Neil Rimer non è tipo da allarmismi. Quando il co-fondatore di Index Ventures – uno dei fondi che hanno plasmato l’ecosistema tech europeo – dice che la ricchezza generata dall’intelligenza artificiale nella Silicon Valley dovrà essere redistribuita, per scelta o per forza, non sta facendo una previsione politica. Sta leggendo i rapporti di forza economici che si stanno consolidando attorno all’AI, e che secondo lui non sono sostenibili a lungo.

Il punto di partenza è noto: una manciata di aziende – per lo più cloud hyperscaler e i loro partner strategici – controllano oggi l’intero stack dell’AI, dai modelli all’hardware per l’inference. Una concentrazione di capitale mai vista, che ha generato valutazioni stellari e margini ancora più stellari per chi vende potenza di calcolo centralizzata. Rimer sostiene che questo accumulo non potrà restare circoscritto ai soliti attori. Se la ricchezza dell’AI non verrà redistribuita volontariamente, interverranno forze esterne – regolatori, mercati, tensioni geopolitiche – a forzare la mano.

Oltre la nube: la partita si gioca sull’infrastruttura locale

La tesi di Rimer ha un corollario immediato per chi lavora sul deployment dell’AI. Se il valore deve defluire dai grandi centri di calcolo verso un tessuto più ampio, l’hardware per l’inference on-premise e self-hosted smette di essere una nicchia per i maniaci del controllo e diventa un asset strategico. Non è solo una questione di sovranità dei dati – sebbene GDPR e regolamenti simili continuino a spingere in quella direzione – ma di economia pura: trattenere il valore dei carichi di lavoro AI all’interno della propria infrastruttura significa ridurre la dipendenza da canoni cloud sempre più alti e, potenzialmente, partecipare alla redistribuzione di cui parla Rimer in veste di beneficiari attivi.

Chi produce GPU e soluzioni per il private cloud (da NVIDIA con DGX a piattaforme come vLLM per l’inference) si trova in una posizione privilegiata. Ma anche le aziende che oggi stanno investendo in risorse di calcolo locali – server con abbondante VRAM, architetture modulari per il fine-tuning e la quantization – potrebbero scoprirsi in possesso di asset che il mercato premierà, perché riducono il TCO (TCO) sul medio periodo, quando i margini dei cloud provider inizieranno a essere messi in discussione.

Non è un caso che molte organizzazioni stiano già spostando workload di inference su infrastrutture self-hosted: la latenza si abbassa, il controllo sulla pipeline è totale e, soprattutto, i costi operativi smettono di essere legati a una tariffa per token che qualcuno a migliaia di chilometri di distanza decide giorno per giorno. Se Rimer ha ragione, questa non sarà più solo una scelta tecnica per pochi, ma una necessità strutturale.

Chi vince e chi perde in un’AI meno concentrata

Il rovescio della medaglia è altrettanto chiaro. I grandi provider di cloud AI, che oggi capitalizzano la scarsità di hardware e l’effetto rete dei modelli centralizzati, potrebbero vedere erosa la propria rendita di posizione. Non scompariranno, ma dovranno accettare margini ridotti e un ruolo meno dominante, in un ecosistema dove la capacità di calcolo diventa una commodity distribuita. Anche i vendor di modelli “as a service” potrebbero risentirne, se le aziende inizieranno a preferire LLM ottimizzati per girare in locale – con quantization aggressiva e framework pensati per l’on-premise – invece di pagare ogni chiamata API.

Sul fronte opposto, chi sviluppa tooling per il deployment on-premise, dai gestori di orchestrazione ai toolkit per il fine-tuning, troverà terreno fertile. E le organizzazioni che avranno investito per tempo in competenze e hardware adatti a carichi AI troveranno un ritorno che va oltre il risparmio immediato: saranno in grado di partecipare attivamente alla redistribuzione del valore, invece di subirla.

Rimane aperta una domanda che tocca il settore pubblico e le infrastrutture critiche: se la redistribuzione forzata della ricchezza AI diventasse un obiettivo politico, con incentivi o vincoli normativi, l’hardware on-premise potrebbe diventare la leva per garantire che l’AI lavori a favore di un ecosistema distribuito e non di pochi monopoli. In un simile scenario, la sovranità tecnicica e la capacità di calcolo locale non sarebbero più solo un vantaggio competitivo, ma un prerequisito per esistere nel nuovo mercato dell’AI.