Bercan Kilic, fino al 2023 aerodinamico in Red Bull Racing mentre il team dominava la Formula 1, ha scambiato l’asfalto per i capannoni industriali. La sua startup di Monaco, microagi, ha appena raccolto 55 milioni di dollari in un round seed guidato da Hummingbird e affiancato da Northzone – il più grande mai registrato in Germania. L’idea: insegnare ai robot di fabbrica compiti fisici complessi usando filmati di persone che svolgono normali faccende domestiche.

Dietro la cifra tonda, tutt’altro che banale per una fase iniziale, si nasconde una scelta architetturale precisa. Kilic non sta costruendo un servizio cloud dove spedire flussi video per farsi restituire istruzioni: l’addestramento e l’esecuzione sono pensati – per vincoli di latenza, affidabilità e riservatezza – direttamente a bordo macchina o nel perimetro del sito produttivo. È un classico caso di inference on-premise, spinto da un’esigenza pratica: un braccio robotico che deve impilare cartoni non può permettersi il ping di un data center remoto, né la fabbrica è disposta a esporre all’esterno i dati grezzi del proprio layout.

Il background di Kilic offre una lente utile. L’aerodinamica di un’auto di F1 richiede simulazioni in tempo reale e cicli di controllo fulminei, dove un errore di millisecondi costa punti. Traslato nella robotica, ciò significa familiarità con l’edge computing, l’accelerazione GPU locale e l’ottimizzazione di modelli per piattaforme embedded. Microagi non inventa tutto da zero: sfrutta la capacità dei modelli di apprendere politiche motorie osservando dimostrazioni umane, ma lo fa con un’attenzione maniacale alla latenza e al deployment localizzato.

Perché l’on-premise diventa il vero differenziatore

Qui non stiamo parlando solo di robotica, ma di chi fornisce l’hardware per eseguire questi modelli. L’assenza di dipendenza dal cloud sposta il baricentro sugli integratori di sistemi, sui produttori di server compatti con GPU a basso profilo (pensiamo a NVIDIA Jetson, schede con VPU dedicate o edge server x86 con acceleratori), e su chi saprà offrire pipeline di fine-tuning e quantization per mantenere l’inference entro budget di VRAM ridotti. È un vantaggio competitivo per l’ecosistema europeo dell’automazione industriale, che già gestisce macchinari con controller locali: aggiungere uno strato AI on-premise significa capitalizzare gli investimenti esistenti senza dover stravolgere l’architettura di rete.

C’è anche un effetto strutturale di secondo ordine. Quando un round seed di queste dimensioni atterra su una startup che opera in modalità self-hosted, si riduce l’attrattiva delle API cloud come canale default per l’AI manifatturiera. Chi perde terreno sono le piattaforme di ML as a service che vivono di volumi di dati in transito e di lock-in; chi guadagna sono i fornitori di server rugged, le fabbriche di chip specializzati e i consulenti di integrazione capaci di orchestrare stack on-premise per clienti industriali.

Sovranità dei dati e incentivi europei

Un aspetto implicito, ma cruciale, è la sovranità dei dati. Le fabbriche europee, specie in Germania, operano sotto requisiti stringenti di conformità e riservatezza. Addestrare robot su filmati di operazioni interne significa tenere quei dati dentro i confini aziendali. Con l’AI Act alle porte, un approccio che evita il transito cloud riduce i rischi legali e semplifica gli audit. Microagi, con questo seed, non vende una tecnicia sola: propone di fatto un modello di deployment che allinea incentivi tecnici, economici e normativi.

L’analisi non può ignorare il TCO. L’on-premise richiede un CapEx iniziale per l’hardware, ma abbatte le spese operative legate alla trasmissione e all’elaborazione cloud su scala. Per un CEO di fabbrica che moltiplica i robot, il calcolo cambia rapidamente. E la notizia di oggi, pur senza dettagli sulle specifiche tecniche adottate, getta benzina sul dibattito tra chi spinge tutto su cloud e chi investe in infrastruttura locale per l’AI industriale. Kilic ha corso abbastanza da sapere che su certe piste si vince solo con il controllo diretto del mezzo.