अब हर एंटरप्राइज बोर्ड डेक में एक AI मैंडेट दिखाई देता है। कंपनियाँ ग्राहक रिकॉर्ड, आंतरिक रणनीति दस्तावेज़ और प्रोप्रायटरी एनालिटिक्स को इतनी तेज़ी से लार्ज लैंग्वेज मॉडल्स में डाल रही हैं, जो मात्र तीन साल पहले लापरवाह लगता। इस ट्रैफ़िक का अधिकांश हिस्सा क्लोज्ड-सोर्स सिस्टम में जाता है। वे सुविधाजनक, शक्तिशाली हैं और किसी और द्वारा होस्ट किए जाते हैं। Mistral AI के संस्थापक आर्थर मेंश का मानना है कि इस सुविधा के साथ एक छिपा हुआ टैक्स जुड़ा है, जो किसी भी सब्सक्रिप्शन शुल्क से कहीं अधिक हो सकता है।
मेंश एक विशिष्ट खतरे के बारे में मुखर रहे हैं: जब आप अपने व्यवसाय को किसी प्रोप्रायटरी मॉडल के माध्यम से चलाते हैं, तो आप केवल कंप्यूट किराए पर नहीं ले रहे होते हैं। आप उसे बनाने वाली लैब को अपने संचालन का एक विस्तृत नक्शा सौंप रहे होते हैं। ये प्रदाता अपने सिस्टम को बेहतर बनाने के लिए ग्राहक इंटरैक्शन डेटा की भारी मात्रा संग्रहीत करते हैं। समय के साथ, वह डेटा पैटर्न को उजागर करता है। वे देखते हैं कि आप उत्पादों की कीमत कैसे तय करते हैं, दर्शकों को कैसे विभाजित करते हैं, जोखिम की पहचान कैसे करते हैं, और अवसर कैसे ढूंढते हैं। मेंश चेतावनी देते हैं कि कुछ लैब्स ने इस इंटेलिजेंस का उपयोग अपने स्वयं के ग्राहकों को लक्षित करने के लिए करने की इच्छा पहले ही दिखा दी है, और जैसे ही वे समझ जाते हैं कि मुनाफा कहाँ है, वे उन बाजारों में प्रवेश कर जाते हैं।
उनकी सलाह सीधी और स्पष्ट है। "यदि यह आपके हाथों में नहीं है, तो यह आपकी वृद्धि नहीं होगी।" उनके द्वारा सुझाया गया समाधान संप्रभुता है: डेटा को ओपन सिस्टम में ले जाना, सख्त एक्सेस नियम लागू करना और प्रोप्रायटरी ट्रेनिंग पाइपलाइनों में निवेश करना। यह कोई काल्पनिक डर नहीं है। यह संज्ञानात्मक क्षेत्र पर लागू सप्लाई-चेन सुरक्षा है। आप अपने सप्लायर को अपनी फैक्ट्री के ब्लूप्रिंट नहीं देंगे। मेंश का तर्क है कि आपको अपने AI प्रदाता को अपने संस्थागत प्लेबुक के बराबर जानकारी नहीं देनी चाहिए।
मॉडल वेट्स आपकी कॉर्पोरेट मेमोरी क्यों हैं
इस विचार को टेक इंडस्ट्री के एक अप्रत्याशित कोने से समर्थन मिलता है। Palantir के CEO एलेक्स कार्प इस मुद्दे को एक ऐसे वाक्यांश के साथ प्रस्तुत करते हैं जो पहले से ही रक्षा और वित्त हलकों में चर्चा का विषय बना हुआ है: "अपने वेट्स को नियंत्रित करना अपने भाग्य को नियंत्रित करना है।"
यह समझने के लिए कि यह क्यों मायने रखता है, यह सोचना मददगार है कि मॉडल वेट्स वास्तव में क्या दर्शाते हैं। मशीन लर्निंग में, वेट्स वे अरबों ट्यून्ड पैरामीटर्स हैं जो कच्चे डेटा को उपयोगी भविष्यवाणियों में बदल देते हैं। जब आप अपने स्वयं के डेटा—जैसे ग्राहक मंथन का इतिहास, आपके डायग्नोस्टिक इमेज, आपके लॉजिस्टिक्स ऑप्टिमाइज़ेशन केस—पर एक मॉडल को ट्रेन या फाइन-ट्यून करते हैं, तो वह ज्ञान वेट्स में संकुचित हो जाता है। वे एक प्रकार की कॉर्पोरेट मेमोरी बन जाते हैं, जो उन निर्णयों और विशेषज्ञता को एनकोड करते हैं जिन्हें संचित करने में वर्षों लग गए।
यदि आप एक फ्रंटियर मॉडल किराए पर लेते हैं और बस अपने रहस्यों के साथ उसे प्रॉम्प्ट देते हैं, तो आप उस निचोड़े गए ज्ञान के मालिक कभी नहीं बनते। इससे भी बुरा यह है कि आपका प्रदाता हर संकेत को सोख लेता है। प्रत्येक क्वेरी उनके सिस्टम को आपके वर्टिकल के बारे में थोड़ा और सिखाती है। उनका अगला मॉडल अपडेट उसी बढ़त को आत्मसात कर सकता है जिसने आपको सफल बनाया था। कार्प इसे आपका "अल्फा" कहते हैं, वह अनूठी प्रदर्शन बढ़त जो आपको भीड़ से अलग करती है। अपने वेट्स को आउटसोर्स करने का मतलब है अपने अल्फा को आउटसोर्स करना। उस बिंदु पर, AI एक उपकरण रहना बंद कर देता है और आपकी विशेषज्ञता को प्रतिस्पर्धी तक पहुँचाने का एक माध्यम बन जाता है।
फाइन-ट्यूनिंग का लाभ
Bridgewater का प्रयोग दिखाता है कि एक और तरीका है। उस हेज फंड ने ओपन-सोर्स Qwen3-235B मॉडल को फाइन-ट्यून करने के लिए Thinking Machines Lab के साथ काम किया। प्रोप्रायटरी निवेशक मूल्यांकन को ब्लैक-बॉक्स API में भेजने के बजाय, उन्होंने डेटा को इन-हाउस रखा और मॉडल को अपनी विशिष्ट आवश्यकताओं के अनुसार ढाला। परिणाम स्पष्ट थे। वित्तीय दस्तावेज़ विश्लेषण पर, उनके फाइन-ट्यून्ड मॉडल ने 84.7 प्रतिशत सटीकता हासिल की। सबसे अच्छे फ्रंटियर क्लोज्ड मॉडल ने केवल 78.2 प्रतिशत ही हासिल किया।
वित्त में वह अंतर मायने रखता है, जहाँ एक