Quando un modello linguistico accede ai dati interni di un’azienda per rispondere a una domanda, la conversazione non rimane confinata tra le mura dell’ufficio. Arthur Mensch, cofondatore e CEO del laboratorio francese Mistral, lo ha ricordato con toni netti in un post su LinkedIn: i fornitori di LLM chiusi stanno imponendo la conservazione dei dati e accumulano una leva contrattuale «immensa» sui clienti, proprio mentre le aziende collegano i modelli al loro contesto operativo.

La visione di Mensch è semplice e insieme dirompente: ogni interazione con un LLM proprietario gestito in cloud trasforma il fornitore in un custode dei propri segreti industriali. Non si tratta solo di privacy, ma di dipendenza strategica. Più un’organizzazione personalizza il modello con dati sensibili, più il provider vede, impara e – nei fatti – si impossessa di un vantaggio asimmetrico.

Non è la prima volta che Mistral alza la voce su questo tema. L’azienda parigina ha sempre puntato su modelli aperti e su un’architettura di deployment flessibile, convinta che la sovranità dei dati passi innanzitutto dalla possibilità di eseguire l’inference in locale. Per le imprese che considerano il self-hosting, il ragionamento ha implicazioni immediate: un LLM on-premise, self-hosted, elimina alla radice la retention forzata e permette di mantenere il controllo completo sulle interazioni, allineandosi a requisiti come il GDPR senza dover negoziare clausole opache con il provider.

Il trade-off, naturalmente, esiste. Gestire i propri modelli richiede competenze interne e un investimento iniziale in hardware – CPU, GPU, storage – che può spostare il calcolo del TCO dal canone operativo (OpEx) a un investimento di capitale (CapEx). Ma per realtà che trattano dati sensibili o regolamentati, l’alternativa cloud-only rischia di diventare un costo ben più alto: la perdita di controllo sulla proprietà intellettuale. Mensch non cita benchmark o listini, ma il suo avvertimento punta dritto a un principio che AI-RADAR esplora da tempo: prima di integrare un LLM nei flussi aziendali, le organizzazioni dovrebbero valutare se la promessa di semplicità del modello chiuso valga la cessione di un vantaggio competitivo.

Il post di Mensch arriva in un momento in cui diverse imprese stanno rivedendo le proprie scelte di AI, spinte anche da regolatori sempre più attenti alla residenza dei dati. La domanda non è più soltanto “quanto è potente il modello”, ma “dove girano i miei prompt e chi li può leggere”. Da qui nasce l’interesse crescente verso soluzioni on-premise e ibride, dove l’LLM opera all’interno del perimetro aziendale e i dati interni non varcano mai il firewall.

La tensione tra modelli aperti e chiusi non è una novità, ma raramente un CEO l’aveva inquadrata come una questione di puro potere negoziale. Mensch non propone una soluzione preconfezionata: piuttosto, mette i decisori davanti a uno specchio, ricordando che delegare l’intelligenza artificiale a un provider chiuso significa anche delegare una parte della propria autonomia strategica.