Receita 93% maior. Margem operacional ajustada de 62%. Os dois números juntos explicam por que o segundo trimestre de 2026 da Palantir merece atenção.

A empresa reportou receita de US$ 1,935 bilhão. A operação comercial nos Estados Unidos cresceu 149%. O negócio com o governo americano avançou 90%. Foram fechados 220 negócios de pelo menos US$ 1 milhão, dos quais 73 foram de pelo menos US$ 10 milhões. A projeção anual subiu para uma faixa entre US$ 8,150 bilhões e US$ 8,158 bilhões.

Os dados constam na carta oficial aos acionistas. A margem de 62% é ajustada e não-GAAP. A margem operacional GAAP foi de 47%.

O balanço comprova desempenho financeiro e atividade comercial. Ele não isola a causa. A conferência de resultados, por sua vez, apresenta a explicação da própria administração: empresas querem transformar consumo de modelos em efeitos mensuráveis na operação.

Essa explicação comercial precisa ser testada, mas o mecanismo descrito é concreto.

Tokens Só Entram na Economia Quando Alteram um Resultado

Ryan Taylor, Chief Revenue Officer da Palantir, criticou empresas cujo consumo de IA cresce sem relação clara com o valor entregue. Shyam Sankar, CTO, definiu o objetivo da AIP como transformar tokens em valor econômico real.

O benchmark deixa de medir apenas o modelo. Passa a medir o fluxo.

Uma resposta bem escrita não reduz prazo, evita erro ou aumenta receita automaticamente. Um modelo, isoladamente, também não aplica de forma verificável quais dados pode acessar, quem aprova uma ação, qual regra prevalece ou como o resultado deve ser registrado.

Na conferência do trimestre, Sankar descreveu a pilha usada pela Palantir: integração de dados, Ontology e ações, segurança, auditoria, workflows, orquestração de agentes, telemetria, observabilidade, evals e post-training.

Em linguagem operacional, a sequência é esta:

  1. dados confiáveis representam o estado atual;
  2. regras e permissões delimitam o que pode acontecer;
  3. modelos e ferramentas executam uma tarefa;
  4. testes verificam a saída;
  5. telemetria registra custo, erro e resultado;
  6. o novo estado alimenta a próxima decisão.

O modelo participa do sistema. O valor depende do sistema completo.

O Que a Palantir Chama de Soberania

Na apresentação da administração, Taylor definiu soberania de IA como o controle sobre a definição operacional dos dados, da lógica, das ações e da segurança da empresa.

Na Palantir, a Ontology representa objetos, relações, regras e ações da operação. A AIP conecta modelos, agentes e workflows a essa camada dentro do Foundry. A documentação descreve controles de acesso, auditoria, gerenciamento de recursos, observabilidade e ambientes de avaliação.

A plataforma também documenta suporte a modelos de diversos fornecedores e opções de modelos hospedados pelo cliente, sujeito a disponibilidade, configuração, geografia e limitações por aplicação. Trocar um modelo ainda exige validação. Comportamento, interface, custo e limites mudam entre fornecedores.

A hipótese arquitetural é mais cuidadosa: uma definição operacional controlada pela organização reduz parte da dependência de um modelo específico.

Soberania também exige portabilidade. Dados, regras, histórico, permissões e avaliações precisam continuar exportáveis e auditáveis pelo operador. Usar vários modelos não resolve um lock-in escondido na lógica operacional.

Três Restrições Testam Essa Hipótese

O trimestre da Palantir ganha relevância quando colocado ao lado de três restrições que já aparecem em projetos de IA: margem, infraestrutura e permissão. As três convergem na mesma pergunta.

Quanto custa produzir um resultado correto, com risco controlado, dentro de um fluxo real?

1. Margem

A distribuição de software tradicional costuma ter custo marginal relativamente baixo. IA generativa adiciona uma cobrança variável a cada solicitação. Agentes aumentam esse consumo com contexto, tentativas, ferramentas e verificações.

A arquitetura precisa medir o custo completo de cada resultado correto. Preço por token é apenas uma entrada.

Na conferência, Sankar descreveu uma camada de controle que administra custo, desempenho e latência para cada workflow. A documentação de modelos suportados mostra famílias da OpenAI, Anthropic, Google, Meta, xAI e Mistral, além de opções hospedadas pela Palantir ou pelo cliente.

Essa arquitetura pode testar modelos distintos por tarefa e reduzir parte do acoplamento ao fornecedor. O efeito sobre margem, porém, precisa ser medido. O balanço não separa quanto da margem veio de roteamento, preço, escala, composição dos contratos ou outros fatores.

Instrumentação protege a decisão. Ela mostra onde um modelo mais caro muda o resultado e onde apenas aumenta a conta.

2. Infraestrutura

Contextos maiores, mais agentes e mais dados consomem memória, armazenamento, rede e energia. A NVIDIA afirmou em agosto que datasets e janelas de contexto já ultrapassam limites da memória de sistema. A empresa defendeu projeto conjunto entre memória, armazenamento, rede e software para evitar novos gargalos.

Parte do custo pode migrar para a infraestrutura em vez de desaparecer com a queda do preço por token.

O produto precisa decidir qual modelo usar, quais informações recuperar, o que reutilizar e quanto contexto enviar. Recuperação seletiva, cache, compactação e limites por tarefa são escolhas econômicas.

Memória computacional entra na mesma conta da margem: custo por resultado correto, não capacidade máxima anunciada.

3. Permissão

Agentes transformam respostas em ações. Cada nova ferramenta aumenta o valor potencial e amplia a superfície de risco.

O problema aparece no sistema ao redor do modelo: credenciais excessivas, ambientes isolados mal configurados, acesso de rede aberto, ausência de aprovação humana e registros incapazes de reconstruir uma execução.

As diretrizes públicas do Reino Unido sobre agentic AI recomendam supervisão humana, contratos claros entre componentes, trilha de auditoria, testes de integração e medição contínua de custo e comportamento.

Uma análise temática automatizada de 9.109 publicações peer-reviewed, conduzida pela Lancaster University e encomendada pelo governo britânico, encontrou baixa cobertura de pesquisa sobre infraestrutura de IA generativa, ferramentas de agentes e comunicação entre agentes. O relatório ressalva que suas conclusões não representam política do governo britânico.

Em um post sobre a Open Secure AI Alliance, a NVIDIA tratou o agente como um sistema completo. Identidade, ambiente de execução, limites, registros e avaliações compõem a unidade de segurança.

Dar acesso ao sistema de pagamentos, por exemplo, exige definir valores máximos, destinatários permitidos, validação dos dados, aprovação humana, idempotência, registro de cada tentativa e mecanismo de reversão quando aplicável.

Sem controles proporcionais, mais capacidade pode aumentar a velocidade e o impacto de erros.

O Que o Trimestre Mostra, e o Que Ainda Precisa Ser Testado

O resultado fornece evidência de atividade comercial crescente. Também mostra receita, contratos, caixa operacional e margens em escala incomum. A administração relaciona esse desempenho à sua proposta de IA operacional, soberania e Ontology.

Essa relação ainda não foi testada de forma independente pelo balanço.

Receita governamental, execução comercial, contratos plurianuais e o momento de mercado são explicações plausíveis que também podem ter contribuído. A conferência é uma comunicação da administração aos investidores e deve ser lida como tal.

A parte útil é que a tese produz previsões verificáveis:

  • workflows avaliados pelo resultado real devem revelar custos que o preço por token esconde;
  • benchmarks próprios devem mudar a escolha de modelo em tarefas específicas;
  • permissões, testes e auditoria devem permitir mais autonomia dentro de limites conhecidos;
  • separar a lógica operacional do fornecedor deve reduzir o custo de troca, desde que cada mudança passe novamente pelos evals.

O próximo teste acontece dentro de cada operação.

Um Teste de Margem por Workflow

Escolha um único fluxo com volume, custo e resultado observáveis. Remova antes os passos que não produzem valor. Depois registre quatro métricas:

  1. Baseline sem IA: tempo, custo, taxa de erro e intervenção humana no processo atual.
  2. Resultado correto: critério objetivo de sucesso, casos de falha, exceções adversariais e variação entre execuções.
  3. Custo completo: modelos, infraestrutura, tentativas, revisão humana, manutenção e falhas não detectadas.
  4. Envelope de ação: dados acessíveis, ferramentas permitidas, impacto máximo, aprovação necessária, critério de parada e trilha de auditoria.

O fluxo só avança quando a execução com IA melhora o baseline sem ultrapassar o envelope de risco.

Esse teste materializa Dados + Lógica + Ação. Dados representam o estado e a evidência. Lógica define sucesso, restrições e escolhas. Ação modifica o estado dentro de permissões. O registro da ação volta como dado para o próximo ciclo.

Na FSTech, chamamos esse método de Ontologia Operacional. Ele converge com parte do problema descrito pela Palantir, mas não constitui equivalência de produto, escala ou arquitetura com Ontology, Foundry ou AIP.

O resultado da Palantir não encerra o debate. Ele torna a hipótese mensurável.

Comece pela base

Comece por um fluxo que você repete toda semana

O Operational Ontology Starter Kit ajuda a explicitar contexto, entidades, regras, limites e próximos passos antes de colocar um agente para executar.

A demo gratuita permite testar o método em uma rotina real, sem automatizar nada e sem assumir risco operacional. O Kit inicia a estruturação manual; projetos com dados sensíveis, integrações ou múltiplos usuários continuam exigindo arquitetura e controles próprios.

Baixar a demo gratuita

Fontes Públicas

Leitura Relacionada