Due notizie apparse nel consueto roundup settimanale — una dalla Silicon Valley, l’altra dai tribunali cinesi — convergono su un punto che chiunque investa in AI farebbe bene a non trascurare: la crescente imprevedibilità degli ambienti esterni su cui poggiano modelli e hardware.

Anthropic, la società che sviluppa Claude, ha annunciato un rafforzamento dei controlli di accesso ai propri modelli. Non sono stati forniti dettagli su quali restrizioni entreranno in vigore, ma la sola scelta di irrigidire le policy ha un effetto immediato: introduce un coefficiente di rischio per tutte le organizzazioni che hanno integrato quei servizi in processi critici. Chi utilizza un LLM via API delega al fornitore non soltanto l’inference, ma anche la continuità delle policy di sicurezza, dei limiti di utilizzo e, in sostanza, la prevedibilità del servizio. Quando un vendor modifica unilateralmente le regole di ingaggio, il TCO reale di un’integrazione cloud può scostarsi sensibilmente dalle stime iniziali, non per ragioni tecniche ma per decisioni amministrative.

Non è un ragionamento nuovo: spostare l’inference on-premise, con modelli self-hosted, restituisce all’organizzazione il pieno controllo sulle condizioni di esercizio e sulla sovranità dei dati. Tuttavia, l’inasprimento di Anthropic lo riporta all’attenzione con un caso concreto che riguarda un fornitore di primo piano. Per chi valuta un deployment locale, il punto non è sfuggire a una regola specifica, ma annullare la dipendenza da scelte altrui che possono mutare senza preavviso.

La seconda notizia arriva dal settore dei semiconduttori. La disputa legale tra Innoscience (azienda cinese specializzata in GaN) e Infineon (colosso tedesco) ha messo in luce come il sistema giudiziario cinese possa diventare uno strumento di pressione nei conflitti industriali. Al di là del merito della causa, il dato rilevante è che la disponibilità di componenti per l’elettronica di potenza — essenziali anche per i server che eseguono carichi di AI — può essere condizionata da manovre geopolitiche. Per chi progetta infrastrutture on-premise, questo introduce un ulteriore elemento di fragilità nella supply chain: contare su fornitori di hardware concentrati in un’area a forte attrito commerciale espone a ritardi, costi imprevisti o blocchi selettivi.

I due episodi, pur scollegati tra loro, disegnano lo stesso scenario: le dipendenze esterne, siano esse software (un modello accessibile solo via API) o fisiche (un componente strategico soggetto alla leva giudiziaria), moltiplicano i punti di rottura. L’AI on-premise non elimina tutti i rischi, ma sposta il baricentro del controllo dall’esterno all’interno. Mentre le organizzazioni continuano a valutare il trade-off tra il costo iniziale di un’infrastruttura locale e la flessibilità del cloud, queste notizie spingono a pesare con più attenzione anche la voce “prevedibilità” nel bilancio complessivo.