L’idea che l’intelligenza artificiale sia il motore di una nuova stagione di crescita impetuosa per l’Occidente ha trovato un critico d’eccezione. Christopher Pissarides, premio Nobel per l’economia nel 2010 e docente alla London School of Economics, ha dichiarato che gli anni del boom sono probabilmente finiti per sempre e che l’IA, da sola, non basterà a riportarli in vita.

La sua posizione arriva in un momento in cui le aziende stanno riversando capitali in infrastrutture per LLM, convinte che l’automazione spinta e l’inference in tempo reale possano tradursi in guadagni di efficienza dirompenti. Pissarides invita invece a un realismo che ha implicazioni ben più vaste del dibattito accademico. Per chi sta valutando deployment on-premise, il monito ridisegna i contorni della decisione: se il balzo di produttività non è garantito a livello macro, allora ha senso spostare la lente dal puro ritorno economico immediato a variabili come la sovranità dei dati, la prevedibilità dei costi operativi e la capacità di governare carichi sensibili senza dipendenze esterne.

Dentro le organizzazioni italiane ed europee, spesso vincolate da requisiti GDPR e da una cultura della protezione informativa, il ragionamento trova un terreno fertile. Un deploy self-hosted di un modello, magari in quantization INT8 su GPU di fascia enterprise, non si giudica più solo in base ai token al secondo serviti, ma anche in base alla resilienza del controllo interno. Se la crescita attesa non si materializza rapidamente, il TCO non va più considerato come un investimento a rendimento certo, ma come il prezzo di un’infrastruttura che garantisce autonomia e conformità.

Chi ha architettato pipeline di fine-tuning on-premise avverte già questa tensione. Spostare l’inference in locale richiede un CapEx iniziale non indifferente, e l’assenza di un’esplosione di produttività potrebbe allungare i tempi di ammortamento. Eppure, settori come la manifattura avanzata, la sanità pubblica e la finanza regolamentata continuano a preferire l’on-premise proprio perché, in uno scenario di crescita modesta, il rischio di esposizione dei dati sensibili o di lock-in con un vendor cloud diventa un costo nascosto che pochi possono permettersi.

Il punto di Pissarides, in fondo, non nega i progressi dell’IA generativa; ne limita la portata trasformativa sull’intero sistema economico. E così facendo svela un contrasto tra le narrative dirompenti di molti fornitori e la realtà di aziende che devono far quadrare i conti ogni trimestre. Per chi decide come allocare le risorse tecniciche, questo scarto significa che le scelte di deployment on-premise vanno valutate con un criterio più ampio: non come leve per una crescita che potrebbe non arrivare, ma come strumenti di indipendenza operativa in un’economia a bassa accelerazione.

AI-RADAR dedica un’attenzione crescente a questi bilanciamenti, offrendo su /llm-onpremise framework analitici che aiutano a esaminare i trade-off tra costo, controllo e prestazioni senza cedere a promesse di crescita miracolosa.