Clem Delangue, cofondatore e CEO di Hugging Face, ha messo in guardia prima della condivisione del documentario Netflix 'AI Gone Rogue', dedicato a un caso di hackeraggio legato a OpenAI. Presente nel film, Delangue ha dichiarato che la produzione è andata in 'full doomer mode' e che non è accurata. Non è una semplice nota di colore: è un segnale su chi controlla il racconto del rischio nell'intelligenza artificiale.

La piattaforma guidata da Delangue è uno dei nodi principali per chi lavora con LLM open weight, fine-tuning e inference self-hosted. Una narrazione apocalittica, se accettata come descrizione realistica del settore, rischia di spostare le decisioni aziendali verso risposte difensive: più cloud chiuso, meno controllo sui dati, meno trasparenza sui modelli. Per un ecosistema che vive di codice aperto e deployment locale, il danno non è reputazionale ma strutturale.

Il documentario, secondo la critica di Delangue, non ha semplicemente esagerato qualche dettaglio: ha adottato la modalità 'doomer', cioè una cornice in cui l'IA appare come forza incontrollabile. Questo tipo di rappresentazione tende a premiare chi vende sicurezza centralizzata e a penalizzare chi propone alternative self-hosted, dove l'organizzazione mantiene la sovranità sui dati e sui modelli. Non serve immaginare complotti: basta osservare gli incentivi. Se il messaggio prevalente è che l'IA open source è pericolosa per definizione, i budget per l'AI on-premise diventano più difficili da giustificare, anche quando i vincoli reali dipendono da VRAM, quantization e pipeline di deployment, non da scenari da fantascienza.

La questione non riguarda soltanto la verifica dei fatti riportati dal documentario. Riguarda il frame con cui le organizzazioni leggono l'IA. Un'azienda che sta valutando di portare un LLM dentro la propria infrastruttura, magari per motivi di sovranità dei dati o di TCO, deve confrontarsi con domande precise: quanta VRAM serve per servire il modello? Quale quantization mantiene un livello accettabile di qualità? Come si integra la pipeline di inference con i sistemi esistenti? Un documentario che sposta l'attenzione su scenari apocalittici non risponde a queste domande e può rendere più difficile anche solo porle. In questo senso, la presa di posizione di Delangue non è solo una difesa di Hugging Face: è una difesa di un approccio ingegneristico al rischio, fatto di misurazioni, verifiche e deployment consapevoli.

Per chi valuta deployment on-premise, il punto non è difendere o condannare il film, ma separare i rischi verificabili (gestione dei pesi, sicurezza delle API locali, audit, TCO) dalle rappresentazioni catastrofiste. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off senza cedere al sensazionalismo. Il caso 'AI Gone Rogue' mostra che la battaglia sul futuro dell'IA non si combatte solo nei benchmark: si combatte anche nell'immaginario che guida le scelte di procurement. E lì l'accuratezza è un prerequisito, non un optional.