Mistral, fondato da Arthur Mensch, sta promuovendo un cambio di paradigma nel modo in cui le aziende trattano i modelli di intelligenza artificiale. In un recente post su LinkedIn, Mensch ha avvertito le aziende dei rischi legati all'uso esclusivo di modelli chiusi, spesso gestiti da grandi laboratori di AI. Secondo lui, questi sviluppatori sono in grado di raccogliere grandi quantità di dati, acquisendo così una finestra informativa sui processi aziendali dei clienti. Mensch ha sottolineato che alcuni laboratori possono anche rivolgersi ai propri clienti più produttivi, sfruttando le informazioni che tengono.

Mensch raccomanda alle aziende di concentrarsi su sistemi aperti, stabilire le proprie regole di accesso all'AI e costruire modelli di addestramento personalizzati. Anche se queste iniziative potrebbero sembrare ardue, sottolinea che "l'AI di frontiera può accelerare la crescita aziendale, ma se non è nelle vostre mani, non sarà mai la vostra crescita". I suoi commenti si aggiungono a quelle di altri leader aziendali che ribadiscono l'importanza dell'autocontrollare la tecnologia AI.

Anche Alex Karp, CEO di Palantir, ha espresso opinioni simili. Ha raccomandato alle aziende di costruire modelli propri di AI e non affidarsi a soluzioni esterne chiuse. Palantir ha pubblicato recentemente un manifesto dedicato all’AI sicura nel contesto aziendale. In essa si afferma che "controllare i pesi dei modelli significa controllare il destino. I pesi rappresentano la conoscenza istituzionale accumulata nel tempo. Se permettete agli altri di controllare i vostri pesi, state consentendo loro di trasferire il vantaggio del vostro business al loro."

Gli argomenti avanzati da Mensch sono validi e rilevanti, ma devono essere esaminati nel contesto dell’economia e dei competitor. Mistral è uno dei pochi laboratori europei ad avere modelli AI rilevanti e, però, è difficile confrontarlo con i modelli di punta come GPT-5.6 Sol o Fable 5 in termini di potenza di calcolo e prestazioni globali. Il modello business di Mistral si basa fortemente sulla sovranità europea, nonostante circa il 30 percento delle sue azioni sia detenute da investitori americani.

Gli studi dimostrano che modelli generali di AI, ben addestrati su dati di dominio specifico, spesso superano i modelli specializzati rispetto ad alcune metriche. Tuttavia, un recente esperimento su documenti finanziari supporta in parte le ragioni di Mensch. Bridgewater, insieme al Thinking Machines Lab, ha personalizzato il modello open-source Qwen3-235B con valutazioni degli investitori. In base alla propria valutazione pubblicata, il modello fine-tuned raggiunse un'accuratezza del 84,7% su documenti finanziari, rispetto al 78,2% del modello front-end più avanzato. I costi operativi risultarono anche quasi 14 volte più bassi.

Può comunque emergere una complessità maggiore. L’esperimento non è stato un confronto indipendente, e entrambe le aziende hanno interesse a promuovere i propri prodotti. Inoltre, laboratori come Anthropic o OpenAI potrebbero facilmente acquistare o generare dati simili per addestramenti futuri, tornando probabilmente in testa. Il vantaggio che un modello open sfrutta oggi potrebbe dunque non perdurare nel tempo.

Come migliorare con l’AI?

Mensch e altri esperti di settore hanno in mente una soluzione che unisce l’open-source con l'addestramento personalizzato. Lavorare su modelli open offre flessibilità e controllo, ma richiede competenze interne e investimenti in risorse. L’idea, però, non è solo di costruire meglio, ma di non dipendere da terzi che potrebbero sfruttare dati o modelli in modo non trasparente.

Come ha scritto Mensch, “Frontier AI può accelerare la crescita del vostro business, ma se non è in vostre mani, non sarà mai la vostra crescita”. L’appello è chiaro: l’AI deve diventare un’estensione strategica delle aziende e non un fattore esterno a loro controllo. Questa prospettiva, se adottata da più aziende, potrebbe riequilibrare il mercato, incoraggiando investimenti, innovazione e un'indipendenza tecnologica maggiore.