L'indipendenza digitale e la sfida del 2%

Cosa accadrebbe se domani mattina i grandi player della Silicon Valley decidessero di interrompere l’accesso ai loro modelli? 

Non è un esercizio teorico, ma una domanda concreta per chi oggi ha integrato la Generative AI nei processi core. Se OpenAI, Anthropic o Google limitassero le proprie API, molte applicazioni entrerebbero in crisi nel giro di poche ore. 

Il punto non è più tecnologico. È strategico. 

Discutiamo di portare l’intelligenza artificiale al centro delle organizzazioni, ma raramente ne controlliamo davvero infrastruttura, dati e modelli. E quando una tecnologia diventa un fattore produttivo primario, la questione non è più il costo: è il controllo.

L’indipendenza tecnologica non si compra. Si costruisce. 

Significa governare l’intero stack: infrastruttura, dati, modelli, integrazione e competenze di dominio.
 
Senza potenza computazionale controllata, qualsiasi strategia AI resta vincolata a decisioni esterne. Per questo l’ecosistema infrastrutturale europeo sta diventando un tassello strategico: realtà come Intacture mostrano come sia possibile costruire capacità di training avanzate e sostenibili sul territorio, con un’attenzione crescente anche all’efficienza energetica. 

Ma l’infrastruttura è solo il primo livello. Il vero collo di bottiglia è nei dati.

La maggior parte dei modelli di linguaggio viene addestrata su corpus derivati dal web, in particolare da Common Crawl. 

Il problema è lo squilibrio linguistico. Oltre il 50% dei contenuti è in lingua inglese, mentre poco più del 2,4% dei dati (sia per il training che per i contenuti) utilizzati dai principali modelli oltreoceano è in italiano. (source https://commoncrawl.github.io/cc-crawl-statistics/plots/languages) 

Questo non è un dettaglio statistico: è un bias strutturale. 

Significa che i modelli non “pensano” in italiano, ma lo derivano da strutture linguistiche e culturali diverse. Il risultato è una perdita di precisione, sfumature e aderenza al contesto. 

Il dato grezzo non è un asset.

Lo diventa solo quando viene:

In Europa questo passaggio è decisivo: senza una pipeline di data governance avanzata, non esiste indipendenza reale nell’AI. 
Il valore non è nel dataset. È nella capacità di trasformarlo in conoscenza utilizzabile.

Qui entra in gioco un elemento spesso ignorato: la capacità di “leggere” il mondo. 
Molti modelli dipendono da infrastrutture di crawling esterne. Senza una base dati proprietaria, si finisce per consumare frammenti dell’ecosistema altrui. 

In questo contesto si inserisce Istella, che rappresenta uno dei pilastri più strategici dell’indipendenza AI. 

Parliamo di: 

Ma il punto non è la scala. È il controllo. 

Istella non è solo un crawler: è un’infrastruttura di acquisizione dati progettata per alimentare sistemi AI con una base informativa proprietaria.

Il vero vantaggio competitivo non è raccogliere dati, ma renderli utilizzabili. 

Il web è rumoroso, incoerente e spesso non conforme ai requisiti normativi europei. 

Per questo, insieme al CNR, sono state sviluppate pipeline proprietarie di data refinement che non si limitano al filtraggio, ma costruiscono dataset strutturati e affidabili. È qui che il dato diventa asset.

L’esperienza maturata in un importante progetto istituzionale evidenzia bene questa evoluzione. In una prima fase, l’agente AI è stato costruito utilizzando modelli generalisti forniti tramite hyperscaler. Il sistema ha dimostrato rapidamente valore operativo, ma sono emersi alcuni limiti strutturali: 

Un modello generalista può offrire prestazioni elevate, ma non è progettato per presidiare in modo ottimale un dominio critico e altamente specializzato. 

Da qui il passaggio chiave: il decoupling. Separare il livello di intelligenza dal provider esterno e costruire modelli verticali governati internamente, con maggiore controllo su costi, performance ed evoluzione del sistema. 

Il futuro dell’intelligenza artificiale, allora, non è generalista, ma verticale. 

I modelli costruiti su domini specifici non rappresentano soltanto un’evoluzione tecnica, ma un cambio di paradigma: sono più efficienti perché concentrano capacità e contesto; più controllabili perché riducono l’entropia del comportamento; più coerenti perché operano dentro confini semantici definiti; più affidabili perché rispondono a logiche di dominio, non a medie statistiche del web. Soprattutto, sono governabili da chi li possiede e li addestra. 

È qui che avviene il vero spostamento: l’intelligenza artificiale smette di essere un servizio esterno e diventa una capacità interna all’organizzazione. Non più un’API da interrogare, ma un asset cognitivo da costruire e far evolvere nel tempo.

In questo scenario, il vantaggio non nasce da un singolo componente tecnologico, ma dalla capacità di orchestrare una filiera completa. 

Infrastruttura, dati, modelli, integrazione, competenze e formazione non sono elementi separati, ma parti interdipendenti dello stesso sistema. Se uno solo di questi livelli è esterno o non governato, l’intero impianto perde indipendenza. 

Per questo l’ecosistema costruito da Deda e dai partner va letto non come somma di tecnologie, ma come tentativo di ricomporre una catena del valore end-to-end, in cui l’AI non è un servizio acquistato ma una capacità industriale gestita internamente.

Non a caso questa visione è stata recentemente formalizzata anche nell'ESS-AI Framework (European Secure & Sovereign AI), che definisce un'architettura pensata per presidiare l'intera filiera dell'intelligenza artificiale, dall'infrastruttura alle applicazioni.

L’intelligenza artificiale non è un software da adottare.

È una capacità da sviluppare. Il vero discrimine competitivo non sarà tra chi utilizza l’AI e chi non la utilizza, ma tra chi la subisce e chi la governa. 

E alla fine, la domanda resta inevitabilmente la stessa: 

La vostra AI è un asset controllato? 

Perché nel momento in cui diventa centrale nei processi, non è più soltanto una scelta tecnologica. È una scelta di indipendenza.