Dietro l’intelligenza artificiale non c’è il cloud ma una gigantesca infrastruttura fisica fatta di chip, memorie e data center. Mentre le Big Tech americane investono centinaia di miliardi di dollari nella corsa ai modelli sempre più grandi, emerge un problema strutturale: la dipendenza da componenti strategici come le memorie ad alta banda (HBM), prodotte quasi esclusivamente da SK Hynix, Samsung e Micron. Senza di esse i chip avanzati non riescono a spostare i dati abbastanza velocemente per sfruttare tutta la loro potenza di calcolo, un po’ come se una formula 1 fosse costretta a girare per le vie di una città piuttosto che in pista.

Nella corsa globale all’Intelligenza Artificiale l’Europa, che non dispone di una filiera competitiva di chip avanzati o di HBM, parte da una posizione che rende difficile competere sul terreno dell’hardware.

Bulimia da silicio

Al cuore di questo sistema c’è una logica che potremmo chiamare “bulimia da silicio”: più parametri, più chip, più energia, migliori risultati. I grandi laboratori di ricerca, da OpenAI ad Anthropic, da Google a Meta, hanno costruito la propria reputazione su modelli sempre più grandi, che richiedono infrastrutture sempre più costose e energivore.

L’esempio più lampante è forse rappresentato da Claude Mythos, il sistema annunciato nel mese di aprile 2026 da Anthropic, focalizzato sulla cybersecurity avanzata. Al suo lancio Mythos ha esibito risultati impressionanti nell’individuazione di vulnerabilità software particolarmente complesse, dimostrando capacità che fino a pochi mesi fa sarebbero sembrate fantascienza.

Tuttavia, l’altra faccia della medaglia è un costo energetico e infrastrutturale esorbitante: un modello immenso a altissimo consumo energetico, blindato in data center dedicati per ragioni di sicurezza e accessibile solo a pochissimi partner.

Inoltre, una fetta crescente della comunità scientifica e degli sviluppatori indipendenti ha iniziato a contestare l’approccio dei “monster models”, sostenendo che la forza bruta non sia la soluzione più efficiente.

Una delle analisi più solide e pragmatiche è arrivata dal laboratorio AISLE, guidato dal ricercatore Stanislav Fort: il suo gruppo ha infatti sostenuto che programmi di intelligenza artificiale più piccoli e gratuiti possono scovare gli stessi difetti individuati da Mythos, purché operino in collaborazione con un esperto umano che sappia indirizzarne l’analisi.

Nonostante necessitino di un intervento umano, la critica ai sistemi monster resta reale: l’incredibile capacità di analisi esibita dai modelli più costosi non è necessariamente il prodotto della sola forza bruta computazionale.

DeepSeek: un caso controcorrente

Una prova che esista un’alternativa realizzabile è arrivata dalla Cina, con il debutto del modello sviluppato dalla startup DeepSeek. Colpita duramente dalle sanzioni e dalle restrizioni imposte dagli Stati Uniti, che le impediscono di acquistare i chip Nvidia più avanzati, Pechino ha dovuto fare di necessità virtù.

Non potendo competere sulla quantità del “ferro” (l’hardware), gli ingegneri cinesi hanno deciso di competere sulla qualità del “cervello” (il software).

I numeri dietro questo exploit sono impressionanti. L’investimento dell’azienda per posizionarsi sul mercato è stato stimato nell’ordine di grandezza del miliardo di dollari, una frazione minuscola rispetto ai piani da oltre 100 miliardi dei colossi statunitensi.

Inoltre, secondo i dati di DeepSeek, il costo computazionale di un singolo ciclo di addestramento scende a circa 6 milioni di dollari, a fronte dei 100 milioni stimati per GPT-4, pur offrendo prestazioni paragonabili al rivale statunitense.

Il segreto risiede nell’efficienza algoritmica della struttura nota come Mixture of Experts (MoE): invece di attivare l’intera, mastodontica griglia di chip del data center per rispondere a una singola domanda (l’approccio tipico dei modelli di IA), il software cinese attiva solo una piccolissima parte di chip specializzati per quella specifica risposta.

Per intenderci, è la differenza che passa tra l’assegnare a tutti i dipendenti di un ufficio il compito di esaminare e rispondere a una singola e-mail, piuttosto che affidare quella stessa richiesta allo specialista di quell’argomento.

L’interesse suscitato da questa strategia è evidente sul piano finanziario: la startup, inizialmente sostenuta da investimenti limitati, starebbe finalizzando, proprio in queste settimane, un maxi-round da 7,4 miliardi di dollari. Un segnale che il mercato considera l’efficienza algoritmica una strada credibile per competere nell’industria della IA.

L’open source: un ecosistema di vantaggi diffusi

Questo successo poggia le sue fondamenta sulla strategia dell’open source, una scelta che ha generato benefici a cascata per l’intera catena del valore.

Deepseek ha rilasciato gratuitamente il codice del suo sistema e ha spostato le fonti di guadagno sui servizi Cloud: l’intelligenza artificiale in sé è gratis, ma i clienti pagano per utilizzare la potenza di calcolo dei suoi server.

Il rilascio gratuito del codice si è tradotto in un’operazione immediata di marketing globale a costo zero, mentre l’azienda beneficia del lavoro di ricerca di milioni di sviluppatori esterni che testano i modelli e ne creano versioni ottimizzate.

La diffusione accessibile del codice, inoltre, si è trasformata in uno scudo geopolitico che ha reso difficile bloccarne la penetrazione nel mercato.

Gli sviluppatori esterni apprezzano molto la natura aperta di questo sistema: in particolare, l’accesso alla struttura interna del modello permette personalizzazioni spinte su dati riservati, come codici o database aziendali, per creare assistenti specializzati da integrare direttamente negli ambienti della clientela.

Il riflesso sugli utenti finali è dirompente in termini di efficienza, ma anche di conformità regolatoria. Potendo installare il modello sui propri server privati, le imprese risolvono alla radice i nodi legati alla privacy e al GDPR, poiché i dati sensibili non vengono mai inviati a server esterni.

Queste dinamiche hanno contribuito a ridurre i prezzi di mercato e, al tempo stesso, hanno attenuato il rischio di vendor lock-in per i clienti. Un’azienda che adotta questo modello, infatti, non dipende più dai cambi di tariffa o dall’eventuale chiusura del fornitore: l’architettura scaricata continuerà a funzionare per sempre sulle proprie macchine, abilitando, persino, l’esecuzione offline sui dispositivi locali.

Sebbene DeepSeek sia percepita come paladina dell’open source, ha creato comunque una zona di sicurezza per il suo prodotto: l’azienda ha rilasciato i parametri del modello e l’architettura, ma non ha mai pubblicato i dati di addestramento completi, né le formule di filtraggio dei dati. Questo è un comportamento comune a quasi tutti i progetti open source nel campo della IA, motivato sia da segreti industriali che da normative nazionali sul controllo dei contenuti.

La scelta europea: ottimizzare o rincorrere

La bulimia da silicio della Silicon Valley non sembra un destino tecnologico, ma una scelta economica, che ha preferito la forza bruta, anche come barriera d’entrata a possibili competitors, allo sviluppo di tecniche di ottimizzazione.

Questo scenario dischiude una riflessione profonda sul destino economico e tecnologico dell’Europa.

Il Vecchio Continente si trova in una posizione scomoda ma non priva di opportunità: siamo rimasti indietro nella manifattura di chip, ma rincorrere la Silicon Valley sul terreno dell’hardware potrebbe essere una strategia rischiosa.

L’esperienza di Deepseek e la critica al ricorso a modelli monster sembrano suggerire che una strategia alternativa possa essere la via della ricerca dell’ottimizzazione computazionale.

Se accettasse questa visione, l’Europa dovrebbe adottare un nuovo paradigma nella ricerca della propria sovranità digitale. La Commissione Europea e i governi nazionali dovrebbero avere il coraggio di una svolta politica: un cambio di rotta necessario anche alla luce del neonato Cloud and AI Development Act (CADA), presentato dalla Commissione Europea il 3 giugno 2026. Il provvedimento, pur muovendosi nella giusta direzione della sovranità infrastrutturale, concentra infatti la sua attenzione sull’espansione della capacità fisica dei data center anziché sul finanziamento del software.

Bruxelles dovrebbe quindi riequilibrare gli investimenti destinati alla manifattura di chip e all’infrastruttura fisica, riservando parte delle risorse del European Chips Act, del Digital Europe Programme e dei futuri stanziamenti del CADA alla ricerca sull’ottimizzazione algoritmica, sul design del software e sugli ecosistemi open source.

Solo premiando l’ingegno computazionale rispetto alla forza bruta energetica, Bruxelles potrà trasformare la sua storica dipendenza hardware dagli Stati Uniti in una leadership globale del software.

La Cina con DeepSeek ha dimostrato che la via è percorribile; l’Europa ha ancora il tempo e tutte le ragioni per dimostrarlo a sé stessa e al mondo intero.