Quattro stati americani vogliono 1,4 trilioni di dollari da Meta. La somma — resa nota da un documento processuale depositato lunedì — equivale quasi all’intera capitalizzazione di mercato dell’azienda. Il processo, previsto per agosto, è incentrato sulla progettazione di Facebook e Instagram per agganciare i giovani utenti. Ma le scosse si propagano ben oltre i confini dei social network, fino a toccare il fragile equilibrio dell’intelligenza artificiale aperta e chi la usa on-premise.

Meta è il motore dietro LLaMA, la famiglia di LLM che ha reso il self-hosting accessibile a migliaia di imprese, laboratori di ricerca e pubbliche amministrazioni. Sono modelli che girano su server aziendali, senza inviare dati a cloud esterni, e che incarnano l’ideale della sovranità digitale. Una sanzione di questa portata — anche solo il rischio concreto di doverla affrontare — cambierebbe la propensione di Meta a investire in ricerca aperta. L’addestramento di modelli di ultima generazione richiede cluster di GPU che costano centinaia di milioni di dollari; un impegno che un management sotto pressione finanziaria potrebbe ridimensionare, rallentando il rilascio di nuove versioni o irrigidendo le licenze.

Chi fa deployment on-premise oggi basa spesso la propria architettura su LLaMA perché combina performance competitive e un ecosistema di tool ormai maturi (vLLM, Ollama, llama.cpp). Un’improvvisa incertezza sulla roadmap del fornitore principale costringerebbe le organizzazioni a cercare alternative: passare a modelli di altri player (Mistral, DeepSeek) oppure ripiegare su offerte cloud proprietarie, rinunciando al controllo dei dati. Non si tratta di un rischio remoto: la memoria del settore è segnata dal destino di aziende open-first che hanno cambiato rotta dopo un evento traumatico.

C’è un secondo ordine di conseguenze che riguarda la regolamentazione degli algoritmi. Il processo incalza il modo in cui i sistemi di raccomandazione — spesso basati su AI — vengono ingegnerizzati per massimizzare l’engagement. Una vittoria degli stati potrebbe accelerare norme che impongono audit, trasparenza e limiti alla profilazione. Per chi ospita modelli in casa, ciò diventa leva competitiva: il full control sull’inference consente di adattare i comportamenti del modello ai vincoli normativi senza dipendere dalle scelte di un provider esterno. In questo scenario, la spinta verso l’on-premise potrebbe persino rafforzarsi.

Non è la prima volta che un gigante tech si trova davanti a richieste miliardarie, ma mai si era arrivati a un numero che sfiora il valore di mercato. L’attrito tra la monolitica macchina dell’engagement e i regolatori sta diventando strutturale. Per l’IA autogestita, il semestre verso agosto è una finestra in cui misurare i contraccolpi e preparare piani B: diversificare i modelli, investire in pipeline di fine-tuning indipendenti, o consolidare l’hardware per scenari di incertezza prolungata.