Demis Hassabis non è tipo da lanciare allarmi, ma questa volta il messaggio è chiaro: l’intelligenza artificiale ha bisogno di un arbitro. Il capo di Google DeepMind ha proposto un organismo federale statunitense che valuti i modelli di frontiera prima del loro rilascio, sul modello della Securities and Exchange Commission (SEC) che sorveglia Wall Street. Potrebbe avere il potere di mettere in pausa un lancio.

L’idea, svelata in un’intervista, segna un cambio di passo anche per chi l’AI la costruisce. Non si parla più solo di autoregolamentazione o codici etici volontari: Hassabis immagina un’autorità con poteri vincolanti, in grado di imporre verifiche preventive e, se necessario, fermare la diffusione di modelli ritenuti pericolosi. Un passaggio che, se realizzato, ridisegnerebbe i tempi e i modi dell’intera industria.

Un SEC per l’AI: cosa cambierebbe davvero

La SEC non si limita a controlli ex post: può bloccare un’offerta pubblica, sospendere titoli, imporre requisiti stringenti prima che un prodotto finanziario arrivi sul mercato. Applicato all’AI, un meccanismo analogo significherebbe che ogni nuovo LLM di frontiera dovrebbe superare un processo di valutazione federale prima di essere reso disponibile. La valutazione potrebbe includere test di sicurezza, analisi di bias, robustezza e potenziale uso duale.

Il punto critico non è tanto l’esistenza di un controllo, quanto la velocità del processo. L’esperienza con agenzie regolatorie simili – la FDA per i farmaci o la stessa SEC – dimostra che i tempi di approvazione diventano rapidamente una variabile indipendente dalle ambizioni tecniche. Per chi sviluppa modelli, questo introduce un collo di bottiglia normativo che rischia di allungare i cicli di rilascio da settimane ad anni. Hassabis parla esplicitamente di “rallentare l’industria”: un obiettivo dichiarato di sicurezza, ma che ha conseguenze economiche profonde.

Il vero scossone: cloud contro on-premise

Se un regolatore federale americano avesse il potere di ritardare o bloccare il deployment di un modello, i provider cloud diventerebbero automaticamente l’anello più esposto. I principali hyperscaler – Google Cloud, AWS, Azure – offrono API per modelli di frontiera e integrazioni profonde con i loro servizi gestiti. Qualsiasi interruzione o rallentamento imposto dall’autorità si tradurrebbe in un disservizio commerciale per i clienti, che dipendono da quegli endpoint.

È qui che l’on-premise smette di essere una scelta tecnica e diventa una leva strategica. Un’organizzazione che esegue l’inference su hardware self-hosted – sia in data center privato sia in edge computing – non subirebbe lo stesso congelamento. Il modello potrebbe essere già stato scaricato, validato internamente e integrato nei flussi produttivi prima che scatti un eventuale stop federale. La continuità operativa diventerebbe un differenziale competitivo silenzioso ma decisivo.

Non è un’ipotesi remota. Già oggi, settori come finanza, difesa e sanità valutano il deployment on-premise per ragioni di sovranità dei dati e compliance GDPR. La proposta di Hassabis aggiunge un incentivo nuovo: la certezza di poter eseguire modelli senza dipendere da una decisione amministrativa esterna. Il Total Cost of Ownership, che già pesa nei confronti tra cloud e bare metal, si arricchisce di una voce sfuggente ma concreta: il costo del “fermo normativo”.

Chi ci guadagna e chi ci perde

In questo scenario, i produttori di hardware per inference e training – NVIDIA, AMD, ma anche startup che spingono chip specializzati – troverebbero un mercato in espansione. La domanda di GPU con VRAM elevata, di server ottimizzati per workloads AI e di soluzioni per il fine-tuning locale crescerebbe, perché ogni entità che vuole mantenere l’agilità operativa dovrebbe attrezzarsi per gestire i modelli in casa.

I fornitori cloud, paradossalmente, potrebbero reagire offrendo servizi di “regulatory hosting” – ambienti segregati con audit integrati – ma resterebbero comunque soggetti all’autorità federale. Le aziende europee, già caute sul trasferimento transatlantico dei dati dopo Schrems II, vedrebbero nell’on-premise una via per allinearsi anche all’AI Act, che classifica i modelli per livelli di rischio e impone obblighi di trasparenza.

Un terzo effetto riguarda i modelli aperti. Se il watchdog USA impone paletti, il rilascio di pesi aperti (open-weight) potrebbe diventare più difficile, incentivando fork e distribuzioni tracciate in giurisdizioni diverse. Ma per chi fa deployment reale, il punto resta l’hardware: avere il controllo della macchina significa essere pronti a eseguire qualunque modello superi i controlli interni, senza attendere semafori verdi altrui.

Demis Hassabis ha acceso una discussione che va oltre la sicurezza. Ha disegnato, forse senza volerlo, un futuro in cui la velocità di esecuzione non dipende solo dai token al secondo, ma dalla capacità di muoversi mentre il regolatore alza la mano. E in quel futuro, chi ha i server in cantina potrebbe avere un vantaggio silenzioso, ma reale.