Negli ultimi due anni le aziende si sono abituate a un’idea comoda: l’intelligenza artificiale è un servizio, si paga a consumo, e più se ne usa più conviene.

È il modello che ha reso l’AI accessibile a chiunque abbia una carta di credito, senza investimenti né competenze infrastrutturali. Ma è anche un modello che espone le aziende a un rischio che raramente viene discusso apertamente: la dipendenza totale da un fornitore esterno per una funzione che, sempre più, diventa centrale nel modo di lavorare.

Il problema non è oggi. È tra due o tre anni

I prezzi dei token da modelli di grandi dimensioni sono scesi costantemente dal 2023 a oggi, spinti dalla concorrenza tra i grandi player e da modelli via via più efficienti. Questa dinamica ha abituato le aziende a pensare che il trend sarà sempre discendente. Non è garantito.

I data center che addestrano ed eseguono questi modelli richiedono investimenti in energia, chip e infrastrutture che si misurano in decine di miliardi di dollari, spesso finanziati con debito o con margini ancora negativi sui servizi consumer e business. Nel momento in cui gli investitori chiederanno ritorni concreti — o in cui la domanda di calcolo supererà l’offerta di GPU, come già accaduto a più riprese — è realistico aspettarsi un irrigidimento dei prezzi, la sparizione dei tier gratuiti o scontati, o la deprecazione di modelli poco redditizi in favore di altri più costosi.

C’è poi uno scenario ancora più semplice: un fornitore decide di cambiare priorità strategiche, ritira un modello su cui un’azienda ha costruito i propri flussi di lavoro, cambia le condizioni contrattuali, o semplicemente subisce un’interruzione di servizio in un momento critico. Chi ha costruito processi aziendali interi — customer care, generazione contenuti, analisi dati, agenti che orchestrano altri sistemi — sopra un’unica API esterna, in quel momento si accorge di non avere alternative immediate.

Questo è, in sintesi, il rischio: non che l’AI in cloud smetta di funzionare, ma che l’azienda che ne dipende del tutto perda la capacità di negoziare, di pianificare i costi, o anche solo di continuare a lavorare senza interruzioni.

Il tema, spesso sottovalutato, dei dati

C’è una seconda ragione, meno legata ai costi e più alla sostanza: ogni prompt inviato a un servizio esterno — documenti, email, contratti, codice, dati di clienti — transita e spesso viene processato su server di terzi, sotto policy che possono cambiare, in giurisdizioni diverse dalla propria. Anche con le migliori garanzie contrattuali, l’azienda cede il controllo diretto sul dato nel momento stesso in cui lo invia.

Per settori regolamentati, per chi tratta dati sensibili di clienti, o semplicemente per chi considera i propri processi interni un vantaggio competitivo da proteggere, questo non è un dettaglio tecnico: è una questione di proprietà dell’informazione. Un modello che gira su hardware di proprietà, in rete locale, non fa uscire nulla dai confini aziendali. Il vantaggio non è solo di sicurezza formale, ma di controllo reale su cosa succede ai propri dati.

La proposta: infrastruttura ibrida, non abbandono del cloud

Non si tratta di rinunciare ai servizi cloud, che restano insostituibili per i modelli più grandi e per i picchi di carico. Si tratta di costruire un’infrastruttura locale in grado di coprire una parte significativa del lavoro quotidiano — inferenza su modelli di dimensioni medie, orchestrazione di agenti, automazioni interne, elaborazione di dati sensibili — riducendo la dipendenza dal fornitore esterno a ciò che realmente serve, e mantenendo un margine di manovra se le condizioni di mercato cambiano.

Oggi questo è alla portata di un investimento aziendale ragionevole, grazie a una nuova generazione di piattaforme con memoria unificata ad alta capacità, pensate proprio per far girare modelli linguistici di grandi dimensioni senza il costo di un cluster di GPU professionali.