Non è solo un’operazione finanziaria. Quando British Business Bank — veicolo del governo britannico per lo sviluppo industriale — decide di destinare 25 milioni di euro al fondo EQT Health Economics 3 di EQT Life Sciences, segnala qualcosa di più di un appoggio al settore life sciences. Sta mettendo un mattone in una traiettoria che incrocia inevitabilmente l’intelligenza artificiale on-premise, quella eseguita su hardware locale e sotto il pieno controllo del titolare dei dati.

EQT HE3 è un fondo multi-stage focalizzato su terapie, dispositivi medici, diagnostica e healthtech. Il veicolo ha già co-investito con la stessa banca in realtà come Phagenesis (serie D da 42 milioni di dollari nel 2023) e Cyted Health (serie B da 44 milioni di dollari nel 2025), aziende che sviluppano tecnicie dove l’elaborazione di dati sensibili – immagini diagnostiche, dati clinici, biomarker digitali – è centrale. Ed è proprio la natura di questi dati a rendere l’AI locale non un vezzo, ma un imperativo.

Per capirlo, basta guardare a come le healthtech utilizzano i Large Language Models o più in generale i modelli di deep learning: refertazione assistita, analisi predittiva da cartelle cliniche, scoperta di farmaci. In ciascuno di questi scenari, la quantità di dati personali coinvolta obbliga a rispettare il GDPR e le regole di sovranità digitale. Caricare tutto su cloud pubblico diventa un azzardo, non solo per compliance ma anche per latenza e controllo della proprietà intellettuale. Ecco perché il flusso di capitale attivato da un fondo come EQT HE3 – che si somma agli altri 3,7 miliardi raccolti dalla piattaforma in trent’anni – non è neutrale per il mercato dell’infrastruttura: alimenta direttamente la domanda di server on-premise, cluster con GPU come le NVIDIA A100 o H100 e soluzioni di inference self-hosted per LLM.

Un volano per l’infrastruttura AI on-premise

L’industria 4.0 britannica ha eletto il life sciences tra gli otto settori strategici di crescita. Ma scalare queste aziende, come ha ricordato Christine Hockley di British Business Bank, richiede investitori specializzati in grado di immettere capitale e competenze. Non meno critica è la componente tecnicica abilitante: portare dalla fase clinica a quella commerciale un device medico o una piattaforma di diagnostica digitale implica processare volumi crescenti di informazioni in ambienti che garantiscano sicurezza e audit. Qui il cloud cede il passo a configurazioni ibride e on-premise.

Chi seguirà questa traiettoria dovrà affrontare i classici trade-off del self-hosting: TCO (TCO) contro scalabilità, complessità operativa contro controllo sui dati. I framework di serving per LLM – come vLLM, TGI o soluzioni custom – stanno rendendo più gestibile l’inference locale anche su GPU consumer o server non dedicati, ma senza un ecosistema di capitali a monte che finanzi le startup healthtech, la domanda di tali stack rimarrebbe ipotetica. L’impegno della banca pubblica britannica dimostra che non lo sarà più: ogni azienda sostenuta dal fondo diventerà un potenziale acquirente di hardware per AI on-premise, spinta dalla necessità di addestrare e servire modelli senza esporre dati fuori dal perimetro aziendale.

In definitiva, questa iniezione di liquidità non fa che accelerare la convergenza tra due mondi finora paralleli: il venture capital tematico e la vera e propria ingegneria dell’AI deployabile. Un cerchio che si chiude a favore di chi produce o integra sistemi di calcolo per l’inference locale, e che mette in guardia chi ancora scommette tutto su una nuvola indistinta.