Sachin Kansal non alza la voce. Il chief product officer di Uber, nell’intervista concessa a TechCrunch, lascia filtrare una visione che in pochi colgono al primo ascolto: l’azienda non sta solo aggiungendo intelligenza artificiale qua e là, sta costruendo una geografia proprietaria dei dati che cambia gli equilibri dell’intero stack. Tre capitoli apparentemente separati – servizi finanziari, la relazione con Waymo per i robotaxi e la nuova divisione AV Labs – compongono un disegno unico dove la sovranità tecnicica diventa la variabile competitiva più preziosa.

Partiamo dal dato più denso di conseguenze: AV Labs. Non è un centro ricerca generico, è l’infrastruttura di raccolta e annotazione dati per la guida autonoma. Uber sa che ogni miglio percorso dai veicoli a guida autonoma genera flussi di informazioni che hanno più valore se restano sotto controllo diretto, lontani da terze parti e da logiche cloud-only. Dietro quella scelta c’è un messaggio per chiunque sviluppi modelli su scala: per dati geospaziali, comportamenti degli utenti e informazioni sulla mobilità, il deployment on-premise o in edge privato non è un retaggio del passato, ma l’unica strada per evitare dipendenze strategiche e garantire conformità in mercati come l’Unione Europea. Non è un caso che il GDPR abbia reso incandescente il tema della residenza dei dati: una AV Labs gestita in casa permette a Uber di costruire un motore di inference e training allineato alle regole più rigide, senza compromessi sulle performance.

Il secondo tassello è il rapporto con Waymo. L’azienda di Alphabet resta il partner di riferimento per la tecnicia dei robotaxi, ma l’intervista svela una tensione mai dichiarata: Uber vuole che l’hardware e il software di guida restino sotto il cofano della casa madre, mentre i dati generati durante le corse – percorsi, scelte di instradamento, condizioni del traffico – finiscono nel proprio scrigno. È una partita a scacchi dove il vero premio non è il sensore LIDAR, ma il controllo dell’inference distribuita e la proprietà del dataset per migliorare i modelli in un circolo virtuoso. Per chi valuta deployment ibridi, questo schema mostra come non sia più sufficiente calcolare il TCO guardando solo i costi delle GPU: la discriminante è la capacità di orchestrare pipeline che mescolano inference in cloud per task a bassa latenza non critica e nodi on-premise per l’elaborazione che tocca dati sensibili.

I servizi finanziari completano il framework. Uber Money e le ambizioni nel credito rivelano modelli di risk scoring che, per rispettare la privacy degli utenti, spingono verso l’esecuzione locale su device mobili o su server aziendali. Qui l’intelligenza artificiale inizia a comparire in modo tangibile per passeggeri e autisti: non solo chatbot, ma sistemi che decidono limiti di spesa, condizioni di prestito, rilevano frodi – tutte funzioni dove l’invio di dati grezzi al cloud costituirebbe un rischio legale e reputazionale. Uber, senza dichiararlo, sta disegnando un’architettura che tiene i calcoli più vicini possibile alla fonte, proprio come fanno le banche con i loro modelli anti-riciclaggio in sede.

Da osservatori esterni si potrebbe pensare che l’azienda punti a diventare “tutto per tutti”. Invece, la dichiarazione di Kansal è un manifesto di specializzazione: Uber concentra risorse solo sulle AI che servono al proprio ecosistema verticale, e ogni componente dello stack – dati, addestramento, inference – viene valutato in base al controllo che garantisce, non solo al costo immediato. È una postura che segnala, a livello strutturale, come la partita dell’AI industriale si stia spostando dal “quanto spendi in cloud” al “quanto sei sovrano sul tuo patrimonio informativo”. Vince chi riduce le interdipendenze nei momenti critici.

Il terzo ordine di implicazioni tocca il mercato dell’hardware. Se sempre più aziende seguono la rotta tracciata da Uber, la domanda di chip specializzati per inference on-premise e di soluzioni di reticulate storage non farà che crescere, scavalcando la narrativa che voleva tutto già migrato nel cloud pubblico. Il settore dei veicoli autonomi, con i suoi fabbisogni di bassa latenza e altissima affidabilità, sta già premiando architetture ibride che integrano GPU e acceleratori proprietari in nodi locali. E la lezione di Uber è che questa scelta non è solo tecnica, ma fonda un nuovo patto con i regolatori e con i clienti.