يبدو أن كل عرض تقديمي لمجلس إدارة الشركات الآن يتضمن تفويضاً بالذكاء الاصطناعي. تقوم الشركات بتغذية النماذج اللغوية الكبيرة بسجلات العملاء، ووثائق الاستراتيجية الداخلية، والتحليلات المملوكة لها، بوتيرة كانت ستعتبر متهورة قبل ثلاث سنوات فقط. يتدفق معظم هذا المحتوى إلى أنظمة مغلقة المصدر؛ فهي مريحة وقوية ويستضيفها طرف آخر. ويعتقد آرثر منش، مؤسس Mistral AI، أن هذه الراحة تحمل ضريبة خفية قد تتجاوز أي رسوم اشتراك.
كان منش صريحاً بشأن خطر محدد: عندما تدير أعمالك من خلال نموذج مملوك، فأنت لا تستأجر قدرات حوسبية فحسب، بل تسلم المختبر الذي بناه خريطة مفصلة لعملياتك. يقوم هؤلاء المزودون بتخزين كميات هائلة من بيانات تفاعل العملاء لتحسين أنظمتهم، ومع مرور الوقت، تكشف تلك البيانات عن أنماط معينة. فهم يرون كيف تسعر منتجاتك، وكيف تقسم جمهورك، وكيف تحدد المخاطر، وكيف تقتنص الفرص. ويحذر منش من أن بعض المختبرات أظهرت بالفعل استعداداً لاستخدام هذه المعلومات لاستهداف عملائها، والدخول إلى الأسواق بمجرد فهمهم لمكان وجود الأرباح بالضبط.
نصيحته مباشرة: "إذا لم يكن الأمر في يديك، فلن يكون نموك ملكك". والعلاج الذي يقترحه هو السيادة: نقل البيانات إلى أنظمة مفتوحة، وفرض قواعد وصول صارمة، والاستثمار في مسارات تدريب مملوكة للشركة. هذا ليس خيالاً نابعاً من جنون الارتياب، بل هو أمن سلاسل التوريد المطبق على الإدراك. فأنت لن تعطي موردك المخططات الهندسية لمصنعك، ويجادل منش بأنه لا ينبغي لك إعطاء مزود الذكاء الاصطناعي ما يعادل "دليل قواعد العمل" الخاص بمؤسستك.
لماذا تُعد أوزان النماذج بمثابة ذاكرة شركتك
تجد هذه الفكرة دعماً من زاوية غير متوقعة في صناعة التكنولوجيا. إذ يصيغ أليكس كارب، الرئيس التنفيذي لشركة Palantir، القضية بعبارة بدأت تتردد بالفعل في أوساط الدفاع والتمويل: "السيطرة على أوزانك هي السيطرة على مصيرك".
لفهم سبب أهمية ذلك، من المفيد التفكير فيما تمثله أوزان النماذج فعلياً. في تعلم الآلة، الأوزان هي مليارات المعلمات (parameters) المضبوطة التي تحول البيانات الخام إلى تنبؤات مفيدة. عندما تقوم بتدريب نموذج أو ضبطه بدقة (fine-tune) باستخدام بياناتك الخاصة — مثل سجل فقدان العملاء، أو الصور التشخيصية، أو حالات تحسين اللوجستيات — يتم ضغط تلك المعرفة في الأوزان، لتصبح نوعاً من الذاكرة المؤسسية التي تشفر القرارات والخبرات التي استغرق تراكمها سنوات.
إذا استأجرت نموذجاً متطوراً (frontier model) واكتفيت بتزويده بأسرارك عبر الأوامر (prompts)، فلن تملك أبداً تلك المعرفة المستخلصة. والأسوأ من ذلك، أن مزود الخدمة يمتص كل إشارة؛ فكل استعلام يعلم نظامهم المزيد قليلاً عن قطاع عملك. وقد يستوعب التحديث القادم لنموذجهم الميزة التنافسية ذاتها التي جعلتك ناجحاً. يطلق كارب على هذا "ألفا" (alpha) الخاصة بك، وهي ميزة الأداء الفريدة التي تميزك عن الآخرين. إن الاستعانة بمصادر خارجية لأوزانك يعني التنازل عن ميزة "ألفا" الخاصة بك. وعند هذه النقطة، يتوقف الذكاء الاصطناعي عن كونه أداة ويصبح قناة لنقل خبراتك إلى منافس.
ميزة الضبط الدقيق
تُظهر تجربة Bridgewater أن هناك طريقة أخرى. فقد عمل صندوق التحوط مع Thinking Machines Lab لضبط نموذج Qwen3-235B مفتوح المصدر بدقة. وبدلاً من إرسال تقييمات المستثمرين الخاصة إلى واجهة برمجة تطبيقات (API) تعمل كصندوق أسود، احتفظوا بالبيانات داخلياً وقاموا بتكييف النموذج مع احتياجاتهم الخاصة. وكانت النتائج صارخة؛ ففي تحليل الوثائق المالية، حقق نموذجهم الذي تم ضبطه بدقة دقة بلغت 84.7%، بينما لم يحقق أفضل نموذج مغلق ومتطور سوى 78.2%.
هذه الفجوة تكتسب أهمية كبرى في القطاع المالي، حيث...