Mentre l’adozione di modelli AI cinesi da parte delle aziende americane continua a crescere, il dibattito sulla loro presunta pericolosità ha toccato livelli da febbre politica. A gettare acqua sul fuoco è Arcee, laboratorio open source con sede negli Stati Uniti, che ha dichiarato in modo netto: i modelli sviluppati in Cina non sono intrinsecamente pericolosi.

La presa di posizione arriva in un momento in cui diversi fronti spingono per restrizioni o addirittura divieti sull’importazione di LLM cinesi, agitando lo spettro di backdoor, bias occulti e strumenti di sorveglianza nascosti nel codice. Ma per Arcee la questione è mal posta. La sicurezza non è una proprietà geografica del modello, ma una funzione diretta del contesto in cui viene eseguito.

Il vero spartiacque è l’opacità del pipeline di inference. Un LLM, sia esso cinese, europeo o americano, presenta rischi quando l’organizzazione non ha visibilità sul suo funzionamento interno e sui flussi di dati. In altre parole, il pericolo non sta nel paese d’origine del modello, ma nell’architettura di deployment. Se i pesi sono ispezionabili, il fine-tuning eseguito in ambienti controllati e i dati sensibili rimangono all’interno del perimetro aziendale, la nazionalità del codice diventa un fattore secondario.

Questa visione ha implicazioni profonde per chi progetta infrastrutture AI on-premise. Arcee stessa è nota per sviluppare modelli efficienti, ottimizzati per girare su hardware locale e per scenari self-hosted — una filosofia che fa della controllabilità il pilastro della sicurezza. Quando si esegue inference su server proprietari o in ambienti air-gapped, è possibile attuare audit ripetuti, verificare l’integrità del modello con hash crittografici e applicare quantization e tecniche di pruning senza cedere mai i dati a endpoint esterni.

La sovranità dei dati e il falso mito del modello “sicuro per nascita”

La posizione di Arcee mette in discussione l’idea che esista un modello “sicuro per nascita” in base al paese di provenienza. I modelli cinesi come Qwen, Yi o DeepSeek sono open source e possono essere scaricati, esaminati e modificati: il punto critico è se l’organizzazione decide di utilizzarli tramite API cloud di terze parti o li mette in produzione su sistemi gestiti internamente. Nel primo caso, ogni richiesta inviata a un server esterno è un potenziale vettore di esfiltrazione; nel secondo, l’azienda mantiene il pieno controllo sui dati, sulla latenza e sulla conformità normativa — GDPR incluso.

Per chi valuta il deployment on-premise di LLM, il ragionamento non è più “cinese sì, cinese no”, ma quali garanzie tecniche si possono applicare: quantità di VRAM per eseguire il modello senza compressioni eccessive, possibilità di calibrare il contesto di inference, log di accesso e policy di sicurezza a livello di container. AI-RADAR offre framework analitici per misurare questi trade-off e valutare il TCO di soluzioni self-hosted senza semplificazioni ideologiche.

In sostanza, l’intervento di Arcee segnala uno spostamento strutturale del settore: la fiducia cieca nei vendor, siano essi americani o cinesi, sta cedendo il passo a una cultura della verifica. E in un ecosistema dove l’open source permette di ispezionare i pesi di un modello, la nazionalità smette di essere un criterio tecnico valido. Resta il problema politico, certo, ma l’infrastruttura — se progettata per l’autonomia — può isolare il rischio meglio di qualsiasi bando.