你的AI供应商可能正在看着你。不是比喻，是字面意思。
Mistral AI 创始人兼 CEO Arthur Mensch 在 LinkedIn 上发出了一个让企业决策者后背发凉的警告。闭源模型厂商正在存储越来越多客户数据，这让他们获得了观察企业业务流程的前排座位。更糟的是，Mensch 直言：“一些AI实验室有利用这些信息去抢最成功客户的记录。”
这不是阴谋论。几乎同一周，Palantir 掌门人 Alex Karp 在 CNBC 上把同一件事砸到了台面上。他说 AI 的商业模式“出了大问题”，并在前一天发布了九点“AI主权宣言”，其中一句格外刺眼：“控制你的权重就是控制你的命运。权重是你来之不易的、积累了多年的制度知识的蒸馏形式。如果你让别人控制你的权重，你就是在允许他们将你的商业价值迁移到他们那里。”
一个欧洲AI新贵的创始人和一个美国国防科技巨头的CEO，在同一周说了同一件事。这已经不能再用巧合来解释了。
闭源模型的天生缺陷
Mensch的批评指向了一个结构性问题，而非偶发事件。闭源AI模型的商业模式决定了其底层架构天生就是一个观察者。每一次API调用都是一次数据传输，每一次推理请求都是一次信息暴露。当一家企业把内部邮件、客户沟通记录、财务数据甚至战略文档输入闭源模型进行训练或微调时，这些数据实际上已经脱离了这家企业的控制。
问题不在于数据在传输过程中是否加密。这类基础安全问题业界已有成熟方案。真正的问题在于“数据重放风险”。闭源模型厂商能否从训练后的模型中提取或推断出客户的专有信息？学术界早已证明，针对大型语言模型的成员推断攻击和训练数据提取攻击是真实存在的威胁。对于无法获得模型权重、无法进行独立审计的API客户而言，他们除了信任别无选择。
但信任在商业竞争中是最脆弱的资产。Mensch 没有点名具体公司，但在AI行业，这几乎是公开的秘密。头部闭源平台的“平台兼自营”模式，在多个领域已经让合作伙伴变成了竞争对手。一家公司一边卖给你AI能力，一边看着你的数据了解你的市场、你的定价策略、你的客户画像，然后推出和你一模一样的产品。
在笔者看来，这正是AI行业的“目光恐惧”。你明知道有人在看，却不知道他看到了什么，也不知道他什么时候会行动。
Mensch与Karp的同步绝非巧合
如果把视角拉远，Mensch和Karp的同步发声揭示了一个更深的行业转折。企业级AI市场正在从一个问题转向另一个完全不同的问题。之前的问题是“谁的模型更强”。现在的问题是：AI的能力究竟掌握在谁手里。
Palantir的宣言文件对此做了最直白的表述。九点纲领的核心不是技术参数，而是权利。“主权是选择的前提条件”，宣言写道。Karp在CNBC上更进一步，批评基于Token的计费模式“完全错了”。在他看来，企业为每一次推理付费，不仅成本失控，还会将自己锁定在一个无法掌握自身数据的体系里。他给出的替代方案是Palantir与Nvidia合作的开源模型路线，企业自建、自管、自控。
当越来越多的企业客户开始问“我的数据去了哪里”“谁有权访问我的训练数据”“如果我不想续费了，我的模型怎么办”时，这些问题指向的正是Mensch和Karp同时瞄准的靶心。闭源模型的锁定效应和主权风险，正在从一个被忽视的技术细节，变成董事会层面的战略议题。
当然，Mensch的立场并非无私。The Decoder在分析中直白地指出，Mistral是欧盟唯一拥有大模型能力的公司。在纯粹的性能层面，它无法与GPT-5.6 Sol或Anthropic的Fable 5正面竞争。因此，Mistral的商业策略高度依赖于“欧洲数字主权”叙事，因为这才是它最有可能赢得市场的地方。一个难以忽视的对照是，Mistral约30%的股份由美国投资者持有。
但利益相关方就一定是错的吗？Mistral自己的产品也并非全部开源，La Plateforme平台同样是商业API服务。然而Mensch的立场有一个关键区别。Mistral提供企业级私有化部署选项，客户可以在自己的基础设施上运行模型，数据不出境、不共享、不回流到Mistral的训练集。这套“主权优先”的产品设计，正是Mistral区别于OpenAI和Anthropic的核心壁垒。
Mistral的营收增长也印证了“主权溢价”是真实存在的。据Sacra估算，Mistral在2026年初ARR已达到4亿美元，较2024年底的约1600万美元增长超过20倍。其中约60%的营收来自欧洲市场，集中在需要严格数据驻留和合规保障的政府与金融客户。这些客户愿意为数据控制权支付更高的价格。他们买的不是更强的模型，而是更安全的控制权。
Bridgewater实验证明你的数据比模型更重要
就在Mensch和Karp发出警告的同一周，一组来自金融世界的实验数据为他们的论点提供了实证支撑。
全球最大对冲基金Bridgewater与Mira Murati创立的Thinking Machines Lab联合发布了一项研究成果。他们使用开源模型Qwen3-235B为基座，用Bridgewater内部投资专家的专业标注数据进行了微调。结果令人震惊。微调后的模型在六大金融文档分析任务上达到了84.7%的准确率，而当时最强的闭源前沿模型只有78.2%。按错误率算，微调模型的错误减少了29.8%。更重要的是，它的运行成本低了13.8倍。
这个实验的真正价值不在于“开源比闭源强”这样一个粗放的结论。它揭示了一个更本质的事实：你的数据比你用的模型更重要。Bridgewater的成功关键不在于选择了Qwen3这个基座模型，而在于他们拥有前沿模型训练集里从来没有的东西。那是内部投资专家的判断逻辑和专有金融知识。最开始的标签由外部承包商标注，大量标签是错误的。研究人员设计了一个巧妙的工作流：先用模型学习有缺陷的标签，再找出模型和标签不一致的地方，最后只把那些争议样本交给Bridgewater的投资专家去纠正。正是这些纠正后的“专家判断数据”，让模型跨越了80%的准确率门槛。论文作者称之为“投资者在日常工作流中愿意信任的阈值”。
这个故事还暴露了另一个更深层的困境。Bridgewater的实验揭示了一个反直觉的行业结构性风险：最强的闭源前沿模型为什么在金融文档的精细判读上表现不佳？不是因为它们不够聪明，而是因为它们的训练集中缺少这些从未公开过的专业金融判断数据。换句话说，一个模型的短板，恰恰暴露了它的训练数据中缺失了什么。而这些缺失的数据，恰好是每一个企业最不愿意交出去的核心资产。
The Decoder在报道中点出了这个困境的真正本质：“任何人把这类数据交给前沿实验室，都将面临着和自己用这些数据训练出来的产品竞争的风险。”这句话正好为Mensch的警告做了最精确的注脚。从“不要用闭源模型处理敏感数据”这个安全建议，到“你交出去的数据可能被用来训练你的竞争对手”这个商业现实，中间的鸿沟已经被Bridgewater的实验填平了。
企业不是没有选择，但代价是必须做取舍
Mensch在他的LinkedIn帖子中给出了三条具体建议。将数据存储在开放系统中；自行设定AI访问规则；构建自己的训练模型。他承认“这些努力可能看起来令人望而生畏”，但告诫企业这是必须付出的代价。
Bridgewater的实验已经提供了一条可参考的技术路径。以开源模型为基座，用企业专有数据做微调，将模型权重掌握在自己手中。这条路径的技术门槛正在快速降低，Thinking Machines Lab的Tinker平台就是例证，成本效益也已经得到验证。在垂直场景中，微调后的专有模型不仅在准确率上胜出，运行成本更是低了超过一个数量级。
对于大多数企业而言，这意味着一条中间路线。不必完全抛弃闭源模型，但必须在关键业务场景中建立数据主权。对涉及核心商业机密、专利情报、客户数据和战略决策的AI应用，优先选择开源可自托管模型或提供私有化部署的商业方案。对辅助性、非敏感场景，可以继续使用闭源API服务。关键不在于选哪家供应商，而在于谁握着模型权重。那才是一个企业AI资产真正的所有权凭证。
Palantir的宣言将这一选择上升到了战略高度：“主权是选择的前提条件。”在企业全面拥抱AI的今天，这句话从一个国防科技公司的口号变成了一条商业底线。
如果过去两年企业AI的核心命题是“用不用AI”，那么2026年下半年的新命题已经截然不同。AI归谁所有，增长才归谁所有。
快报