CEO Mistral: закрытые модели дают компаниям доступ к вашим бизнес-процессам

Основатель Mistral Arthur Mensch в посте в LinkedIn обосновывает преимущества open-source ИИ и предупреждает компании о рисках закрытых моделей. По его утверждению, компании, продающие закрытые модели, накапливают растущие объёмы данных клиентов, что даёт им окно в коммерческие процессы этих клиентов. Mensch заявляет, что некоторые ИИ-лаборатории «имеют историю преследования своих наиболее успешных клиентов, используя эту информацию». Он советует компаниям хранить данные в открытых системах, устанавливать собственные правила доступа к ИИ и строить собственные обучающие модели, даже если это кажется сложным. Позиция Mensch перекликается с аргументацией CEO Palantir Alex Karp, который также призывал компании разрабатывать собственные модели вместо зависимости от внешних решений. Palantir опубликовал манифест защищённого ИИ в бизнесе, подчеркивая: управление весами модели, это управление судьбой вашего бизнеса; если вы позволяете другим контролировать веса, вы позволяете им перенести конкурентное преимущество вашей компании к ним. Одновременно, Mistral сталкивается с конкурентным давлением: компания не может конкурировать с топ-моделями вроде GPT-5.6 Sol или Fable 5 по сырой производительности и опирается на нишу EU-суверенитета. В поддержку аргумента Mensch приводят эксперимент с анализом финансовых документов: хеджевый фонд Bridgewater и стартап Thinking Machines Lab (основан бывшим CTO OpenAI Mira Murati) настроили открытую модель Qwen3-235B на свои собственные оценки инвесторов и достигли точности 84,7% на финансовых документах, тогда как лучшая фронтирная модель показала 78,2%. Операционные затраты были почти в 14 раз ниже. Однако это сравнение было не независимым, обе компании заинтересованы в продаже своих решений, и это лишь снимок в конкретный момент.

Ключевые факты

Mistral CEO Mensch утверждает, что закрытые ИИ-модели дают разработчикам прямой доступ к коммерческим данным и бизнес-процессам клиентов
Компании должны использовать открытые системы и строить собственные модели, а не полагаться на закрытые решения, чтобы сохранить контроль над конкурентными преимуществами
Palantir CEO поддерживает эту позицию, подчёркивая, что управление параметрами модели = управление судьбой компании
Эксперимент Bridgewater показал, что настроенная Qwen3-235B достигла 84,7% точности на финансовых документах против 78,2% у фронтирной модели с 14-кратно меньшими затратами
Mistral позиционирует себя как европейская альтернатива, хотя 30% акций принадлежат американским инвесторам и компания не может конкурировать по сырой производительности

Почему это важно

Вопрос о контроле над данными и моделями становится ключевым для бизнеса. Закрытые модели создают асимметрию информации: компания-разработчик видит и может использовать коммерческие данные клиентов, включая их бизнес-процессы, стратегии и успешные кейсы. Это позволяет разработчикам конкурировать с собственными клиентами, используя полученную информацию. Альтернатива, открытые модели и собственные инструменты, дают компаниям полный контроль над своими данными и интеллектуальной собственностью. Это становится особенно актуально, когда ИИ становится критической частью бизнес-процессов и накапливает конфиденциальные данные.

Кому это важно

Прежде всего, крупные компании с существенными конкурентными преимуществами и конфиденциальными данными, которым риск утечки информации может стоить дорого. Также это касается компаний, работающих в строго регулируемых секторах (финансы, здравоохранение, госсектор), где требуется суверенитет данных и прозрачность алгоритмов. Стартапы и малые компании с ограниченными ресурсами столкнутся с практическими трудностями при развёртывании собственных моделей. Европейские компании, которым нужна гарантия суверенности данных и альтернатива американским решениям, находят Mistral привлекательной. Палантир традиционно работает с гос- и оборонными структурами, где суверенитет данных, обязательное требование.

Как это применить

Компаниям рекомендуется проанализировать, какие данные они передают закрытым моделям, и оценить риск утечки конфиденциальной информации. Для критичных задач с высокой стоимостью утечки данных следует рассмотреть open-source альтернативы: Mistral предоставляет открытые модели для EU-пользователей, Qwen доступна для fine-tuning на собственных данных. Компании могут развёртывать открытые модели на своей инфраструктуре (on-premise или облако с полным контролем), что требует инвестиций в вычислительные ресурсы. Для специфических задач (финансовый анализ, юридический анализ) fine-tuning на собственных данных часто даёт лучший результат, чем использование общей фронтирной модели, как показал эксперимент Bridgewater. Переход требует инвестиций времени и средств, но может обеспечить долгосрочную окупаемость через снижение затрат и повышение качества.

Можно ли доверять

Позиция Mensch логична, но имеет коммерческий контекст. Mistral прямо заинтересована в продвижении open-source моделей, так как это её бизнес-модель и единственный способ конкурировать с GPT-5.6 Sol и Fable 5, которые значительно опережают Mistral по производительности. Утверждения о том, что лаборатории используют данные клиентов против них, не проиллюстрированы конкретными кейсами в статье. Эксперимент Bridgewater является хорошим доказательством, но его нельзя считать независимым: обе компании (hedge fund и Thinking Machines Lab) имеют прямую заинтересованность в демонстрации преимуществ fine-tuning. Сравнение точности не адресует общую производительность и надёжность моделей на других задачах. Утверждение, что больших моделей можно обойти специализированными, противоречит историческому опыту: крупные модели часто побеждают специализированные, если включают релевантные данные в обучение. Вывод: позиция имеет рациональное ядро, но явно служит интересам Mistral.

Риски и подводные камни

Разработка и поддержка собственной ИИ-инфраструктуры требует значительных капитальных затрат и постоянных инвестиций в персонал. Компания должна иметь экспертов по ML/AI, инженеров инфраструктуры, иначе рискует создать уязвимую систему. Fine-tuning открытой модели на конфиденциальных данных может привести к их утечке, если инфраструктура не защищена надлежащим образом (нарушения доступа, backup утечки и т.д.). Открытые модели, как правило, отстают по производительности от фронтирных закрытых моделей, что может быть неприемлемо для приложений, требующих максимальной точности. Регуляторные требования могут требовать использования проверенных моделей, и альтернативные системы придётся сертифицировать или одобрять. Привязка к конкретной открытой модели (например, Qwen) создаёт собственный риск, если разработчик свёртывает поддержку, компания остаётся с устаревающей системой. Локальное развёртывание может привести к потере преимуществ экосистемы: постоянные обновления, улучшения безопасности, новые способности.

«Frontier AI может ускорить рост вашего бизнеса, но если это не в ваших руках, это не будет вашим ростом.»

— Arthur Mensch, CEO Mistral