Un contadino nel Rajasthan fotografa una pianta malata con il telefono. Vuole capire cosa fare, ma non parla inglese e l’intelligenza artificiale che lo circonda capisce a malapena la sua lingua. Non è un caso limite: oltre metà della popolazione mondiale resta esclusa dai benefici degli LLM perché le lingue a bassa diffusione digitale sono quasi invisibili nei dataset di addestramento. Current AI, una no-profit supportata dalla Francia e da DeepMind con un fondo da 400 milioni di dollari, pensa che questo sia il problema giusto da risolvere, e lo fa con una tesi radicale: l’intelligenza artificiale ha bisogno di una “opzione pubblica”, aperta e gratuita, proprio come la BBC o i servizi postali.

Dietro questa retorica si nasconde una scelta architetturale precisa. Per funzionare nelle campagne indiane, in aree con connettività intermittente o dove i dati sono troppo sensibili per lasciare il dispositivo, una simile opzione pubblica deve poter inferire localmente, su hardware modesto. Non si tratta solo di addestrare modelli multilingue: qui è in gioco la possibilità di fare inference su smartphone, edge device o piccoli server on-premise, senza appoggiarsi alle API di un hyperscaler. Ecco perché la partita si sposta sul piano della quantization aggressiva, degli LLM a parametri ridotti, dell’efficienza computazionale: tutto ciò che permette a un modello di girare con VRAM contenuta, lontano dai datacenter.

La mossa è coerente con una tensione più ampia. L’attuale oligopolio dell’AI — poche aziende americane che offrono modelli via cloud — crea dipendenza tecnicica e uniformità linguistica. I governi europei, già sensibili al tema della sovranità digitale, vedono in progetti come Current AI un modo per costruire stack alternativi, dove l’addestramento e l’inference avvengano su infrastruttura controllata, rispettando il GDPR senza dover negoziare con fornitori extra-UE. La Francia, in particolare, ha finanziato iniziative simili con Mistral e il supercomputer Jean Zay, e ora piazza una bandierina su un’IA realmente accessibile, alimentando un ecosistema di modelli open che le organizzazioni pubbliche possano self-hostare.

Chi vince da questa virata? Innanzitutto le comunità linguistiche finora ignorate, perché un modello ottimizzato per l’inference locale può diventare uno strumento agricolo o sanitario reale, non un’ipotesi accademica. Poi le aziende e le pubbliche amministrazioni che vogliono evitare vendor lock-in: disporre di modelli pubblici, eseguibili on-premise, abbassa il TCO nel medio periodo e restituisce il controllo sui dati. Chi perde, invece, sono i provider cloud che vendono token a consumo: se un miliardo di persone inizia a usare LLM su dispositivo senza chiamate API, il margine su quei volumi si assottiglia drasticamente. Perfino DeepMind, apparentemente in conflitto con il proprio modello di business, sembra averlo capito: partecipare alla costruzione dell’opzione pubblica significa presidiare un’infrastruttura che, un domani, potrebbe diventare un layer indispensabile su cui innestare servizi premium.

A livello strutturale, l’annuncio segnala che la prossima frontiera dell’AI non è la scala dei parametri, ma la capillarità. Servono modelli che funzionino offline, in lingue a bassa risorsa, su processori consumer. È una sfida che incrocia hardware e software: quantization a 4 bit, attention ottimizzata, runtime come ExecuTorch per mobile. Per chi sta valutando deployment on-premise, esistono trade-off tra qualità della risposta e consumi elettrici, tra manutenibilità di un modello self-hosted e la comodità di un’API gestita. Ma il senso di Current AI è che certe necessità — la lingua di un’agricoltrice, la privacy di un paziente, la resilienza di un servizio di emergenza — non possono essere soddisfatte da un prompt verso un data center a migliaia di chilometri di distanza.