Nokia ha annunciato insieme a Nvidia la prima piattaforma AI-RAN commerciale del settore, definendola il più grande cambiamento nelle reti radio da decenni. L’AI-RAN – RAN sta per Radio Access Network, l’insieme di apparati che collegano i dispositivi mobili alla rete – non è un semplice aggiornamento generazionale: integra capacità di calcolo AI direttamente nell’infrastruttura di accesso, con l’obiettivo dichiarato di raddoppiare la capacità di rete.

La mossa è più radicale di quanto appaia. Per anni il mondo telco ha osservato la virtualizzazione dei carichi di rete (vRAN, Open RAN) come un percorso per ridurre la dipendenza dall’hardware proprietario. Ora, l’innesto delle GPU Nvidia – cuore computazionale della piattaforma – trasforma la stazione radio base in un nodo di elaborazione AI di prossimità. Significa che la stessa infrastruttura che gestisce il traffico voce e dati può eseguire inference LLM, elaborare flussi video in tempo reale o addestrare modelli leggeri senza uscire dal perimetro dell’operatore.

Perché la questione non resti confinata agli addetti ai lavori delle TLC, basta guardare a cosa è già successo nei data center. L’arrivo delle GPU ha spostato il baricentro dai mainframe specializzati a un’architettura software-defined basata su hardware generico accelerato. L’AI-RAN promette di fare lo stesso per l’edge delle reti mobili: gli apparati radio smettono di essere scatole chiuse e diventano server di calcolo programmabili, capaci di ospitare carichi AI di terze parti.

Chi vince e chi perde. Il primo vincitore è Nvidia, che apre un mercato nuovo fatto di migliaia di siti edge da attrezzare con GPU. Nokia, dal canto suo, si posiziona come orchestratore software di un ecosistema che finora era dominato da pochi vendor di hardware radio. A perdere sono i fornitori tradizionali che non avranno la flessibilità di integrare accelerazione AI nei propri stack, e forse gli hyperscaler cloud, perché la capacità di elaborare dati sensibili direttamente sulla rete mobile rende meno appetibili soluzioni centralizzate quando latenza e privacy contano.

Sovranità e controllo dei dati. L’AI-RAN ha implicazioni profonde per chi valuta deployment on-premise di LLM. Una rete mobile che include GPU programmabili diventa, di fatto, un’infrastruttura self-hosted distribuita, capace di mantenere i dati entro i confini fisici e giurisdizionali scelti dall’operatore. In ambiti regolati (GDPR, sanità, difesa), questo significa poter offrire servizi AI senza passare per reti pubbliche esterne, con un controllo granulare sulla catena di elaborazione. Per le aziende, la possibilità di affittare capacità AI-RAN dai telco potrebbe rappresentare un’alternativa tanto al cloud quanto ai server on-premise tradizionali.

L’effetto di secondo ordine è un cambiamento degli incentivi di mercato. Se i gestori mobili diventano anche fornitori di capacità di calcolo AI, si rompe la netta separazione tra connettività e servizi cloud, e nasce una competizione diretta con AWS, Azure e Google Cloud proprio sul terreno dell’inference a bassa latenza e della residenza dei dati. Non è un caso che Nokia e Nvidia puntino a dimostrare che l’AI-RAN può raddoppiare la capacità di rete: un argomento concreto per convincere i CFO delle telco a investire in hardware che, oltre a migliorare le performance di rete, abilita nuovi flussi di ricavo.

Il pezzo mancante, che sarà decisivo, è il TCO (Total Cost of Ownership). Le GPU all’edge consumano energia e richiedono manutenzione. La densità computazionale per watt e la capacità di orchestrare carichi misti (rete + AI) determineranno se il modello è economicamente sostenibile o resterà una vetrina tecnicica. Ma la direzione è segnata: l’infrastruttura di rete si prepara a diventare il layer fisico dell’AI distribuita, proprio mentre il dibattito su sovranità digitale e costi del cloud si fa sempre più acceso.