आता प्रत्येक एंटरप्राइझ बोर्ड डेकमध्ये (enterprise board deck) AI चा आदेश (mandate) असल्याचे दिसून येते. कंपन्या ग्राहकांचे रेकॉर्ड्स, अंतर्गत धोरणात्मक कागदपत्रे आणि मालकीची (proprietary) विश्लेषणात्मक माहिती (analytics) अशा वेगाने लार्ज लँग्वेज मॉडेल्समध्ये (large language models) भरत आहेत, जो वेग केवळ तीन वर्षांपूर्वी बेजबाबदार वाटला असता. यातील बहुतेक डेटा क्लोज्ड-सोर्स सिस्टम्समध्ये (closed-source systems) जातो. त्या सोयीस्कर, शक्तिशाली आणि दुसऱ्या कोणाकडून तरी होस्ट केल्या जातात. Mistral AI चे संस्थापक आर्थर मेंश (Arthur Mensch) यांच्या मते, या सोयीमध्ये एक छुपा कर (hidden tax) आहे, जो कोणत्याही सबस्क्रिप्शन फीपेक्षा जास्त असू शकतो.

मेंश एका विशिष्ट धोक्याबद्दल बोलत आहेत: जेव्हा तुम्ही तुमचा व्यवसाय एखाद्या प्रोप्रायटरी मॉडेलद्वारे (proprietary model) चालवता, तेव्हा तुम्ही केवळ कॉम्प्युट (compute) भाड्याने घेतलेले नसते. तुम्ही ते मॉडेल बनवणाऱ्या लॅबला तुमच्या कामकाजाचा (operations) सविस्तर नकाशा देत असता. हे प्रदाते (providers) त्यांच्या सिस्टम्स अधिक सुधारण्यासाठी ग्राहकांच्या संवादाचा प्रचंड डेटा साठवतात. काळानुसार, तो डेटा विशिष्ट नमुने (patterns) उघड करतो. तुम्ही उत्पादनांची किंमत कशी ठरवता, प्रेक्षकांचे वर्गीकरण (segmentation) कसे करता, जोखीम कशी ओळखता आणि संधी कशी शोधता, हे त्यांना समजते. मेंश असा इशारा देतात की, काही लॅब्सनी या माहितीचा वापर करून स्वतःचे ग्राहक मिळवण्याची आणि नफा नेमका कुठे आहे हे समजताच त्या बाजारपेठेत प्रवेश करण्याची तयारी आधीच दर्शवली आहे.

त्यांचा सल्ला स्पष्ट आहे. "जर ते तुमच्या हातात नसेल, तर ती तुमची प्रगती (growth) असणार नाही." त्यांनी सुचवलेला उपाय म्हणजे सार्वभौमत्व (sovereignty): डेटा ओपन सिस्टम्समध्ये (open systems) हलवणे, कडक प्रवेश नियम (access rules) लागू करणे आणि स्वतःच्या ट्रेनिंग पाइपलाईन्समध्ये (training pipelines) गुंतवणूक करणे. ही कोणतीही भीतीदायक कल्पना नाही. हे संज्ञानात्मक (cognition) क्षेत्राला लागू केलेले सप्लाय-चेन सुरक्षा (supply-chain security) आहे. तुम्ही तुमच्या पुरवठादाराला तुमच्या कारखान्याचे ब्ल्यूप्रिंट्स (blueprints) देणार नाही. मेंश असा युक्तिवाद करतात की, तुम्ही तुमच्या AI प्रदात्याला तुमच्या संस्थेच्या कार्यपद्धतीचा (institutional playbook) समकक्ष माहिती देऊ नये.

मॉडेल वेट्स (Model Weights) हे तुमचे कॉर्पोरेट मेमरी (Corporate Memory) का आहेत

या कल्पनेला टेक उद्योगातील एका अनपेक्षित कोपऱ्यातून पाठिंबा मिळत आहे. Palantir चे CEO अलेक्स कार्प (Alex Karp) या समस्येचे वर्णन एका अशा वाक्याने करतात जे संरक्षण आणि वित्त क्षेत्रात आधीच चर्चेत आहे: "तुमच्या वेट्सवर नियंत्रण मिळवणे म्हणजे तुमच्या नशिबावर नियंत्रण मिळवणे होय."

हे का महत्त्वाचे आहे हे समजून घेण्यासाठी, मॉडेल वेट्स (model weights) प्रत्यक्षात काय दर्शवतात याचा विचार करणे उपयुक्त ठरेल. मशीन लर्निंगमध्ये (machine learning), वेट्स हे अब्जावधी ट्यून केलेले पॅरामीटर्स (parameters) असतात जे कच्च्या डेटाचे (raw data) उपयुक्त अंदाजांमध्ये (predictions) रूपांतर करतात. जेव्हा तुम्ही तुमच्या स्वतःच्या डेटावर—तुमचा ग्राहक गळतीचा इतिहास (customer churn history), तुमचे डायग्नोस्टिक इमेजेस, तुमचे लॉजिस्टिक ऑप्टिमायझेशन केसेस—मॉडेलला ट्रेन किंवा फाईन-ट्यून (fine-tune) करता, तेव्हा ते ज्ञान वेट्समध्ये संकुचित (compressed) होते. ते एक प्रकारचे कॉर्पोरेट मेमरी (corporate memory) बनतात, ज्यामध्ये वर्षानुवर्षे साठवलेले निर्णय आणि तज्ञता (expertise) एनकोड (encode) केलेली असते.

जर तुम्ही एखादे फ्रंटियर मॉडेल (frontier model) भाड्याने घेतले आणि केवळ तुमच्या गुप्त माहितीद्वारे त्याला प्रॉम्प्ट (prompt) दिले, तर तुम्ही त्या सारांशित ज्ञानाचे (distilled knowledge) मालक कधीच बनू शकत नाही. त्याहून वाईट म्हणजे, तुमचा प्रदाता प्रत्येक सिग्नल शोषून घेतो. प्रत्येक क्वेरी (query) त्यांच्या सिस्टमला तुमच्या क्षेत्राबद्दल (vertical) थोडे अधिक शिकवते. त्यांचे पुढचे मॉडेल अपडेट तुम्हाला यशस्वी करणारा तोच फायदा (edge) अंतर्गत रूप म्हणून स्वीकारू शकते. कार्प याला तुमचा "अल्फा" (alpha) म्हणतात, जो एक अद्वितीय कामगिरीचा फायदा आहे जो तुम्हाला इतरांपेक्षा वेगळे करतो. तुमच्या वेट्सचे आउटसोर्सिंग करणे म्हणजे तुमच्या अल्फाचे आउटसोर्सिंग करणे होय. त्या क्षणी, AI हे केवळ एक साधन न राहता तुमच्या तज्ञतेचा तुमच्या स्पर्धकाकडे हस्तांतरण करण्याचा मार्ग (conduit) बनून जाते.

फाईन-ट्यूनिंगचा फायदा (The Fine-Tuning Advantage)

Bridgewater च्या प्रयोगातून असे दिसून येते की दुसराही एक मार्ग आहे. या हेज फंडने (hedge fund) ओपन-सोर्स Qwen3-235B मॉडेल फाईन-ट्यून करण्यासाठी Thinking Machines Lab सोबत काम केले. प्रोप्रायटरी गुंतवणूकदार मूल्यमापन (investor evaluations) एखाद्या ब्लॅक-बॉक्स API मध्ये पाठवण्याऐवजी, त्यांनी डेटा स्वतःकडेच (in-house) ठेवला आणि मॉडेल त्यांच्या विशिष्ट गरजांनुसार तयार केले. याचे परिणाम स्पष्ट होते. आर्थिक दस्तऐवज विश्लेषणात (financial document analysis), त्यांच्या फाईन-ट्यून केलेल्या मॉडेलने ८४.७ टक्के अचूकता गाठली. तर सर्वोत्तम फ्रंटियर क्लोज्ड मॉडेल केवळ ७८.२ टक्के अचूकता देऊ शकले.

वित्त क्षेत्रात ही तफावत महत्त्वाची ठरते, जिथे a