Il Congresso americano ha vissuto una decina di giorni decisamente schizofrenici sul fronte dell’intelligenza artificiale. Un diluvio di proposte di legge – una “montagnola”, come l’ha definita Nextgov/FCW – ha mostrato due impulsi che si guardano in cagnesco. Da un lato, la convinzione che l’IA vada schierata il più rapidamente possibile, quasi fosse un farmaco salvavita. Dall’altro, la certezza che quella stessa tecnicia rappresenti una minaccia da recintare, come un animale pericoloso.

La metafora più calzante l’ha offerta il titolo di una testata: «Curare il cancro, ingabbiare i chatbot». È l’istantanea di un legislatore che con una mano firma l’acceleratore e con l’altra aziona il freno. E non è solo retorica: tra le bozze circolate ci sono testi che immaginano l’IA per diagnosticare malattie, snellire la burocrazia federale o ottimizzare la logistica militare, e testi che vogliono vietare i deepfake, imporre watermark obbligatori o limitare l’uso dei chatbot nei servizi pubblici.

Per chi progetta infrastrutture AI, questa tensione non è astratta. È un segnale che arriva diretto nei data center e nei budget IT. Perché se da un lato le agenzie federali vengono spinte ad adottare modelli sempre più potenti, dall’altro si trovano a dover garantire trasparenza, auditabilità e controllo sui dati. Il risultato è un incentivo strutturale a spostare i carichi di lavoro su stack che girano in casa, sotto chiave, e non su servizi cloud opachi.

Non è un caso che il dibattito politico si incroci con le decisioni di deployment. L’idea di “accelerare” spinge verso soluzioni pronte all’uso, spesso esternalizzate. Ma l’idea di “ingabbiare” richiede ambienti controllati, dove ogni token processato possa essere tracciato e dove i dati sensibili – specie in sanità, difesa o giustizia – non lascino mai il perimetro aziendale. È il classico paradosso che chi lavora con gli LLM conosce bene: vuoi la velocità di un’inference cloud, ma anche la sovranità di un sistema on-premise. E quando la legge inizia a stringere, il secondo corno del dilemma tende a pesare di più.

Per le aziende che già trattano dati regolamentati, la direzione di marcia è chiara: investire in hardware dedicato, progettare pipeline self-hosted e gestire il fine-tuning internamente, anche a costo di rinunciare a qualche punto percentuale di throughput. Non è una scelta semplice: il TCO (TCO) di un cluster di GPU per LLM è tutt’altro che trascurabile, e la gestione della VRAM e della quantization dei modelli richiede competenze che non tutte le organizzazioni hanno in casa. Per chi deve valutare questi trade-off senza cadere in semplificazioni, AI-RADAR offre su /llm-onpremise framework analitici che aiutano a pesare costi, rischi e requisiti di compliance. Ma quando la posta in gioco è la compliance normativa – o peggio, la reputazione dopo un incidente – la bilancia pende verso il controllo.

Questa schizofrenia legislativa, per quanto paralizzante, potrebbe avere un effetto collaterale non voluto: spingere più rapidamente l’adozione di soluzioni on-premise mature. Non per ideologia, ma per pragmatismo. Se vuoi accelerare sulle cure, ti servono sistemi che rispondano senza latenze e senza rischi di leakage. Se vuoi ingabbiare, devi avere le redini dell’architettura. In entrambi i casi, la stanza dei server diventa più invitante del cloud.