Ben Guez non cercava l’anima gemella nel modo tradizionale. Ha invece istruito un sistema automatizzato per gestire i messaggi diretti con “un mucchio di aspiranti mogli internazionali”, come lui stesso ha raccontato. Niente app di incontri, ma una combinazione di OpenClaw, codice Claude e sessioni di prova su Instagram.

Il workflow, per quanto surreale, è un esempio concreto di come gli LLM stiano uscendo dai sandbox aziendali per insinuarsi nella vita quotidiana con una disinvoltura che lascia perplessi – e ammirati. Guez ha orchestrato uno script capace di interagire con persone reali, sfruttando le capacità conversazionali di Claude e la flessibilità di OpenClaw per simulare corteggiamento a distanza. I dettagli tecnici sono scarsi, ma il punto non è il successo sentimentale dell’operazione: è il metodo.

Per chi amministra carichi di lavoro AI in azienda, questa storia è meno aneddotica di quanto sembri. Il confine tra automazione personale e strumenti professionali è sempre più labile. Uno sviluppatore potrebbe replicare lo stesso schema per attività come lead generation, assistenza clienti o screening di candidature, magari allacciandosi ad API cloud senza passare per il dipartimento IT. I dati finirebbero su server esterni, al di fuori di qualsiasi policy di data residency o compliance GDPR. La domanda non è se succederà, ma con quale frequenza sta già accadendo.

OpenClaw, nel caso specifico, è un framework che semplifica l’interazione con agenti basati su LLM, spesso usato per prototipare automazioni. Claude Code, dal canto suo, è l’interfaccia di Anthropic per integrare chiamate al modello. Il punto critico: tutto girava su infrastruttura cloud, almeno lato inference. E questo riporta al nocciolo della questione per i sostenitori del self-hosted: se un dipendente può costruire un agente conversazionale in un pomeriggio usando servizi pubblici, come si fa a garantire che dati sensibili e conversazioni restino sotto controllo?

Non si tratta di demonizzare l’iniziativa individuale. Anzi, la facilità con cui oggi un non-specialista combina tool diversi per ottenere risultati tangibili è una delle promesse più interessanti dell’ecosistema LLM. Tuttavia, proprio la semplicità d’uso solleva un campanello d’allarme per chi pianifica deployment on-premise: qual è il costo reale di non offrire alternative interne? Se l’azienda non mette a disposizione un endpoint locale per l’inference, il rischio di ‘shadow AI’ cresce, con dati aziendali che viaggiano verso provider terzi. E il TCO di un’infrastruttura on-premise va soppesato anche contro questi costi indiretti, non sempre visibili nel calcolo di CapEx e OpEx.

L’episodio di Guez rimane, per ora, una curiosità. Ma la prossima volta potrebbe essere un commerciale che addestra un bot su conversazioni riservate per chiudere contratti più in fretta. Costruire policy di utilizzo degli LLM e fornire strumenti interni – con modelli quantizzati per girare su hardware già in casa, magari sfruttando GPU con VRAM contenuta – non è più un esercizio accademico. È l’unico argine a un’innovazione che, se non governata, ci sfugge di mano un DM alla volta.