Le reti mobili dell’Asia-Pacifico sono state pensate per lo streaming video, non per l’intelligenza artificiale. E si vede. I carichi di lavoro dei Large Language Model testuali scorrono senza intoppi, ma basta passare ad applicazioni che richiedono un upload consistente e una latenza bassa – agenti vocali, visione multimodale, agenti autonomi – per scoprire le falle di un’infrastruttura ancora troppo sbilanciata sul download. L’ultimo report di Ookla sulla readiness del 5G, firmato da un dataset di 22 mercati (9 in Asia-Pacifico), scardina le metriche tradizionali e mette a nudo un punto critico: l’upload non è più un accessorio, ma il vero banco di prova per l’IA in mobilità.

L’upload: il grande assente della progettazione 5G

L’asimmetria è strutturale. Mentre il traffico consumer classico (streaming, browsing) è per oltre il 90% in downlink, i carichi di IA moderna avvicinano la ripartizione uplink/downlink a un 50/50 per l’IA conversazionale e agentica, mentre la visione aumentata e multimodale può spingere la quota di uplink verso il 40%. Il problema è che la maggior parte delle reti 5G dispiegate usa lo spettro TDD, dove uplink e downlink condividono la stessa banda in slot temporali diversi: aumentare la quota di uplink per l’IA significa rubare capacità al downlink, a meno di non coordinare l’intero mercato. E i numeri raccolti da Ookla mostrano un panorama a macchia di leopardo. L’Indonesia si distingue con un upload share del 23,9% e una velocità mediana di 26,38 Mbps, facilitata dall’uso combinato di spettro FDD e TDD. La Corea del Sud, pur con un upload share basso (7,5%), registra una velocità mediana di upload di 45,27 Mbps – sufficiente a superare la soglia di 20 Mbps che Ookla fissa come target per realtà aumentata e IA multimodale. Altre economie avanzate, come Singapore (7,9% di share e 30,25 Mbps) e Australia (7,3%, ma con FDD low-band a supporto), mostrano performance discrete, mentre le Filippine (8,8%) e l’India (7,5%) restano indietro. La Malesia, con 34,78 Mbps, si posiziona bene, ma la sola velocità non basta quando il jitter e il carico di cella entrano in gioco.

Latenza sotto carico: dove le reti inciampano

La latenza separa i mercati molto più dei megabit. Singapore guida la classifica con 24,6 ms di latenza multi-server, l’unico mercato nella rilevazione a scendere sotto la soglia dei 30 ms richiesta per la visione multimodale. La Malesia segue a 33,0 ms, l’Australia a 33,7 ms. Più distanti Corea del Sud (53,0 ms) e India (51,6 ms), che non soddisfano nemmeno il requisito minimo di 50 ms per gli LLM testuali. Ma il vero spartiacque è la latenza sotto carico: quando la connessione è satura, il degrado rispetto alla latenza normale disegna scenari critici. Singapore, regina della latenza a riposo, registra un fattore di degradazione di 9,2x, con la congestione urbana che morde le risorse di cella nelle ore di punta. Peggio fa la Thailandia, con un rapporto di 11,4x e una latenza mediana sotto carico di 960,3 ms – un valore che renderebbe inutilizzabile qualsiasi assistente vocale o applicazione di realtà aumentata. Questi salti non sono trascurabili: per un agente AI che deve reagire a comandi in tempo reale, un ritardo di centinaia di millisecondi spezza l’interazione e spinge verso architetture dove l’inference non dipenda dalla rete mobile.

Cloud o edge? L’inference vicino all’utente

Ookla non si ferma alla rete di accesso: misura anche la latenza e il jitter nel percorso dall’edge dell’operatore fino agli endpoint cloud, dove oggi gira la maggior parte dell’inference. La scelta del provider cambia la partita: in Australia si va dai 69,3 ms con AWS ai 165,9 ms con Oracle Cloud Infrastructure, un delta di 96,6 ms che su una sessione di IA multimodale è la differenza tra fluidità e frustrazione. Nel Sud-est asiatico, OCI è sistematicamente il più lontano in termini di latenza. E se la latenza mediana è gestibile, il jitter al 90° percentile racconta un’altra storia: le Filippine raggiungono 34,9 ms, la Malesia 33,1 ms, valori da tre a sei volte superiori alla mediana in molti mercati. Questo significa che nei momenti peggiori la stabilità del timing per l’inference diventa imprevedibile, vanificando anche il miglior cloud. La risposta, indicata dallo stesso rapporto, è l’edge inference: eseguire i modelli su hardware locale o su server di prossimità, tagliando fuori la variabilità della rete mobile e del routing cloud. Per chi valuta deployment on-premise di LLM, questo scenario non è solo tecnico: significa latenza deterministica, indipendenza dalla congestione di cella e, per i settori regolamentati, il controllo sulla residenza dei dati – aspetto che diventa critico quando i dati transitano attraverso reti pubbliche e cloud esteri. Non a caso l’analisi di Ookla indica tre aree di investimento: ribilanciare i link verso l’upload, ridurre la latenza e considerare il peering cloud come infrastruttura di rete. L’edge computing non è più un’opzione futuribile, ma la risposta strutturale al divario che l’IA sta scavando tra le reti di oggi e i carichi di domani.