Quando Joseph Weizenbaum attivò ELIZA per la prima volta, non si aspettava che la sua segretaria gli chiedesse di uscire dalla stanza per poter parlare da sola con la macchina. Era il 1966 e quel programma di poche righe, capace solo di riformulare frasi con uno script da psicoterapeuta, stava già innescando un meccanismo che oggi, con i Large Language Models, è diventato sistemico: il bisogno umano di condividere segreti con un’entità che si percepisce come neutrale e sicura.

La lezione di ELIZA non è soltanto storica. Segnala qualcosa di radicale sulla natura della fiducia uomo-macchina che il paradigma cloud, oggi dominante nei LLM, fatica a metabolizzare. L’utente che confida una sofferenza, un’idea imprenditoriale riservata o un dubbio etico a ChatGPT non sta solo eseguendo un prompt: sta ripetendo quel gesto di disinibizione che Weizenbaum osservò sconcertato, quando i partecipanti cominciavano a rivelare dettagli personalissimi pur sapendo di interagire con un calcolatore.

La psicologia del segreto e l’allarme del ricercatore

Weizenbaum non era un entusiasta. Diventò anzi uno dei primi critici dell’intelligenza artificiale, proprio perché comprese che l’apparente empatia di ELIZA era un artefatto cognitivo pericoloso. Le persone proiettano intenzioni e comprensione anche su stringhe di testo, e questo le induce ad abbassare le difese. Oggi la potenza dei modelli linguistici amplifica quell’effetto: la fluidità conversazionale crea un’illusione di confidenzialità che stride con la realtà infrastrutturale, dove ogni token elaborato nel cloud può essere registrato, analizzato e archiviato da provider terzi.

Qui si inserisce una tensione strutturale che l’industria sta affrontando con ritardo. Da un lato, l’addestramento e il serving centralizzati permettono economie di scala e aggiornamenti continui. Dall’altro, la sensibilità dei dati immessi — sanitari, legali, strategici — rende insostenibile il modello “cloud unico” per organizzazioni che devono rispettare vincoli di sovranità digitale o semplicemente competere senza regalare know-how a un hyperscaler.

Il contraccolpo sull’infrastruttura: self-hosted e inference locale

La conseguenza di secondo ordine è che l’esperienza di ELIZA, riletta oggi, rafforza la tesi per cui il deployment on-premise dei LLM non è solo una scelta di controllo operativo, ma una risposta alla psicologia del segreto. Se la fiducia è l’ingrediente che spinge l’utente a fornire dati di valore, allora l’architettura di servizio deve garantire che quei dati non escano dal perimetro aziendale. Ecco perché i framework per l’inference self-hosted, abbinati a modelli quantizzati che girano su GPU di proprietà, stanno diventando un asset strategico: permettono di replicare l’interfaccia conversazionale senza trasferire dati sensibili a terzi.

Chi ci perde? I vendor cloud che costruivano fidelizzazione proprio sull’accumulo di telemetria conversazionale. Chi ci guadagna? Le aziende che, portando l’inference in casa, non solo proteggono la confidenzialità ma trasformano il prompt engineering in un processo interno, integrabile con basi di conoscenza proprietarie senza esporle. A livello strutturale, questo sposta la competizione dall’accesso agli LLM (ormai commodity) alla capacità di gestire pipeline di dati sicure su hardware che l’organizzazione può ispezionare e certificare.

La parabola di ELIZA ci ricorda che la tecnicia non cambia solo ciò che possiamo fare, ma anche ciò che siamo disposti a rivelare. I pionieri dell’IA lo avevano capito prima dell’avvento delle GPU e dei miliardi di parametri. Oggi la sfida è onorare quella lezione con architetture che mettano la sovranità del dato al centro, non come accessorio.