Chi produce le batterie che alimentano la mobilità elettrica globale vuole ora alimentare i propri modelli di intelligenza artificiale con una logica diversa: meno dipendenza dal cloud, più controllo sull’hardware e sui dati, e un’attenzione maniacale al consumo energetico. CATL, il colosso cinese che domina la filiera delle celle agli ioni di litio, sta ridisegnando la sua strategia AI appoggiandosi a due nomi precisi: DeepSeek per i modelli linguistici e VNET per l’infrastruttura. L’annuncio – ancora privo di dettagli tecnici – segna un punto di svolta per chi osserva il panorama dei deployment reali di LLM.

La scelta di DeepSeek non è casuale. La startup cinese ha dimostrato che modelli con un numero contenuto di parametri e tecniche di training più efficienti possono competere con giganti occidentali, riducendo drasticamente il costo per token e il fabbisogno di memoria. In un contesto industriale come quello di CATL, dove la proprietà intellettuale legata ai processi produttivi è strategica, poter eseguire inference su hardware locale – senza attraversare data center pubblici – diventa un requisito di sicurezza e sovranità. DeepSeek consente di farlo senza dover schierare cluster GPU esorbitanti, rendendo l’on-premise accessibile anche a un’azienda manifatturiera.

VNET, dal canto suo, porta la competenza per orchestrare l’intero stack infrastrutturale: data center, networking, gestione dei carichi di lavoro. L’operazione disegna un’architettura in cui i modelli girano su macchine sotto il pieno controllo di CATL, probabilmente in colocation o in strutture dedicate, lontano da servizi di public cloud. È esattamente il tipo di assetto che interessa i lettori di AI-RADAR: deployment self-hosted, sensibili al TCO e alla sovranità dei dati, con requisiti stringenti di latenza e costi energetici.

Ma è l’aggettivo “energy-first” a rivelare la vera postura. CATL conosce meglio di chiunque altro il costo e la disponibilità dell’energia, e non sta cercando soltanto l’accuratezza dei modelli: sta progettando un sistema in cui ogni watt speso per l’inference viene pesato in termini di redditività operativa. Questo sposta l’asse delle scelte hardware. Processori e acceleratori con miglior rapporto performance-per-watt – dai chip AMD a soluzioni edge specializzate – diventano candidati naturali, e modelli ottimizzati per la quantization offrono ulteriori margini di risparmio senza sacrificare la qualità delle risposte.

La mossa di CATL ha implicazioni di secondo ordine che vanno oltre il singolo caso aziendale. Se un leader industriale di queste dimensioni abbraccia un approccio on-premise energy-first, il mercato riceve un segnale preciso: la corsa all’AI non si gioca solo sulla potenza bruta delle GPU ma sulla capacità di costruire pipeline di inference che siano economiche, sostenibili e rispettose dei dati. I fornitori di infrastruttura e i vendor di modelli dovranno adattarsi, offrendo strumenti per il fine-tuning locale, il serving a basso consumo e il monitoraggio energetico integrato. Per DeepSeek, entrare nel cuore di una multinazionale manifatturiera significa legittimarsi come alternativa per i carichi enterprise, sfidando l’idea che solo i modelli occidentali siano adatti agli ambienti di produzione.

Non sappiamo ancora su che hardware gireranno esattamente queste soluzioni, né quali saranno le performance in produzione. Ma il disegno strategico è abbastanza definito da poter dire che CATL non sta semplicemente adottando l’AI: la sta reingegnerizzando attorno ai propri vincoli reali. E nel farlo, mostra la direzione verso cui si muoveranno le aziende che non possono delegare saperi e consumi a terze parti.