Cada presentación de la junta directiva de las empresas parece tener ahora un mandato de IA. Las compañías están alimentando a los modelos de lenguaje de gran tamaño con registros de clientes, documentos de estrategia interna y analíticas propietarias a un ritmo que habría parecido temerario hace apenas tres años. La mayor parte de este tráfico fluye hacia sistemas de código cerrado. Son convenientes, potentes y están alojados por terceros. Arthur Mensch, fundador de Mistral AI, cree que esta conveniencia conlleva un impuesto oculto que podría superar cualquier cuota de suscripción.

Mensch ha sido enfático sobre un peligro específico: cuando ejecutas tu negocio a través de un modelo propietario, no solo estás alquilando capacidad de cómputo. Le estás entregando al laboratorio que lo construyó un mapa detallado de tus operaciones. Estos proveedores almacenan volúmenes enormes de datos de interacción con los clientes para perfeccionar sus sistemas. Con el tiempo, esos datos revelan patrones. Ven cómo fijas los precios de tus productos, cómo segmentas a tus audiencias, cómo identificas riesgos y cómo detectas oportunidades. Mensch advierte que algunos laboratorios ya han mostrado disposición a utilizar esta inteligencia para dirigirse a sus propios clientes, entrando en mercados una vez que comprenden exactamente dónde se encuentran los beneficios.

Su consejo es tajante. "Si no está en tus manos, no será tu crecimiento". El remedio que ofrece es la soberanía: trasladar los datos a sistemas abiertos, imponer reglas de acceso estrictas e invertir en flujos de entrenamiento propietarios. Esto no es una fantasía paranoica. Es seguridad de la cadena de suministro aplicada a la cognición. Uno no le entregaría a su proveedor los planos de su fábrica. Mensch sostiene que no se debería entregar a su proveedor de IA el equivalente al manual de estrategia institucional de la empresa.

Por qué los pesos del modelo son su memoria corporativa

La idea encuentra apoyo en un rincón inesperado de la industria tecnológica. Alex Karp, CEO de Palantir, enmarca el problema con una frase que ya está circulando en los círculos de defensa y finanzas: "controlar tus pesos es controlar tu destino".

Para entender por qué esto es importante, ayuda pensar en qué representan realmente los pesos de un modelo. En el aprendizaje automático, los pesos son los miles de millones de parámetros ajustados que convierten los datos brutos en predicciones útiles. Cuando entrenas o realizas un ajuste fino (fine-tuning) de un modelo con tus propios datos —tu historial de abandono de clientes, tus imágenes de diagnóstico, tus casos de optimización logística— ese conocimiento se comprime en los pesos. Se convierten en una especie de memoria corporativa, codificando decisiones y experiencia que tomó años acumular.

Si alquilas un modelo de vanguardia y simplemente le proporcionas tus secretos mediante prompts, nunca poseerás ese conocimiento destilado. Peor aún, tu proveedor absorbe cada señal. Cada consulta enseña a su sistema un poco más sobre tu sector. Su próxima actualización de modelo podría internalizar la ventaja competitiva misma que te hizo exitoso. Karp llama a esto tu "alpha", la ventaja de rendimiento única que te separa del resto. Externalizar tus pesos significa externalizar tu alpha. En ese punto, la IA deja de ser una herramienta y se convierte en un conducto para transferir tu experiencia a un competidor.

La ventaja del ajuste fino

El experimento de Bridgewater demuestra que hay otro camino. El fondo de cobertura trabajó con Thinking Machines Lab para realizar un ajuste fino del modelo de código abierto Qwen3-235B. En lugar de enviar evaluaciones de inversores propietarias a una API de caja negra, mantuvieron los datos internamente y adaptaron el modelo a sus necesidades específicas. Los resultados fueron contundentes. En el análisis de documentos financieros, su modelo ajustado alcanzó un 84,7 por ciento de precisión. El mejor modelo cerrado de vanguardia solo logró un 78,2 por ciento.

Esa brecha es importante en las finanzas, donde un