La notizia, riportata da Bloomberg, è di quelle che segnano uno spartiacque silenzioso. Microsoft ha iniziato a sostituire i modelli di OpenAI e Anthropic con la propria intelligenza artificiale – battezzata MAI – in alcune funzionalità dei suoi prodotti. Il passaggio non è un divorzio netto, ma un’erosione selettiva: i compiti dove costi o residenza dei dati rendono più conveniente il modello interno vengono dirottati sui nuovi sistemi fatti in casa, mentre il grosso del traffico di Copilot resta ancora in mano ai fornitori esterni.

La mossa di Microsoft non è solo una questione di risparmio sulla bolletta delle API. C’è un secondo fattore, più strutturale, evocato dalla stessa azienda: la residenza dei dati. In scenari dove le normative o le policy aziendali impongono che i dati sensibili non attraversino certi confini, avere un modello interno che gira in un data center locale diventa un vantaggio competitivo decisivo. Ed è proprio qui che la scelta di Redmond incrocia uno dei temi centrali del panorama attuale dell’AI enterprise: la sovranità dei dati.

Per anni il ritornello è stato «il cloud è più economico». Ma quando si parla di Large Language Models in produzione, l’equazione cambia. Il costo non è solo la tariffa per token: è il costo di uscita dai vincoli di un fornitore, è il controllo sulla latenza, è la sicurezza di sapere esattamente dove finiscono le informazioni. Microsoft, da gigante cloud, potrebbe sembrare un attore improbabile in questa partita, eppure sta segnalando qualcosa di profondo: la consapevolezza che per certi carichi di lavoro la dipendenza da modelli esterni non è più sostenibile – né economicamente né strategicamente.

L’implicazione di secondo ordine è che l’intera supply chain dell’AI aziendale potrebbe seguire la stessa traiettoria. Se un’impresa delle dimensioni di Microsoft inizia a internalizzare modelli per ragioni di costo e residenza, il messaggio per i grandi clienti enterprise è evidente: costruire capacità interne, o almeno on-premise, non è più un azzardo, ma una tappa quasi obbligata del percorso di adozione. Non stiamo parlando di rimpiazzare del tutto i giganti come OpenAI o Anthropic – i numeri mostrano che gestiscono ancora la fetta principale delle richieste – ma di ritagliare nicchie dove logiche di sovranità e TCO (Total Cost of Ownership) rendono l’alternativa interna preferibile.

Per chi guarda a deployment on-premise, la dinamica è istruttiva. Le stesse motivazioni che muovono Microsoft – controllo sulla residenza dei dati, riduzione dei costi ricorrenti, indipendenza da fornitori terzi – sono le fondamenta su cui si costruisce la proposta di LLM self-hosted. Non è un caso che la domanda di hardware per inference locale, dalle GPU consumer potenziate ai server con VRAM elevata, stia crescendo. E non è un caso che framework come vLLM, Ollama o LM Studio stiano semplificando il passaggio dalla nuvola al ferro. Microsoft non sta abbandonando il cloud, ma sta implicitamente riconoscendo che il futuro dell’AI non sarà un monolito centralizzato, bensì un arcipelago di modelli distribuiti, ciascuno posizionato dove serve e con chi serve.

C’è un’ultima riflessione da fare, tutta politica. La parola «residenza dei dati» non è neutra. Rimanda a regolamenti come il GDPR in Europa, ma anche a tensioni geopolitiche che spingono governi e aziende a pretendere che i dati rimangano entro confini nazionali. Microsoft, con questa mossa, si prepara a un mondo in cui vendere accesso a modelli altrui potrebbe non bastare più. Servono asset interni da poter piazzare direttamente nei territori più sensibili, magari su cluster dedicati, senza dover negoziare ogni volta con terze parti. È una strategia che trasforma la residenza dei dati da vincolo a leva commerciale.

Il passaggio di Microsoft ai modelli MAI è solo all’inizio e, a giudicare dalla cautela con cui Bloomberg ne parla, non sarà un’inversione di rotta radicale. Ma è un segnale potente per l’intero settore: la partita dell’AI aziendale non si giocherà solo sulla qualità dei modelli, ma anche su dove e sotto quale giurisdizione girano.