt in die richtige Richtung weist, aber strukturell zu dünn ist. Unternehmen werden Modellauswahl brauchen, weil sich Intelligenz über Frontier-Modelle, Open Weights, spezialisierte Modelle, lokale Deployments und gehostete APIs zersplittert. Die Frage ist, wo diese Auswahl gesteuert wird. In der Produktion wird jedes Unternehmen eine Kontrollebene für Modellwahl, Datenzugriff, Berechtigungen, Workflow-Zustand und Rückschreiben in das System of Record brauchen.
Die Deployment-Lücke
Im ersten Quartal meldete Palantir 1,63 Mrd. $ Umsatz, ein Plus von 85 % gegenüber dem Vorjahr. Der US-Umsatz wuchs um 104 % auf 1,28 Mrd. $. Der bereinigte freie Cashflow lag bei 925 Mio. $, was einer Marge von 57 % entspricht, und der Rule-of-40-Wert erreichte 145 %. Das Management hob zudem die Umsatzprognose für das Gesamtjahr 2026 auf 7,650 bis 7,662 Mrd. $ an, was rund 71 % Wachstum bedeutet.
Der US-Commercial-Umsatz wuchs um 133 % auf 595 Mio. $. Der US-Government-Umsatz wuchs um 84 % auf 687 Mio. $. Commercial beschleunigt schneller, doch Government bleibt das größere US-Segment. Wir konzentrieren uns hier auf das Commercial-Geschäft, weil dort die Kontrollebenen-These am sichtbarsten ist. Palantir ist kein reines Enterprise-KI-Softwareunternehmen. Verteidigungsmodernisierung und Behördenautomatisierung sind eigenständig starke Geschäfte, und sie verstärken die Commercial-Chance. Jedes Deployment fügt Produktfläche, Umsetzungswissen, Sicherheitsmuster und Workflow-Logik hinzu, die anderswo wiederverwendet werden können.
Die Einführung von Enterprise-KI steckt noch überwiegend zwischen Experiment und Produktion fest. Der NANDA-Bericht des MIT stellte fest, dass trotz 30 bis 40 Mrd. $ an Unternehmensinvestitionen in generative KI 95 % der Organisationen in seinem Datensatz keinerlei Rendite erzielten. Mehr als 80 % hatten Werkzeuge wie ChatGPT und Copilot erkundet oder pilotiert, und knapp 40 % meldeten ein Deployment, doch nur 5 % der maßgeschneiderten oder von Anbietern verkauften Systeme auf Unternehmensniveau hatten die Produktion erreicht. Die Diagnose des Berichts lautete nicht, dass die Modelle zu schwach seien. Sie lautete, dass die meisten Systeme daran scheiterten, Feedback zu behalten, sich an den Kontext anzupassen oder sich am Tagesgeschäft auszurichten.
Die Deployment-Lücke im Unternehmen
Die Hyperscaler bauen inzwischen ihre eigenen Versionen von Palantirs Auslieferungsmodell. AWS kündigte Ende Juni eine 1 Mrd. $ schwere Forward-Deployed-Engineering-Organisation an, gebaut, um Tausende Ingenieure bei Kunden einzubetten und agentische KI-Systeme gemeinsam in Produktion zu bringen. Microsoft folgte mit der Microsoft Frontier Company, unterlegt mit einer Zusage von 2,5 Mrd. $ und 6.000 Ingenieuren und Branchenspezialisten mit Fokus auf Enterprise-KI-Deployment. Google Cloud stellt Forward Deployed Engineers im Bereich Applied AI ein, deren Aufgabe es ist, Konversationsprototypen in produktionsreife Systeme zu überführen. ServiceNow und Accenture haben ein Forward-Deployed-Engineering-Programm für agentische KI im Unternehmen gestartet.
Karps jüngste Äußerungen sollten vor diesem Hintergrund gelesen werden. Sein Angriff auf tokenbasierten KI-Verbrauch ist nicht bloß eine Klage über den Preis. Es ist eine Behauptung darüber, wo im Unternehmen Wert entsteht. Zahlt ein Unternehmen für Tokens, die keinen Workflow verändern, keinen Datensatz aktualisieren, keine Arbeit reduzieren und keine Entscheidung verbessern, ist die Ausgabe größtenteils Theater. Palantirs Argument ist, dass Wert erst entsteht, wenn KI an die Daten, Berechtigungen, Prozesse und Aktionen der Institution gebunden ist.
Wenn jedes große Plattformunternehmen nun eingebettete Engineering-Teams braucht, damit KI beim Kunden funktioniert, dann ist die knappe Ressource die Fähigkeit, die unordentliche operative Realität in Software, Berechtigungen, Workflows, Evaluierungen und gesteuerte Aktionen zu übersetzen. Palantir hat zwei Jahrzehnte damit verbracht, eine Organisation und einen Produktstack um dieses Problem herum aufzubauen. Die offene Frage ist, ob AIP und die Ontologie es ihm erlauben, eine dienstleistungslastige Auslieferung schneller in wiederverwendbare Software zu verwandeln, als die Hyperscaler die Workflow-Schicht erlernen können.
Die aktuelle Phase der Enterprise-KI ist der Übergang von Pilotprojekten zur Produktion. Agenten können nicht generische Assistenten außerhalb des Geschäfts bleiben. Sie müssen Dokumente klassifizieren, Ausnahmen prüfen, Funktionen entwerfen, Workflows aktualisieren, Entscheidungen vorbereiten und an den Koordinationsschleifen teilnehmen, in denen Arbeit tatsächlich geschieht. Palantirs DevCon-5-Ankündigungen weisen direkt auf diese Verschiebung. AI FDE, MINDKIT, Orchestrator und Ontology Foundations zielen darauf, Agenten mit den Berechtigungen, Evaluierungen, Sicherheitskontrollen und dem Geschäftskontext in Produktions-Workflows zu bringen, die für ein sicheres Handeln erforderlich sind.
