Palantir CEO 指责 OpenAI、Anthropic“收费又用数据”：企业 AI 数据边界再引争议

据 IT之家 7 月 3 日消息，科技媒体 Tom’s Hardware 于 7 月 2 日发布博文称，数据分析公司 Palantir 联合创始人兼 CEO 亚历山大·卡普（Alex Karp）在接受 CNBC《Squawk Box》采访时，公开批评 OpenAI、Anthropic 等前沿 AI 公司。他认为，这些公司一方面向企业客户收取高额 Token 消耗费用，另一方面又通过服务接触并吸收客户的业务数据，形成所谓“双重收费”模式。这一说法再次把企业使用大模型时的隐私、数据权属和商业机密保护问题推到台前。

卡普的核心指控：AI 服务不只是算力账单

来源显示，卡普将矛头指向当前前沿大模型公司的商业模式。他称，一些美国企业私下对此“怒不可遏”：企业每月为 AI 服务支付高额账单，同时还担心自己的业务流程、数据关系和经营洞察被模型提供方获取。

卡普提到的“weights”和“alpha”，在相关语境中并非单纯指模型参数，而是指客户企业在业务中积累的流程知识、数据之间的关联，以及能够带来竞争优势的判断和方法。换言之，企业真正担心的不是一次聊天记录或一份文档本身，而是这些数据背后沉淀出的业务结构与竞争优势。

按照卡普的说法，企业购买大语言模型（LLM）使用权，本意是为了提升效率、辅助决策或自动化流程；但如果模型服务商还能利用客户输入的数据改进产品，客户就可能面临一个更深层风险：自身最有价值的工作方式被外部系统学习，并在未来以更低成本服务给其他客户，甚至反过来削弱原企业的壁垒。

企业采用 AI 的关键矛盾：效率提升与数据控制

从产业角度看，卡普的表态并不只是个别公司之间的口水战，而是企业级 AI 落地过程中的典型矛盾。大模型要真正进入企业核心流程，往往需要接触合同、代码、客服记录、销售线索、供应链信息、财务数据以及内部知识库等敏感内容。这些数据越接近真实业务，模型带来的效率提升越明显；但同时，数据泄露、滥用或被二次训练的担忧也越强。

对于中文读者和本土企业而言，这一争议同样具有参考意义。当前不少公司正在把大模型接入办公、研发、运营和客户服务场景，常见做法包括使用云端 API、接入企业知识库、部署智能客服或搭建自动化 Agent。问题在于，很多企业在关注价格、响应速度和模型能力时，可能还没有充分审视数据是否会被留存、训练、分析或用于服务优化。

• 费用结构：企业不仅要评估 Token、调用量和套餐成本，也要评估数据治理成本。
• 数据边界：应明确哪些数据可以进入外部模型，哪些只能在本地或私有环境处理。
• 合同约束：需要关注服务条款中关于数据留存、训练使用、日志保存和第三方访问的说明。
• 替代方案：对高敏感场景，可考虑私有化部署、专有模型或混合架构。

对 OpenAI、Anthropic 这类模型公司的挑战

来源摘要中未提及 OpenAI、Anthropic 对卡普指控的回应，因此目前只能说这是 Palantir CEO 的公开批评，而非已经被证实的事实结论。不过，这类质疑本身会加大前沿 AI 公司在企业市场中的信任压力。

大模型公司要扩大企业客户，不能只展示更强的推理、多模态或自动化能力，还必须提供更清晰的数据治理承诺。尤其是在金融、医疗、制造、政企和科研等领域，客户往往更看重可审计、可隔离、可追责的技术和合规体系。若企业认为“使用越多、泄露越多”，AI 工具就很难深入核心系统，只能停留在文案生成、信息检索等低风险环节。

解读：AI 竞争正在从模型能力转向信任基础设施

这场争议反映出企业 AI 的竞争焦点正在变化。早期市场关注的是模型是否足够聪明、价格是否足够低、接口是否足够好用；但随着大模型进入真实业务流程，数据主权、隐私保护和商业机密安全正在成为采购决策的核心条件。

Palantir 本身长期服务政府和大型企业客户，强调数据分析与安全控制，其 CEO 对前沿 AI 公司的批评，也带有明显的产业立场。但不论立场如何，卡普提出的问题值得所有 AI 使用者重视：当企业把内部知识交给模型时，必须搞清楚自己购买的是工具能力，还是也在无意中贡献了可被他人复用的商业资产。

对企业来说，下一阶段部署 AI 不应只看模型排行榜和调用成本，更需要建立内部 AI 使用规范：对数据分级、对场景分类、对供应商条款进行审查，并在关键业务上保留足够的技术与治理主动权。只有在能力、成本与信任三者之间取得平衡，AI 才能从“好用的工具”真正变成可靠的生产力基础设施。