Quando un dirigente di Oracle, azienda che fattura miliardi con i database e il cloud, dice che il modello AI non è l’elemento decisivo, vale la pena fermarsi. Mark Hura, presidente delle operazioni globali sul campo, lo ha fatto salendo sul palco del RAISE Summit di Parigi. «Le aziende che stanno vincendo con l’intelligenza artificiale non stanno affatto scegliendo uno stack AI», ha spiegato. «Stanno inseguendo un risultato». La tesi è tagliente: l’unico vantaggio competitivo vero, duraturo, sono i tuoi dati, non quale LLM hai scelto.

Dietro quella frase c’è più di una provocazione commerciale. C’è una presa di posizione che, letta fino in fondo, smonta l’attuale corsa all’ultimo modello e riporta al centro la materia prima dimenticata: l’informazione proprietaria che ogni impresa accumula nei propri sistemi. Tradotto: smettete di inseguire il benchmark più alto su MMLU e cominciate a costruire pipeline di dati, governance e processi di fine-tuning che trasformino conoscenza interna in capacità decisionale. Non è una novità assoluta, ma sentirlo da Oracle dà alla faccenda una concretezza diversa, soprattutto se incrociata con chi valuta l’adozione di LLM self-hosted.

Il ribaltamento dello stack mentale

Per anni il dibattito enterprise sull’AI generativa è stato dominato dal “quale modello scegliere”. GPT-4, Claude, Llama, Mistral: la domanda era sempre la stessa, come se si dovesse acquistare un nuovo server. Hura suggerisce che è la domanda sbagliata. Le aziende che usano l’AI per ottenere risultati concreti – riduzione dei costi, automazione di processi complessi, nuovi servizi – non partono dallo stack tecnicico. Partono dall’obiettivo di business e poi risalgono ai dati interni che possono alimentarlo. In questo schema, il modello diventa quasi una commodity intercambiabile, mentre i dati aziendali, i workflow di raccolta e pulizia, le competenze per curarli, diventano l’asset strategico.

Per chi distribuisce LLM in self-hosted, questo ragionamento sposta parecchie pedine. Se il modello è un commodity, la differenza non la fa più la GPU con più VRAM per quantizzare l’ultimo gigante da 405 miliardi di parametri, ma la capacità di orchestrare un fine-tuning continuo su dati freschi e interni. L’hardware deve eccellere in throughput di pre-processing e velocità di I/O verso storage veloci, più che in addestramento da zero. E i costi – quel TCO che ogni IT manager guarda con apprensione – vanno ricalcolati: non solo costo per token di inference, ma costo complessivo per mantenere attiva e sicura una pipeline che trasforma dati grezzi in conoscenza, il tutto senza mai esporli a un cloud esterno.

La sovranità come moltiplicatore del vantaggio

Qui entra in gioco un anello che spesso si spezza nelle discussioni puramente tecniche. Se il tuo vantaggio competitivo sono i dati, proteggerli non è una voce di compliance da spuntare, è la condizione per esistere come azienda. Un LLM self-hosted su bare metal, in ambienti air-gapped o su infrastruttura ibrida ben segmentata, non è più un lusso per paranoici della sicurezza. È l’architettura minima per custodire l’unica cosa che, secondo Hura, ti differenzia davvero dai concorrenti. E questo spiega perché, nonostante i miliardi investiti in cloud AI, vediamo crescere le implementazioni on-premise: non per risparmiare sulla bolletta del GPU computing, ma per non regalare il proprio petrolio informativo a modelli addestrati su dati altrui.

Certo, Oracle ha tutto l’interesse a spostare la conversazione sui dati: è il suo terreno di gioco. Ma questo non invalida il ragionamento, anzi. Se un fornitore storico di database spinge l'enterprise a ragionare prima sui propri dati e poi sul modello, significa che il mercato sta maturando oltre l’hype. Significa anche che le decisioni di deployment vanno prese guardando l’intero ciclo di vita dei dati – dall’ingestion all’inference, passando per versioning e governance – e non solo il momento in cui il LLM genera una risposta.

In definitiva, il messaggio dal palco di Parigi riscrive le priorità per chiunque stia costruendo la propria strategia AI. Non chiederti più quale modello sia migliore in assoluto. Chiediti quali dati hai, quanto sono puliti, quanto sono unici, e come pensi di metterli al lavoro senza perdere il controllo. La risposta a queste domande ti dirà molto di più – e probabilmente ti porterà verso un’infrastruttura on-premise, o almeno ibrida, molto più di qualsiasi scheda tecnica di GPU.