Quando Christopher Nolan parla di intelligenza artificiale, lo fa con la precisione di un regista abituato a costruire architetture narrative complesse. In un’intervista recente, ha definito l’IA un «cavallo di Troia» ovvio. «Tutti sanno che i greci sono lì dentro», ha aggiunto. Una frase che non è solo una battuta a effetto: è la sintesi perfetta di un’ansia che oggi attraversa il settore tecnicico, e che ha molto a che fare con chi controlla le fondamenta su cui l’IA poggia.

Il mito del cavallo di Troia racconta di un dono apparentemente innocuo che nasconde soldati pronti a uscire di notte e aprire le porte della città. Nolan non sta suggerendo che gli algoritmi siano malvagi in sé: il suo schermo narrativo è più sottile. Il pericolo non è il codice, ma la scatola che lo contiene. E nel 2025, quella scatola ha un nome preciso: infrastruttura centralizzata, spesso cloud, gestita da pochi grandi vendor.

Prendiamo i Large Language Models. La maggior parte delle aziende li utilizza tramite API di servizi esterni: OpenAI, Google, Anthropic. È comodo, veloce, non richiede GPU. Ma è anche un gigantesco cavallo di legno, perché quei modelli vivono su server che non ti appartengono, processano dati di cui non hai pieno controllo e vengono addestrati con logiche che non puoi ispezionare. I greci – in questo caso, la dipendenza da terze parti e la perdita di sovranità tecnicica – sono già dentro le mura, e lo sanno tutti.

Il punto di Nolan, interpretato in chiave AI-RADAR, diventa quindi strutturale: l’intelligenza artificiale non è una minaccia intrinseca, ma lo diventa quando la sua adozione passa per un’architettura che espropria l’utilizzatore della possibilità di audit, di controllo granulare e di personalizzazione reale. Non è un caso che le realtà più attente alla sovranità dei dati – difesa, sanità, finanza – stiano accelerando proprio sul deployment on-premise: portare i modelli dentro i propri data center, con inference locale, senza traffico verso l’esterno. È il modo per verificare che il cavallo sia vuoto, o quantomeno per decidere tu quando e come far uscire gli opliti.

Chi beneficia di questa lettura? Non solo le grandi organizzazioni con budget hardware consistenti. Anche le medie imprese, grazie alla quantization, al fine-tuning su hardware consumer e a framework come vLLM o Ollama, possono oggi eseguire LLM in locale con costi contenuti. Il TCO di un server con una GPU da 48 GB di VRAM, se confrontato con bollette API mensili che esplodono con l’aumentare dei token, comincia a mostrare la sua convenienza nel medio periodo. E soprattutto, azzera il rischio che qualcuno usi il tuo cavallo per entrare in casa tua.

Naturalmente, self-hosted non significa immunità. I modelli possono contenere bias, il software può avere vulnerabilità, e la manutenzione richiede competenze interne. Ma spostare il baricentro dal cloud al on-premise è il modo più diretto per trasformare l’IA da regalo insidioso a strumento di proprietà. Come direbbe Nolan: non è il finale a sorpresa, è la premessa. Lo sapevamo dall’inizio.