当前判断：企业不应把“使用哪个模型”误当成完整 AI 架构。真正的控制面是业务对象与关系、数据权利、动作权限、模型路由、验证、日志和回滚。Alex Karp 的访谈强化了这项风险假说，但没有证明 OpenAI 或 Anthropic 违规使用客户数据；Q4 维持 58%。

Karp 的原始主张

在 Fox Business 访谈中，Karp 称企业担心一边为 token 付费，一边把业务的 “alpha”、data 与 telemetry 交给 frontier lab；他主张企业控制 compute、application layer、ontology，以及开放或闭源模型的选择。

证据拆层

已确认

Karp 确实公开表达上述观点；Palantir 的产品定位也确实覆盖 ontology、权限、治理和多模型编排。

尚未证明

访谈没有客户名单、合同条款、数据流、事故记录或审计报告，不能证明模型供应商秘密训练客户数据、跨客户出售洞察或“窃取商业机密”。

利益冲突

Palantir 正销售企业控制层。Karp 的客户观察有行业信息价值，但也是直接强化自身产品价值主张的供应商证词。

可执行的企业控制层

目标函数也是权力

分布式执行不等于权力消失。市场中的价格规则、平台中的排序与参与度指标、Agent 系统中的奖励函数和成功标准，都在设计“决定发生的环境”。因此控制层还必须明确：谁设定目标，哪些反馈被放大，谁有停止、申诉和改写规则的权力。

可采用的结构判断

大量参与者可以独立行动，但规则制定、目标函数、入口分配和反馈回路仍可能高度集中。

证据边界

赫拉利对 Facebook 愤怒传播的解释是机制叙事，不是本页采用的内部实验或完整因果证据。更严谨的待验证链条是：广告模式 → 参与度目标 → 推荐实验 → 愤怒内容获得更强反馈 → 用户与创作者适应奖励。

同行测试不是监管替代品

Elon Musk 在《经济学人》访谈中建议：前沿模型发布前，可通过 API 给其他模型公司约一周做封闭测试；若发现重大风险而开发者不处理，再由政府介入。他以 Amazon 发现 Anthropic 未公开模型 Mythos 的网络安全风险并致电白宫为例。

可采用的控制结构

把能力发现、风险上报和最终强制权分开：同行能更快识别技术风险，政府保留阻止发布的权力。

必须补的护栏

竞争对手存在窃密、拖延发布和策略性举报的利益冲突；一周 API 测试也可能看不到训练数据、内部权重和部署链风险。因此还需独立评测机构、标准化证据、保密边界、申诉程序和政府问责。

证据边界

Amazon—White House 事件来自访谈叙述，能证明一次风险发现路径，不能证明同行互检制度已建立或长期有效。

与 Tool / MCP / Skill 的边界

Tool 是可执行能力，MCP 是一种连接协议，Skill 是可复用的方法包；三者都不能替代权限、审计与验收。它们扩大能力面的同时，也扩大提示注入、供应链和错误动作的半径。

反证与下一步

若企业合同与技术审计能持续证明数据隔离、禁止训练和不可跨客户复用，且企业没有增加私有部署、多模型路由或控制层预算，则“主权 AI 正显著减慢采用”的判断应下调。下一次只接受合同样本、独立审计、采购数据、迁移率和生产事故统计。

来源