La schermaglia legale tra OpenAI e xAI entra in una nuova fase. Lunedì OpenAI ha chiesto a un giudice federale californiano di stabilire che la causa per furto di segreti commerciali intentata da xAI «non avrebbe mai dovuto essere presentata» e di condannare la società di Elon Musk a coprire oltre un milione di dollari di spese processuali. Il deposito è arrivato poche ore dopo che xAI aveva notificato l’intenzione di appellarsi contro il secondo rigetto della causa, già archiviata in due occasioni.

Nel frattempo, Apple ha iniziato a muovere le sue pedine contro OpenAI, secondo la fonte originale, senza però che siano emersi dettagli precisi sulla natura dell’iniziativa legale o commerciale. Quel che è certo è che il fronte delle dispute legali attorno ai modelli linguistici di grandi dimensioni si allarga e assume contorni sempre più aspri.

Per chi osserva il settore dal punto di vista dell’infrastruttura, queste battaglie non sono semplici scaramucce tra miliardari. Segnalano un problema strutturale: la protezione dei segreti commerciali legati all’addestramento e alla messa a punto dei modelli diventa estremamente complessa quando il workflow passa attraverso fornitori cloud, API e collaborazioni multinazionali. Ogni passaggio di mano – dataset, pesi del modello, configurazioni di fine-tuning – aumenta la superficie esposta a contenziosi, con il rischio concreto che il valore del lavoro svolto venga diluito o sottratto.

La vicenda xAI-OpenAI ruota attorno a presunte violazioni di segreti commerciali, una tipologia di causa che nel mondo dell’AI si sta moltiplicando. Modelli, architetture di training e pipeline di dati rappresentano asset critici, spesso più preziosi del codice stesso. Quando queste risorse transitano su infrastrutture condivise, la distinzione tra collaborazione lecita e appropriazione indebita può diventare sottile. Non è un caso che diverse organizzazioni che valutano deployment on-premise citino proprio la sovranità sui dati e il controllo dell’intero stack come antidoto a questo genere di vulnerabilità legale.

Se il tribunale dovesse accogliere la richiesta di OpenAI e imporre a xAI il pagamento delle spese, si creerebbe un precedente dissuasivo per cause considerate pretestuose. Ma il messaggio più profondo, per i responsabili delle infrastrutture AI, è un altro: l’incertezza sulla proprietà intellettuale sposta l’ago della bilancia verso architetture self-hosted, dove i confini tra chi sviluppa, chi addestra e chi controlla i dati sono più netti e verificabili. In ambienti air-gapped o su bare metal, ogni accesso ai pesi del modello e ai dataset è tracciabile, riducendo l’ambiguità che invece caratterizza i servizi cloud condivisi.

In parallelo, la mossa di Apple – di cui ancora non conosciamo i dettagli – potrebbe innescare una reazione a catena tra i grandi vendor di dispositivi e sistemi operativi, sempre più consapevoli che l’integrazione degli LLM nei propri ecosistemi comporta rischi legali, oltre che tecnici. La decisione su dove far girare inference e fine-tuning non è più solo una questione di latenza o TCO, ma di presidio giuridico. Per chi segue le dinamiche dell’AI-RADAR, questo rinforza la necessità di valutare con attenzione i framework di deployment che consentono di mantenere i dati e i modelli sotto il proprio diretto controllo, senza rinunciare alle performance.