AI, quanto controlliamo i “mezzi produzione” del nostro futuro?

Adesso persino un’azienda AI americana vicina al Governo Trump assume toni vicini ai concetti di sovranità digitale, finora cari solo in Europa.

Palantir ha chiuso il secondo trimestre del 2026 con ricavi quasi raddoppiati e ha usato il risultato per aprire un fronte contro i laboratori che sviluppano grandi modelli di intelligenza artificiale.

Nella lettera agli azionisti, l’amministratore delegato e filosofo Alex Karp ha accusato quei fornitori di puntare, consapevolmente o meno, al controllo dei «mezzi di produzione» dei clienti. Karp arriva persino a citare Marx.

C’è dietro in realtà un tema a cui tutte le aziende oggi dovrebbero guardare: chi governa dati, istruzioni, workflow e contesto aziendale quando l’AI entra nei processi essenziali.

Quanto è grande il rischio che l’azienda stia cedendo le chiavi del controllo (i “mezzi di produzione”) alle big tech dei modelli AI?

I numeri danno alla posizione di Karp una cassa di risonanza notevole. Nel trimestre chiuso il 30 giugno, Palantir ha comunicato ricavi per 1,94 miliardi di dollari, in aumento del 93% su base annua, e un utile netto di circa 1,1 miliardi. Negli Stati Uniti i ricavi commerciali sono saliti del 149%, a 764 milioni, mentre quelli governativi – Palantir offre servizi AI strategici all’esercito – hanno raggiunto 809 milioni, con una crescita del 90%. La società ha inoltre alzato la previsione di fatturato 2026 a un intervallo compreso fra 8,150 e 8,158 miliardi di dollari.

Il successo di Palantir conferma il punto sul controllo dei mezzi di produzione.

Imprese e amministrazioni stanno pagando per trasformare i modelli in sistemi utilizzabili, collegati ai dati interni e sottoposti a regole operative. È proprio il livello sul quale Palantir ha costruito la propria offerta. In contrapposizione a OpenAI e Anthropic.

Quanto siamo esposti al lock-in AI?

Palantir e il controllo del know-how aziendale

La tesi di Karp parte da una distinzione spesso trascurata. Un modello fornisce capacità generali; il valore economico nasce quando quelle capacità ricevono dati aggiornati, autorizzazioni, tassonomie, istruzioni, esempi, vincoli e accesso ai processi. Questo insieme descrive il modo in cui un’organizzazione lavora. Comprende anche una quota del suo vantaggio competitivo.

Palantir definisce parte di questo patrimonio «AI exhaust»: prompt, configurazioni di orchestrazione e contesto generato durante l’uso. Il termine è interessato, perché serve a differenziare la sua Artificial Intelligence Platform, Aip, dai produttori dei modelli. Individua comunque un oggetto che i responsabili tecnologici devono saper localizzare, proteggere ed esportare.

Il rischio comprende la copia di file e l’addestramento sui dati del cliente, ma si estende alla struttura operativa costruita intorno al modello. Un fornitore può diventare difficile da sostituire perché incorpora nella propria piattaforma le catene di prompt, le valutazioni, i connettori, i profili di autorizzazione e la logica che collega le risposte alle azioni. La migrazione richiede allora di ricostruire una parte del sistema operativo informativo dell’impresa.

Su questo terreno Palantir propone un’architettura capace di usare modelli diversi sopra un livello comune di dati, semantica, sicurezza e audit. La promessa commerciale è chiara: il cliente può cambiare modello senza ricostruire ogni integrazione e mantiene il controllo sul contesto.

Il grado effettivo di portabilità dipende però da contratti, formati, interfacce e componenti proprietari impiegati in ciascun progetto. Anche una piattaforma dichiaratamente indipendente dai modelli può generare una propria forma di dipendenza.

Mistral: la sovranità passa anche dalla portabilità

Questa filosofia non è esclusiva Palantir, attenzione; anzi: se Palantir mette in guardia contro il rischio che pochi fornitori di LLM si approprino dei “mezzi di produzione” dell’economia dell’AI, la francese Mistral associa portabilità e libertà di scelta.

Mistral ha costruito la propria strategia su modelli aperti o con pesi aperti, distribuibili su cloud diversi, infrastrutture on-premise e ambienti privati. L’obiettivo non è soltanto offrire un’alternativa europea a OpenAI o Anthropic, ma consentire alle organizzazioni di evitare il lock-in tecnologico e di mantenere il controllo su dati, applicazioni e agenti AI.

Non a caso Mistral insiste sul concetto di “frontier AI in your environment”: il valore non deriva esclusivamente dal modello, ma dalla possibilità di eseguirlo dove l’impresa ritiene più opportuno, integrandolo con i propri sistemi e sostituendolo nel tempo senza dover riprogettare l’intera architettura.

Questa impostazione si allinea con la visione della Commissione europea sulla sovranità digitale. L’autonomia strategica, infatti, non significa necessariamente sviluppare ogni tecnologia in Europa, ma conservare il controllo operativo sulle componenti essenziali dell’infrastruttura digitale. In quest’ottica, la portabilità dei modelli, l’interoperabilità delle piattaforme e l’assenza di vincoli verso un singolo fornitore diventano elementi tanto importanti quanto le prestazioni del modello stesso.

Oggi stanno emergendo quindi tre scuole di pensiero.

• OpenAI, Anthropic e Google puntano a costruire piattaforme AI sempre più integrate, nelle quali modelli, agenti, cloud e strumenti di sviluppo convergono in un unico ecosistema.
• Palantir sostiene che il controllo debba restare al cliente: l’orchestrazione dei processi è più importante del modello, che deve poter essere sostituito.
• Mistral porta questa filosofia un passo oltre, sostenendo che anche il modello debba essere portabile, interoperabile e distribuibile su qualsiasi infrastruttura

Il rischio va oltre l’addestramento dei modelli

L’accusa di Karp di trasferimento del know-how richiede una distinzione. OpenAI dichiara di non usare per l’addestramento, per impostazione predefinita, i dati dei servizi business e delle interfacce di programmazione.

Anthropic adotta un’impostazione analoga per i prodotti commerciali, salvo consensi o condizioni specifiche. Contratti, configurazioni e tipologia di servizio restano decisivi, ma l’idea di un prelievo automatico e generalizzato dei dati aziendali non descrive le policy dichiarate dai principali operatori.

La questione industriale resta aperta anche senza training.

Un’impresa può consegnare al fornitore un flusso continuo di segnali sul proprio funzionamento: quali domande vengono poste, quali documenti sono recuperati, quali risposte vengono corrette, quali attività sono automatizzate e dove si concentrano errori o colli di bottiglia. Le clausole sulla riservatezza riducono il rischio di uso improprio; architettura e procurement devono affrontare conservazione, telemetria, accessi dei subfornitori, residenza dei dati, cancellazione, audit e uscita dal contratto.

C’è poi la sovrapposizione competitiva. I laboratori stanno costruendo strumenti e servizi applicativi oltre ai modelli di base. Per un cliente attivo nello stesso mercato, la tutela della proprietà intellettuale comprende quindi separazione dei dati, limiti d’uso e possibilità di verificare il rispetto degli accordi. Le imprese possono continuare a usare i modelli più avanzati trattandoli come componenti sostituibili entro un’architettura governata.

Come ridurre il lock-in dell’AI enterprise

Per i decisori aziendali, il controllo può essere tradotto in requisiti verificabili. I dati aziendali e gli indici usati per il retrieval devono restare in ambienti con autorizzazioni coerenti con i sistemi di origine. Prompt di sistema, regole di orchestrazione, dataset di valutazione e log vanno versionati in formati esportabili. Le applicazioni dovrebbero separare, dove possibile, il livello dei modelli da quello dei processi, così da confrontare fornitori diversi su qualità, latenza, costo e requisiti di sicurezza.

I contratti devono specificare finalità d’uso, tempi di conservazione, localizzazione, subfornitori, procedure di cancellazione e assistenza alla migrazione. Servono inoltre test periodici di sostituibilità: cambiare modello in un ambiente controllato permette di misurare quanta parte della soluzione dipende davvero dal fornitore e quanta risiede nei dati e nelle competenze dell’organizzazione.

Anche il controllo umano va progettato. Le autorizzazioni concesse a un sistema AI devono essere proporzionate all’azione, con tracciamento delle decisioni, separazione dei ruoli e possibilità di interrompere i workflow. La governance diventa così una proprietà dell’architettura e del processo di acquisto, invece di una dichiarazione generale del vendor.

I conti di Palantir mostrano quanto valore il mercato attribuisca ormai a questo livello intermedio fra modelli e operazioni.

Per Mistral e, ancora di più, la nostra Europa passa da qui la via – più importante e strategica – di una sovranità digitale. Ossia, più in generale, il controllo sulle leve del nostro futuro economico.