Non è una semplice rotazione professionale: è un’emorragia di talento che sta segnando il laboratorio di ricerca più celebre al mondo. Jonas Adler e Alexander Pritzel, due figure chiave nel panorama dell’intelligenza artificiale, hanno annunciato il loro passaggio da Google DeepMind ad Anthropic. Si uniscono così a Noam Shazeer e John Jumper, altri due nomi di peso che hanno già compiuto lo stesso percorso, plasmando un trend che merita di essere letto oltre le cronache aziendali.

Non è un mistero che la competizione per i migliori ricercatori sia feroce. Anthropic, fondata da ex membri di OpenAI, ha raccolto finanziamenti miliardari per costruire LLM capaci di competere con le offerte di Microsoft, Meta e Google. La sua filosofia di ‘intelligenza artificiale costituzionale’ attira chi cerca un approccio più controllabile allo sviluppo. Il trasferimento di figure come Shazeer, pioniere dei transformer, segnala una precisa strategia: accumulare competenze per spostare l’ago della bilancia nella corsa agli LLM.

Il domino dei talenti e le ripercussioni per il self-hosting

Per chi progetta infrastrutture on-premise e adotta stack self-hosted, il movimento dei cervelli non è un dettaglio accademico. Quando un ricercatore lascia un laboratorio, porta con sé visioni, intuizioni e spesso la spinta a sviluppare architetture più efficienti. Se il talento si concentra nelle mani di pochi vendor che offrono modelli esclusivamente via API, chi sceglie di mantenere i dati nei propri data center per motivi di sovranità si trova davanti a un bivio: accettare modelli ‘chiusi’ e dipendere da provider esterni, oppure investire in alternative open source che potrebbero arrancare in termini di performance senza il contributo dei migliori ricercatori.

Modelli aperti e scenari di deployment locale

In aziende dove la compliance GDPR o la riservatezza dei dati impongono l’esecuzione dell’inference su hardware di proprietà, la disponibilità di LLM performanti e ottimizzabili è cruciale. La concentrazione della ricerca in poche entità private rischia di rallentare l’innovazione nei framework di serving e nelle tecniche di quantization che permettono di far girare modelli su GPU consumer. Tuttavia, non tutto è perduto: iniziative come Llama di Meta e il fiorire di modelli aperti dimostrano che la comunità può colmare il divario. Ma la perdita di Google – che storicamente ha contribuito a strumenti fondamentali come TensorFlow – verso rivali più guardinghi sulla tecnicia, potrebbe rendere più difficile l’accesso a modelli di frontiera per chi fa self-hosting.

Sovranità dei dati e TCO: la prospettiva di AI-RADAR

In questo scenario, il calcolo del TCO e della sovranità assume un peso ancora maggiore. Un’organizzazione che oggi valuta se spostare carichi di lavoro on-premise deve considerare non solo le specifiche hardware – VRAM, banda di memoria, CapEx – ma anche la robustezza dell’ecosistema di modelli a disposizione. Se i migliori LLM sono vincolati a servizi cloud, il rischio di lock-in cresce, e con esso la dipendenza da politiche commerciali altrui. La diaspora di talenti da Google mette in luce la fragilità di un sistema dove la conoscenza si sposta rapidamente, rendendo imperativo per gli adottanti on-premise diversificare le proprie fonti e investire in competenze interne per il fine-tuning e l’ottimizzazione.

Un campanello d’allarme per chi costruisce stack locali

La migrazione di Adler, Pritzel, Shazeer e Jumper non è solo una guerra tra giganti. È un segnale per chiunque scommetta sull’IA privata e controllata: l’innovazione vive nelle persone, e le persone possono cambiare casacca da un giorno all’altro. Per le aziende che hanno puntato su deployment on-premise, la lezione è chiara: non basta scegliere il modello giusto oggi, bisogna costruire un ecosistema resiliente che possa adattarsi rapidamente alle nuove direzioni della ricerca. AI-RADAR continuerà a monitorare questi sviluppi, offrendo analisi sui framework e sulle scelte architetturali per mantenere la sovranità senza sacrificare le prestazioni.