Satya Nadella ha deciso di mandare un segnale forte. In un post sul blog aziendale pubblicato lunedì, il numero uno di Microsoft avverte le imprese dei pericoli nascosti nell’uso di modelli di intelligenza artificiale proprietari, citando esplicitamente quelli di Anthropic e, sorprendentemente, di OpenAI. La dichiarazione ha il sapore di un paradosso per chi ricorda che Microsoft ha scommesso oltre dieci miliardi di dollari proprio su ChatGPT, ma nelle pieghe di questo avvertimento si cela una partita strategica ben più ampia, destinata a ridefinire gli equilibri tra cloud, on-premise e sovranità tecnicica.

L’intervento di Nadella non è un fulmine a ciel sereno. Da mesi, l’ecosistema aziendale si interroga sul costo reale dei modelli chiusi: costi d’uso imprevedibili, dipendenza da API che possono cambiare da un giorno all’altro, impossibilità di auditing sui dati processati e, non ultimo, la paura di consegnare informazioni sensibili a server fuori dal proprio controllo. Quando un gigante del software che ospita la metà dei carichi di lavoro cloud del pianeta ti dice di stare attento ai modelli altrui, il messaggio è chiaro: la partita dell’intelligenza artificiale si sposta sulla controllabilità dell’infrastruttura.

Ma allora perché Nadella si spara sui piedi? L’apparente contraddizione si scioglie se si guarda alla strategia multi-modello che Microsoft sta tessendo in silenzio. Azure AI Studio offre oggi accesso a modelli aperti come Llama, Mistral e Jamba, oltre a GPT-4. L’obiettivo è diventare l’hub neutrale dove ogni azienda può orchestrare inference, fine-tuning e retrieval-augmented generation, a patto di rimanere dentro l’ecosistema Azure. Il warning serve così a spostare l’attenzione delle imprese dal “quale modello scegliere” al “dove lo eseguo e chi controlla i miei dati”.

Chi ascolta questo allarme? Principalmente i CISO e i responsabili della conformità, che da anni lottano per non far finire documenti finanziari, sanitari o industriali nelle mani di terze parti. L’avvertimento di Nadella legittima le loro ansie e offre una copertura per spingere verso architetture self-hosted o ibride, in cui l’inference avviene su nodi gestiti internamente. Non è un caso che i framework per il serving on-premise — come vLLM, TGI o Ollama — stiano vivendo un’adozione esplosiva proprio nelle settimane del post.

C’è poi il tema del Total Cost of Ownership. I modelli closed-access fatturano a token, con dinamiche opache che rendono difficile prevedere la spesa su scala. Chi migra verso modelli aperti ottimizzati con quantization (INT8 o FP16) e li esegue su hardware dedicato — magari un cluster di GPU con VRAM sufficiente a mantenere finestre di contesto ampie — può ottenere prevedibilità dei costi e una latenza gestibile internamente. Il messaggio di Nadella, letto in controluce, è una confessione: il modello di business “per-token” non è sostenibile per tutti.

Resta però un nodo spinoso: l’avvertimento arriva da chi ha trasformato l’accordo con OpenAI in un vantaggio competitivo formidabile. Per molti analisti, l’uscita di Nadella serve a contenere l’ascesa di Anthropic più che a denunciare i difetti sistemici dei modelli proprietari. Il tempismo è sospetto: Amazon ha appena riversato altri 4 miliardi in Anthropic e l’antitrust europeo stringe sulle concentrazioni nel mercato dell’AI. Mettere in dubbio l’affidabilità di chi ti fa concorrenza, senza gettare ombre sul proprio partner, è mossa tanto antica quanto efficace.

L’effetto collaterale più profondo, tuttavia, riguarda chi sta costruendo stack di inference indipendenti. Le imprese che già operano in ambienti air-gapped, o che per regolamento (GDPR, normative bancarie) devono mantenere i dati all’interno di confini nazionali, ricevono dal CEO di Microsoft un assist involontario: se persino chi offre servizi cloud mette in guardia dai modelli chiusi, la strada della self-hosted sovereignty appare meno accidentata. Per chi valuta deployment on-premise, AI-RADAR offre framework per analizzare questi trade-off senza cadere in scelte affrettate.

La domanda aperta è se l’ondata di cautela si tradurrà in investimenti concreti in infrastruttura dedicata. Le GPU per training e inference continuano a scarseggiare, mentre i costi di acquisto upfront restano alti. Ma la direzione è inequivocabile: il mercato sta imparando a separare il modello dal fornitore, preparandosi a un ecosistema in cui la sovranità dei dati non sarà più negoziabile.