L'intera industria tecnicica, tranne Anthropic, si è schierata a favore dell'AI open source. Non è una posizione di nicchia: aziende come Meta, Mistral, Stability AI e altre hanno pubblicamente sostenuto i modelli aperti. L'opposizione di Anthropic, fondata su preoccupazioni di sicurezza, si scontra ora con una realtà in cui la sua spinta lobbistica difficilmente cambierà le cose. Ma la frase "nessuno sta cercando di bandire l'open source" è un classico esempio di gaslighting, visto che le proposte normative includono spesso vincoli onerosi che di fatto rendono impraticabile il deployment self-hosted.

Per le imprese che distribuiscono LLM on-premise, non si tratta di un dibattito politico astratto: è una minaccia diretta alle loro strategie infrastrutturali. I modelli open source sono la spina dorsale dell'AI self-hosted: senza accesso illimitato a modelli come Llama, Mixtral o Qwen, le organizzazioni non possono costruire pipeline sovrane che mantengano i dati all'interno delle proprie strutture. Quantization, ottimizzazione della VRAM e inference locale sono gli strumenti che rendono praticabile l'AI on-premise, ma dipendono dalla possibilità di distribuire e modificare liberamente i pesi dei modelli. Una cattura normativa potrebbe rapidamente trasformare l'inference locale in un incubo di responsabilità, spingendo le aziende verso API cloud, minando i calcoli di TCO e i requisiti di residenza dei dati.

La tattica del gaslighting è insidiosa: i sostenitori di regole più severe affermano di volere solo un'AI "responsabile", ma i meccanismi in discussione — valutazioni dei modelli pre-rilascio, licenze obbligatorie, responsabilità per usi impropri a valle — schiaccerebbero in modo sproporzionato l'ecosistema decentralizzato. Una piccola startup o un'azienda di medie dimensioni non può permettersi i costi legali e tecnici imposti da tali regolamentazioni. Al contrario, gli hyperscaler e i vendor di modelli chiusi, con i loro enormi budget per la conformità, passerebbero indenni. Il risultato è un mercato bloccato su pochi fornitori, esattamente l'opposto di ciò che il GDPR europeo e i movimenti per la sovranità dei dati richiedono.

Cosa significa tutto questo per l'hardware e il deployment? Se l'accesso legale ai modelli open source si restringe, la domanda di GPU con grande memoria come le A100 o H100, acquistate proprio per il self-hosting, potrebbe cambiare. Le imprese potrebbero invece puntare su API proprietarie, riducendo il bisogno di calcolo locale. Ciò altererebbe il panorama competitivo della catena di fornitura dell'hardware AI, incidendo sia sulle vendite di GPU enterprise di NVIDIA sia sulla fattibilità delle soluzioni on-premise offerte da vendor come Dell o HPE con stack AI integrati.

L'analisi di AI-RADAR sui deployment LLM mostra una verità fondamentale: l'open source non è un lusso, ma l'abilitatore di una vera sovranità. Senza di esso, l'AI on-premise si riduce a un fragile complemento, dipendente dalla benevolenza di pochi attori chiave. La battaglia lobbistica in corso plasmerà il prossimo decennio dell'infrastruttura AI aziendale. La domanda non è tanto se Anthropic cambierà posizione — non lo farà — ma se i quadri normativi che si stanno delineando permetteranno all'ecosistema self-hosted di sopravvivere. Il gaslighting è iniziato e le vere vittime potrebbero essere proprio quelle organizzazioni che hanno bisogno che l'AI funzioni alle proprie condizioni.