اب ہر انٹرپرائز بورڈ ڈیک میں AI کا ایک مینڈیٹ (حکم) نظر آتا ہے۔ کمپنیاں کسٹمر ریکارڈز، اندرونی حکمت عملی کی دستاویزات، اور ملکیتی تجزیات (proprietary analytics) کو ایسی رفتار سے لارج لینگویج ماڈلز میں ڈال رہی ہیں جو محض تین سال پہلے لاپرواہی محسوس ہوتی۔ اس میں سے زیادہ تر ڈیٹا کلوزڈ سورس (closed-source) سسٹمز میں جاتا ہے۔ یہ آسان، طاقتور، اور کسی دوسرے کے زیرِ انتظام ہوتے ہیں۔ Mistral AI کے بانی، Arthur Mensch کا خیال ہے کہ یہ سہولت ایک چھپا ہوا ٹیکس اپنے ساتھ لاتی ہے جو کسی بھی سبسکرپشن فیس سے کہیں زیادہ ہو سکتا ہے۔

Mensch ایک مخصوص خطرے کے بارے میں کھل کر بات کر رہے ہیں: جب آپ اپنا کاروبار کسی ملکیتی ماڈل (proprietary model) کے ذریعے چلاتے ہیں، تو آپ صرف کمپیوٹنگ کی خدمات کرائے پر نہیں لے رہے ہوتے، بلکہ آپ اسے بنانے والی لیب کو اپنے آپریشنز کا ایک تفصیلی نقشہ تھما رہے ہوتے ہیں۔ یہ فراہم کنندگان اپنے سسٹمز کو بہتر بنانے کے لیے کسٹمر کے تعاملات (interaction) کا بہت بڑا ڈیٹا ذخیرہ کرتے ہیں۔ وقت کے ساتھ، وہ ڈیٹا پیٹرنز (patterns) کو ظاہر کرتا ہے۔ وہ دیکھتے ہیں کہ آپ مصنوعات کی قیمتیں کیسے طے کرتے ہیں، سامعین کو کیسے تقسیم کرتے ہیں، خطرات کی نشاندہی کیسے کرتے ہیں، اور مواقع کو کیسے پہچانتے ہیں۔ Mensch خبردار کرتے ہیں کہ کچھ لیبز نے پہلے ہی اس ذہانت کو اپنے کسٹمرز کو نشانہ بنانے کے لیے استعمال کرنے کی آمادگی دکھائی ہے، اور جیسے ہی وہ سمجھ جاتے ہیں کہ منافع کہاں ہے، وہ خود ان مارکیٹوں میں داخل ہو جاتے ہیں۔

ان کا مشورہ دو ٹوک ہے۔ "اگر یہ آپ کے ہاتھ میں نہیں ہے، تو یہ آپ کی ترقی نہیں ہوگی۔" وہ جو حل پیش کرتے ہیں وہ ہے خودمختاری (sovereignty): ڈیٹا کو اوپن سسٹمز میں منتقل کرنا، رسائی کے سخت قوانین نافذ کرنا، اور ملکیتی ٹریننگ پائپ لائنز میں سرمایہ کاری کرنا۔ یہ کوئی وہمی تصور نہیں ہے۔ یہ ادراک (cognition) پر لاگو ہونے والی سپلائی چین سیکیورٹی ہے۔ آپ اپنے سپلائر کو اپنی فیکٹری کے نقشے نہیں دیں گے۔ Mensch کا استدلال ہے کہ آپ کو اپنے AI فراہم کنندہ کو اپنے ادارے کی حکمت عملی (institutional playbook) کے برابر معلومات نہیں دینی چاہئیں۔

ماڈل ویٹس (Model Weights) آپ کی کارپوریٹ یادداشت کیوں ہیں

یہ خیال ٹیک انڈسٹری کے ایک غیر متوقع گوشے سے بھی مدد حاصل کرتا ہے۔ Palantir کے سی ای او، Alex Karp، اس مسئلے کو ایک ایسے جملے کے ساتھ بیان کرتے ہیں جو پہلے ہی دفاعی اور مالیاتی حلقوں میں گردش کر رہا ہے: "اپنے ویٹس (weights) کو کنٹرول کرنا اپنی تقدیر کو کنٹرول کرنا ہے۔"

یہ سمجھنے کے لیے کہ یہ کیوں اہم ہے، یہ سوچنا مددگار ثابت ہوتا ہے کہ ماڈل ویٹس دراصل کیا ظاہر کرتے ہیں۔ مشین لرننگ میں، ویٹس اربوں ٹیون شدہ پیرامیٹرز (tuned parameters) ہوتے ہیں جو خام ڈیٹا کو مفید پیشگوئیوں میں بدل دیتے ہیں۔ جب آپ اپنے ڈیٹا پر کسی ماڈل کو ٹرین یا فائن ٹیون (fine-tune) کرتے ہیں—جیسے کسٹمر کے چھوڑ کر جانے کی تاریخ (customer churn history)، آپ کی تشخیصی تصاویر، یا آپ کے لاجسٹکس آپٹیمائزیشن کیسز—تو وہ علم ویٹس میں سمٹ جاتا ہے۔ وہ ایک طرح کی کارپوریٹ یادداشت بن جاتے ہیں، جو ان فیصلوں اور مہارتوں کو محفوظ کرتے ہیں جنہیں جمع کرنے میں سال لگ گئے ہوتے ہیں۔

اگر آپ کسی فرنٹیر ماڈل (frontier model) کو کرائے پر لیتے ہیں اور صرف اپنے رازوں کے ساتھ اسے پرامپٹ (prompt) کرتے ہیں، تو آپ اس نچوڑ شدہ علم کے مالک کبھی نہیں بنتے۔ اس سے بھی بدتر یہ ہے کہ آپ کا فراہم کنندہ ہر اشارے کو جذب کر لیتا ہے۔ ہر سوال ان کے سسٹم کو آپ کے شعبے (vertical) کے بارے میں تھوڑا مزید سکھاتا ہے۔ ان کی اگلی ماڈل اپ ڈیٹ اسی برتری کو اپنے اندر جذب کر سکتی ہے جس نے آپ کو کامیاب بنایا۔ Karp اسے آپ کا "alpha" کہتے ہیں، یعنی وہ منفرد کارکردگی کا فائدہ جو آپ کو دوسروں سے ممتاز کرتا ہے۔ اپنے ویٹس کو آؤٹ سورس کرنے کا مطلب ہے اپنے alpha کو آؤٹ سورس کرنا۔ اس مقام پر، AI ایک ٹول رہنا چھوڑ دیتا ہے اور آپ کی مہارت کو اپنے حریف تک منتقل کرنے کا ایک ذریعہ بن جاتا ہے۔

فائن ٹیوننگ کا فائدہ

Bridgewater کا تجربہ دکھاتا ہے کہ ایک اور راستہ بھی موجود ہے۔ اس ہیج فنڈ نے Thinking Machines Lab کے ساتھ مل کر اوپن سورس Qwen3-235B ماڈل کو فائن ٹیون کیا۔ ملکیتی سرمایہ کارانہ جائزوں (investor evaluations) کو بلیک باکس API میں بھیجنے کے بجائے، انہوں نے ڈیٹا کو اپنے پاس رکھا اور ماڈل کو اپنی مخصوص ضروریات کے مطابق ڈھالا۔ نتائج حیران کن تھے۔ مالیاتی دستاویزات کے تجزیے پر، ان کے فائن ٹیون شدہ ماڈل نے 84.7 فیصد درستگی حاصل کی۔ بہترین فرنٹیر کلوزڈ ماڈل صرف 78.2 فیصد تک پہنچ سکا۔

مالیات میں یہ فرق بہت اہمیت رکھتا ہے، جہاں ایک