Parece que toda apresentação para o conselho de empresas agora tem um mandato de IA. As empresas estão alimentando grandes modelos de linguagem com registros de clientes, documentos de estratégia interna e análises proprietárias em um ritmo que pareceria imprudente há apenas três anos. A maior parte desse tráfego flui para sistemas de código fechado. Eles são convenientes, poderosos e hospedados por terceiros. Arthur Mensch, fundador da Mistral AI, acredita que essa conveniência traz um imposto oculto que pode superar qualquer taxa de assinatura.

Mensch tem sido enfático sobre um perigo específico: quando você executa seu negócio por meio de um modelo proprietário, não está apenas alugando poder de processamento. Você está entregando ao laboratório que o construiu um mapa detalhado de suas operações. Esses provedores armazenam volumes enormes de dados de interação com o cliente para refinar seus sistemas. Com o tempo, esses dados revelam padrões. Eles veem como você precifica produtos, como segmenta públicos, como identifica riscos e como detecta oportunidades. Mensch alerta que alguns laboratórios já demonstraram disposição para usar essa inteligência para atingir seus próprios clientes, entrando em mercados assim que entendem exatamente onde residem os lucros.

Seu conselho é direto. "Se não estiver em suas mãos, não será o seu crescimento." O remédio que ele oferece é a soberania: mover os dados para sistemas abertos, aplicar regras de acesso rigorosas e investir em pipelines de treinamento proprietários. Isso não é uma fantasia paranoica. É a segurança da cadeia de suprimentos aplicada à cognição. Você não daria ao seu fornecedor as plantas da sua fábrica. Mensch argumenta que você não deve dar ao seu provedor de IA o equivalente ao seu manual de estratégias institucionais.

Por que os Pesos do Modelo são sua Memória Corporativa

A ideia encontra apoio em um canto improvável da indústria de tecnologia. Alex Karp, CEO da Palantir, enquadra a questão com uma frase que já está circulando nos círculos de defesa e finanças: "controlar seus pesos é controlar seu destino".

Para entender por que isso importa, ajuda pensar no que os pesos do modelo realmente representam. No machine learning, os pesos são os bilhões de parâmetros ajustados que transformam dados brutos em previsões úteis. Quando você treina ou faz o fine-tuning de um modelo com seus próprios dados — seu histórico de churn de clientes, suas imagens de diagnóstico, seus casos de otimização logística — esse conhecimento é comprimido nos pesos. Eles se tornam uma espécie de memória corporativa, codificando decisões e expertise que levaram anos para serem acumuladas.

Se você aluga um modelo de fronteira e simplesmente fornece prompts com seus segredos, você nunca possui esse conhecimento destilado. Pior ainda, seu provedor absorve cada sinal. Cada consulta ensina ao sistema deles um pouco mais sobre sua vertical. A próxima atualização do modelo deles pode internalizar a própria vantagem que tornou você bem-sucedido. Karp chama isso de seu "alpha", a vantagem de desempenho única que o separa dos demais. Terceirizar seus pesos significa terceirizar seu alpha. Nesse ponto, a IA deixa de ser uma ferramenta e se torna um canal para transferir sua expertise para um concorrente.

A Vantagem do Fine-Tuning

O experimento da Bridgewater mostra que existe outro caminho. O hedge fund trabalhou com o Thinking Machines Lab para fazer o fine-tuning do modelo open-source Qwen3-235B. Em vez de enviar avaliações proprietárias de investidores para uma API de caixa preta, eles mantiveram os dados internamente e adaptaram o modelo às suas necessidades específicas. Os resultados foram nítidos. Na análise de documentos financeiros, seu modelo com fine-tuning atingiu 84,7 por cento de precisão. O melhor modelo fechado de fronteira alcançou apenas 78,2 por cento.

Essa lacuna é importante nas finanças, onde um