Co dobre z Palantira można wykorzystać w podejściu do danych
Michał Nowakowski · 7 października 2026
Palantir* to amerykański „kombajn” od danych. Kombajn, wokół którego pojawia się wiele kontrowersji, ale czy wszystko jest „złe”?
Palantir* to amerykański „kombajn” od danych. Kombajn, wokół którego pojawia się wiele kontrowersji, ale czy wszystko jest „złe”?
Krótka odpowiedź brzmi: nie. Samo podejście Palantira do danych to szereg dobrych praktyk, które mogą doprowadzić nas do lepszych decyzji biznesowych. Oczywiście pod warunkiem, że jesteśmy gotowi, bo narzędzia to tylko narzędzia, a organizacja ma swoje - działające lub nie - polityki, procesy i odpowiedzialności. Tym wszystkim trzeba jakoś zarządzić. A przecież nie wszyscy będą naszymi sprzymierzeńcami.
Ale zanim przejdziemy dalej to ważny komunikat! Uruchomiłem kolejną (4tą) edycję szkolenia "Zostań AI Governance Officerem", które odbędzie się już 27 października. Zapisy tutaj. Niedługo pojawi się też informacja o szkoleniu w zakresie Cyberresilience Act, ale musicie mi dać jeszcze chwilkę :) W ostatni wtorek zrealizowaliśmy z Polski Fundusz Rozwoju S.A. (PFR) pierwszy moduł w ramach cyklu webinarów "AI Governance dla przedsiębiorców" - kolejny już w najbliższy wtorek.
Wróćmy jednak do meritum, bo pewnie na to czekacie.
Muszę, choć z ciężkim sercem, odłożyć na bok wiele wątpliwości etycznych dotyczących tego, co robi Palantir w obszarze inwigilacji i polityki, choć to niezwykle ciekawy wątek (wrócę do niego krótko w podsumowaniu). Chciałbym bardziej skupić się na modelu, który pozwala lepiej patrzeć na dane i wykorzystywać je w układzie:
Dane -> decyzja -> działanie Ten układ jest sensowny i skłania nas do myślenia o danych jako o punktach wyjścia, które możemy wykorzystać, aby podejmować lepsze decyzje biznesowe, a później - na podstawie tych decyzji - konkretne działania. Palantir opanował to niemal do perfekcji. I wcale nie zaczął od ilości danych, jak mogłoby się wydawać, ale raczej od ich znaczenia i wzajemnych powiązań.
Opracowanie na podstawie publicznej dokumentacji Palantira oraz modelu Astra. Mało tego, skupił się na czymś, co niestety jest często ignorowane - ontologii, czyli uspójnieniu pojęć biznesowych i ich relacji, m.in. do procesów. To nieco szersze pojęcie niż słowniczek pojęć, ale jeżeli do słowniczka dodamy „strzałki”, które pokazują, gdzie dana definicja może mieć wpływ, np. na raportowanie, to mniej więcej tak to będzie wyglądać. Z jedną istotną różnicą. Ontologia Palantira opisuje nie tylko pojęcia („rzeczowniki”), ale też to, co można z nimi zrobić („czasowniki”). Dlatego służy nie tylko do analizy, lecz także do wykonywania działań.
I tak powinno to wyglądać - najpierw skrupulatnie analizujemy stan obecny, patrzymy, jak i gdzie wykorzystujemy konkretne pojęcia, poprawiamy, jeżeli zachodzi taka konieczność, i dopiero wtedy wprowadzamy elementy analityki i automatyzacji.
Ontologia Palantira (rdzeń platform Foundry i AIP) opiera się na czterech filarach:
✅ danych, które w organizacji znajdują się w różnych miejscach, np. w systemach ERP i CRM czy czujnikach maszyn przemysłowych,
✅ logice, czyli regułach biznesowych, obliczeniach i modelach, na podstawie których oceniamy sytuację i decydujemy, co zrobić,
✅ działaniach, które mają znaczenie w kontekście naszych danych i konkretnego „biznesu”,
✅ bezpieczeństwie, czyli zasadach określających, kto co może zobaczyć i zrobić.
O co właściwie chodzi?
W dużym uproszczeniu chodzi o to, że dane opisują istniejący stan rzeczy w organizacji: obiekty (np. produkt, klienta czy serwer), ich właściwości i aktualny stan oraz powiązania między nimi. Logika to reguły biznesowe, obliczenia i modele (także AI), które na podstawie tych danych pozwalają ocenić sytuację i wskazać, co należy zrobić. To tutaj zapada „decyzja” z naszego układu.
Z kolei działania określają, co możemy zrobić z obiektami, a więc np. wykorzystać serwer do posadowienia jakiejś usługi cyfrowej albo zmienić status zamówienia. Co ważne, wynik działania trafia z powrotem do systemów źródłowych, a nie kończy się na raporcie. Bezpieczeństwo oznacza pewne „ograniczenia”, które powodują, że działania nie odbywają się bez kontroli, np. uprawnień do działania, i że da się odtworzyć, kto, co i kiedy zrobił.
Pełna ontologia będzie więc składała się przykładowo z następujących elementów (tutaj posłużyłem się przykładem wypromptowanym w modelu Astra na bazie przykładu zaproponowanego przez Palantir).
Przykład producenta wyrobów medycznych
Dane - ERP zawiera numer partii i zapasy, system jakości wyniki testów, a czujniki historię temperatury produkcji. Obiekty i powiązania - obiekt „partia produkcyjna” łączy te informacje. Ma właściwości, np. status jakości, i powiązania z produktem, maszyną oraz zamówieniami. Logika - reguła sprawdza, czy temperatura przekroczyła dopuszczalny próg. Model może dodatkowo oszacować ryzyko wady. Działanie -„Zablokuj partię” zmienia status, wstrzymuje wydanie z magazynu i uruchamia kontrolę jakości. Bezpieczeństwo - operator może odczytać status, ale zwolnienie partii wymaga uprawnień osoby odpowiedzialnej za jakość. System rejestruje wykonane czynności.
Mając tak opisaną organizację lub jej część, jesteśmy w stanie stworzyć wirtualny obraz organizacji (lub jej części) - Palantir mówi tu o „cyfrowym bliźniaku” organizacji. Wydaje się to fantastycznym rozwiązaniem i tak właśnie jest, ale…
… niestety nie jest to sprawa prosta do ogarnięcia. Wiele organizacji ma bałagan w danych (te same pojęcia inaczej zdefiniowane, sypiąca się struktura czy liczne błędy), co utrudnia nam osiągnięcie stanu docelowego. Tym właśnie zajmujemy się, tworząc nasze Data Governance i model zarządzania danymi.
Wymaga to jednak przede wszystkim nie Palantira czy innego dostawcy, ale zaangażowania interesariuszy, bowiem naszym zadaniem będzie m.in. określenie:
✅ kto odpowiada za konkretne definicje i obszary,
✅ według jakich kryteriów uznajemy „coś” za „coś” (np. kiedy klient jest „aktywny”, a partia „zgodna”),
✅ kto może wprowadzać zmiany w regułach czy zatwierdzać wyjątki,
✅ kto może zrealizować konkretne działanie oraz
✅ w jaki sposób odtworzyć proces decyzyjny (kto, kiedy i na jakiej podstawie podjął decyzję).
I to jest właśnie kluczowy obszar dla budowania naszego Data Governance, ale wymaga on poważnych decyzji, między innymi dotyczących tego:
✅ jaki model zarządzania danymi wybieramy, np. federacyjny vs. scentralizowany,
✅ kto będzie właścicielem poszczególnych domen danych, a nawet jakie domeny w ogóle chcemy wyodrębnić,
✅ kto ma odpowiadać za bieżącą opiekę nad danymi oraz kwestie koordynacji i wsparcia (tzw. data stewards),
✅ jakie rozwiązania technologiczne będziemy wykorzystywać na co dzień,
✅ jakie zależności będą występowały i jak połączymy procesy oraz systemy zarządzania w naszej organizacji.
Stąd też zanim podejmiemy decyzję (skądinąd dobrą!) o pójściu w narzędzia, warto odrobić pracę domową i upewnić się, że jesteśmy w stanie unieść ciężar wdrożenia. Oczywiście odkładanie tego na później nie jest też najlepszą metodą, bo pogłębia tylko nasz „dług” (technologiczny i organizacyjny), ale zawsze można rozłożyć sobie to na etapy do realizacji w sensownych i przewidywalnych cyklach finansowych.
Czas więc na odpowiedź na tytułowe pytanie - czy podejście do danych amerykańskiego giganta jest do skopiowania? I czy powinniśmy to robić? To nie jest nadzwyczajny model - jego fundamenty (wspólne definicje, właścicielstwo, jakość i bezpieczeństwo danych) są dość typowe i można je z łatwością odnaleźć w najlepszych standardach, jak chociażby DAMA-DMBOK. Technologicznie Palantira wyróżnia przede wszystkim spięcie tych elementów z działaniami w jednej platformie - decyzja od razu trafia do systemów operacyjnych i może wywoływać konkretne skutki biznesowe.
Poza tym jego unikalność tkwi w skali, relacjach politycznych i - w mojej ocenie - możliwemu poświęceniu niektórych ważnych wartości (w tym prywatności) w imię „bezpieczeństwa”. Przykłady dotyczą między innymi wykorzystania systemów Palantira przez ICE czy resorty obrony niektórych państw. I choć pewnie - nie zawsze - intencje mogą być dobre, to wykonanie… No cóż, budzi wątpliwości.
Palantir, pomimo deklaracji na swojej www, że postępuje odpowiedzialnie, z dość dużą swobodą może dążyć do odstępstw od stosowania niektórych zasad etycznej AI, czego przykładem jest mówienie o ochronie prywatności czy pozytywnym wpływie na społeczeństwo i jednoczesne wykorzystywanie narzędzi w obszarach wojskowych czy migracyjnych w zakresie wątpliwym - to się zwyczajnie kłóci. A „moje” podejście do danych jednak zakłada, że takie odstępstwo to wyjątek, a nie reguła, i wymaga konkretnego uzasadnienia. No, ale to materiał na inny felieton.
Tak czy inaczej, samo podejście do danych jest do skopiowania - i warto to robić, o ile kopiujemy sposób porządkowania danych i decyzji, a niekonicznie podejście do etyki. Oczywiście blokadą mogą być pieniądze i zasoby (w tym kompetencyjne). No, ale się da ; ) Trzeba tylko chcieć (i mieć trochę szczęścia).
Dla zainteresowanych dość dziwny manifest Palantira, który również wywołał wiele wątpliwości.
"*" Palantir posłużył mi tutaj jako przykład sukcesu biznesowego w podejściu do mądrego zarządzania danymi, a nie jako podmiot krytyki. Wątpliwości etyczne są, ale nie mi je rozstrzygać.