Il 13 luglio il Bloomberg Billionaires Index ha riscritto le gerarchie dell’intelligenza artificiale: Liang Wenfeng, fondatore del laboratorio cinese DeepSeek, è diventato il fondatore più ricco del settore con un patrimonio stimato di 36 miliardi di dollari, scavalcando figure come Dario Amodei di Anthropic e Greg Brockman di OpenAI. Il balzo – quasi 19 miliardi aggiunti da un giorno all’altro – non è solo un numero da classifica. È un segnale di mercato che mette in discussione la narrativa dominante, quella per cui l’AI si vince solo con budget illimitati e cluster di GPU sempre più affamati di energia. DeepSeek, al contrario, ha costruito la sua reputazione su modelli capaci di rivaleggiare con GPT-4 o Claude spendendo una frazione delle risorse computazionali, e questa scommessa sull’efficienza ora viene prezzata a decine di miliardi.

Per chi segue l’evoluzione dell’hardware e dei deployment on-premise, la notizia non è affatto laterale. DeepSeek ha reso disponibili versioni open-source dei suoi LLM, con pesi scaricabili e possibilità di self-hosting. Questo sposta il baricentro: mentre OpenAI e Anthropic spingono API cloud chiuse, DeepSeek offre un percorso alternativo che parla la lingua di aziende e istituzioni interessate a tenere i dati in casa. La questione non è solo geopolitica – la Cina che avanza nel software, gli Stati Uniti che bloccano i chip – ma riguarda il modo stesso in cui si calcola il costo totale del possesso. Allenare un modello di frontiera con una bolletta ridotta significa che anche l’inference on-premise diventa più accessibile, riducendo la dipendenza da infrastrutture cloud costantemente aggiornate.

C’è un paradosso che merita attenzione. Il mercato sta premiando la sobrietà computazionale proprio mentre i grandi vendor occidentali annunciano investimenti faraonici in data center. Il patrimonio di Wenfeng, lievitato grazie a una valutazione di DeepSeek che alcuni analisti attribuiscono alla sua capacità di ottenere risultati con meno A100 (o equivalenti cinesi), lancia un messaggio chiaro: l’efficienza non è una variabile di secondo piano, ma un asset strategico. Se il futuro dell’AI sarà dominato da modelli snelli, capaci di girare su hardware ragionevole anziché su costosi H100 a noleggio, chi ha investito in soluzioni on-premise potrebbe trovarsi dalla parte giusta della transizione. Non solo: la sovranità dei dati, a lungo predicata da governi e imprese regolamentate, smette di essere un lusso ideologico e diventa un obiettivo concreto quando l’alternativa efficiente è disponibile.

Naturalmente, il framework non è privo di incognite. Le tensioni commerciali tra Washington e Pechino potrebbero limitare l’accesso ai modelli DeepSeek o alla componentistica necessaria per riprodurne l’addestramento. Inoltre, il self-hosting non è mai una scelta banale: richiede competenze di MLOps, manutenzione e aggiornamento che molte organizzazioni non possiedono. Tuttavia, il segnale che arriva da una valutazione di mercato così alta è che il settore sta abbandonando l’idea di un unico vincitore cloud-centrico. Wenfeng non ha solo accumulato ricchezza personale: ha trasformato DeepSeek nella prova tangibile che un paradigma diverso esiste. E mentre le capitalizzazioni dei laboratori americani restano enormi, per la prima volta un concorrente costruito sull’efficienza si prende la scena, riscrivendo le aspettative su chi può permettersi di fare AI su larga scala.