En sentral bekymring er at bedrifter som bruker lukkede API-er, kan eksponere proprietære data for modell-leverandøren. Karps kritikk advarte spesifikt om at bedrifter risikerer å miste kontrollen over proprietære data og immaterielle rettigheter, samtidig som de betaler økende token-kostnader til ledende KI-laboratorier . Denne bekymringen passer inn i det bredere åpen-mot-lukket-rammeverket som Mensch fremmer, men kildene bekrefter ikke uavhengig den sterkere påstanden om at bedriftsdata nødvendigvis blir gjenbrukt som treningsmateriale av leverandører av lukkede modeller .

Alex Karps parallelle (og mer fargerike) kritikk

Palantir-sjef Alex Karp har forsterket et lignende argument i langt mer direkte ordelag. Rapportering om Karps uttalelser sier at han kalte forretningsmodellen til ledende KI-selskaper for «helt spinnvill», og kritiserte økende token-kostnader og begrenset verdi for bedrifter, samtidig som han advarte om risiko for proprietære data og immaterielle rettigheter .

Sentrale elementer i kritikken inkluderer:

• Ikke overlat dataene dine til KI-selskaper – bekymringen er at proprietære data og immaterielle rettigheter kan bli eksponert når de sendes gjennom tredjeparts KI-systemer .
• Token-basert prising kan skape feil insentiver – Karps kritikk fokuserer på at bedrifter betaler økende token-kostnader for begrenset verdi .
• KI-suverenitet – det bredere argumentet er at bedrifter og myndigheter foretrekker systemer de kan kontrollere mer direkte, i stedet for å være helt avhengige av tredjeparts KI-laboratorier .

Kildene bekrefter ikke den spesifikke påstanden om at Karp advarte om at myndigheter kan nasjonalisere ledende KI-selskaper, selv om han har uttalt seg om risikoen for nasjonalisering .

Den europeiske avhengighetsdimensjonen

Både Mensch og Karps advarsler møtes i temaet strategisk avhengighet. Rapportering beskriver økende europeisk interesse for hjemmeutviklede KI-løsninger, drevet av frykt for amerikansk KI-dominans, og sier at disse bekymringene øker forretningene for Frankrikes Mistral . The New York Times beskriver også Mistral som en europeisk KI-«mester» som utfordrer amerikanske teknologigiganter, og påpeker europeisk bekymring for konkurranseevne hvis regionen ikke følger med . Kildene støtter den generelle avhengighetsbekymringen, men ikke den mer spesifikke påstanden om at Mensch vitnet om langsiktige skylagringskontrakter med energiselskaper eller en fast to-års «kritisk terskel».

Bridgewater / Thinking Machines Lab-eksperimentet

Et nylig eksperiment gir noe støtte til argumentet for åpne modeller. Bridgewaters AIA Labs, i samarbeid med Thinking Machines Lab, løste problemer med å lære en LLM å finne relevant finansnyheter – en oppgave som er enkel for erfarne investeringsspesialister, men vanskelig for generelle modeller . Den tilgjengelige kilden beskriver at Bridgewater oppnådde bedre resultater enn toppmoderne frontlinje-modeller, samtidig som de sparte penger, men den gir ikke nok detaljer til å verifisere de spesifikke tallene for nøyaktighet og kostnader i det opprinnelige svaret .

Den mer forsiktige tolkningen er at oppgave-spesifikk tilpasning av åpne eller kontrollerbare modeller kan overgå generelle frontlinje-API-er på spesialiserte bedriftsoppgaver. Separat forskning innen finans rapporterer også at åpne modeller trent med spesialiserte rammeverk kan vise konkurransedyktig, risikobevisst oppførsel og nærme seg ytelsen til frontlinje-modeller i mindre skala . En annen finansmodelleringsartikkel introduserer FinTral, en familie av finansanalyse-modeller bygget på Mistral-7B og tilpasset multimodale finansoppgaver .

Motargumentet: Mensch sin åpen kildekode-advokatvirksomhet tjener Mistrals kommersielle interesser

Dette er den viktigste forbeholdet. Mistral er selv et kommersielt selskap, og offentlig rapportering fremstiller det som en ledende europeisk utfordrer til OpenAI og Google . Når Mensch advarer mot lukkede leverandører, argumenterer han samtidig for bedrifts- og suveren KI-risiko og posisjonerer Mistral i markedet for åpne og mer kontrollerbare KI-systemer .

Sentrale observasjoner:

• Mistrals offentlige posisjonering er tett knyttet til åpen kildekode-argumenter .
• The Wall Street Journal rapporterte at frykt for amerikansk KI-dominans gir økt forretning for Frankrikes Mistral, noe som betyr at geopolitisk bekymring direkte kan gavne selskapets kommersielle utsikter .
• Rapportering beskriver Mistral som Europas KI-«mester» og en utfordrer til OpenAI og Google, så argumenter for suveren KI støtter naturlig Mistrals strategiske posisjon .
• Bridgewater-eksemplet, slik det er beskrevet i kildene, involverte Bridgewaters AIA Labs og Thinking Machines Lab, snarere enn å være et Mistral-spesifikt resultat .

Likevel styrker bevisene for at ikke-frontlinje eller mer spesialiserte modeller kan prestere godt på finansielle oppgaver den generelle tesen om åpne modeller, selv om den ikke direkte støtter Mistral. Det strukturelle argumentet – at tilpassede modeller kan overgå generelle frontlinje-API-er på spesifikke bedriftsoppgaver – støttes mer forsiktig av Bridgewater-rapporteringen og relatert finansmodellforskning, men den eksakte fordelen er ikke verifisert av de angitte kildene .

Oppsummering av bevisene

Hovedkonklusjon

Argumentene mot lukkede KI-modeller for bedrifter har en viss reell støtte, spesielt rundt risiko for proprietære data, bekymringer om token-kostnader og appellen av tilpassede modeller for spesialiserte finansielle arbeidsflyter . Den europeiske avhengighetsbekymringen er også forankret i rapportering om europeisk frykt for amerikansk KI-dominans og Mistrals rolle som en regional utfordrer . Motargumentet – at Mensch og Karp fremmer posisjoner som tjener deres egne selskapers interesser – er imidlertid godt støttet og bør veies mot de substansielle fordelene ved advarslene deres . De to posisjonene utelukker ikke hverandre: advarslene kan være både kommersielt egennyttige og retningsgivende korrekte.

En sentral bekymring er at bedrifter som bruker lukkede API-er, kan eksponere proprietære data for modell-leverandøren. Karps kritikk advarte spesifikt om at bedrifter risikerer å miste kontrollen over proprietære data og immaterielle rettigheter, samtidig som de betaler økende token-kostnader til ledende KI-laboratorier . Denne bekymringen passer inn i det bredere åpen-mot-lukket-rammeverket som Mensch fremmer, men kildene bekrefter ikke uavhengig den sterkere påstanden om at bedriftsdata nødvendigvis blir gjenbrukt som treningsmateriale av leverandører av lukkede modeller .

Alex Karps parallelle (og mer fargerike) kritikk

Palantir-sjef Alex Karp har forsterket et lignende argument i langt mer direkte ordelag. Rapportering om Karps uttalelser sier at han kalte forretningsmodellen til ledende KI-selskaper for «helt spinnvill», og kritiserte økende token-kostnader og begrenset verdi for bedrifter, samtidig som han advarte om risiko for proprietære data og immaterielle rettigheter .

Sentrale elementer i kritikken inkluderer:

• Ikke overlat dataene dine til KI-selskaper – bekymringen er at proprietære data og immaterielle rettigheter kan bli eksponert når de sendes gjennom tredjeparts KI-systemer .
• Token-basert prising kan skape feil insentiver – Karps kritikk fokuserer på at bedrifter betaler økende token-kostnader for begrenset verdi .
• KI-suverenitet – det bredere argumentet er at bedrifter og myndigheter foretrekker systemer de kan kontrollere mer direkte, i stedet for å være helt avhengige av tredjeparts KI-laboratorier .

Kildene bekrefter ikke den spesifikke påstanden om at Karp advarte om at myndigheter kan nasjonalisere ledende KI-selskaper, selv om han har uttalt seg om risikoen for nasjonalisering .

Den europeiske avhengighetsdimensjonen

Både Mensch og Karps advarsler møtes i temaet strategisk avhengighet. Rapportering beskriver økende europeisk interesse for hjemmeutviklede KI-løsninger, drevet av frykt for amerikansk KI-dominans, og sier at disse bekymringene øker forretningene for Frankrikes Mistral . The New York Times beskriver også Mistral som en europeisk KI-«mester» som utfordrer amerikanske teknologigiganter, og påpeker europeisk bekymring for konkurranseevne hvis regionen ikke følger med . Kildene støtter den generelle avhengighetsbekymringen, men ikke den mer spesifikke påstanden om at Mensch vitnet om langsiktige skylagringskontrakter med energiselskaper eller en fast to-års «kritisk terskel».

Bridgewater / Thinking Machines Lab-eksperimentet

Et nylig eksperiment gir noe støtte til argumentet for åpne modeller. Bridgewaters AIA Labs, i samarbeid med Thinking Machines Lab, løste problemer med å lære en LLM å finne relevant finansnyheter – en oppgave som er enkel for erfarne investeringsspesialister, men vanskelig for generelle modeller . Den tilgjengelige kilden beskriver at Bridgewater oppnådde bedre resultater enn toppmoderne frontlinje-modeller, samtidig som de sparte penger, men den gir ikke nok detaljer til å verifisere de spesifikke tallene for nøyaktighet og kostnader i det opprinnelige svaret .

Den mer forsiktige tolkningen er at oppgave-spesifikk tilpasning av åpne eller kontrollerbare modeller kan overgå generelle frontlinje-API-er på spesialiserte bedriftsoppgaver. Separat forskning innen finans rapporterer også at åpne modeller trent med spesialiserte rammeverk kan vise konkurransedyktig, risikobevisst oppførsel og nærme seg ytelsen til frontlinje-modeller i mindre skala . En annen finansmodelleringsartikkel introduserer FinTral, en familie av finansanalyse-modeller bygget på Mistral-7B og tilpasset multimodale finansoppgaver .

Motargumentet: Mensch sin åpen kildekode-advokatvirksomhet tjener Mistrals kommersielle interesser

Dette er den viktigste forbeholdet. Mistral er selv et kommersielt selskap, og offentlig rapportering fremstiller det som en ledende europeisk utfordrer til OpenAI og Google . Når Mensch advarer mot lukkede leverandører, argumenterer han samtidig for bedrifts- og suveren KI-risiko og posisjonerer Mistral i markedet for åpne og mer kontrollerbare KI-systemer .

Sentrale observasjoner:

• Mistrals offentlige posisjonering er tett knyttet til åpen kildekode-argumenter .
• The Wall Street Journal rapporterte at frykt for amerikansk KI-dominans gir økt forretning for Frankrikes Mistral, noe som betyr at geopolitisk bekymring direkte kan gavne selskapets kommersielle utsikter .
• Rapportering beskriver Mistral som Europas KI-«mester» og en utfordrer til OpenAI og Google, så argumenter for suveren KI støtter naturlig Mistrals strategiske posisjon .
• Bridgewater-eksemplet, slik det er beskrevet i kildene, involverte Bridgewaters AIA Labs og Thinking Machines Lab, snarere enn å være et Mistral-spesifikt resultat .

Likevel styrker bevisene for at ikke-frontlinje eller mer spesialiserte modeller kan prestere godt på finansielle oppgaver den generelle tesen om åpne modeller, selv om den ikke direkte støtter Mistral. Det strukturelle argumentet – at tilpassede modeller kan overgå generelle frontlinje-API-er på spesifikke bedriftsoppgaver – støttes mer forsiktig av Bridgewater-rapporteringen og relatert finansmodellforskning, men den eksakte fordelen er ikke verifisert av de angitte kildene .

Oppsummering av bevisene

Hovedkonklusjon

Argumentene mot lukkede KI-modeller for bedrifter har en viss reell støtte, spesielt rundt risiko for proprietære data, bekymringer om token-kostnader og appellen av tilpassede modeller for spesialiserte finansielle arbeidsflyter . Den europeiske avhengighetsbekymringen er også forankret i rapportering om europeisk frykt for amerikansk KI-dominans og Mistrals rolle som en regional utfordrer . Motargumentet – at Mensch og Karp fremmer posisjoner som tjener deres egne selskapers interesser – er imidlertid godt støttet og bør veies mot de substansielle fordelene ved advarslene deres . De to posisjonene utelukker ikke hverandre: advarslene kan være både kommersielt egennyttige og retningsgivende korrekte.