Ein Riese mit einem Marktwert von 300 Milliarden US-Dollar ist ins Visier seiner chinesischen Konkurrenten geraten.

An der US-Börse gibt es ein KI-Unternehmen, das sich deutlich von anderen unterscheidet.

Es trainiert keine großen Modelle. Sein erster zahlender Kunde war die CIA, und in den folgenden zwei Jahrzehnten bediente es hauptsächlich US-Regierungsbehörden, das FBI und das Militär, aber auch Branchen wie Energie, Luftfahrt und Gesundheitswesen. Bei seinem Börsengang im Jahr 2020 wurde es fast von allen führenden Wagniskapitalgebern im Silicon Valley skeptisch beurteilt, doch in den darauffolgenden fast sechs Jahren stieg sein Marktwert um mehr als das 20-fache. Allein im Jahr 2025 kletterte der Marktwert von 170 Milliarden US-Dollar auf 420 Milliarden US-Dollar. Bis Anfang Juli 2026 stabilisierte er sich über 300 Milliarden US-Dollar.

Der Name des Unternehmens ist Palantir. Der im Mai veröffentlichte Q1-Finanzbericht zeigt einen Quartalsumsatz von 1,63 Milliarden US-Dollar, eine jährliche Wachstumsrate von 85 % und eine Betriebsmarge von über 60 %.

Auf der anderen Seite des Pazifiks zielt eine Reihe chinesischer Unternehmen genau auf diese Position ab.

Am 3. November 2025 notierte „Minglue Technology“, die als „erste Aktie des Agentic-KI-Sektors“ gilt, zu einem Ausgabepreis von 141 Hongkong-Dollar. Der Eröffnungskurs stieg um 117,73 % und der Marktwert überschritt sofort 40 Milliarden Hongkong-Dollar. Drei Monate später stieg der Eröffnungskurs von „Haizhi Technology“ (genannt „AI Harness“) am ersten Handelstag zeitweise um 260 %, und der Marktwert erreichte vorübergehend 39 Milliarden Hongkong-Dollar.

Zusammen mit Unternehmen wie Xunce Technology und dem früher notierten Fourth Paradigm haben sich in den letzten mehr als einem Jahr an der Hongkong-Börse aufeinanderfolgende neue „KI-to-B“-Aktien vorgestellt – und fast alle erzählen ausnahmslos dieselbe Geschichte: das „chinesische Palantir“.

Die Umgestaltung von Unternehmensproduktionsprozessen durch KI ist eine Richtung, auf die in den letzten zwei Jahren wiederholt gesetzt wurde, aber bis heute hat sich noch kein echter skalierbarer geschlossener Kreislauf etabliert. Palantir hat dafür mit zwei Jahrzehnten Vorlauf eine Art Antwort gegeben – und seine „Lehrlinge“ setzen darauf, dass sie dasselbe im heimischen Markt umsetzen können.

01. Mit Kunden wie CIA und FBI zu einem Marktwert von 300 Milliarden US-Dollar

Palantir wurde 2003 gegründet. Sein technologischer Ausgangspunkt unterscheidet sich grundlegend von den KI-Unternehmen im Mainstream des Silicon Valleys: Der Gründer Peter Thiel wollte zunächst ein Big-Data-Analyseunternehmen aufbauen, das Terrorismus vorhersagen und bei seiner Bekämpfung unterstützen sollte.

Die erste externe Finanzierung nach der Unternehmensgründung kam von In-Q-Tel, der Wagniskapitalgesellschaft der CIA. Im Jahr 2005 erhielt Palantir eine Investition von etwa 2 Millionen US-Dollar von In-Q-Tel – und die CIA wurde damit der erste zahlende Kunde von Palantir.

In den frühen Jahren konzentrierte sich Palantir ausschließlich auf das „to G“-Geschäft (Geschäfte mit Regierungsbehörden). Sein erstes Produkt hieß Gotham und lieferte hauptsächlich Big-Data-Analysedienste für Regierung, Verteidigung, Geheimdienste und Strafverfolgungsbehörden – darunter Kunden wie das US-Militär, die CIA, das FBI und die NSA.

Nachdem das Unternehmen bestimmte technische Fähigkeiten aufgebaut hatte, stieg es um 2016 in das „to B“-Segment ein und brachte das Produkt Foundry auf den Markt. Es positionierte sich als „zentrales Betriebssystem für Unternehmen“ und übertrug die in Regierungsszenarien erprobten Fähigkeiten auf Unternehmenskunden. Ein typisches Beispiel ist die Zusammenarbeit von Airbus und Palantir bei der Plattform Skywise, die Millionen von Flugzeugteilen und komplexen Lieferketten digital verwaltet.

Die zugrundeliegende Logik seiner Dienste basiert auf einem immer wieder erläuterten Konzept: der „Ontologie“. Einfach ausgedrückt ist eine „Ontologie“ ein Index, der alle Wissensbestimmungen einer bestimmten Branche semantisch vereinheitlicht – bildhafter gesprochen ein „Gehirn“, das alles Wissen einer Branche beherrscht.

Das Konzept klingt abstrakt, aber sein Wert zeigt sich erst in konkreten Anwendungsfällen.

He Feihong, CFO von Haizhi Technology, erzählte dem Medienprojekt „Dingjiao One“: Nehmen wir als Beispiel die Energiewirtschaft. Wenn ein allgemeines großes Modell mit der Frage konfrontiert wird „Warum sind die Ausfälle von 110-Kilovolt-Transformatoren in letzter Zeit teurer geworden?“, liefert es oft eine neutrale Analyse – etwa dass die Anzahl der Ausfälle um 18 % gestiegen ist, die Reparaturdauer um 6 Stunden zugenommen hat und die Kosten für Ersatzteile um 12 % gestiegen sind.

Das ist eine „vermeintlich zuverlässige“ KI-Antwort, aber sie kann dem Verantwortlichen für den Betrieb nicht sagen, was als Nächstes zu tun ist. Ein Agent, der auf einer „Ontologie“ aufbaut, würde hingegen wie ein erfahrener Techniker für Stromversorgung denken: „Haben wir bei dieser Charge von Transformatoren Probleme? Sind sie aus derselben Charge wie die Transformatoren mit Problemen im letzten Jahr? Bedeutet das, dass die Qualität dieser Charge insgesamt schlecht ist? Wenn ja, welche anderen Transformatoren desselben Modells sind derzeit in unserem Stromnetz im Einsatz?“

Der Unterschied liegt darin: Erstere verarbeitet nur Informationen, Letztere greift auf einen ganzen Bestand an branchenspezifischen Logiken und Abläufen zurück.

Die Ontologie löst das Problem der Praktikabilität – während das Konzept des „FDE“ die Frage der Umsetzung adressiert. FDE steht für „Forward Deployed Engineer“ (vor Ort eingesetzter Ingenieur), eine von Palantir entwickelte einzigartige Bereitstellungsmethode. Im Kern macht das FDE-Modell die Dienstleistungsfähigkeiten von Beratungsunternehmen zu einem Produkt: Ingenieure werden direkt zum Produktionsstandort des Kunden entsandt, bleiben dort oft mehrere Monate und helfen, die Software in allen Abläufen des Geschäfts zu implementieren.

Dieses Modell erfordert in der Anfangsphase sehr hohe Investitionen: Die Personalkosten eines erfahrenen FDE sind weitaus höher als die eines normalen Ingenieurs. Sobald aber die „Ontologie“ einer Branche etabliert ist, sinken die Kosten für die Betreuung des zweiten Kunden in derselben Branche stark – die Grenzkosten nähern sich mit steigender Kundenzahl der Null an. Deshalb liegt die Bruttomarge von Palantir seit langem stabil über 80 %.

Bevor die KI-Welle aufkam, funktionierte dieses Geschäftsmodell von Palantir bereits über Jahre stabil – aber die Kapitalmärkte bewerteten es nicht höher als ein normales SaaS-Unternehmen.

Was den Wert dieses Modells tatsächlich auf eine Bewertung von 300 Milliarden US-Dollar hob, war die Einführung von AIP (Artificial Intelligence Platform) durch Palantir im Jahr 2023.

AIP ist kein eigenständiges Produkt, sondern eine KI-Orchestrierungsoberfläche, die auf der Ontologie-Schicht von Foundry aufbaut. Es erfüllt zwei zentrale Funktionen: Erstens integriert es große Modelle als austauschbare Komponenten – Unternehmen können zwischen GPT, Claude, Gemini oder Open-Source-Modellen wählen, und AIP sorgt dafür, dass die Schlussfolgerungsfähigkeiten dieser Modelle auf die eigene Ontologie des Unternehmens angewendet werden. Zweitens macht es den Bereitstellungsprozess, der früher monatelange individuelle Absprachen erforderte, zu einer Plattformlösung: Unternehmen können innerhalb weniger Wochen oder sogar Tage einen KI-Agenten aufbauen, der in ihren eigenen Geschäftsabläufen funktioniert.

Diese Bedeutung geht weit über reine Effizienzsteigerung hinaus: Sie wandelt Palantir von einem Datenanalyseunternehmen zu einem Einstiegspunkt für die Schlussfolgerungsebene, über die Unternehmen KI integrieren.

Nach der Einführung von AIP beschleunigte sich das Umsatzwachstum von Palantir: Seit 2023 stieg das Quartalsumsatzwachstum von etwas über 10 % auf bis zu 85 %, und die Nettogewinnmarge erweiterte sich von rund 10 % im Jahr 2023 auf 54 % im ersten Quartal 2026.

Diese Kombination aus „FDE + Ontologie + AIP“ entwickelt sich zu einem Standardmodell, mit dem KI tatsächlich in Unternehmensproduktionsprozesse einzieht.

02. Vier Arten von Unternehmen in China, die Palantir als Vorbild nehmen

Auf dem chinesischen Markt werden die Begriffe „KI-to-B“ und „Palantir“ fast gleichzeitig in großem Umfang diskutiert.

Das ist kein Zufall: In den letzten zwei Jahren hat fast keine KI-Anwendung außerhalb des Codierens einen echten streng definierten geschlossenen kommerziellen Zyklus erreicht.

Zhang Huan, Vizepräsident für strategische Entwicklung bei Haizhi Technology, erzählte „Dingjiao One“: Derzeit konzentrieren sich die meisten Unternehmensanforderungen auf Codier-Agenten, hauptsächlich weil weitere Formen von Agenten noch nicht ausgereift sind. Aber Codieren hat seine Grenzen: Es erweitert vor allem die individuellen Fähigkeiten und ist eine Anwendung, die sich von unten nach oben aus persönlichen Bedürfnissen entwickelt hat. Für große Unternehmen hingegen erfordern „to B“-Agenten eher eine komplexere, systematische Gestaltung von oben nach unten.

Darüber hinaus deckt das Codieren nur einen stark standardisierten Produktionsbereich für Unternehmen ab – es verursacht hohe Rechenkosten und weist geringe Kundenbindung auf. Auf dem Markt gibt es viele Codierprodukte: Unternehmenskunden entscheiden sich meist für das leistungsstärkste oder kostengünstigste Angebot, und der Wechsel von einem Codier-Agenten zu einem anderen ist fast ohne Kosten möglich.

Die Kunden von Palantir verhalten sich völlig anders: Die Kern-Daten, die zur Erstellung der „Ontologie“ benötigt werden, stellen den größten Wechselaufwand dar. Sobald große Kunden ihre gesamten Geschäftslogiken auf der Plattform betreiben, sind die Kosten für einen Anbieterwechsel so hoch, dass ein Austausch praktisch unmöglich wird.

Das bedeutet: Wenn ein chinesisches Unternehmen dieses Modell mit hohen Bruttomargen, hoher Kundenbindung, hohen Preisen und engen Kundenbeziehungen erfolgreich im Inland umsetzt, wird seine Bewertungsobergrenze weit über die aller derzeitigen Konkurrenten hinausgehen.

Die Unternehmen, die derzeit um den Titel des „chinesischen Palantir“ konkurrieren, lassen sich grob in vier Kategorien einteilen.

Die erste Kategorie umfasst große Modellunternehmen und Cloud-Anbieter. Unternehmen wie Zhipu, Moonshot AI und MiniMax – die auf große Modelle spezialisiert sind – sind streng genommen keine direkten Konkurrenten des „chinesischen Palantir“. Ihre Position ist eher die von Anbietern von Modellfähigkeiten.

Zhipu hat früher an Wissensgraphen gearbeitet – eine technische Umsetzungsform der „Ontologie“. Aber statt selbst „to B“-Dienste anzubieten, sind Modellunternehmen eher bereit, tief mit Anbietern von unternehmensweiter KI zusammenzuarbeiten. Der Grund liegt auf der Hand: Ihnen fehlt das branchenspezifische Know-how, und sie haben keine Ressourcen, um FDE-Dienste für Unternehmenskunden aufzubauen.

Die Akteure unter den Cloud-Anbietern, die tatsächlich die gesamten Fähigkeiten für den Palantir-Pfad besitzen, sind Unternehmen wie Baidu, Huawei, Alibaba und Tencent. Sie verfügen über umfassendere „to B“-Dienstleistungsfähigkeiten und bieten bereits KI-Dienste für Regierungen, Polizeibehörden, Energieversorger oder Unternehmenskunden an – ihr Geschäftsmodell ähnelt damit Gotham oder Foundry von Palantir sowie einer Kombination aus beiden.

Die zweite Kategorie potenzieller „chinesischer Palantir“ sind Beratungsunternehmen und traditionelle SaaS-Unternehmen.

Accenture, Deloitte, McKinsey und KPMG überschneiden sich in den USA teilweise mit Palantirs Geschäft: Sie alle nutzen personalintensive Dienstleistungen, um Kunden zu erreichen. Aber dieser Weg ist in China nur schwer gangbar.

Große chinesische Unternehmen sind selten bereit, direkt für „Beratung“ zu zahlen. Projektbezogene Dienstleistungen führen kaum zu wiederverwendbaren Produktressourcen – und die Märkte gewähren solchen Akteuren keine ausreichenden Bewertungsprämien.

Die dritte Kategorie sind Unternehmen für Datenverwaltung. Diese Unternehmen sind meist aus Bereichen wie Datenplattformen und Echtzeit-Datenverarbeitung hervorgegangen. Sie beherrschen die Integration, Bereinigung, Verwaltung und visuelle Analyse von Daten aus unterschiedlichen Quellen, verfügen über ausgeprägte Fähigkeiten zur Integration grundlegender Daten und haben einen Bestand an branchenspezifischem Wissen aufgebaut. Sie alle betreiben eine KI-Dienstleistungsplattform, die auf diesen Daten basiert – Beispiele sind Fourth Paradigm, Deep Data und Xunce Technology.

Ein Branchenkenner erzählte „Dingjiao One“: Die Dienste, die diese Datenverwaltungsunternehmen anbieten, ähneln denen von Palantir – aber ihre gemeinsame Schwäche ist eine unzureichende „Ontologie“. Zwischen der reinen Datenverwaltung und der vollständigen Ontologie klafft eine große technische Lücke. „Wenn reine Datenverwaltung ausreichen würde, um alles zu revolutionieren, hätte Snowflake Palantir längst überholt – aber das ist nicht passiert.“

Die letzte Kategorie umfasst branchenspezifische KI-Unternehmen. Im Vergleich zu Datenverwaltungsunternehmen gehen sie bei den Fähigkeiten zur „Ontologie“ noch viel tiefer.

In anspruchsvollen Produktionsszenarien benötigen Unternehmen meist deterministische Ausführungsfähigkeiten: Der gesamte Schlussfolgerungsprozess der KI muss erklärbar, nachvollziehbar und prüfbar sein. Unter diesen Anforderungen können Vektordaten oder einfache visuelle Daten oft nicht alle Produktionsfaktoren eines Unternehmens genau beschreiben.

Nehmen wir als Beispiel die Eigentumsverhältnisse eines Unternehmens: Gibt es nur zwei Aktionäre mit jeweils 50 % Anteil, lässt sich das mit einem einfachen Satz (Vektordaten) oder einem Diagramm genau darstellen. Bei 20 Aktionären mit unterschiedlichen Beteiligungsquoten und mehrschichtigen Eigentumsstrukturen reichen Sprache oder einfache Grafiken aber nicht mehr aus.

Die derzeit gängige Lösung in der Branche sind Wissensgraphen: Sie nutzen Graphdaten, um über Vektor- und Relationsdaten hinweg weitere Abstraktionen und Modellierungen durchzuführen. Die technischen Hürden sind höher als bei der reinen Datenverwaltung – Unternehmen brauchen starke Kompetenzen im Bereich Hochleistungsrechnen.

Vertreter auf diesem Weg sind Minglue Technology (genannt „erste Aktie des Agentic-KI-Sektors“), Trs (das mit NLP begann und sich auf vertikale große Modelle spezialisiert hat), Ant Group (das seit Jahren im Bereich Wissensgraphen im Finanzsektor führend ist) sowie Haizhi Technology (das mit Regierungsdiensten startete