Setiap materi presentasi dewan direksi perusahaan kini tampaknya memiliki mandat AI. Perusahaan-perusahaan memasukkan catatan pelanggan, dokumen strategi internal, dan analitik milik sendiri ke dalam model bahasa besar dengan kecepatan yang akan dianggap ceroboh hanya tiga tahun yang lalu. Sebagian besar lalu lintas ini mengalir ke dalam sistem sumber tertutup (closed-source). Sistem tersebut praktis, kuat, dan dihosting oleh pihak lain. Arthur Mensch, pendiri Mistral AI, berpikir bahwa kenyamanan ini membawa pajak tersembunyi yang dapat melampaui biaya langganan apa pun.

Mensch telah menyuarakan bahaya spesifik: ketika Anda menjalankan bisnis melalui model proprietary, Anda tidak sekadar menyewa daya komputasi. Anda menyerahkan peta mendetail tentang operasional Anda kepada laboratorium yang membangunnya. Penyedia ini menyimpan volume data interaksi pelanggan yang sangat besar untuk menyempurnakan sistem mereka. Seiring waktu, data tersebut mengungkapkan pola. Mereka melihat bagaimana Anda menetapkan harga produk, bagaimana Anda melakukan segmentasi audiens, bagaimana Anda mengidentifikasi risiko, dan bagaimana Anda menemukan peluang. Mensch memperingatkan bahwa beberapa laboratorium telah menunjukkan kesediaan untuk menggunakan kecerdasan ini guna menargetkan pelanggan mereka sendiri, memasuki pasar setelah mereka memahami dengan tepat di mana letak keuntungannya.

Sarannya sangat lugas. "Jika itu tidak berada di tangan Anda, itu tidak akan menjadi pertumbuhan Anda." Solusi yang ia tawarkan adalah kedaulatan: memindahkan data ke sistem terbuka, menegakkan aturan akses yang ketat, dan berinvestasi dalam alur pelatihan proprietary. Ini bukan fantasi paranoid. Ini adalah keamanan rantai pasokan yang diterapkan pada kognisi. Anda tidak akan memberikan cetak biru pabrik Anda kepada pemasok. Mensch berpendapat bahwa Anda tidak seharusnya memberikan setara dengan buku panduan institusional Anda kepada penyedia AI Anda.

Mengapa Bobot Model Adalah Memori Perusahaan Anda

Ide ini mendapat dukungan dari sudut industri teknologi yang tidak terduga. Alex Karp, CEO Palantir, membingkai masalah ini dengan frasa yang sudah mulai beredar di lingkaran pertahanan dan keuangan: "mengendalikan bobot Anda berarti mengendalikan nasib Anda."

Untuk memahami mengapa hal ini penting, membantu jika kita memikirkan apa yang sebenarnya direpresentasikan oleh bobot model. Dalam machine learning, bobot adalah miliaran parameter yang telah disetel yang mengubah data mentah menjadi prediksi yang berguna. Ketika Anda melatih atau melakukan fine-tuning pada model dengan data Anda sendiri—riwayat churn pelanggan Anda, gambar diagnostik Anda, kasus optimasi logistik Anda—pengetahuan tersebut dikompresi ke dalam bobot. Mereka menjadi semacam memori perusahaan, yang mengodekan keputusan dan keahlian yang membutuhkan waktu bertahun-tahun untuk dikumpulkan.

Jika Anda menyewa model frontier dan hanya memberikannya prompt berisi rahasia Anda, Anda tidak pernah memiliki pengetahuan yang telah didistilasi tersebut. Lebih buruk lagi, penyedia Anda menyerap setiap sinyal. Setiap kueri mengajarkan sistem mereka sedikit lebih banyak tentang sektor Anda. Pembaruan model mereka berikutnya dapat menginternalisasi keunggulan yang membuat Anda sukses. Karp menyebut ini sebagai "alpha" Anda, keunggulan kinerja unik yang membedakan Anda dari yang lain. Mengalihdayakan bobot Anda berarti mengalihdayakan alpha Anda. Pada titik itu, AI berhenti menjadi alat dan menjadi saluran untuk mentransfer keahlian Anda kepada pesaing.

Keunggulan Fine-Tuning

Eksperimen Bridgewater menunjukkan bahwa ada cara lain. Hedge fund tersebut bekerja sama dengan Thinking Machines Lab untuk melakukan fine-tuning pada model open-source Qwen3-235B. Alih-alih mengirimkan evaluasi investor proprietary ke dalam API black-box, mereka menyimpan data tersebut secara internal dan mengadaptasi model tersebut untuk kebutuhan spesifik mereka. Hasilnya sangat mencolok. Pada analisis dokumen keuangan, model yang telah di-fine-tune mencapai akurasi 84,7 persen. Model tertutup frontier terbaik hanya mampu mencapai 78,2 persen.

Kesenjangan tersebut sangat penting dalam keuangan, di mana a