Martedì Apple ha rilasciato la beta pubblica di iOS 27, mettendo nelle mani di chiunque un iPhone compatibile la versione rinnovata di Siri basata su intelligenza artificiale. Non servono più profili da sviluppatore né procedure complesse: l’aggiornamento installabile via OTA porta con sé un assistente pensato per comprendere meglio il linguaggio naturale, gestire richieste a più livelli e integrarsi in profondità con le app.

Per Apple è un passo obbligato. Dopo anni in cui Siri sembrava il parente povero nel confronto con Alexa e soprattutto con l’ecosistema ChatGPT, l’azienda di Cupertino aveva bisogno di marcare il territorio. La beta pubblica non è solo un assaggio per impazienti, ma il segnale che l’AI è ormai percepita come una commodity a livello di sistema operativo.

Chi vince e chi perde da questa mossa? L’utente finale guadagna un assistente più fluido e capace; gli sviluppatori ottengono un banco di prova allargato per le loro integrazioni; Google e Samsung, che sull’AI generativa hanno investito massicciamente sugli smartphone, vedono aumentare la concorrenza. Ma il punto che passa inosservato riguarda le aziende che ragionano in ottica di sovranità dei dati. Siri AI, anche quando esegue parte dell’elaborazione sull’hardware locale dei Neural Engine di Apple, dipende in modo strutturale da servizi cloud per l’inference più complessa e per l’accesso a conoscenze aggiornate. Questo lo rende un classico esempio di AI «ibrida»: on-device per la privacy di base, cloud per la potenza. Un compromesso che può funzionare per un consumatore, ma che stride con le esigenze di un’organizzazione che deve mantenere i dati sotto il proprio controllo fisico, senza che una sola interazione raggiunga server di terze parti.

L’arrivo della beta pubblica è anche una cartina di tornasole per l’evoluzione dell’hardware. Apple parla apertamente di chip proprietari capaci di eseguire reti neurali con basso consumo, ma non fornisce numeri su carico di VRAM, precisione numerica o finestra di contesto. Il silenzio non è casuale: nel modello Apple, queste metriche sono opache per definizione, mentre chi costruisce LLM on-premise o self-hosted ha bisogno di trasparenza assoluta su quantization, throughput e consumo reale delle risorse. La differenza è sostanziale, quasi filosofica: da un lato l’esperienza curata ma inscatolata, dall’altro il controllo granulare che richiede framework aperti e hardware generico.

C’è un effetto di secondo ordine che riguarda la fiducia. Più Apple spinge l’AI come valore differenziante dell’iPhone, più cresce la consapevolezza che l’utente medio non sa dove finiscano i propri dati. Eppure è proprio questo il terreno su cui si giocherà il futuro delle adozioni enterprise: se un assistente vocale non può essere messo in una sala operatoria, in un ufficio legale o in una fabbrica air-gapped perché richiama costantemente il cloud, allora la strada per un’AI davvero integrata nel business è lastricata di soluzioni diverse. Non è un caso che le alternative self-hosted stiano guadagnando terreno tra le aziende che valutano il TCO totale, anche se richiedono investimenti in hardware e competenze che la mela morsicata – per sua natura – non offrirà mai.