Dopo settimane di serrate trattative, l’amministrazione Trump ha concesso ad Anthropic il permesso di ripristinare l’accesso a Mythos, il suo modello linguistico di frontiera, per una cerchia ristretta di aziende e agenzie governative statunitensi. La notizia segna un punto di svolta nel rapporto tra sviluppo privato dell’intelligenza artificiale e controllo governativo, con implicazioni che vanno ben oltre la Silicon Valley.

La decisione della Casa Bianca e il profilo di Mythos

La decisione arriva dopo un periodo di negoziati il cui contenuto resta riservato, ma che secondo fonti vicine al dossier hanno coinvolto valutazioni di sicurezza nazionale e competitività tecnicica. Mythos rappresenta l’apice della ricerca di Anthropic, società nota per l’approccio cauto e orientato alla sicurezza nella costruzione dei LLM. Il modello era stato originariamente reso disponibile in forma limitata, poi sospeso, e ora riattivato su autorizzazione esplicita dell’amministrazione.

Non sono stati diffusi dettagli tecnici – non conosciamo la dimensione della finestra di contesto, il livello di quantization o l’infrastruttura hardware sottostante – ma è lecito supporre che Mythos operi nella fascia più alta delle capacità attuali, paragonabile a modelli come Claude di Anthropic stessa o concorrenti di OpenAI e Google. Il fatto che il governo federale abbia esercitato un diritto di blocco (e poi di rilascio condizionato) dice molto sulla percezione dei modelli di frontiera come asset strategici.

Perché il controllo governativo sui modelli di frontiera è un campanello d’allarme

La vicenda di Mythos non è isolata. Negli ultimi anni abbiamo assistito a un crescendo di attenzione regolatoria verso l’AI, dalle discussioni sull’AI Act europeo fino alle restrizioni all’export di GPU avanzate. Tuttavia, vedere un’amministrazione statunitense negoziare direttamente l’accesso a un singolo modello commerciale sposta l’asticella: non si tratta più soltanto di linee guida o requisiti di trasparenza, ma di un intervento selettivo che crea un precedente.

Per le organizzazioni che oggi valutano l’adozione di LLM, questo scenario introduce una variabile nuova: la disponibilità futura di un modello, anche dopo averlo integrato nei propri processi, può diventare improvvisamente condizionata da decisioni politiche. Chi ha costruito pipeline basate su API cloud potrebbe trovarsi a dover fronteggiare interruzioni o modifiche unilaterali nei termini di servizio, qualora il vendor si trovasse sotto scrutinio governativo. Non è un’ipotesi astratta: è esattamente quanto accaduto con Mythos, sebbene in questa fase solo per un numero selezionato di controparti.

L’alternativa on-premise: sovranità e controllo, ma a quale costo?

Per realtà che non vogliono esporsi a questo tipo di incertezza, una strada percorribile è quella del deployment on-premise di modelli open-source o con licenze che garantiscano la self-hosting. Su AI-RADAR esploriamo regolarmente i framework analitici per valutare i trade-off tra costi infrastrutturali, TCO e autonomia operativa. Ma la lezione di Mythos aggiunge un elemento ulteriore: la sovranità sull’accesso al modello non è garantita nemmeno da un vendor commerciale con solide policy di sicurezza, se l’intervento governativo può riscriverle.

Certo, spostare l’inference su hardware proprio (on-premise, ma anche presso colocation di fiducia) non è banale. Richiede investimenti in GPU, storage e networking, e le competenze per mantenere una pipeline di serving efficiente. I modelli di frontiera, in particolare, impongono requisiti di VRAM elevati e spesso necessitano di tecniche di quantization aggressive (FP16, INT8 o inferiori) per girare su nodi singoli, con possibili compromessi sulla qualità. Tuttavia, per chi opera in settori regolamentati o sensibili – difesa, sanità, finanza – il controllo diretto sull’intero stack può valere l’investimento.

Uno sguardo al futuro: AI come infrastruttura critica

La vicenda Mythos suggerisce che stiamo entrando in una fase in cui l’intelligenza artificiale avanzata viene trattata alla stregua di un’infrastruttura critica o di una tecnicia a duplice uso. Non è un caso che la selezione dei beneficiari sia limitata a organizzazioni statunitensi: il governo vuole evidentemente preservare un vantaggio competitivo ed evitare che capacità di frontiera finiscano in mani considerate ostili.

Per i decisori IT, questo significa che la scelta del modello e della modalità di deployment non è più soltanto tecnica. È anche geopolitica. E mentre il dibattito sull’AI governance si scalda, la capacità di eseguire modelli in locale, senza dipendere da endpoint cloud soggetti a veti sovrani, potrebbe diventare un requisito architetturale, non un’opzione di nicchia. In fondo, la domanda non è se il prossimo modello di frontiera verrà bloccato, ma chi sarà pronto quando succederà.