Dietro i proclami di sovranità digitale, l'Europa sta scoprendo che scrivere regole è più semplice che trovare silicio. Il gap infrastrutturale per l'AI non si colma con i soli atti legislativi, perché il costo reale dell'hardware – GPU, interconnessioni, raffreddamento – resta un moltiplicatore di disuguaglianza che la retorica politica fatica ad ammettere.

Quando la fornitura detta il ritmo

Il cuore del problema è la disponibilità di unità di calcolo avanzate. Le GPU necessarie per addestrare ed eseguire LLM su scala significativa sono concentrate in mano a pochi fornitori, in gran parte al di fuori del continente. Questo crea una dipendenza di filiera che si traduce in prezzi gonfiati e tempi di attesa lunghi, specialmente per organizzazioni che cercano di allestire cluster on-premise. In un simile scenario, la decisione tra cloud e self-hosted non è solo architetturale: è finanziaria. Il CapEx per un nodo capace di inference a bassa latenza può diventare insostenibile per centri di ricerca o PMI, spingendoli verso servizi esterni con conseguente rinuncia al controllo diretto sui dati.

Politiche che sfiorano il ferro

L’Unione Europea ha prodotto una mole imponente di regolamenti, dall’AI Act alle linee guida sulla residenza dei dati. Tuttavia, queste norme agiscono sul piano legale, non su quello fisico. Definiscono cosa è lecito fare, ma non mettono a disposizione teraflop. Per chi opera in settori regolamentati – sanità, difesa, finanza – il vincolo di localizzazione dei dati richiede macchine locali, e qui la forbice dei costi diventa un abisso. Il problema non è solo comprare l’hardware: alimentarlo richiede densità energetica e impianti di dissipazione che spesso mancano nei data center di prossimità, aggiungendo ulteriore pressione sul TCO.

La prospettiva di chi non può delegare

Per i team che valutano deployment on-premise, il calcolo è presto fatto. Da un lato, un cluster locale promette controllo granulare su latenza, privacy e flessibilità di fine-tuning. Dall’altro, il costo per decina di GPU con VRAM sufficiente a caricare modelli in precisione FP16 non accenna a calare. Questa tensione si riflette nelle scelte di quantization: più si scende a INT8 o INT4, più si risparmia memoria, ma si sacrifica accuratezza in contesti critici. Non esiste una scala unica per valutare il trade-off; ogni organizzazione deve mappare i propri requisiti di carico, compliance e budget, sapendo che l’Europa, su questo fronte, non offre scorciatoie.

Oltre la retorica: quale strada per le infrastrutture

L’assenza di una filiera continentale per i componenti chiave non si risolve con bandi di finanziamento orizzontali. Il rischio concreto è che il continente resti un consumatore di AI piuttosto che un produttore, con ripercussioni che vanno dalla ricerca pubblica alla competitività industriale. Chi oggi costruisce stack on-premise deve districarsi tra fornitori extra-UE e normative stringenti, spesso con costi di conformità che superano il prezzo delle macchine. In questo framework, il dibattito si sposta dalla pura capacità di calcolo alla resilienza dell’ecosistema: formare competenze, aggregare domanda, investire in infrastrutture condivise. La politica può accompagnare, ma senza una presa di coscienza sui costi reali, il gap resterà incolmabile.