Mọi bản thuyết trình trước hội đồng quản trị doanh nghiệp hiện nay dường như đều có một yêu cầu bắt buộc về AI. Các công ty đang đưa hồ sơ khách hàng, tài liệu chiến lược nội bộ và các phân tích độc quyền vào các mô hình ngôn ngữ lớn với tốc độ mà chỉ ba năm trước thôi đã bị coi là liều lĩnh. Phần lớn lưu lượng này chảy vào các hệ thống mã nguồn đóng. Chúng tiện lợi, mạnh mẽ và được lưu trữ bởi một bên thứ ba. Arthur Mensch, người sáng lập Mistral AI, cho rằng sự tiện lợi này đi kèm với một loại "thuế ẩn" có thể vượt xa bất kỳ khoản phí đăng ký nào.

Mensch đã lên tiếng về một mối nguy hiểm cụ thể: khi bạn vận hành doanh nghiệp thông qua một mô hình độc quyền, bạn không chỉ đang thuê năng lực tính toán. Bạn đang trao cho phòng thí nghiệm đã xây dựng mô hình đó một bản đồ chi tiết về các hoạt động của mình. Các nhà cung cấp này lưu trữ khối lượng khổng lồ dữ liệu tương tác của khách hàng để tinh chỉnh hệ thống của họ. Theo thời gian, dữ liệu đó sẽ tiết lộ các quy luật. Họ thấy cách bạn định giá sản phẩm, cách bạn phân khúc khán giả, cách bạn xác định rủi ro và cách bạn nắm bắt cơ hội. Mensch cảnh báo rằng một số phòng thí nghiệm đã thể hiện sự sẵn lòng sử dụng trí tuệ này để nhắm mục tiêu vào chính khách hàng của bạn, thâm nhập vào các thị trường ngay khi họ hiểu chính xác nơi lợi nhuận đang nằm ở đâu.

Lời khuyên của ông rất thẳng thắn. "Nếu nó không nằm trong tay bạn, nó sẽ không phải là sự tăng trưởng của bạn." Giải pháp mà ông đưa ra là quyền tự chủ: chuyển dữ liệu sang các hệ thống mở, thực thi các quy tắc truy cập nghiêm ngặt và đầu tư vào các quy trình đào tạo độc quyền. Đây không phải là sự tưởng tượng hoang tưởng. Đó là an ninh chuỗi cung ứng được áp dụng vào nhận thức. Bạn sẽ không đưa bản thiết kế nhà máy cho nhà cung cấp của mình. Mensch lập luận rằng bạn không nên đưa cho nhà cung cấp AI thứ tương đương với "cuốn cẩm nang chiến lược" của tổ chức mình.

Tại sao Trọng số Mô hình là Ký ức Doanh nghiệp của Bạn

Ý tưởng này nhận được sự ủng hộ từ một góc không ngờ tới trong ngành công nghệ. Alex Karp, CEO của Palantir, đã khái quát vấn đề bằng một cụm từ đang lan truyền trong các vòng tròn quốc phòng và tài chính: "kiểm soát trọng số là kiểm soát vận mệnh của bạn."

Để hiểu tại sao điều này lại quan trọng, hãy nghĩ về việc các trọng số mô hình thực sự đại diện cho điều gì. Trong học máy, trọng số là hàng tỷ tham số đã được tinh chỉnh để biến dữ liệu thô thành các dự đoán hữu ích. Khi bạn huấn luyện hoặc tinh chỉnh một mô hình trên dữ liệu của chính mình—lịch sử rời bỏ của khách hàng, hình ảnh chẩn đoán, các trường hợp tối ưu hóa logistics—kiến thức đó sẽ được nén vào các trọng số. Chúng trở thành một loại ký ức doanh nghiệp, mã hóa các quyết định và chuyên môn đã mất nhiều năm để tích lũy.

Nếu bạn thuê một mô hình tiên phong và chỉ đơn giản là đưa các bí mật của mình vào câu lệnh, bạn sẽ không bao giờ sở hữu được kiến thức đã được chắt lọc đó. Tệ hơn nữa, nhà cung cấp của bạn sẽ hấp thụ mọi tín hiệu. Mỗi truy vấn sẽ dạy cho hệ thống của họ thêm một chút về lĩnh vực chuyên biệt của bạn. Bản cập nhật mô hình tiếp theo của họ có thể nội hóa chính lợi thế đã giúp bạn thành công. Karp gọi đây là "alpha" của bạn, lợi thế hiệu suất độc nhất giúp bạn tách biệt khỏi đám đông. Thuê ngoài các trọng số đồng nghĩa với việc thuê ngoài "alpha" của bạn. Tại thời điểm đó, AI không còn là một công cụ mà trở thành một kênh chuyển giao chuyên môn của bạn cho đối thủ cạnh tranh.

Lợi thế của việc Tinh chỉnh

Thí nghiệm của Bridgewater cho thấy có một con đường khác. Quỹ đầu cơ này đã làm việc với Thinking Machines Lab để tinh chỉnh mô hình mã nguồn mở Qwen3-235B. Thay vì gửi các đánh giá nhà đầu tư độc quyền vào một API hộp đen, họ giữ dữ liệu nội bộ và điều chỉnh mô hình theo các nhu cầu cụ thể của mình. Kết quả thật rõ rệt. Trong việc phân tích tài liệu tài chính, mô hình được tinh chỉnh của họ đạt độ chính xác 84,7%. Mô hình đóng tiên phong tốt nhất chỉ đạt 78,2%.

Khoảng cách đó rất quan trọng trong lĩnh vực tài chính, nơi mà một