Pochi secondi di clip bastano a polarizzare il dibattito. Una Cybercab color oro attraversa il piazzale dello stabilimento Tesla in Texas: portiere ad ali di farfalla aperte, nessun volante, nessun pedale, e un abitacolo vuoto. La società di Elon Musk ha accompagnato il filmato con l’annuncio che i primi passaggi riservati ai dipendenti inizieranno “presto”, non che siano già partiti. Il condizionale è d’obbligo in un settore dove le promesse sulla guida autonoma si misurano in anni, ma il vero scarto non è nella tempistica. È nel silenzio operativo di un veicolo che prende decisioni senza appoggiarsi a un data center remoto.

Il video – ripreso da Mashable e rilanciato da The Next Web – mostra l’auto muoversi nel lotto di uscita della fabbrica, probabilmente su un percorso predefinito. Nulla di paragonabile al caos urbano, e infatti i ride-hailing robotaxi di Waymo e Cruise affrontano da tempo contesti ben più complessi. Tesla, però, sta spingendo un modello diverso: l’intero stack di percezione, pianificazione e controllo gira su hardware embedded, dentro la vettura. Non c’è streaming costante di flussi video verso il cloud, né un collegamento permanente per l’inference remota. Il cervello della Cybercab è locale.

Questa impostazione ha implicazioni che vanno oltre l’automotive. È un caso-limite di deployment on-premise trasportato su quattro ruote. Chi progetta infrastrutture per Large Language Models o carichi di lavoro industriali conosce il dilemma: mandare i dati in cloud garantisce flessibilità e potenza di calcolo quasi illimitata, ma introduce latenza, costi di trasmissione e dipendenza da connettività. Spostare l’inference sul nodo periferico – che sia un server in fabbrica, un armadio ruggedizzato o un’automobile – riduce questi attriti e restituisce il controllo sui dati. Per Tesla, significa che la Cybercab deve poter operare anche in galleria o in una zona rurale senza copertura, e che i dati dei passeggeri non lasciano necessariamente la vettura.

La sovereignty dei dati, tema caldo per aziende e regolatori, trova qui una declinazione concreta. Non è solo una questione di compliance GDPR: quando l’inference avviene localmente, il dato grezzo può essere aggregato o scartato prima di qualsiasi trasferimento. Per un servizio di trasporto che raccoglie immagini, percorsi e forse conversazioni, la differenza è sostanziale. Tesla non ha dettagliato l’hardware della Cybercab, ma è noto che i veicoli dell’azienda montano il computer Full Self-Driving, basato su chip custom, e che il supercomputer Dojo viene usato per l’addestramento centralizzato. L’inference, invece, resta a bordo. La separazione tra training (nel cloud o in un cluster proprietario) e serving (on-premise estrema) è un pattern che AI-RADAR segue con attenzione, perché lo stesso approccio viene adottato da banche, ospedali e manifatture quando decidono di tenere i modelli dentro i propri perimetri fisici.

Cosa segnala tutto questo a livello strutturale? Innanzitutto, che la corsa all’autonomia sposta il baricentro della computazione dal cloud all’edge. Chi produce chip per inference – NVIDIA con le piattaforme Orin e Thor, Qualcomm, ma anche soluzioni FPGA – trova nei veicoli a guida autonoma un mercato che non tollera compromessi sul wattaggio né sulla latenza. In secondo luogo, si rafforza l’idea che l’intelligenza artificiale critica, quella da cui dipendono vite umane, non possa essere lasciata in balìa della rete. Tesla hai costruito la sua narrativa sulla sicurezza anche attorno a questa autonomia computazionale. Se la scommessa funzionerà, il modello Cybercab spingerà altri attori a rivedere le proprie architetture, non solo nel trasporto ma in ogni ambito dove il tempo di reazione è questione di millisecondi. Per chi oggi valuta se portare i modelli linguistici on-premise, l’esempio su strada è l’estremizzazione di un trade-off noto: maggiore controllo, minore dipendenza dal fornitore cloud, ma investimenti in hardware e manutenzione diretta. La Cybercab, senza volante e senza pedali, corre già su quel crinale.