Il 7 luglio è scattato l’obbligo europeo della seconda ondata di sistemi di sicurezza attiva per auto e furgoni di nuova omologazione. Tra le tecnicie che ora devono essere presenti di serie spicca il cosiddetto «driver distraction warning»: in sostanza, una telecamera puntata sul volto del conducente, capace di rilevare stanchezza o distrazione e di far scattare un alert. L’altra novità è la frenata automatica d’emergenza con riconoscimento di pedoni e ciclisti, ma è il sensore interno a segnare un cambio di paradigma per chi si occupa di inference distribuita e sovranità dei dati.

Per AI-RADAR la notizia non è solo una tappa del percorso regolatorio verso la guida autonoma. È un caso concreto di come i vincoli normativi stiano forzando l’adozione di inference locale—un deployment che assomiglia molto a un modello on-premise su quattro ruote. Ogni veicolo diventa un nodo di elaborazione autonomo, con telecamere che producono un flusso video continuo, algoritmi di computer vision e, sempre più spesso, modelli di deep learning ottimizzati per girare su hardware embedded.

Perché stavolta l’inference non può andare in cloud

Chi sviluppa sistemi di assistenza alla guida sa bene che una telecamera rivolta all’abitacolo solleva due problemi immediati: latenza e privacy. La latenza qui non è un parametro di benchmark, è una questione di sicurezza fisica: un avviso di distrazione deve arrivare in meno di una manciata di millisecondi, il che rende impraticabile qualsiasi andata e ritorno verso il cloud. E la privacy non è un optional: il Garante europeo e i regolatori nazionali hanno da tempo chiarito che i dati biometrici raccolti in auto vanno trattati con le massime garanzie, preferibilmente senza lasciare mai il veicolo. La conseguenza è un vincolo architetturale netto: tutta l’elaborazione—dalla cattura del frame all’inference—deve restare on-device.

Questa scelta forzata ha un impatto diretto sulla filiera hardware. I produttori di chip per l’automotive—dai system-on-chip con acceleratori neurali integrati alle GPU a basso consumo—vedono crescere la domanda di soluzioni capaci di eseguire modelli di visione artificiale e, in prospettiva, anche LLM ridotti, in uno spazio termico e di alimentazione ristretto. Tecniche come la quantization (ad esempio da FP32 a INT8) e la compressione dei modelli diventano centrali non per risparmiare costi cloud, ma per garantire che il sistema funzioni in tempo reale senza drenare la batteria.

Chi vince e chi perde con il sorvegliante obbligatorio

L’imposizione della telecamera interna premia innanzitutto i fornitori di piattaforme di elaborazione edge già presenti nel mondo automotive: aziende come Qualcomm, Nvidia (con la linea Orin), Mobileye/Intel e i produttori di MCU con capacità di AI come Renesas o NXP. Per loro, l’Europa si trasforma in un mercato captive dove ogni veicolo leggero deve imbarcare un certo tipo di potenza di calcolo, indipendentemente dal segmento di prezzo.

Per i costruttori, invece, si apre una partita delicata sul total cost of ownership. Integrare un computer dedicato alla visione e modelli pre-addestrati non è gratuito, e il vincolo di restare on-device impedisce di scaricare parte dei costi operativi su infrastrutture cloud condivise. La manutenzione dei modelli (aggiornamenti OTA, miglioramento dell’accuratezza) richiede pipeline robuste di MLOps per il deployment distribuito, un tema che tipicamente preoccupa chi gestisce flotte di server, ma che ora si applica a milioni di endpoint su gomma.

C’è anche un perdente meno evidente: il modello di business delle assicurazioni basate sull’uso e sulla profilazione del guidatore. Se la telecamera è per legge e i dati non possono uscire dall’auto se non in forma anonimizzata o per obblighi di legge (scatola nera), viene meno la possibilità di costruire profili comportamentali dettagliati su base volontaria. La sovranità del dato, in questo caso, agisce come baluardo contro la monetizzazione non regolamentata.

L’obbligo appena entrato in vigore segnala una tendenza strutturale: l’intelligenza artificiale che tocca la sicurezza delle persone e la loro sfera privata sarà sempre più spesso confinata on-device, con hardware dedicato e modelli ottimizzati per girare senza assistenza remota. Non è solo una questione di performance, ma di fiducia e di conformità normativa. Per chi valuta architetture on-premise in altri ambiti, l’automotive offre un assaggio di cosa significhi portare l’inference in un ambiente vincolato dove il cloud non è un’opzione.