Ogni presentazione per il board aziendale sembra ora avere un mandato sull'IA. Le aziende stanno immettendo record dei clienti, documenti strategici interni e analisi proprietarie nei modelli linguistici di grandi dimensioni a un ritmo che solo tre anni fa sarebbe sembrato sconsiderato. La maggior parte di questo traffico fluisce verso sistemi a codice chiuso. Sono convenienti, potenti e ospitati da terzi. Arthur Mensch, fondatore di Mistral AI, ritiene che questa comodità comporti una tassa nascosta che potrebbe superare qualsiasi canone di abbonamento.

Mensch è stato molto esplicito riguardo a un pericolo specifico: quando si gestisce la propria attività attraverso un modello proprietario, non si sta solo noleggiando potenza di calcolo. Si sta consegnando al laboratorio che lo ha costruito una mappa dettagliata delle proprie operazioni. Questi fornitori archiviano enormi volumi di dati relativi alle interazioni con i clienti per perfezionare i propri sistemi. Con il tempo, quei dati rivelano degli schemi. Vedono come fissate i prezzi dei prodotti, come segmentate il pubblico, come identificate i rischi e come individuate le opportunità. Mensch avverte che alcuni laboratori hanno già mostrato la volontà di utilizzare queste informazioni per puntare ai propri clienti, entrando in mercati una volta compreso esattamente dove si concentrano i profitti.

Il suo consiglio è schietto. "Se non è nelle vostre mani, non sarà la vostra crescita". Il rimedio che propone è la sovranità: spostare i dati in sistemi open, imporre regole di accesso rigorose e investire in pipeline di addestramento proprietarie. Questa non è una fantasia paranoica. È la sicurezza della catena di approvvigionamento applicata alla cognizione. Non dareste al vostro fornitore i progetti della vostra fabbrica. Mensch sostiene che non si dovrebbe dare al proprio fornitore di IA l'equivalente del proprio playbook istituzionale.

Perché i pesi del modello sono la vostra memoria aziendale

L'idea trova riscontro in un angolo inaspettato dell'industria tecnologica. Alex Karp, CEO di Palantir, inquadra la questione con una frase che sta già circolando nei circoli della difesa e della finanza: "controllare i propri pesi significa controllare il proprio destino".

Per capire perché questo sia importante, aiuta pensare a cosa rappresentino effettivamente i pesi del modello. Nel machine learning, i pesi sono i miliardi di parametri ottimizzati che trasformano i dati grezzi in previsioni utili. Quando si addestra o si effettua il fine-tuning di un modello sui propri dati — lo storico dell'abbandono dei clienti, le immagini diagnostiche, i casi di ottimizzazione logistica — quella conoscenza viene compressa nei pesi. Essi diventano una sorta di memoria aziendale, codificando decisioni ed expertise accumulate in anni.

Se si noleggia un modello di frontiera e lo si interroga semplicemente con i propri segreti, non si possiederà mai quella conoscenza distillata. Peggio ancora, il fornitore assorbe ogni segnale. Ogni query insegna al loro sistema un po' di più sul vostro settore verticale. Il loro prossimo aggiornamento del modello potrebbe interiorizzare proprio quel vantaggio competitivo che vi ha reso di successo. Karp chiama questo il vostro "alpha", il vantaggio di performance unico che vi separa dalla massa. Esternalizzare i propri pesi significa esternalizzare il proprio alpha. A quel punto, l'IA smette di essere uno strumento e diventa un condotto per trasferire la vostra competenza a un concorrente.

Il vantaggio del fine-tuning

L'esperimento di Bridgewater dimostra che esiste un'altra via. L'hedge fund ha lavorato con Thinking Machines Lab per effettuare il fine-tuning del modello open-source Qwen3-235B. Invece di inviare valutazioni proprietarie degli investitori a un'API a scatola nera, hanno mantenuto i dati internamente e hanno adattato il modello alle loro esigenze specifiche. I risultati sono stati netti. Nell'analisi dei documenti finanziari, il loro modello sottoposto a fine-tuning ha raggiunto un'accuratezza dell'84,7 percento. Il miglior modello chiuso di frontiera è arrivato solo al 78,2 percento.

Quel divario è importante nel settore finanziario, dove un