Fidji Simo ha annunciato l’addio alla guida operativa di OpenAI con le stesse parole con cui molti apprendono una diagnosi difficile: all’improvviso, dopo un’attesa carica di segnali. Un congedo medico di tre mesi non ha dato i risultati sperati, la ripresa sarà più lunga e complicata del previsto, e il percorso dell’azienda proseguirà senza di lei. La notizia, asciutta e personale, ha viaggiato in sordina, ma dice molto di più di quanto lasci intendere.

L’uscita di Simo non è un evento isolato. Negli ultimi due anni OpenAI ha visto allontanarsi figure chiave: da Ilya Sutskever a diversi dirigenti di prodotto, mentre Greg Brockman ha ridisegnato il proprio ruolo. La governance, già scossa dal blitz del consiglio di amministrazione nel 2023, continua a mostrare crepe. Per chi sviluppa applicazioni basate su modelli di linguaggio – o per chi compra accesso via API – la domanda non è più se OpenAI sopravviverà, ma quanto costi, in termini di rischio, dipendere da un fornitore instabile.

Qui si innesta un ragionamento che va oltre il pettegolezzo aziendale. Le imprese che trattano dati sensibili, operano in settori regolamentati o semplicemente non vogliono svegliarsi un giorno con un cambio di politica sui prezzi o sull’accesso ai modelli, stanno già spostando i carichi di lavoro verso deployment on-premise. La turbolenza al vertice di OpenAI accelera questa transizione: se l’interlocutore commerciale può cambiare pelle da un trimestre all’altro, il controllo diretto dell’infrastruttura diventa un asset strategico.

Non serve essere un gigante del tech per muoversi. Oggi framework come vLLM, Ollama o LM Studio permettono di servire LLM quantizzati su hardware tutto sommato accessibile. Una GPU con VRAM adeguata, un server bare metal in colocation, e si ottiene un’inference locale senza dipendere da un’entità esterna. Non è solo una questione di costi – il TCO va calcolato bene – ma di sovranità: i dati non lasciano il perimetro aziendale, le latenze si riducono e la compliance con GDPR o norme di settore si semplifica.

Chi produce chip e infrastrutture per l’AI on-premise – dai fornitori di GPU ai system integrator specializzati – trova in questa cronaca un argomento commerciale potente. L’instabilità di OpenAI non danneggia solo il suo marchio; legittima l’idea che l’intelligenza artificiale critica vada tenuta in casa. E mentre le alternative cloud restano mature (AWS Bedrock, Azure AI), l’on-premise offre una garanzia che nessun contratto di servizio può eguagliare: il controllo del runtime e dei dati.

Non sappiamo chi prenderà il posto di Simo né se OpenAI riuscirà a stabilizzarsi. Ma la somma degli addii dipinge un framework che chi decide gli investimenti tecnicici non può ignorare: l’AI come commodity API ha un punto di rottura, e la risposta arriva da rack di server sempre più silenziosi e potenti, dentro le mura di chi li usa.