Duecento economisti, sedici dei quali premi Nobel, hanno firmato una dichiarazione congiunta sull’intelligenza artificiale e l’economia. Il succo: le menti più brillanti della disciplina confessano di non vedere la strada. Non è un dettaglio tecnico. È un terremoto silenzioso che costringe chiunque pianifichi investimenti in IA a fare i conti con un’opacità di fondo.

Di solito gli economisti non amano esprimere pubblicamente incertezza radicale. Quando lo fanno, e lo fanno in duecento, è perché il fenomeno in esame ha scavalcato gli strumenti analitici disponibili. L’IA generativa, i Large Language Models (LLM) e la loro adozione trasversale stanno producendo effetti di secondo ordine — sul lavoro, sulla produttività, sulla distribuzione del valore — che nessun modello economico attuale sa catturare in modo affidabile. E se non puoi prevedere, non puoi nemmeno ottimizzare i costi con le metriche classiche del Total Cost of Ownership (TCO) cloud.

Per chi gestisce infrastrutture IT, questa ammissione non è astratta. Le aziende che oggi scelgono di delegare l’inference e il fine-tuning a piattaforme cloud si stanno di fatto legando a strutture di costo e a catene di dipendenza che potrebbero evolvere in direzioni imprevedibili. Se i Nobel dell’economia non riescono a disegnare uno scenario a cinque anni, che senso ha impegnarsi in contratti pluriennali basati su stime di crescita dei token processati? La risposta, per un numero crescente di realtà, è il self-hosting. Portare i modelli dentro i propri data center, su hardware controllato, significa accettare un investimento iniziale più alto in cambio di una variabile che l’economia dell’incertezza premia: la prevedibilità dei costi e la sovranità sui dati.

Non è una scelta ideologica. È una risposta razionale al vuoto di previsione. Quando anche le istituzioni più autorevoli ammettono di brancolare, il vantaggio strategico si sposta su chi costruisce stack locali, svincolati dalle fluttuazioni di prezzo delle API e dai cambiamenti improvvisi delle policy dei fornitori cloud. La quantization dei modelli e i framework di serving open source rendono oggi possibile far girare LLM performanti su hardware con risorse di VRAM contenute, abbassando la soglia d’ingresso per il deployment on-premise.

C’è una lezione più profonda: l’economia dell’IA non è solo questione di produttività, ma di potere negoziale. Chi controlla l’infrastruttura di inference controlla la capacità di adattare i modelli ai propri dati, di applicare fine-tuning senza esporre asset sensibili e di rispondere in tempo reale a regolamentazioni come il GDPR. In un panorama in cui le regole possono cambiare con la stessa velocità con cui migliorano i modelli, la vera garanzia non è il risparmio immediato, ma l’autonomia.

La dichiarazione dei duecento economisti, al di là dell’eco mediatica, ha un effetto collaterale: accelera la migrazione verso architetture ibride e on-premise, non perché il cloud sia sbagliato, ma perché l’incertezza strutturale rende più costosa la rinuncia al controllo. E quando il futuro è un territorio senza mappe, l’unico asset che non si svaluta è la capacità di decidere in proprio.