Un utente americano su Reddit ha posto una domanda che tocca un nervo scoperto: se DeepSeek ha addestrato un modello indicato come 4.1 con una spesa di circa 6 milioni di dollari e ha pubblicato tutti i dettagli del lavoro, perché gli Stati Uniti non finanziano un LLM nazionale aperto? L'autore del post sostiene che il costo sarebbe marginale rispetto al bilancio federale, che un'alternativa pubblica ridurrebbe i rischi di sicurezza e che impedirebbe pratiche monopolistiche sui prezzi dei token.

Il problema, però, non è quasi mai il costo di addestramento. Un LLM nazionale aperto cambierebbe la struttura degli incentivi: oggi il settore pubblico e le imprese regolate dipendono in larga parte da API proprietarie, con tariffe per token e accesso mediato da infrastrutture cloud. Un modello aperto, distribuibile su hardware proprio, sposterebbe il TCO da canoni ricorrenti a investimenti in infrastruttura e competenze interne. Non sarebbe una bacchetta magica, ma eliminerebbe una rendita di posizione.

Il paradosso è evidente: il governo americano diffida dei modelli cinesi e invita a non fidarsi, ma non ha prodotto un'alternativa federale con la stessa apertura. Il risultato è che la domanda di sovranità digitale viene soddisfatta da vendor commerciali o da progetti esteri, non da una capacità pubblica stabile. Chi ne beneficia oggi sono i fornitori di modelli proprietari e le piattaforme che monetizzano l'accesso; chi ne pagherebbe le conseguenze di un cambio di rotta sono gli stessi intermediari, mentre ne trarrebbero vantaggio agenzie pubbliche, PMI e tutti i contesti dove l'auditabilità e la residenza dei dati contano.

Va anche letta la questione in chiave hardware. Un modello aperto nazionale non è solo un file di pesi: richiede pipeline di serving, strategie di quantization e infrastrutture di inference che possano funzionare on-premise. Il vero collo di bottiglia non è la disponibilità di un checkpoint, ma la capacità di eseguirlo e mantenerlo in produzione senza dipendere da un cloud esterno. Chi lavora su stack locali conosce bene questi trade-off: il costo di addestramento è una voce una tantum, mentre la gestione quotidiana di VRAM, latenza e aggiornamenti è ciò che determina il TCO reale.

La discussione aperta dal post non chiede un sussidio all'industria, ma un'infrastruttura pubblica di base. Un LLM aperto e nazionale avrebbe implicazioni di secondo ordine: ridefinirebbe il potere contrattuale delle amministrazioni, creerebbe un riferimento per la valutazione dei modelli commerciali e spingerebbe i vendor a competere su servizi e conformità invece che sul controllo dell'accesso. In terzo ordine, segnalerebbe che la sovranità non si compra a consumo, ma si costruisce con capacità tecnica distribuita.

Per chi affronta concretamente la scelta tra cloud e self-hosted, AI-RADAR propone framework analitici su /llm-onpremise per pesare trade-off come TCO, sovranità e requisiti hardware. La domanda dell'utente americano resta aperta, ma il fatto che circoli con questa insistenza è già un sintomo: il vuoto non è di modelli, ma di direzione pubblica.