Greg Kroah-Hartman non è abituato a fare sceneggiate. Quando il braccio destro di Linus Torvalds avverte che il ciclo di sviluppo di Linux 7.3 sarà probabilmente «rough», la notizia non riguarda solo gli sviluppatori del kernel: arriva fino a chi progetta infrastrutture self-hosted per Large Language Models. La prima release candidate di Linux 7.3 è apparsa questa settimana e mancano circa sette settimane al rilascio ufficiale, ma Kroah-Hartman ha già segnalato che il rumore di fondo provocato dai contributi assistiti da AI e LLM sta aumentando il numero di bug report e patch da revisionare.

Il punto non è che l’AI scriva codice migliore o peggiore: è che sposta il costo. Ogni patch generata o suggerita da un LLM richiede comunque attenzione umana qualificata. Se il volume cresce senza un corrispondente aumento della qualità, i maintainer spendono più tempo a separare il segnale dal rumore. In un kernel usato come base da distribuzioni enterprise, ambienti on-premise e sistemi che eseguono inference su hardware locale, questa pressione si traduce in un rischio concreto: più regressioni, review più lente per le correzioni vere e una finestra di validazione meno prevedibile.

Per chi valuta deployment on-premise di LLM, il sistema operativo non è un dettaglio. Un cluster self-hosted che serve modelli quantizzati o esegue fine-tuning su GPU locali dipende dalla stabilità delle interfacce del kernel: storage, networking, scheduler, driver. Se un ciclo di sviluppo diventa «rough», i responsabili infrastruttura tendono a restare su kernel long-term support, ad aspettare backport più maturi e a diffidare delle novità. Non è una questione di timore del nuovo: è una razionalizzazione dei costi di manutenzione. Su AI-RADAR, i framework analitici per il deployment on-premise includono anche la qualità del software di base, non solo VRAM e quantization.

L’effetto di secondo ordine è un rafforzamento dei fornitori che offrono kernel curati e supportati a lungo termine, perché offrono un filtro tra il rumore upstream e l’ambiente di produzione. Chi invece insegue l’ultima release per ottenere supporto hardware recente si trova esposto a regressioni che possono colpire driver o path di I/O critici per l’inference. Il terzo passaggio è più strutturale: se l’ondata di contributi LLM-assistiti continua, la comunità dovrà investire in strumenti automatici per pre-filtrare i report e le patch, oppure ridurre la velocità di integrazione. Entrambe le strade cambiano il tipo di competenze richieste a chi gestisce infrastrutture AI locali.

La notizia di Kroah-Hartman è quindi un indicatore anticipato. Non parla di VRAM, quantization o throughput, ma tocca il livello più basso dello stack su cui quei fattori poggiano. Un ciclo instabile del kernel non blocca il deployment on-premise, ma ne aumenta i costi indiretti di verifica e gestione. In un ecosistema dove la sovranità dei dati spinge molte organizzazioni a portare i modelli dentro i propri server, la qualità del software di base è una variabile che conviene monitorare con la stessa attenzione riservata ai benchmark.