Схоже, що кожна презентація для ради директорів великих компаній тепер містить мандат на впровадження ШІ. Компанії завантажують записи про клієнтів, внутрішні стратегічні документи та власну аналітику у великі мовні моделі з такою швидкістю, яка ще три роки тому здавалася б безрозсудною. Більша частина цього трафіку спрямовується у системи з закритим вихідним кодом. Вони зручні, потужні та розміщені на чиїхось сторонніх серверах. Артур Менш, засновник Mistral AI, вважає, що ця зручність має прихований податок, який може перевищити будь-яку плату за підписку.

Менш відкрито говорить про конкретну небезпеку: коли ви ведете свій бізнес через пропрієтарну модель, ви не просто орендуєте обчислювальні потужності. Ви передаєте лабораторії, яка її створила, детальну карту ваших операційних процесів. Ці провайдери зберігають величезні обсяги даних про взаємодію з клієнтами для вдосконалення своїх систем. З часом ці дані виявляють закономірності. Вони бачать, як ви цінуєте продукти, як сегментуєте аудиторію, як виявляєте ризики та як знаходите можливості. Менш попереджає, що деякі лабораторії вже демонстрували готовність використовувати цей інтелект для таргетингу власних клієнтів, виходячи на ринки, щойно вони точно зрозуміють, де саме зосереджені прибутки.

Його порада прямолінійна: «Якщо це не у ваших руках, це не буде вашим зростанням». Ліки, які він пропонує, — це суверенітет: перенесення даних у відкриті системи, впровадження суворих правил доступу та інвестування у власні конвеєри навчання моделей. Це не параноїдальна фантазія. Це безпека ланцюга постачання, застосована до когнітивних процесів. Ви б не віддали своєму постачальнику креслення свого заводу. Менш стверджує, що ви не повинні давати своєму ШІ-провайдеру еквівалент вашої корпоративної стратегії.

Чому ваги моделі — це ваша корпоративна пам'ять

Ця ідея знаходить підтримку в несподіваному куточку технологічної індустрії. Алекс Карп, генеральний директор Palantir, формулює проблему фразою, яка вже шириться в колах оборонного та фінансового секторів: «контролювати свої ваги — означає контролювати свою долю».

Щоб зрозуміти, чому це важливо, варто подумати про те, що насправді представляють ваги моделі. У машинному навчанні ваги — це мільярди налаштованих параметрів, які перетворюють сирі дані на корисні прогнози. Коли ви навчаєте або донавчаєте модель на власних даних — історії відтоку ваших клієнтів, ваших діагностичних зображень, ваших випадків оптимізації логістики — ці знання стискаються у ваги. Вони стають свого роду корпоративною пам'яттю, що кодує рішення та досвід, на накопичення яких пішли роки.

Якщо ви орендуєте передову модель і просто надаєте їй свої секрети через запити, ви ніколи не володієте цими дистильованими знаннями. Гірше того, ваш провайдер поглинає кожен сигнал. Кожен запит дещо більше навчає їхню систему про вашу вертикаль. Їхнє наступне оновлення моделі може інтерналізувати саме ту перевагу, яка зробила вас успішними. Карп називає це вашою «альфою» — унікальною перевагою в продуктивності, яка відрізняє вас від інших. Аутсорсинг ваших ваг означає аутсорсинг вашої «альфи». У цей момент ШІ перестає бути інструментом і стає каналом для передачі вашого досвіду конкуренту.

Перевага донавчання (fine-tuning)

Експеримент Bridgewater показує, що є інший шлях. Хедж-фонд працював із Thinking Machines Lab над донавчанням моделі з відкритим кодом Qwen3-235B. Замість того, щоб надсилати пропрієтарні оцінки інвесторів у API типу «чорна скринька», вони залишили дані всередині компанії та адаптували модель під свої специфічні потреби. Результати були вражаючими. При аналізі фінансових документів їхня донавчена модель досягла точності 84,7 відсотка. Найкраща передова закрита модель показала лише 78,2 відсотка.

Цей розрив має значення у фінансах, де...