સત્ય નડેલાએ હમણાં જ તે લેબ્સ સાથે જાહેર વિવાદ શરૂ કર્યો છે જેમના નિર્માણમાં તેમની કંપનીએ મદદ કરી હતી. માઈક્રોસોફ્ટના ચીફ એક્ઝિક્યુટિવ દ્વારા એક સ્પષ્ટ ચેતવણી આપવામાં આવી છે કે કેવી રીતે સૌથી મોટી AI કંપનીઓ ડેટા માલિકીના નિયમોને ફરીથી લખી રહી છે, અને આ સંદેશ ખૂબ જ પ્રભાવશાળી રીતે પહોંચ્યો છે. તાજેતરના બ્લોગ પોસ્ટમાં, નડેલાએ OpenAI અને Anthropic સહિતની frontier labs પર એક સાઠગાંઠ વાળું (rigged) બજાર બનાવવાનો આરોપ લગાવ્યો છે. તેઓ વિશાળ મોડલ્સને તાલીમ આપવા માટે જાહેર ડેટાનો ઉપયોગ કરે છે, અને પછી તેમના terms of service નો ઉપયોગ કરીને કોઈપણને તે મોડલ્સ દ્વારા મળતા આઉટપુટમાંથી શીખતા અટકાવે છે. તેમનું કહેવું છે કે, તેનું પરિણામ મૂલ્યનું એકતરફી સ્થાનાંતરણ છે, જેમાં એન્ટરપ્રાઇઝે બિલ ચૂકવવું પડે છે અને સાથે સાથે તેમનું પોતાનું પ્રોપ્રાઇટરી જ્ઞાન (proprietary knowledge) પણ ગુમાવવું પડે છે.

The Distillation Double Standard

આ ફરિયાદ સમજવા માટે, આ લેબ્સ જે ટેકનિકને રોકવા માટે આટલી આતુર છે તેને જોવી મદદરૂપ થશે. Distillation એ એક સામાન્ય તાલીમ પદ્ધતિ છે જ્યાં નાનું, વિશિષ્ટ મોડલ શૂન્યથી ઇન્ટરનેટના કાચા લખાણને લેવાને બદલે મોટા મોડલના આઉટપુટમાંથી શીખે છે. એક સ્ટાર્ટઅપ અથવા રિસર્ચ ટીમ frontier model ને લાખો prompts આપી શકે છે, તેના પ્રતિસાદો મેળવી શકે છે, અને તે સમૃદ્ધ સિગ્નલનો ઉપયોગ કરીને એક compact model ને તાલીમ આપી શકે છે જે સ્થાનિક રીતે ચાલે છે અથવા કોઈ ચોક્કસ જરૂરિયાત પૂરી કરે છે. પાયાનું મોડલ (foundation model) શરૂઆતથી બનાવવાની સરખામણીમાં આ સસ્તું અને ઘણું ઓછું ઊર્જા-સંચાલિત છે.

OpenAI અને Anthropic બંને તેમની terms of service માં આ પ્રથા પર પ્રતિબંધ મૂકે છે. જ્યારે તેઓ પદ્ધતિસરનું distillation શોધી કાઢે છે, ત્યારે તેઓ તેને ઉલ્લંઘન તરીકે ગણે છે. આ અમલીકરણ ઘણીવાર હરીફોને નિશાન બનાવે છે, ખાસ કરીને ચીનમાં સ્થિત AI કંપનીઓને, જેમના પર મૂળ તાલીમ ખર્ચના અબજો ડોલર ખર્ચ્યા વગર આ પદ્ધતિનો ઉપયોગ કરીને ક્ષમતાના તફાવતને ઘટાડવાનો આરોપ છે.

નડેલાએ આ નીતિના કેન્દ્રમાં રહેલા તણાવ પર પ્રકાશ પાડ્યો હતો. આ જ લેબ્સે ઓપન વેબ, પુસ્તકો, ફોરમ્સ, code repositories અને લેખોમાંથી ડેટા મેળવીને (scraping) તેમના flagship models બનાવ્યા હતા... તે બધું જ એ કાનૂની દલીલ હેઠળ કરવામાં આવ્યું હતું કે જાહેર રીતે ઉપલબ્ધ ડેટા પર તાલીમ આપવી એ fair use છે. તેઓએ જાહેર સંસાધનોનો ઉપયોગ કર્યો. છતાં હવે તેઓ કાનૂની અવરોધો ઊભા કરે છે જેથી બદલામાં કોઈ પણ તેમના મોડલ આઉટપુટને જાહેર શિક્ષણ સામગ્રી તરીકે ઉપયોગ ન કરી શકે. તેઓ જાણે એમ કહેતા હોય તેમ લાગે છે કે, તમે વિશ્વના ખુલ્લા જ્ઞાનમાંથી શીખી શકો છો, પરંતુ અમારાથી કોઈ શીખી શકશે નહીં.

આ અસમાનતા શૈક્ષણિક ચર્ચાથી પણ આગળ મહત્વની છે. તે એક એવું વંશવેલો (hierarchy) સ્થાપિત કરે છે જ્યાં થોડાક ઇન્ફ્રાસ્ટ્રક્ચર પ્રદાતાઓ નિયંત્રિત કરે છે કે કોણ શું જાણશે. જો fair use માનવતાના પ્રકાશિત બુદ્ધિના ઉપયોગને યોગ્ય ઠેરવતું હોય, તો તે મોડલ્સના આઉટપુટ ખાનગીકરણ થયેલા જાહેર સંસાધનો (privatized commons) જેવા દેખાવા લાગે છે. હરીફો અને ગ્રાહકો બંનેને તે સિગ્નલનો ઉપયોગ નવા સાધનો બનાવવા માટે કરવામાંથી અવરોધવામાં આવે છે. બધું જ માત્ર સૌથી મોટી લેબ્સ તરફ જ જાય છે.

Paying Twice for Your Own Intelligence

નડેલાએ તેમણે જોતા આર્થિક જાળ માટે એક શબ્દપ્રયોગ કર્યો છે: “reverse information paradox.” તેમના મતે, એન્ટરપ્રાઇઝ અત્યારે આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે બે વાર ચૂકવણી કરી રહ્યા છે, અને તેમાંથી માત્ર એક જ ચૂકવણી ઇન્વોઇસમાં દેખાય છે.

પ્રથમ ખર્ચ સ્પષ્ટ છે. કંપનીઓ API credits ખરીદે છે, Copilot નું સબ્સ્ક્રિપ્શન લે છે, અથવા chatbot સેવાઓનું લાયસન્સ લે છે. બીજો ખર્ચ છુપાયેલો છે. જ્યારે પણ કોઈ કર્મચારી ખોટી રીતે રજૂ થયેલ તથ્ય (hallucinated fact) ને સુધારે છે, પ્રતિસાદને મદદરૂપ તરીકે રેટ કરે છે, અથવા જનરેટ થયેલ રિપોર્ટને સુધારે છે, ત્યારે તે ક્રિયાથી એ ઉત્પન્ન થાય છે જેને નડેલા “exhaust” કહે છે. તે વાસ્તવિક કામ દરમિયાન જનરેટ થયેલ સુધારાઓ, પસંદગીના ડેટા અને interaction logs નો માર્ગ છે.

આ exhaust ડિજિટલ કચરો નથી. તેમાં ઘણીવાર મહેનતથી મેળવેલ બિઝનેસ લોજિક હોય છે. લોજિસ્ટિક્સ ટીમ કંપનીએ વર્ષો સુધી વિકસાવેલા આંતરિક નિયમોનો ઉપયોગ કરીને શિપિંગ રૂટને શ્રેષ્ઠ બનાવવા માટે મોડલને prompt આપી શકે છે. કાનૂન વિભાગ કરારની ભાષાને વારંવાર સુધારી શકે છે જ્યાં સુધી આઉટપુટ કંપનીની શૈલી સાથે મેળ ન ખાય. ફાર્માસ્યુટિકલ રિસર્ચ ગ્રુપ ક્લિનિકલ ડેટા વિશે એવી રીતે પૂછપરછ કરી શકે છે જે વ્યૂહાત્મક પ્રાથમિકતાઓને પ્રગટ કરે છે. જ્યારે આ interactions થર્ડ-પાર્ટી API દ્વારા વહે છે, ત્યારે પ્રદાતા આખું વિનિમય જોઈ શકે છે. મોડલ શીખે છે કે તે ચોક્કસ ક્ષેત્ર માટે સારા જવાબો કેવા હોવા જોઈએ.

સમય જતાં, આ ફીડબેક પ્રદાતાના જનરલ મોડલને તે ચોક્કસ કાર્યોમાં વધુ સચોટ બનાવે છે જેના માટે ગ્રાહકે તેને રાખ્યું હતું. ત્યારબાદ પ્રદાતા તે સુધારેલી ક્ષમતા ગ્રાહકના હરીફને વેચી શકે છે, અથવા એવું ઉત્પાદન લોન્ચ કરી શકે છે જે તે વિશિષ્ટ કાર્યપ્રવાહની નકલ કરે છે. મૂળ એન્ટરપ્રાઇઝે સબ્સ્ક્રિપ્શન ફી ચૂકવી, તેની પોતાની વિશેષ કુશળતાનું દાન કર્યું અને અસરકારક રીતે તેના પોતાના હરીફને તાલીમ આપી દીધી.

Why Sovereign AI Is Moving From Buzzword to Strategy

The logical response to this drain is to reclaim control over the learning loop. Nadella’s argument is clearly designed to position Microsoft as a different kind of landlord. Rather than insisting customers feed their intelligence into a centralized black box, he is making the case for environments where the customer keeps the keys.

This is where the conversation around sovereign AI gains practical weight. Running models inside a private cloud, an on-premise data center, or a tightly controlled virtual network means the interaction data never leaves the organization’s perimeter. The enterprise still benefits from modern foundation models, but the weights, the prompts, and the preference data remain inside a boundary the company administers.

Microsoft has built its Azure cloud business around exactly this promise of private deployments and regional data residency. In his post, Nadella signaled that Microsoft wants to be the platform where enterprises can host their own training and inference without inadvertently shipping their intellectual property to a distant model provider. The pitch is straightforward: use powerful AI, but keep your exhaust.

Other vendors are making similar noises, but Nadella’s intervention carries extra weight because of Microsoft’s deep partnership with OpenAI. For a CEO whose