Elk bestuursdocument van een onderneming lijkt tegenwoordig een AI-mandaat te bevatten. Bedrijven voeden klantgegevens, interne strategie-documenten en eigen analyses in grote taalmodellen met een tempo dat slechts drie jaar geleden nog roekeloos zou zijn geweest. Het grootste deel van dit verkeer stroomt naar closed-source systemen. Ze zijn handig, krachtig en worden door iemand anders gehost. Arthur Mensch, oprichter van Mistral AI, denkt dat dit gemak een verborgen belasting met zich meebrengt die de abonnementskosten zou kunnen overstijgen.

Mensch is uitgesproken over een specifiek gevaar: wanneer je je bedrijfsvoering draait via een propriëtair model, huur je niet alleen rekenkracht. Je geeft het laboratorium dat het heeft gebouwd een gedetailleerde kaart van je activiteiten. Deze aanbieders slaan enorme hoeveelheden klantinteractiedata op om hun systemen te verfijnen. Na verloop van tijd onthullen die gegevens patronen. Ze zien hoe je producten prijst, hoe je doelgroepen segmenteert, hoe je risico's identificeert en hoe je kansen signaleert. Mensch waarschuwt dat sommige laboratoria al hebben getoond bereid te zijn deze intelligentie te gebruiken om hun eigen klanten te targeten, waarbij ze markten betreden zodra ze precies begrijpen waar de winsten liggen.

Zijn advies is bot. "Als het niet in jouw handen ligt, zal het niet jouw groei zijn." Het medicijn dat hij biedt is soevereiniteit: het verplaatsen van gegevens naar open systemen, het afdwingen van strikte toegangsregels en het investeren in propriëtaire trainingspipelines. Dit is geen paranoïde fantasie. Het is supply-chain security toegepast op cognitie. Je zou je leverancier ook niet de blauwdrukken van je fabriek geven. Mensch betoogt dat je je AI-aanbieder niet het equivalent van je institutionele playbook zou moeten geven.

Waarom modelgewichten je bedrijfsgeheugen zijn

Het idee vindt steun uit een onwaarschijnlijke hoek van de techsector. Alex Karp, CEO van Palantir, omschrijft het probleem met een zin die al rondgaat in defensie- en financiële kringen: "het beheersen van je gewichten is het beheersen van je lot."

Om te begrijpen waarom dit ertoe doet, helpt het om na te denken over wat modelgewichten eigenlijk vertegenwoordigen. In machine learning zijn gewichten de miljarden afgestemde parameters die ruwe data omzetten in nuttige voorspellingen. Wanneer je een model traint of fine-tunt op je eigen gegevens — je klantverloopgeschiedenis, je diagnostische beelden, je logistieke optimalisatiegevallen — wordt die kennis gecomprimeerd in de gewichten. Ze worden een soort bedrijfsgeheugen dat beslissingen en expertise codeert die jaren hebben gekost om op te bouwen.

Als je een frontier model huurt en het simpelweg met je geheimen voedt via prompts, bezit je die gedestilleerde kennis nooit. Erger nog, je aanbieder absorbeert elk signaal. Elke query leert hun systeem iets meer over jouw sector. Hun volgende modelupdate zou het eigenlijke concurrentievoordeel dat jou succesvol maakte, kunnen internaliseren. Karp noemt dit je "alpha", het unieke prestatievoordeel dat je onderscheidt van de rest. Het uitbesteden van je gewichten betekent het uitbesteden van je alpha. Op dat punt houdt AI op een hulpmiddel te zijn en wordt het een kanaal voor het overdragen van je expertise aan een concurrent.

Het voordeel van fine-tuning

Het Bridgewater-experiment laat zien dat er een andere weg is. Het hedgefund werkte samen met Thinking Machines Lab om het open-source Qwen3-235B-model te fine-tunen. In plaats van propriëtaire investeerdersbeoordelingen naar een black-box API te sturen, hielden ze de gegevens in eigen beheer en pasten ze het model aan hun specifieke behoeften aan. De resultaten waren opvallend. Bij de analyse van financiële documenten behaalde hun gefinetunede model een nauwkeurigheid van 84,7 procent. Het beste frontier closed-source model haalde slechts 78,2 procent.

Dat verschil is cruciaal in de financiële sector, waar een