Da qualche mese a questa parte, la conversazione globale sull’intelligenza artificiale ha subito una trasformazione profonda, cambiando radicalmente registro. Non assistiamo più alla frenetica e spettacolare rincorsa verso il modello computazionale più potente in assoluto, alla caccia disperata al benchmark più elevato o all’esibizione della demo tecnologica più sbalorditiva. La discussione strategica si è finalmente trasferita su un terreno di gioco assai più concreto, pragmatico e per certi versi spietato, concentrandosi su come l’intelligenza artificiale si vende, su come si compra, su come si governa nei processi organizzativi e, soprattutto, su chi ne detiene il reale controllo decisionale.
L’irruzione dirompente di DeepSeek e dei principali laboratori di ricerca cinesi ha agito da potente catalizzatore di questo cambio di paradigma. Il motivo non risiede nel fatto che Pechino abbia conseguito una vittoria tecnologica definitiva sui concorrenti occidentali, quanto piuttosto nell’aver dimostrato empiricamente che il presunto e indiscutibile vantaggio americano non costituisce un dato immutabile di natura. Se il divario prestazionale nei test di valutazione standardizzati si è ormai ridotto a una manciata di punti percentuali nei compiti operativi più critici, con la scrittura di codice in primissima fila, i costi vivi di addestramento e di inferenza continuano a mostrare dinamiche e metriche radicalmente divergenti.
La reazione istituzionale e politica proveniente dagli Stati Uniti, caratterizzata da una fitta trama di divieti federali, dall’ideazione di modelli ad alta sicurezza destinati al Pentagono e da una pervasiva retorica di sicurezza nazionale, appare del tutto comprensibile e per molti versi persino inevitabile nello scacchiere geopolitico attuale. Tuttavia, questo irrigidimento geopolitico non risolve minimamente il nodo sistemico di fondo che affligge il mercato globale, ovvero come l’intelligenza artificiale debba essere concretamente adottata, pagata, integrata e controllata all’interno della vita civile e del tessuto economico produttivo.
Dario Denni: “La potenza cinese da Deepseek in poi ha segnato il passo della dominanza USA che è sexy con la storia dei divieti, degli agenti che scappano, del dissidio di Adelchi di Altman che da i modelli al pentagono ma per ragion di Stato (usi militari). Per usi civili siamo passati dalla sexitudine del modello più avanzato ad una constatazione: come si vende l’AI? Non sapendo come fare si sono inventati il costo per token, come quando nel 2000 si pagava il mobile al minuto. Il costo per token è già vecchio perchè è vecchia la scelta del modello n.1 che non è il migliore in assoluto ma è il migliore per quello che ci devi fare. Sta per uscire uno studio su questo molto interessante. Io propongo un modello misto, per l’Italia, infrastrutture sovrane, vivaddio qualcuno che investe in GPU as a service ci sta, ci agganciamo un provider di inferenza che ti da pure la consulenza su come usare. Come al solito i first adopter non sono piccolini. Servono competenze mica da ridere. Revolut ci indica una strada precisa, non ha detto NO a Gemini, ha detto che sceglie Open per fare coding e risparmia. Quanto ha speso Revolut per dotarsi di un’infrastruttura e di competenze è ben superiore al risparmio per token che è una conseguenza, come quando passi dall’elettrico al termico e risparmi con un’auto che però costa. I vantaggi li vedi nel lungo periodo. Per i governi direi la stessa cosa: stanno vestendo di sovrano quello che sovrano non è es. Delos che privatizza Microsoft o Amazon che fa il test di distacco da madrepatria. Fuffologia (sovereignty washing). Siamo fermi al palo. E’ troppo più facile comprare la licenza, pure di gruppo, alle Università che dotare gli atenei di un’infrastruttura della conoscenza che tiene i birilli in piedi invece di sbracare tutto. E’ difficile da far capire.
Sommario
I limiti della fatturazione a consumo e l’obsolescenza del costo per token
Il modello di business nettamente dominante nel panorama odierno rimane quello basato sulla fatturazione a consumo per singolo token elaborato. Si tratta indubbiamente di una metrica estremamente chiara da quantificare, trasparente da misurare e straordinariamente facile da paragonare tra diversi fornitore di servizi. Ciononostante, tale architettura commerciale è già da considerarsi concettualmente obsoleta e inadeguata alle reali esigenze operative delle imprese. Questa modalità di calcolo ricorda in modo quasi impressionante la struttura tariffaria della fonia mobile nei primi anni Duemila, quando il traffico veniva scrupolosamente addebitato al minuto: un parametro estremamente semplice da comprendere per l’utente che tuttavia mascherava e distorceva la reale economia sottostante al servizio.
Se da un lato il prezzo unitario di una singola funzionalità fissa crolla a ritmi vertiginosi ed entusiasmanti, dall’altro la quantità complessiva di token inderogabilmente necessari per ottenere un output lavorativo realmente utile ed elaborato sta letteralmente esplodendo. Questo fenomeno è guidato dalla proliferazione di agenti autonomi multi-step, dall’adozione di finestre di contesto sempre più estese e dalla necessità di catene di ragionamento iterativo e complesso. Di conseguenza, il risultato finanziario diretto è che le spese operative delle aziende non accennano a diminuire, ma al contrario registrano impennate preoccupanti. Chiunque continui ostinatamente a vendere o a promettere il modello migliore in senso assoluto sta semplicemente commercializzando un’illusione priva di riscontro pratico.
La realtà industriale impone di riconoscere che il miglior modello possibile è unicamente quello capace di assolvere nel modo più efficiente a una specifica mansione, all’interno di un determinato perimetro operativo e nel pieno rispetto dei vincoli di costo, latenza, riservatezza dei dati e affidabilità richiesti dal cliente finale.
La lezione pragmatica di Revolut: dall’auto a noleggio al parco veicoli di proprietà
L’esempio emblematico offerto dalle recenti scelte operative di Revolut appare in questo senso straordinariamente illuminante, proprio perché del tutto scevro da qualsiasi pregiudizio di natura ideologica o politica. La multinazionale fintech britannica non ha rifiutato i modelli di frontiera americani per eccellenza, come Gemini o Claude, spinta da una qualche forma di purismo concettuale o di avversione geopolitica. Molto più banalmente, il management ha sperimentato sul campo, ha tracciato rigorosamente i flussi di spesa e ha dovuto prendere atto che i costi legati alla scrittura e alla revisione del codice su infrastrutture proprietarie esterne diventavano del tutto insostenibili e inefficienti non appena tentavano di scalarli sull’operatività quotidiana dei propri duemila ingegneri software.
Di conseguenza, l’azienda ha scientemente deciso di reimpostare l’ambiente di default per i propri sviluppatori su un modello di origine cinese a pesi aperti, gestendolo interamente in-house tramite una propria infrastruttura hardware basata su GPU proprietarie. Al contempo, ha mantenuto l’accesso ai modelli commerciali di frontiera tramite un sistema dinamico di routing, riservandoli esclusivamente alla risoluzione di task eccezionalmente complessi, a problematiche multimodali o a casi limite di difficile risoluzione.
Il risparmio economico diretto derivante da questo riassestamento dell’architettura aziendale è stato calcolato nell’ordine del novanta per cento dei costi di inferenza, ma l’aspetto davvero centrale e rivelatore di questa operazione non risiede nel mero taglio della spesa per i token. Il vero, imponente investimento compiuto da Revolut ha riguardato la costruzione dell’infrastruttura di calcolo proprietaria, l’affinamento dei modelli sui dati aziendali e l’accrescimento delle competenze tecniche del proprio personale interno. Ci troviamo di fronte alla medesima transizione strutturale che si compie quando un’azienda decide di passare dall’utilizzo permanente di auto a noleggio all’acquisto diretto di un intero parco veicoli aziendale.
Sebbene il costo capitale iniziale sia indubbiamente più elevato e richieda un’allocazione di risorse significativa, i benefici economici ed efficienziali si manifestano in modo evidente nel medio e lungo periodo, garantendo soprattutto un’inestimabile autonomia decisionale e strategica. Revolut non si è limitata a risparmiare su una voce di spesa corrente; ha consapevolmente edificato la propria capacità organizzativa per non dover mai più dipendere dalle decisioni unilaterali o dai listini prezzi di un singolo fornitore tecnologico estero per lo svolgimento delle sue attività core quotidiane.
Il cortocircuito europeo e l’inganno del “Sovereignty Washing”
Questo passaggio fondamentale è precisamente il nodo strategico che l’Italia e la maggior parte dei paesi europei fanno ancora un’enorme fatica a metabolizzare e ad accettare sul piano politico e gestionale. Nell’immediato risulta indiscutibilmente più semplice acquistare licenze di gruppo chiavi in mano per rifornire le università, i centri di ricerca e i vari comparti della Pubblica Amministrazione. Appare enormemente più comodo e rassicurante stipulare un contratto collettivo con un grande hyperscaler americano che si premura di garantire la sovranità dei dati unicamente a parole, magari offrendo la sponda teorica di un data center localizzato a Francoforte e arricchito da un’accattivante etichetta commerciale di conformità europea. Nella stragrande maggioranza dei casi ci troviamo dinanzi a una vera e propria operazione di facciata, una forma conclamata di sovranismo di facciata dove si continuano a rivestire di parvenza autonoma infrastrutture e servizi digitali che di autonomo e sovrano non possiedono assolutamente nulla.
Nonostante vi siano fornitori nativi europei che tentano meritoriamente di spingere sulla giurisdizione continentale e sull’assenza di controlli azionari statunitensi, anche le cosiddette soluzioni di cloud sovrano messe in campo dalle Big Tech americane rimangono inevitabilmente soggette ai gravi rischi di extraterritorialità legislativa derivanti dal Cloud Act statunitense. La vera sovranità tecnologica non coincide in alcun modo con un’etichetta di marketing sapientemente confezionata per compiacere gli organi regolatori.
Essa si sostanzia unicamente nel possesso di un controllo operativo diretto e incondizionato, nella custodia inderogabile dei dati sotto la piena giurisdizione giuridica europea senza alcuna possibilità di accessi secondari non autorizzati, nella capacità sistemica di non poter essere tagliati fuori dall’accesso alle risorse da un giorno all’altro e, soprattutto, nella presenza capillare di persone qualificate che comprendano a fondo il funzionamento intimo di ciò che stanno gestendo.
Oltre l’autarchia: le basi per un modello italiano ed europeo resiliente
Per un paese come l’Italia, la traiettoria più realistica e pragmatica da perseguire non è certamente la ricerca di un’improbabile e anacronistica autarchia tecnologica. Il nostro sistema non possiede, e realisticamente non possiederà nel breve o medio periodo, la disponibilità finanziaria ed energetica necessaria per competere direttamente sulla creazione dei modelli di frontiera di scala globale contro colossi del calibro di OpenAI, Anthropic, Google o le multinazionali cinesi.
Ciononostante, il nostro paese mantiene la concreta possibilità di edificarne un modello misto e resiliente che eviti di lasciarci in uno stato di totale e passiva subordinazione. Tale architettura richiede l’allestimento di infrastrutture sovrane nazionali ed europee destinate all’erogazione di potenza computazionale su GPU gestita su base locale, attraverso investimenti reali in capacità di calcolo fisica anziché in fumose presentazioni strategiche. Parallelamente, occorre incentivare la nascita di provider di inferenza specializzati che non si limitino a rivendere token a consumo, ma che siano in grado di offrire consulenza ad alto valore aggiunto sull’ottimizzazione dei flussi, sull’orchestrazione dei modelli e sulla loro specializzazione avanzata attorno a specifici domini industriali o scientifici. Tutto questo deve essere necessariamente sostenuto da un diffuso potenziamento delle competenze interne al sistema, prerequisito indispensabile per fare in modo che le nostre organizzazioni cessino di comportarsi come meri clienti finali privi di potere contrattuale.
I soggetti che faranno da apripista in questo indispensabile processo di affrancamento non saranno le piccole imprese frammentate o le singole facoltà universitarie isolate. I veri pionieri saranno necessariamente i grandi gruppi bancari, le aziende del settore energetico e delle utilities, i principali distretti industriali di rilevanza nazionale e le amministrazioni pubbliche centrali, tutte realtà che dispongono già oggi della necessaria massa critica in termini di volume di dati, complessità di workload e disponibilità di risorse finanziarie. Sarà in quegli ambiti ad alto impatto che si costruirà la capacità infrastrutturale e metodologica fondamentale, per poi procedere gradualmente a un’estensione del modello verso il resto del tessuto economico e istituzionale.
Il cortocircuito della formazione: il caso emblematico delle università
Il caso dell’ambiente accademico e universitario rappresenta in questo contesto un frammento sintomatico e altamente emblematico del problema generale. Acquistare una licenza collettiva di un modello commerciale di successo da distribuire a pioggia è un’operazione estremamente banale da approvare sui tavoli burocratici, immediata da giustificare agli occhi della politica ed facilissima da rendicontare attraverso metriche superficiali, potendo sbandierare di aver fornito l’accesso alle ultime tecnologie a decine di migliaia di studenti e docenti. Al contrario, ideare e costruire una vera e propria infrastruttura nazionale della conoscenza — fondata sull’accesso a risorse di calcolo locali e sovrane, sullo sviluppo di modelli specializzati sui domini scientifici tipici della ricerca italiana, sulla protezione rigorosa dei dataset strategici e sulla formazione tecnica continua del personale di ricerca — si presenta come un percorso infinitamente più lento, complesso e dispendioso nelle sue fasi iniziali.
Questo approccio richiede che la classe dirigente si assuma la responsabilità politica e gestionale di pianificare sul lungo periodo anziché cedere alla tentazione di delegare l’intero futuro digitale a un unico fornitore esterno. Costruire un’infrastruttura di questo tipo necessita di competenze profonde che non possono essere improvvisate tramite un bando di gara e richiede un tempo di maturazione i cui frutti non saranno visibili nei bilanci del trimestre successivo, ma si apprezzeranno nell’arco dell’intero ciclo formativo di una nuova generazione di ricercatori e tecnici. Continuare a rinviare queste decisioni significa condannare il sistema formativo e scientifico a rimanere un cliente perpetuo ed eterodiretto, costretto ad accettare passivamente le variazioni di prezzo, le modifiche ai termini di servizio, le priorità industriali e i confini etici stabiliti da soggetti terzi.
La risorsa più scarsa: formare e trattenere il capitale umano
La questione del capitale umano e delle competenze tecniche rappresenta un ulteriore nodo cruciale e particolarmente scomodo nel dibattito pubblico. Il mero acquisto di rack di GPU o la disponibilità formale di un data center sul territorio non costituiscono di per sé una soluzione magica. Il vero fattore abilitante risiede nelle persone: occorre formare e trattenere professionisti capaci di ottimizzare i processi di inferenza per ridurre i consumi energetici, architetti software in grado di strutturare un routing intelligente tra modelli differenti a seconda del contesto, ingegneri capaci di effettuare il fine-tuning e l’adattamento di modelli a pesi aperti su dataset proprietari altamente sensibili e specialisti in grado di valutare l’impatto economico reale delle tecnologie adottate al di là dei token consumati. Queste figure professionali sono attualmente scarse sul mercato globale, estremamente costose da ingaggiare e guidate dalla naturale tendenza a collocarsi dove i progetti industriali si dimostrano più ambiziosi e le retribuzioni più competitive. L’Italia potrà sperare di attrarre o di formare queste risorse decisive unicamente a patto di offrire infrastrutture di ricerca di primo livello e una visione d’insieme duratura, abbandonando la logica frammentata dei finanziamenti a pioggia e dei progetti di breve respiro che finiscono per alimentare l’importazione di servizi esteri e l’esportazione dei nostri migliori talenti.
La vera sovranità tecnologica: una capacità di scelta che non si compra in abbonamento
La complessa geopolitica dell’intelligenza artificiale non concederà pause né sconti al nostro continente nei prossimi anni. Gli Stati Uniti proseguiranno inesorabilmente nell’impiego di restrizioni commerciali, controlli sulle esportazioni di microprocessori e intese bilaterali per tentare di arginare e rallentare l’avanzata tecnologica cinese. Contestualmente, Pechino continuerà a investire massicciamente nell’ottimizzazione dell’hardware domestico e nel rilascio sistematico di modelli open-weight ad altissima efficienza e basso costo operativo per conquistare quote di mercato globali.
L’Europa, e l’Italia al suo interno, corre il rischio concreto di rimanere stritolata nel mezzo di questa contesa titanica, configurandosi come un mercato di consumo estremamente ricco e appetibile per le multinazionali esterne, ma drammaticamente debole e irrilevante quando si tratta di definire le regole del gioco e la direzione dello sviluppo tecnologico.
L’unica via d’uscita praticabile da questa impasse non consiste nel scegliere aprioristicamente un campo per rassegnarsi a un ruolo di subordinazione tecnologica, né tanto meno nel vagheggiare un’improbabile autarchia scientifica e industriale. La reale sfida consiste nel costruire e mantenere una vera capacità autonoma di scelta. Ciò significa possedere l’intelligenza critica e l’infrastruttura necessaria per utilizzare i modelli commerciali di frontiera più avanzati laddove si rivelino davvero insostituibili, impiegare soluzioni a pesi aperti gestite in-house quando queste ultime risultino perfettamente adeguate alle necessità operative, mantenere la potenza di calcolo sotto il diretto controllo giurisdizionale quando si trattano dati sensibili o strategici, e formare capitale umano in grado di governare la coesistenza di queste tecnologie.
Questa prospettiva richiede investimenti coraggiosi che non garantiscono ritorni d’immagine immediati, decisioni politiche che mal si prestano alla ricerca di slogan elettorali e la pazienza pedagogica di spiegare per quale motivo l’acquisto di licenze software ed esterne sia la strada più comoda oggi ma la più rovinosa e costosa domani. Revolut ha compreso ed applicato questa logica nell’arco di pochi mesi semplicemente analizzando l’evidenza dei propri dati di bilancio. Il nostro sistema paese sta invece ancora discutendo se l’ultimo modello americano sia abbastanza affascinante da giustificare la nostra progressiva dipendenza. Non lo è affatto.
Il vero vantaggio competitivo di una nazione non risiede nel possesso temporaneo del modello di intelligenza artificiale più avanzato della settimana, ma nella capacità di scegliere, di adattare le tecnologie ai propri bisogni e di evitare di essere passivamente scelti e guidati da altri. Tale capacità non si compra con l’acquisto di abbonamenti cloud né si certifica con l’affissione di etichette formali, ma si edifica giorno per giorno attraverso la costruzione di infrastrutture fisiche, la formazione di competenze reali e la continuità degli investimenti nel tempo.
