Una banca che un anno fa quasi non esisteva oggi insegue una valutazione che la maggior parte degli istituti europei può solo sognare. Erebor, fondata da Palmer Luckey — il creatore di Oculus e oggi a capo di Anduril — e sostenuta da Peter Thiel, è in trattative per raccogliere capitali a una valutazione di almeno 8 miliardi di dollari. I depositi sono quasi quadruplicati in soli tre mesi. Numeri che raccontano una crescita esplosiva, ma che pongono una domanda scomoda: come fa una banca neonata a gestire in modo sicuro una mole di dati finanziari in piena espansione, senza tradire la fiducia di clienti e regolatori?

La risposta, per molte fintech che si affacciano su mercati sensibili, sta in un delicato equilibrio tra velocità di scalabilità e controllo dell’infrastruttura. Da un lato, il cloud offre la possibilità di espandere i servizi in poche ore, attivando risorse di calcolo quasi illimitate. Dall’altro, i dati bancari restano soggetti a regole stringenti come il GDPR, che impongono di sapere in ogni momento dove risiedono le informazioni e chi può accedervi. Non basta più dimostrare la conformità: serve un’architettura che renda la sovranità del dato un mattone fondante, non un ripensamento.

Ecco perché sempre più operatori, anche in ambito finanziario, iniziano a valutare deployment on-premise o ibridi per i carichi di lavoro legati all’intelligenza artificiale. L’addestramento e l’inference di Large Language Models — utilizzati per analisi del rischio, antiriciclaggio, assistenza clienti — sollevano questioni di privacy ancor più critiche quando si maneggiano estratti conto, informazioni personali e transazioni. Spostare gli LLM in-house, su server proprietari, permette di mantenere il controllo sulla filiera del dato e ridurre il rischio di esposizione a terze parti. Ma non è una scelta priva di costi: il Total Cost of Ownership (TCO) di un’infrastruttura locale va confrontato con la spesa operativa del cloud, e richiede competenze interne per la gestione di pipeline di addestramento, quantization e serving di modelli.

Il caso Erebor, pur nella sua opacità tecnicica, è emblematico di una tensione che attraversa tutto il settore. Crescere a ritmi vertiginosi senza concedere nulla sulla sicurezza dei dati è la vera sfida per chiunque voglia diventare un player di peso nel fintech globale. Per chi valuta deployment on-premise, esistono trade-off chiari: la latenza inferiore e la sovranità garantita si scontrano con la necessità di investire in hardware specializzato — GPU con ampia VRAM per l’inference, storage veloce, networking a bassa latenza — e di mantenere un team capace di fare fine-tuning e manutenzione. Non esiste una ricetta universale, ma l’ascesa di Erebor ricorda che il mercato premierà le architetture capaci di tenere insieme crescita e controllo. O almeno proverà a farlo.