Saat pengguna bertanya, “Satuan militer musuh apa yang berada di wilayah ini?” Asisten AIP memperkirakan bahwa itu “kemungkinan merupakan batalyon serang lapis baja berdasarkan pola peralatan yang terlihat.” Hal ini mendorong analis untuk meminta drone MQ-9 Reaper guna mensurvei lokasi kejadian. Mereka kemudian meminta Asisten AIP untuk “menghasilkan tiga opsi tindakan untuk menyasar peralatan musuh ini,” dan dalam sekejap, asisten tersebut menyarankan serangan terhadap unit tersebut menggunakan “aset udara,” “artileri jarak jauh,” atau “tim taktis.” Pengguna menyuruh asisten untuk mengirim opsi-opsi ini kepada seorang komandan fiksi, yang akhirnya memilih tim taktis.
Langkah-langkah terakhir berlangsung cepat: Analis meminta Asisten AIP untuk “menganalisis medan tempur,” lalu “menghasilkan rute” bagi pasukan untuk mencapai musuh, dan akhirnya “menempatkan penjammer” untuk menyabot peralatan komunikasi mereka. Dalam hitungan detik, analis melakukan tinjauan akhir terhadap rencana pertempuran dan memerintahkan pasukan untuk bergerak.
Dalam skenario ini, Claude akan menjadi “suara” dari Asisten AIP, dan “proses penalaran” yang digunakannya untuk menghasilkan respons. Demo AIP lainnya menunjukkan pengguna berinteraksi dengan model bahasa besar dengan cara yang hampir sama. Dalam sebuah blog yang diterbitkan pekan lalu, contohnya, Palantir merinci bagaimana NATO, seorang pelanggan Maven Smart Systems, dapat menggunakan Agen AIP di dalam alat tersebut.
Dalam satu grafis, Palantir menunjukkan bagaimana kontraktor pertahanan pihak ketiga dapat memilih dari beberapa model AI bawaan Palantir, termasuk berbagai versi ChatGPT dari OpenAI dan Llama dari Meta. Pengguna memilih GPT 4.1 dari OpenAI, namun tampaknya, di sinilah seorang prajurit juga akan memiliki opsi untuk memilih Claude.
Seorang analis kemudian melihat peta digital yang menunjukkan lokasi pasukan dan senjata. Dalam panel berlabel “COA” (kursus-kursus tindakan), mereka mengklik tombol yang memicu alat bertenagakan GPT-4.1 untuk menghasilkan lima kemungkinan strategi militer, termasuk satu yang disebut “Support-by-Fire-then-Penetration-Shock-and-Destruction.”
Contoh lain menunjukkan bagaimana sistem dapat membantu menginterpretasi citra satelit: Analis memilih tiga deteksi truk tangki di peta, memuatnya ke antarmuka chat Agen AIP, dan memintanya untuk “menginterpretasi” citra tersebut serta menyarankan opsi untuk tindakan selanjutnya.
Claude juga mungkin digunakan oleh militer untuk membuat penilaian intelijen yang dapat menginformasikan perencanaan serangan di kemudian hari. Pada Juni 2025, WIRED menyaksikan demonstrasi yang diberikan oleh Kunaal Sharma, seorang pimpinan sektor publik di Anthropic, yang menunjukkan bagaimana versi enterprise Claude dapat digunakan untuk menghasilkan laporan “lanjutan” tentang serangan drone Ukraina nyata yang dijuluki “Operasi Jaring Laba-Laba.” Dalam demo tersebut, Sharma menjelaskan, Claude hanya mengandalkan informasi yang tersedia untuk publik. Namun dengan bermitra bersama Palantir, katanya, pemerintah federal juga dapat menarik data dari kumpulan data internal.
“Ini biasanya sesuatu yang mungkin saya lakukan selama lima jam dengan secangkir kopi, membaca Google, menelusuri think tank, dan mulai menulis laporan serta kutipan, dan seterusnya,” ujar Sharma. “Tapi saya tidak punya waktu sebanyak itu.”
Dalam demo, Sharma meminta Claude untuk membuat “dasbor interaktif” dengan informasi tentang Operasi Jaring Laba-Laba, lalu menerjemahkannya menjadi “tipe-tipe objek” yang dapat dianalisis di Foundry, salah satu produk perangkat lunak siap pakai Palantir. Ia juga meminta Claude untuk menulis analisis mendalam tentang perkembangan terkini di provinsi-provinsi perbatasan Rusia, serta ringkasan 200 kata tentang “efek militer dan politik” operasi tersebut.
“Sejujurnya, saya telah membaca hal-hal seperti ini selama dua puluh tahun—saya dulu menulisnya, saya sendiri dulu adalah seorang akademisi,” kata Sharma. “Ini sebenarnya cukup bagus.”