L’immagine ha il sapore del paradosso. Al pranzo di lavoro del G7 sull’intelligenza artificiale, il direttore del più grande laboratorio europeo di AI si è trovato a discutere non di architetture transformer o finestre di contesto, ma di kilowattora e contratti di fornitura. La Francia ha un asso nella manica che pochi fuori dai confini avevano messo a fuoco: elettricità a basso costo e a bassa impronta carbonica, grazie al parco nucleare più esteso d’Europa. Mentre i colossi americani accelerano sulla costruzione di data center in territorio francese, il governo deve ora decidere a chi destinare quella potenza di calcolo elettrica: alle imprese nazionali che sviluppano LLM e modelli foundational, oppure agli hyperscaler che promettono investimenti miliardari e occupazione.

La posta in gioco è sottovalutata da chi guarda all’AI solo attraverso il prisma degli algoritmi. Addestrare un modello di grandi dimensioni richiede cluster GPU che consumano quanto una cittadina, e l’inference, seppur meno dispendiosa, scala in modo lineare con il numero di utenti. In uno scenario in cui le tariffazioni elettriche industriali in Germania o in Italia restano elevate, il vantaggio francese si traduce in un differenziale di TCO che può superare il 30% sull’arco di vita di un impianto. Per una startup che voglia fare self-hosting di un LLM con fine-tuning periodico, questo significa margini più sostenibili e minore dipendenza dai crediti cloud.

Il nocciolo sovrano

Qui non si tratta solo di contabilità energetica. La tensione è tra due visioni del deployment: da un lato, un ecosistema on-premise continentale, dove gli attori europei mantengono il controllo sui dati, sulle pipeline di training e sulla compliance GDPR senza dover ricorrere a region cloud straniere. Dall’altro, la classica espansione dei fornitori di servizi cloud, che portano efficienza, scale e un lock-in tecnicico che si estende dagli acceleratori ai framework di orchestration. Se Parigi concederà priorità di allaccio ai data center americani, il costo dell’energia per i concorrenti locali salirà, spingendoli a loro volta verso il noleggio di GPU nel cloud pubblico — paradossalmente dagli stessi operatori che beneficiano della tariffa agevolata. Si creerebbe un circolo vizioso in cui la sovranità digitale arretra a favore di un’efficienza economica di breve termine.

Le implicazioni di secondo ordine si estendono agli equilibri della supply chain hardware. I grandi vendor di acceleratori tendono a privilegiare i clienti con commesse estese e visibilità pluriennale; se la dorsale elettrica francese finisce per alimentare le region cloud, quegli accordi di fornitura si rafforzano, riducendo la disponibilità di GPU per operatori più piccoli e per laboratori pubblici che puntano a deployment on-premise. Il che, su scala europea, significa rallentare proprio quell’innovazione indipendente che l’AI Act vorrebbe stimolare.

C’è poi un terzo ordine di conseguenze, meno visibile ma più strutturale. Chi controlla la distribuzione di energia per i carichi AI decide implicitamente il ritmo della transizione verso la quantization estrema, il fine-tuning efficiente e le architetture che consumano meno. Se il capitale estero accaparra i nodi di rete più convenienti, l’incentivo a sviluppare modelli che girino su hardware modesto — la vera sfida per le imprese che vogliono fare inference in sede — si indebolisce, perché il costo della compute resta artificialmente basso solo per pochi. L’alternativa è una politica industriale che leghi l’accesso all’energia a condizioni di trasparenza, apertura dei pesi e requisiti di ricaduta sul tessuto locale: una sorta di “locational grid edge” non dissimile dai dibattiti sul carbon leakage, ma applicato ai token.

Per chi valuta oggi un deployment on-premise di LLM in Europa, la partita francese è un segnale di quanto il costo dell’energia stia diventando una variabile di scelta paragonabile alla VRAM o alla banda di memoria. AI-RADAR segue con attenzione questi sviluppi, perché ogni decisione su chi ottiene i kilowattora si riflette direttamente sui prezzi dei servizi di inference e sulla convenienza reale di fare self-hosting anziché pagare un API provider. La risposta, al momento, è ancora in bilico, ma il solo fatto che la domanda venga posta pubblicamente — e al livello del G7 — indica che l’epoca in cui l’AI era eterea è finita. Adesso si contano i contatori.