Fare AI è un modo per entrare nei processi aziendali degli altri

Ogni volta che un’azienda automatizza un processo con un modello proprietario, dal customer service all’analisi finanziaria, il fornitore di quel modello osserva il processo dall’interno. Non servono log letti a mano: bastano i pattern di utilizzo, le tipologie di richieste, i volumi per caso d’uso. Arthur Mensch, CEO di Mistral, lo ha scritto su LinkedIn, in un post che The Decoder ha ripreso: i laboratori che vendono modelli proprietari “hanno un track record nell’inseguire i loro clienti di maggior successo grazie a queste informazioni”.

I lab AI vedono tutto quello che gli mandi

Il meccanismo descritto da Mensch non è un’accusa vaga: è la naturale conseguenza economica di caricare dati sensibili su un’API di terzi. Un fornitore che raccoglie sistematicamente questi segnali da centinaia di clienti dello stesso comparto costruisce, senza chiedere nulla in più, una mappa dettagliata di dove quel settore genera valore. Chi osserva per mesi come un cliente automatizza la gestione del credito o la logistica ha di fronte due strade: restare fornitore di infrastruttura, oppure costruire un prodotto verticale che compete con chi gliel’ha insegnato.

Il consiglio pratico che Mensch offre alle aziende è concreto: tenere i dati in sistemi aperti, definire regole di accesso proprie, costruire pipeline di training interne invece di affidarsi solo all’API di un fornitore esterno.

Il rischio non è distribuito allo stesso modo su tutti i settori. Un’azienda che usa un modello proprietario per riassumere email interne espone molto meno di un’azienda che ci fa passare la valutazione del credito, la due diligence legale o la definizione dei prezzi. Sono proprio questi i verticali in cui un fornitore di modelli ha l’incentivo più forte a costruire un prodotto proprio, perché il margine per cliente servito è più alto e la barriera all’ingresso, una volta capito il processo, si abbassa parecchio.

Anche Palantir dice la stessa cosa, quasi in contemporanea

La tesi di Mensch non nasce isolata. Alex Karp, CEO di Palantir, ha accusato OpenAI e Anthropic dello stesso rischio in un manifesto pubblicato su LinkedIn: “controllare i tuoi pesi è controllare il tuo destino”. Due fondatori, mercati diversi, prodotti diversi, la stessa settimana: la convergenza non è casuale. Entrambi vendono l’alternativa al modello dominante, ed entrambi hanno interesse a convincere il mercato che quel modello nasconde un rischio strutturale. L’argomento resta valido anche se è interessato: è marketing costruito con materiale vero.

Mistral non può competere sulle prestazioni, e lo sa

Mistral non vince il confronto diretto con i modelli di frontiera americani. GPT-5.6 e Claude Fable 5 restano avanti nei benchmark che contano per la maggior parte dei casi d’uso enterprise. L’azienda francese ha costruito il proprio posizionamento su un asse diverso, la sovranità dei dati come leva competitiva, non le prestazioni pure: è l’unica carta rimasta da giocare quando non si può vincere sulla potenza di calcolo.

Questo posizionamento mostra crepe evidenti. Circa il 30% delle azioni Mistral è in mano a investitori statunitensi, un dettaglio che stride con la retorica anti-dipendenza-USA dell’azienda. E inciampa sui dati anche sull’infrastruttura fisica: Mistral si appoggia a Digital Realty, fornitore statunitense, per parte dei suoi data center europei. La sovranità che vende ai clienti non è mai totale nemmeno per lei stessa.

Un caso reale complica il quadro

La tesi di Mensch trova però un riscontro che va oltre la retorica dei fondatori. Bridgewater Associates e Thinking Machines Lab hanno testato un modello open source, Qwen3-235B, sottoposto a fine-tuning con dati proprietari del fondo: 84,7% di accuratezza su documenti finanziari complessi, contro il 78,2% del miglior modello di frontiera chiuso, con costi operativi quasi 14 volte inferiori.

Non è un confronto indipendente: entrambe le aziende vendono prodotti legati a questo approccio, ed è uno snapshot temporale, non una legge di natura. Ma il fine-tuning su modello aperto con conoscenza di dominio proprietaria può battere comunque un modello chiuso generico, non solo come argomento da post LinkedIn. Sempre più aziende scelgono open-source proprio per questa ragione: un modello fine-tunato con dati interni resta sotto il controllo di chi lo addestra.

Il costo operativo, quasi 14 volte inferiore nel caso Bridgewater, rischia di passare in secondo piano rispetto all’accuratezza, ma per un reparto IT che deve giustificare un budget è spesso l’argomento decisivo. Un modello aperto più piccolo, addestrato su un dominio ristretto, gira con meno risorse di calcolo di un modello generalista chiamato via API per lo stesso compito.

Chi vince se il modello resta chiuso

I vincitori sono chiari: i vendor di modelli aperti come Mistral e Meta con Llama, e le aziende con competenze di machine learning interne sufficienti per fare fine-tuning proprietario. Non è un vantaggio automatico: richiede persone che sappiano addestrare, validare e mantenere un modello, un costo che molte aziende medie non hanno messo a bilancio.

Chi perde è altrettanto chiaro: le aziende senza competenze ML interne, vincolate a modelli chiusi perché non hanno alternative operative concrete. Pagano in due forme, costi di licenza continuativi e rischio di esposizione dei propri processi a chi vende il modello. Anche i grandi laboratori lo sanno, e vogliono la loro fetta di mercato enterprise sfruttando proprio questa dipendenza.

La mossa più sensata per un’azienda con dati di dominio non pubblici non è aderire per fede a un sovranismo tecnologico che nemmeno Mistral applica fino in fondo a se stessa. È fare un calcolo costi-benefici caso per caso: quanto vale tenere quei dati fuori dalla vista di un fornitore esterno, quanto costa costruire e mantenere un fine-tuning proprietario, se le competenze per farlo esistono già in casa o vanno acquisite.

Il criterio pratico per fare questo calcolo è semplice da enunciare, meno da applicare: quanto più un processo aziendale è fonte di vantaggio competitivo reale, tanto meno ha senso farlo transitare integralmente su un’API di terzi senza controllo sui dati che genera. Per un processo generico, uguale in ogni azienda del settore, il rischio di esposizione conta poco: nessun fornitore costruisce un prodotto verticale copiando qualcosa che già fanno tutti allo stesso modo. Per un processo che incorpora anni di conoscenza specifica, invece, il calcolo cambia radicalmente, ed è lì che il consiglio di Mensch smette di essere solo un argomento di vendita e diventa un’indicazione operativa fondata. Chi non fa questo calcolo lascia che la decisione la prenda, di fatto, il fornitore del modello.