L'annuncio ha il sapore di una pietra tombale su un dibattito che infiamma da anni la comunità tech. Un ricercatore tra i padri dell'intelligenza artificiale in Nvidia — azienda che di questa corsa è il principale fornitore di hardware — ha dichiarato che l'AGI, l'intelligenza artificiale generale, semplicemente non arriverà. E per spiegare la direzione del settore ha usato un'analogia che in pochi si aspettavano: i modelli chiusi di OpenAI e Anthropic sono come le internet recintate di AOL e Prodigy negli anni Novanta, destinate a essere spazzate via dall'apertura e dalla personalizzazione.

La tesi è netta. Non inseguiremo un'unica mente artificiale onnisciente, ma costruiremo migliaia di modelli specializzati, addestrati sui dati proprietari di ogni singola azienda e mantenuti sotto il proprio controllo. Una visione che ridefinisce le priorità di chi oggi valuta l'adozione di Large Language Models, spostando l'asticella dalla rincorsa al modello più grande alla capacità di orchestrare inference su misura.

Il parallelo con AOL e Prodigy: chiuso è morto

Le internet chiuse erano giardini protetti, con contenuti selezionati e nessuna reale interoperabilità con il web aperto. Oggi OpenAI e Anthropic offrono API potenti, ma i modelli restano black box ospitate nei loro cloud, con costi ricorrenti, latenze imprevedibili e un controllo pressoché nullo su prompt engineering, versioni e dati. Per molte imprese, soprattutto in settori regolamentati o con esigenze di sovranità digitale, questo schema è un vestito stretto. La risposta, secondo l'esponente Nvidia, è l'open source customizzato: ciascuna organizzazione parte da una base aperta (come Llama, Mistral o simili) e la raffina con i propri dati, mantenendo il modello su infrastruttura propria. Non è un ritorno al fai-da-te artigianale, ma l'evoluzione logica dell'IT aziendale, che ha già vissuto la stessa parabola con Linux, i database e ora con l'AI.

Cosa significa per chi fa deployment on-premise

Per i team che già operano in contesti air-gapped o che devono rispettare vincoli GDPR ferrei, questa dichiarazione è più di un endorsement: è un segnale di mercato. Il vero collo di bottiglia non è più la disponibilità di modelli aperti, ma la capacità di eseguire fine-tuning e inference in locale con TCO (Total Cost of Ownership) sostenibile. Qui entra in gioco la maturazione di stack come vLLM, llama.cpp e tool di quantization che permettono di far girare LLM su GPU consumer o server di fascia media, aggirando la fame di VRAM che fino a ieri relegava queste attività nel cloud. La promessa è un modello su misura, addestrato su manuali interni, storico clienti e procedure operative, che può restare confinato nella rete aziendale senza mai passare per un endpoint esterno. Non è fantascienza: diverse realtà industriali e finanziarie stanno già portando avanti proof-of-concept in questa direzione, affiancando modelli compatti a database vettoriali per retrieval-augmented generation.

Resta il nodo dell'expertise. Customizzare un LLM non è plug-and-play. Richiede competenze di fine-tuning, gestione dei dataset, valutazione dei benchmark di sicurezza e performance. Tuttavia, la moltiplicazione di framework e l'abbassamento della barriera tecnica stanno trasformando questa competenza da nicchia accademica a skill sempre più richiesta nei reparti IT. Il messaggio della fonte Nvidia, ripreso sui forum specializzati, va letto anche come uno sprone a prepararsi: il vantaggio competitivo non sarà di chi adotta per primo un modello generalista, ma di chi saprà integrare l'AI come componente organico del proprio stack, con piena padronanza dei dati e dei costi.

Il dibattito sull'AGI, intanto, può aspettare. L'urgenza adesso è un'altra.