A fine marzo Apple ha depositato una causa per violazione di segreti industriali contro OpenAI. L’accusa è pesante: condotte illecite che arriverebbero fino al chief hardware officer della società di Sam Altman, e oltre 400 ex dipendenti Apple ora impiegati nella startup dell’AI generativa. Con OpenAI che a quanto pare prepara la quotazione in borsa, la tempistica non potrebbe essere peggiore. La risposta di OpenAI, finora, è stata cauta e piena di distinguo.

Ma ridurre la vicenda a una scaramuccia legale tra due colossi tech sarebbe miope. Per chi muove i fili dell’enterprise IT, questa causa è un segnale d’allarme che accende una lampadina sulla dipendenza da fornitori esterni di modelli di linguaggio. E non parliamo solo di API o abbonamenti cloud: parliamo di esposizione sistemica a rischi che vanno ben oltre la disponibilità del servizio.

L’IPO di OpenAI, già sotto i riflettori, rischia di slittare o di svalutarsi se gli investitori percepiscono un contenzioso capace di frenare l’innovazione hardware, limitare la libertà di assunzione o imporre costose modifiche ai prodotti. Per le centinaia di aziende che hanno costruito processi critici sulle API di GPT, questa incertezza non è un dettaglio. Un blocco improvviso del servizio, una variazione forzata del modello o una restrizione contrattuale dettata da un tribunale potrebbero interrompere flussi di lavoro, assistenza clienti e analisi dati. È il cosiddetto “concentration risk”: quando l’intera strategia AI poggia su un unico fornitore, ogni scossa esterna diventa un terremoto interno.

Ecco perché la vicenda Apple-OpenAI imprime un’accelerazione alla riflessione strategica sul deployment on-premise. Self-hosting di LLM open source come Llama 3 o Mistral su infrastruttura proprietaria non è più solo una scelta di privacy o di latenza: diventa un hedge contro rischi legali e finanziari che il fornitore cloud non può isolare. Non si tratta di affermare che l’on-premise sia sempre più economico (il TCO può essere elevato, tra GPU, raffreddamento e competenze specialistiche), ma di constatare che il costo di un’interruzione o di una causa legale a carico del provider è spesso incalcolabile e non prezzabile nel canone mensile.

Il caso apre un fronte ulteriore sulla contaminazione della proprietà intellettuale. Con così tanti ex dipendenti Apple in ruoli chiave da OpenAI, la domanda che gli utilizzatori enterprise si pongono è: quanto è “pulita” la genealogia dei modelli che usiamo? Un modello addestrato con il contributo di persone potenzialmente esposte a segreti altrui porta con sé un rischio legale latente che, in settori regolamentati, può tradursi in responsabilità per l’utilizzatore finale. Chi invece gestisce il modello in casa può auditarne la provenienza, controllare i dati di fine-tuning e garantire la conformità normativa senza intermediari.

Così la disputa legale tra due colossi si trasforma in un caso di studio per la sovranità tecnicica. Le aziende più avvertite iniziano a includere nell’analisi di procurement non solo le performance tecniche, ma la resilienza legale del fornitore. E su questo fronte, le architetture self-hosted partono avvantaggiate. Non è un caso che la domanda di hardware per inference on-premise, dagli Nvidia H100 agli AMD Instinct, continui a crescere benché le alternative cloud siano più facili da attivare. La motivazione non è solo tecnica: è strutturale.

Anche nell’ipotesi in cui OpenAI dovesse vincere la causa, il segnale resterà. I consigli di amministrazione che oggi discutono di adozione dell’AI tenderanno a considerare la dipendenza da un singolo vendor chiuso come un fattore di rischio da mitigare, non diversamente da come si valuta un fornitore unico nella supply chain fisica. La frammentazione del mercato AI, con modelli aperti eseguibili su qualsiasi hardware aziendale, sembra destinata ad accelerare. E la causa Apple-OpenAI potrebbe essere ricordata come il detonatore che ha reso evidente ciò che troppi preferivano ignorare.