Palantir 首席架構師：AI 最大的智慧不在模型裡，而在你的員工腦中

本文整理自 Palantir 官方頻道 2026 年 1 月發布的對談影片。

當整個科技業都在討論哪家公司的大型語言模型更強、哪個基準測試又被刷新的時候，Palantir 的首席架構師提出了一個不同的問題：如果 AI 模型裡的知識只是冰山一角，那水面下的巨大冰體在哪裡？

答案很簡單，但處理起來一點都不簡單。在 Palantir 看來，企業中最有價值的智慧，不在任何模型的參數裡，而在每天準時上班的那些人的腦中。

模型很聰明，但它什麼都不懂

Palantir 首席架構師 Akshay Krishnaswamy 在公司待了超過 13 年，從反恐情報分析一路做到跨 50 多個產業的 AI 平台架構。他在最近一次與 Palantir 資深顧問 Jordan Hirsch 的對談中，用一個很直白的方式描述了當前大型語言模型的根本局限：這些模型是在網路上的公開資料集訓練出來的，所以它們的知識很廣、推理能力很強，但在面對任何一個具體的企業場景時，它們本質上是「通才」。

這個觀察聽起來像常識，但它的影響卻很深。一個受過頂尖訓練的 AI 模型，丟進一家醫院的臨床作業流程、一家製造商的供應鏈管理系統、或一座電廠的電網控制中心，它能做的事情非常有限。因為真正驅動這些場景的，不是教科書上的知識，而是在那個特定環境中累積出來的判斷邏輯、作業慣例、以及對特殊狀況的應變直覺。

Krishnaswamy 形容這種狀態時說，現有的人類工作幾乎是「心電感應式」的。你去看一條高效運轉的生產線，或是一個經驗老到的船塢工班，工人之間的協作、對機台狀態的感知、對異常訊號的即時反應，這些全是高度結構化的知識，只是從來沒有被寫下來過。它們存在於人的肌肉記憶、經驗判斷和同事之間的默契裡，不在任何資料庫或文件系統中。

兩個瓶頸，一個框架

既然模型本身不夠用，企業要怎麼讓 AI 真正發揮作用？Krishnaswamy 提出了一個簡潔的框架：企業 AI 部署面臨兩種瓶頸，搞清楚自己卡在哪一種，才知道 AI 該從哪裡切入。

第一種是「情境瓶頸」。以一個處理供應鏈問題的工作者為例，他每天面對的資訊量早已超過人腦的處理極限。設備的技術手冊、過去的維修紀錄、供應商的歷史資料、物流網路的即時狀態，這些資訊散落在不同系統裡，沒有人能全部讀完。所以實務上，工作者只能憑經驗選擇性地參考一部分資訊，其餘的就放棄了。AI 在這裡的價值，是幫你在對的時間點、把對的資訊拉到眼前，讓你做出比過去更全面的判斷。

第二種是「產能瓶頸」。有時候問題不是資訊不夠，而是事情太多做不完。一個護理排班人員一天要排出的班表數量、一個客服處理的工單數量，都有物理上限。AI 在這裡的角色像是槓桿，讓同一個人能處理更多的任務，而不是把那個人換掉。

Krishnaswamy 用「鋼鐵人戰甲」來比喻這種關係，不是要取代穿戰甲的人，而是讓那個人做到原本做不到的事。這個比喻的重點在於：戰甲再厲害，裡面還是需要一個知道該往哪裡打的人。

PG&E 的電網操作員：AI 釋放了他們的專業能力

加州太平洋瓦斯與電力公司（PG&E）是美國最大的公用事業公司之一，負責為北加州約 1600 萬人供電。這家公司在近年因為加州野火頻發而承受巨大壓力，因為電網設備老化可能產生火花，在乾燥的環境中引發森林大火。PG&E 在 2019 年曾因野火責任問題申請破產保護，之後投入大量資源在「公共安全斷電」（PSPS）機制上，也就是在高風險時段主動切斷部分電網供電以降低起火風險。

但斷電本身也有代價。居民和企業失去電力供應，醫療設備、冷藏設施、通訊基礎設施都會受到影響。所以每一次斷電決策都是一個高難度的權衡：斷得太積極，民眾受苦、公司挨罵；斷得太保守，一旦引發火災後果更嚴重。

過去這些決策高度依賴電網操作員的經驗判斷。Krishnaswamy 形容這些操作員時用了一個很生動的說法：他們幾乎是電網的延伸。他們對電網拓撲結構的理解、對負載變化的直覺、對天氣與地形交互作用的判讀能力，讓他們像是某種「硬體與軟體系統的魔法師」。

PG&E 導入 Palantir 的 AIP 和 Foundry 平台之後，這些操作員能夠調用更多維度的資訊來評估每一次斷電提案。過去他們憑經驗只能考慮幾個關鍵變數，現在 AI 能幫他們同時比對氣象資料、線路老化程度、周邊植被密度、歷史事故模式等多重因素，讓他們做出更精準的判斷。結果是 PG&E 在過去幾年顯著降低了野火前兆事件的發生率，同時也減少了不必要的大規模斷電。

這個案例的關鍵不在 AI 做了什麼決策，而在它讓原本就很厲害的人變得更厲害。操作員的專業判斷沒有被取代，而是得到了更強大的資訊支援。

我的觀察：臺灣的隱性知識寶庫

Palantir 的這套論述當然帶有商業目的，他們在推銷自家的 Ontology 平台和 AIP 產品。但拋開商業包裝，裡面有一個核心洞察值得臺灣企業認真想想：你公司裡最有價值的知識，有多少已經被數位化了？

臺灣的製造業在這方面特別典型。半導體封裝測試線上的資深技師，知道某台設備在溫度偏高 0.3 度時就要提前調整參數；工具機廠的老師傅，聽引擎的聲音就知道主軸該換了。這些都是極度有價值的知識，但大多數存在於少數人的腦中，沒有系統化記錄，更沒有辦法被 AI 系統直接使用。

但現實是，多數臺灣企業面對 AI 的方式還是「買一套工具進來看看」。導入聊天機器人、接上雲端 AI 服務，這些做法有其價值，但它們解決的是表層問題。真正的硬骨頭，是怎麼把散落在資深員工腦中的判斷邏輯、經驗法則和應變直覺，轉化成 AI 可以使用的結構化資訊。

這件事不性感，也不容易變成新聞標題。沒有哪個 CEO 會在法說會上說「我們今年最大的投資是記錄老師傅的知識」。但如果你認真看待 AI 部署這件事，這可能是最值得優先回答的問題：你公司裡最有價值的知識，到底在哪裡？