Wydaje się, że każda prezentacja dla zarządu w przedsiębiorstwie zawiera teraz mandat dotyczący AI. Firmy wprowadzają rekordy klientów, wewnętrzne dokumenty strategiczne i własne analizy do dużych modeli językowych w tempie, które jeszcze trzy lata temu wydawałoby się lekkomyślne. Większość tego ruchu trafia do systemów o zamkniętym kodzie źródłowym. Są one wygodne, potężne i hostowane przez kogoś innego. Arthur Mensch, założyciel Mistral AI, uważa, że ta wygoda wiąże się z ukrytym kosztem, który może przewyższyć wszelkie opłaty subskrypcyjne.

Mensch otwarcie mówi o konkretnym niebezpieczeństwie: kiedy prowadzisz swój biznes za pomocą modelu zastrzeżonego, nie tylko wynajmujesz moc obliczeniową. Przekazujesz laboratorium, które go zbudowało, szczegółową mapę swoich operacji. Dostawcy ci przechowują ogromne ilości danych o interakcjach z klientami, aby doskonalić swoje systemy. Z czasem te dane ujawniają wzorce. Widzą, jak ustalasz ceny produktów, jak segmentujesz odbiorców, jak identyfikujesz ryzyko i jak dostrzegasz okazje. Mensch ostrzega, że niektóre laboratoria już wykazały gotowość do wykorzystania tej inteligencji do targetowania własnych klientów, wchodząc na rynki, gdy tylko dokładnie zrozumieją, gdzie leżą zyski.

Jego rada jest dosadna. „Jeśli to nie jest w Twoich rękach, nie będzie to Twój wzrost”. Remedium, które proponuje, to suwerenność: przeniesienie danych do otwartych systemów, egzekwowanie ścisłych zasad dostępu i inwestowanie we własne procesy trenowania modeli. To nie jest paranoiczna fantazja. To bezpieczeństwo łańcucha dostaw zastosowane do procesów poznawczych. Nie przekazałbyś swojemu dostawcy planów swojej fabryki. Mensch argumentuje, że nie powinieneś dawać swojemu dostawcy AI odpowiednika Twojej instytucjonalnej strategii działania.

Dlaczego wagi modelu są Twoją pamięcią korporacyjną

Pomysł ten znajduje wsparcie w nieoczekiwanym zakątku branży technologicznej. Alex Karp, CEO Palantir, ujął ten problem frazą, która krąży już w kręgach obronnych i finansowych: „kontrolowanie swoich wag to kontrolowanie swojego losu”.

Aby zrozumieć, dlaczego to ma znaczenie, warto zastanowić się, co tak naprawdę reprezentują wagi modelu. W uczeniu maszynowym wagi to miliardy dostrojonych parametrów, które zamieniają surowe dane w użyteczne prognozy. Gdy trenujesz lub dotrenowujesz model na własnych danych — historii rezygnacji klientów, obrazach diagnostycznych czy przypadkach optymalizacji logistyki — ta wiedza zostaje skompresowana w wagach. Stają się one rodzajem pamięci korporacyjnej, kodującej decyzje i wiedzę ekspercką, której gromadzenie zajęło lata.

Jeśli wynajmujesz model typu frontier i po prostu podajesz mu swoje sekrety w promptach, nigdy nie stajesz się właścicielem tej skondensowanej wiedzy. Co gorsza, Twój dostawca pochłania każdy sygnał. Każde zapytanie uczy ich system nieco więcej o Twojej branży. Ich kolejna aktualizacja modelu może zinternalizować tę samą przewagę, która uczyniła Cię skutecznym. Karp nazywa to Twoją „alfą” — unikalną przewagą rynkową, która odróżnia Cię od reszty. Outsourcing wag oznacza outsourcing Twojej alfy. W tym momencie AI przestaje być narzędziem, a staje się kanałem do przekazywania Twojej wiedzy eksperckiej konkurencji.

Przewaga płynąca z fine-tuningu

Eksperyment Bridgewater pokazuje, że istnieje inna droga. Fundusz hedgingowy współpracował z Thinking Machines Lab, aby przeprowadzić fine-tuning modelu open-source Qwen3-235B. Zamiast wysyłać zastrzeżone oceny inwestorów do API typu „black-box”, zachowali dane wewnątrz firmy i dostosowali model do swoich specyficznych potrzeb. Wyniki były uderzające. W analizie dokumentów finansowych ich dotrenowany model osiągnął 84,7 procent dokładności. Najlepszy zamknięty model typu frontier osiągnął zaledwie 78,2 procenta.

Ta różnica ma znaczenie w finansach, gdzie...