Wakeline, con sede a Düsseldorf, ha appena chiuso un round pre-seed da 2,1 milioni di euro guidato da TechVision Fonds, con la partecipazione di neoteq ventures. Il team, fondato nel 2025 da Tim Gülke, Jan Böggering, Simon Sprünker e Merten Tiedemann, si propone di risolvere uno dei limiti più evidenti degli attuali sistemi di AI: la dipendenza dall’addestramento periodico su dataset storici.

Perché un’AI che si aggiorna solo ogni tanto non basta

La maggior parte dei modelli, oggi, viene addestrata su dati raccolti nel passato, poi congelata e distribuita. Gli aggiornamenti avvengono a intervalli fissi, quando si accumulano nuovi dati a sufficienza per riaddestrare l’intero sistema. Questo approccio, benché abbia prodotto risultati notevoli, crea uno scollamento tra ciò che il modello “sa” e la realtà mutevole in cui opera. In settori come la manifattura, la logistica o la sicurezza informatica, le condizioni cambiano rapidamente e attendere un ciclo di riaddestramento può significare prendere decisioni basate su informazioni ormai superate.

Wakeline propone un cambio di paradigma: integrare apprendimento e deployment in un flusso continuo. L’obiettivo è permettere ai sistemi di incorporare nuova conoscenza mentre sono in funzione, senza bisogno di fermarsi o di trasferire dati verso un cluster centralizzato. L’architettura, ispirata ai meccanismi di apprendimento biologico, non è vincolata a modelli proprietari né a infrastrutture cloud iperscalabili: un aspetto che potrebbe interessare le organizzazioni attente alla residenza dei dati e alla gestione autonoma dell’infrastruttura.

Indipendenza dal cloud: questione di controllo e costi

L’assenza di legami con hyperscaler ha un significato che va oltre la scelta tecnica. Per molte aziende, spostare continuamente dati sensibili verso il cloud per il riaddestramento comporta rischi di conformità (GDPR, normative di settore) e costi operativi non banali. Un sistema capace di apprendere in modo incrementale sulla stessa infrastruttura che lo esegue — che sia on-premise, su edge o in un ambiente ibrido — riduce la dipendenza da pipeline esterne e semplifica l’architettura di governance dei dati.

Certo, un apprendimento continuo eseguito in locale richiede risorse di calcolo adeguate. Non si tratta di una tecnicia “leggera”: mantenere uno stato di conoscenza aggiornato senza degradare le prestazioni impone l’uso di hardware performante, possibilmente con accelerazione GPU, e strategie di gestione della memoria (VRAM) efficienti. Ma se il costo del riaddestramento cloud periodico viene sostituito da un consumo costante ma controllato on-premise, il TCO potrebbe risultare favorevole nel medio periodo, specie per carichi di lavoro con elevata variabilità.

Uno sguardo al futuro (e ai trade-off)

Con il nuovo capitale, Wakeline investirà nello sviluppo della piattaforma, nell’espansione del team e nelle prime attività commerciali trasversali a diversi settori. La promessa di un’AI che si evolve in presa diretta è seducente, ma restano aperti interrogativi tecnici: come garantire che l’apprendimento incrementale non introduca derive o dimenticanza catastrofica? Quali meccanismi di validazione servono per assicurare che il modello non peggiori con l’esperienza? E, soprattutto, per chi valuta deployment self-hosted, quali sono i requisiti hardware minimi?

AI-RADAR segue con attenzione queste tematiche perché toccano alcuni dei nodi centrali del deployment on-premise di AI: sovranità dei dati, controllo del modello e trasparenza degli aggiornamenti. L’approccio di Wakeline, se confermato dai fatti, potrebbe rappresentare un tassello in più per un ecosistema di AI indipendente dai grandi fornitori cloud, senza rinunciare a capacità adattive. Per ora, è un segnale importante di come la ricerca stia spingendo oltre i confini del “train-deploy-freeze” a cui siamo abituati.