Dieci anni fa Karina Portugal discuteva di campagne e branding ai festival della pubblicità, da Cannes a São Paulo. Oggi siede al tavolo con alcune delle banche più grandi del Brasile, dell’Europa e degli Stati Uniti, alle prese con un problema decisamente meno glamour e molto più concreto: come fai a sapere se puoi fidarti di chi, o di cosa, sta prendendo decisioni che valgono milioni, bilanci e reputazione? La sua traiettoria è un termometro del cambio di stagione. Il marketing poteva permettersi l’AI come specchietto per le allodole, la banca no. E la domanda che Portugal sta insegnando a fare non è se un Large Language Model sia preciso o veloce, ma se sia affidabile in un contesto dove l’errore non è un banner sbagliato ma un’allucinazione normativa.

Il cuore del problema non è tecnico, almeno non nel senso classico. I modelli linguistici sono capaci di ragionamento probabilistico su scala umana, ma mancano di garantire determinismo, spiegabilità e confinamento dei dati. Per una banca, questo è un cortocircuito esistenziale. I regolatori chiedono tracciabilità, audit, controllo sui dati sensibili. Un deployment in cloud pubblico, con modelli gestiti da terze parti, introduce un rischio di sovranità difficile da accettare: dove finiscono i prompt? Chi accede ai log? Si può dimostrare che il modello non ha incorporato bias vietati dalle normative antiriciciclaggio o sulla privacy?

La domanda giusta che Portugal pone ai dirigenti è: “Qual è la vostra soglia di tolleranza per un errore che non potete spiegare?” Questo sposta il baricentro dall’efficienza alla governance. E qui si innesta una considerazione strutturale: se la risposta è “nessuna”, allora il cloud multi-tenant non è la strada. Serve un controllo diretto sull’inference, spesso on-premise, in ambienti air-gapped o su infrastruttura ibrida dove i dati non lasciano mai il perimetro aziendale. Non è una questione ideologica: è la conseguenza concreta di un contesto dove il Total Cost of Ownership si misura anche in sanzioni, danni reputazionali e perdita della licenza bancaria.

Chi vince e chi perde, allora? Le big tech che spingono API cloud perdono terreno non appena il cliente regolato prende sul serio la domanda di Portugal. Viceversa, chi fornisce hardware per inference locale, framework per il fine-tuning on-premise e soluzioni di orchestrazione che consentono audit completo guadagna rilevanza strategica. Non è un caso che le banche stiano esplorando architetture basate su server con GPU ad alta memoria, modelli quantizzati in INT8 o FP16 per restare dentro i confini di VRAM accessibili ma con la possibilità di eseguire inference senza mai esporre i dati a servizi esterni. La quantization non è solo un trucco per risparmiare risorse: diventa un abilitatore di sovranità.

La lezione che Portugal incarna è che il deployment on-premise non è un arretramento nostalgico verso i datacenter fisici, ma la precondizione per porre le domande giuste. Quando possiedi l’infrastruttura, puoi scegliere cosa loggare, cosa tracciare, cosa dimostrare a un revisore. Puoi fare fine-tuning su dati proprietari senza condividerli con un provider. E puoi decidere quando un modello è abbastanza affidabile da essere messo in produzione, senza delegare questa valutazione a un vendor esterno. È il ribaltamento del paradigma “API-first”: prima la governance, poi l’architettura.

Non sorprende che, nell’ecosistema dell’AI, figure come Portugal stiano diventando centrali. La domanda giusta non la formula un ingegnere dei prompt, la formula chi conosce la differenza tra vincere un Leone a Cannes e perdere la fiducia di una banca centrale.