前章で、パランティアは「データを意思決定に変える会社」だと整理しました。では、なぜそれが他社に簡単に真似できないのか。
結論から言えば、パランティアの強さはAIモデルそのものではなく、その一段下にある二つの仕組みにあります。データに意味を与える「オントロジー」と、エンジニアを顧客の現場に送り込む「FDE」です。
AIが「嘘」をつく、本当の理由
多くの企業が生成AIのハルシネーション(AIがもっともらしい嘘をつく現象)に悩んでいます。その原因の多くはAIの賢さ不足ではありません。社内のデータがバラバラの「点」で存在し、AIがその関係を理解できないことにあります。
データを単に読み込ませても、AIはそれぞれの点が何を意味し、どう繋がっているのかを把握できません。だから的外れな答えを返してしまう。ここを解くのが次に説明するオントロジーです。
オントロジーとは何か ― 空港の例で理解する
オントロジーとはデータに「意味」と「関係」を与えて、点を線に繋ぐ仕組みです。言葉だけだと難しいので、空港を例に見ていきます。
いま、3つのシステムにバラバラの情報があるとします。
- 在庫システム:部品コード102が、在庫ゼロで不足している
- 整備システム:機体JA01でエンジン不調が起きている
- 運航システム:15時の羽田発の便でJA01を使用予定
人間が見れば「エンジンを直したいが部品がない。このままだと15時の便に影響が出る」と紐づけられます。ですが、膨大なデータの中でこれを結合するのはAIには簡単ではありません。
この状態で「部品102がない、どうすればいい?」とAIに聞いても、返ってくるのはせいぜい「102を補充してください。発注先を確認しましょう」程度です。
そこでオントロジーの出番です。データに加えて、その意味と関係を定義します。
- 「102」は、エンジンの燃料噴射ノズルという部品である
- このノズルは、JA01便のエンジンを動かすために必要である
こうすると、部品・エンジン・機体・運航という点が一本の線で繋がります。同じ質問への答えは、こう変わります。
「在庫はいま手元にありませんが、成田に1つあります。今すぐトラックで運べば、15時の便に間に合います。手配しますか?」
単なる調べ物ではなく、次の行動まで示す。これがオントロジーの効果です。AIに良い判断をさせる前段階として、データの構造化を徹底しているのがパランティアの特徴です。
ここまでが、オントロジーの基本です。次に、なぜこれがそのまま「堀」になり、そしてもう一つの武器であるFDEがどう効いているのかを見ていきます。
なぜオントロジーが「堀」になるのか
結論を言えば、AIモデルは誰でも買えますが、その会社固有のデータ構造と意思決定ロジックは外から複製できないからです。
カープCEOはこの点をはっきり打ち出しています。
「市場の全ての価値はチップと、我々がオントロジーと呼ぶものに集中していくだろう。オントロジーはLLMを取り入れ、それを洗練し、企業全体に適用することを可能にする」(アレックス・カープ Palantir CEO)
データの構造化は、地味で手間のかかる作業です。ですが一度組み上がると、AIが正確に判断できるようになり、その企業はパランティアなしでは回らなくなる。つまり乗り換えコスト(スイッチングコスト)が跳ね上がる。これが契約が大型化し、長期化していく土台になります。
もう一つの武器「FDE」― エンジニアを現場に送り込む
パランティアはソフトを「売って終わり」にしません。精鋭エンジニアを顧客の現場に常駐させる。これがFDE(Forward Deployed Engineer、前線配置エンジニア)です。
カープはこれをレストランに例えて説明します。
「フランスのレストランがなぜ素晴らしいか。ウェイターが実はキッチンの一部なんだ。客のテーブルに立って注文を聞きながら、料理の意図を理解して完璧に橋渡しする。だから料理が最高になる。私はそれをエンジニアリングに持ってきた。エンジニアが顧客の現場にいて、問題を直接感じ、即座に解決する」(アレックス・カープ)
営業とエンジニアが分かれていると、顧客の要望はなかなか正確に伝わりません。FDEは現場で問題を直接つかみ、その場で解決する。しかも評価基準は「顧客の業務をどれだけ圧縮できたか」です。だから、目に見える成果(事例)が次々と生まれます。
これは競合との差として、はっきり表れています。同じ国防テックのC3.aiやBigBear.aiはパランティアほど具体的な導入事例を出せていません。現場に深く入り込む仕組みを持っているかどうかがここで効いてきます。
FDEから「AIFDE」へ ― スケールする仕組みへ
FDEには弱点もあります。エンジニアを派遣する以上、労働集約型になりがちで、人を出し切ってしまえばそれ以上の受け皿がなくなる、という限界です。
これを解くのが、直近の決算で強調されたAIFDE(FDEの仕事をAIエージェントに担わせる仕組み)です。これまで人が手作業に近い形で行ってきた作業をAIに移していきます。
- オントロジーの作成
- データの接続・解析、扱いやすい形への変換
- 関数やアプリケーションの作成
- 問題が起きたときのデバッグ
これらをAIが担えば、人手に縛られずに導入を広げられる。労働集約型から、スケールしやすいモデルへの転換です。
ただし現状はすべてをAI任せにするわけではありません。当面は、現場のエンジニアとAIエージェントが協業する、人間が最終確認に関わる方式(ヒューマン・イン・ザ・ループ)が主流とされています。
まとめと、次に読むべきこと
第2章の要点を整理します。
- オントロジーは、データに意味と関係を与え、点を線に繋ぐ仕組み
- AIモデルは買えても、その会社固有のデータ構造は複製できない。これが堀になる
- FDEは、エンジニアを現場に常駐させ、成果(事例)を量産する仕組み
- 弱点の労働集約型を、AIFDEがスケール可能なモデルへ変えようとしている
この二つの堀が、後の章で見る高い利益率と長期契約に直結します。
次章では、パランティアがどうやって新しい顧客の「入口」を広げているのか。鍵となる「ブートキャンプ戦略」と、契約が雪だるま式に大きくなる仕組み(land-and-expand)を分解します。
決算の数字の読み方や、私自身がどこを見て判断しているかはメンバーシップでより深く扱っています。最新の動向を追いたい方はチャンネル登録もあわせてご活用ください。
