CEO Mistral ostrzega przed zamkniętymi modelami AI: to okno do procesów biznesowych

CEO Mistral Arthur Mensch ostrzega przed używaniem zamkniętych modeli AI w biznesie, argumentując, że firmy oferujące takie rozwiązania gromadzą dane klientów, uzyskując tym samym wgląd w ich procesy biznesowe. Mensch twierdzi, że niektóre laboratoria AI wykorzystują te informacje przeciwko swoim najbardziej udanym klientom.

Kluczowe wnioski

• Mensch ostrzega, że zamknięte modele AI dają laboratoriom AI bezpośredni dostęp do procesów biznesowych klientów poprzez gromadzone dane.
• CEO Mistral zaleca firmom przechowywanie danych w otwartych systemach i budowanie własnych modeli treningowych, mimo że może to wydawać się zniechęcające.
• Podobne stanowisko wyraził CEO Palantir Alex Karp, publikując manifest bezpiecznej AI w biznesie z hasłem „kontrolowanie swoich wag to kontrolowanie swojego losu”.
• Eksperyment Bridgewater i Thinking Machines Lab pokazał, że dostrojony model open-source osiągnął 84,7% dokładności w analizie dokumentów finansowych vs 78,2% najlepszego modelu komercyjnego.
• Koszty operacyjne własnego modelu były prawie 14 razy niższe niż komercyjnych rozwiązań.

Argumenty za otwartymi modelami AI

Mensch przestrzega firmy przed uzależnieniem się od zamkniętych modeli AI, argumentując że „AI frontier może przyspieszyć rozwój twojego biznesu, ale jeśli nie jest w twoich rękach, to nie będzie twoim wzrostem”. Jego stanowisko popiera CEO Palantir Alex Karp, który również wezwał firmy do budowania własnych modeli AI zamiast polegania na zastrzeżonych zewnętrznych rozwiązaniach.

Palantir opublikował manifest bezpiecznej AI w biznesie, który głosi: „Kontrolowanie swoich wag to kontrolowanie swojego losu. Wagi to destylowana forma ciężko zdobytej, skumulowanej wiedzy instytucjonalnej. Jeśli pozwolisz innym kontrolować swoje wagi, pozwalasz im przenieść alfa twojego biznesu do swojego”.

Praktyczny przykład przewagi własnych modeli

Niedawno opublikowany eksperyment częściowo potwierdza argumenty Menscha. Fundusz hedgingowy Bridgewater i Thinking Machines Lab — startup założony przez byłą CTO OpenAI Mirę Murati — dostroili model open-source Qwen3–235B używając własnych ocen inwestorów. Według ich własnej oceny, dostrojony model osiągnął 84,7% dokładności w analizie dokumentów finansowych, podczas gdy najlepszy model komercyjny osiągnął 78,2%. Koszty operacyjne były prawie 14 razy niższe.

Kontekst biznesowy i ograniczenia argumentów

Stanowisko Menscha, choć ma swoje uzasadnienie, należy rozpatrywać w kontekście pozycji Mistral na rynku. Mistral to jedyna europejska firma z istotnymi modelami AI, ale nie może realnie konkurować z najlepszymi modelami jak GPT-5.6 Sol czy Fable 5 pod względem surowej wydajności. Model biznesowy Mistral w dużej mierze opiera się na suwerenności UE, ponieważ to tam firma ma największe szanse na zysk, mimo że około 30% jej udziałów należy do amerykańskich inwestorów.

Warto również zauważyć, że wspomniane porównanie Bridgewater nie było niezależne, a obie firmy mają interes w sprzedaży swoich produktów. To tylko migawka sytuacji — firmy takie jak Anthropic czy OpenAI mogłyby po prostu kupić tego typu dane do przyszłych treningów lub wygenerować je samodzielnie, co prawdopodobnie przywróciłoby im przewagę.

Argumenty Menscha pokazują ważny aspekt strategii AI w biznesie — balans między wydajnością najnowszych modeli a kontrolą nad własnymi danymi i procesami.