AI, il vantaggio non è possederla ma saperla usare su scala

Nel dibattito sull’intelligenza artificiale, la sovranità tecnologica viene spesso letta come controllo diretto di infrastrutture, modelli e dati. Un obiettivo che si scontra con un limite concreto: per la maggior parte dei Paesi, costruire e mantenere nel tempo un sistema AI completamente autonomo richiede risorse difficili da sostenere.

Sovranità AI e limiti della filiera nazionale

Molti governi hanno investito risorse significative nell’idea di controllare l’intera filiera dell’intelligenza artificiale. L’Australia ha finanziato un modello linguistico “nazionale”. La Germania ha stanziato quasi 10 miliardi di euro per attrarre una fabbrica di semiconduttori avanzati a Magdeburgo. L’India ha assemblato un cluster GPU pubblico da oltre 60.000 unità. Tuttavia, questi esempi mostrano quanto sia difficile ottenere capacità competitive autosufficienti. Il progetto Intel in Germania è stato cancellato prima ancora di partire. Il modello australiano dipende da hardware, dati e infrastrutture globali per restare competitivo. Il cluster indiano rimane una frazione delle capacità che un singolo operatore privato gestisce in routine: Microsoft ha acquistato circa 485.000 GPU nel solo 2024, un ordine di grandezza che evidenzia quanto sia difficile per una entità nazionale raggiungere le economie di scala dei principali hyperscaler.

Il costo degli investimenti, il fabbisogno energetico e la scala necessaria per restare competitivi rendono fragile qualsiasi strategia basata su capacità proprietarie lungo tutta la catena del valore. Il controllo verticale e completo dello stack AI si è già dimostrato fuori portata per la grande maggioranza dei Paesi ed economia mondiali, sintonizzando la domanda non tanto su come possedere l’AI, ma su come usarla.

Il valore dell’AI passa dall’adozione, non dal possesso

Il Fondo Monetario Internazionale stima, infatti, che un’adozione efficace possa generare un incremento del PIL globale del 4% nel prossimo decennio (una cifra paragonabile all’intera economia tedesca). Il valore dell’AI non si genera nel momento in cui un paese addestra un modello, ma quando quel modello entra nei processi reali: nelle fabbriche, negli ospedali, negli uffici pubblici, nelle PMI.

Senza diffusione reale, questi investimenti restano isolati e difficili da sostenere nel tempo. Per la maggior parte delle economie, la vera priorità è mettere quindi impresa e istituzioni nelle condizioni di utilizzare l’AI in modo affidabile, sicuro e su scala, producendo così sia vantaggio competitivo che valore economico. Se il valore economico deriva dall’adozione, allora la domanda non è chi possiede il modello, ma chi riesce a usarlo al meglio.

La resilienza AI tra capacità condivise e investimenti globali

Su questo terreno, l’Europa offre indicazioni concrete. Il programma EuroHPC ha costruito capacità computazionale condivisa, i supercomputer LUMI in Finlandia e Leonardo in Italia, accessibile a ricerca, PMI e agenzie pubbliche, senza dover replicare le economie di scala degli hyperscaler. È una base di capacità reale utilizzabile oggi, che forma competenze e abbassa le barriere all’adozione. I risultati si misurano anche nei flussi di investimento: tra il 2024 e il 2025, l’Europa ha attratto oltre 123 miliardi di dollari di investimenti internazionali in AI, diventando il principale destinatario globale. È la dimostrazione che la resilienza non si costruisce isolandosi, ma rafforzando le proprie capacità interne e integrandosi in modo strategico nelle catene globali del valore.

Lo stesso principio vale sul lato della domanda. Il Brasile ha destinato circa il 65% del proprio programma nazionale sull’AI (4,3 miliardi di dollari complessivi) a progetti di innovazione e formazione per le imprese, puntando a generare guadagni di produttività nell’economia reale prima ancora di investire in ricerca pura. La Corea del Sud ha introdotto voucher fino a circa 140.000 dollari per facilitare l’adozione da parte delle PMI in settori prioritari. In entrambi i casi, l’obiettivo è la diffusione della tecnologia. Tra il 2016 e il 2025, gli investimenti diretti esteri nell’AI sono cresciuti di circa 200 volte a livello globale: il segnale che chi costruisce le condizioni per attrarre e integrare tecnologia compete quanto chi cerca di produrla in autonomia.

Le strategie più efficaci da un lato, garantiscono che i workload più sensibili possano essere eseguiti localmente, in linea con regole e requisiti nazionali; dall’altro, costruiscono accesso a capacità globale attraverso partnership e investimenti mirati.

Le quattro leve della resilienza AI secondo BCG

La resilienza dell’AI, d’altro canto, non è un concetto astratto. Nel report For Most Countries, AI Sovereignty Is an Illusion. Resilience Is Real. del BCG Institute assume un significato operativo preciso: la capacità di utilizzare, adattare e governare sistemi di intelligenza artificiale in modo affidabile nel tempo, anche in presenza di vincoli esterni o shock normativi geopolitici o commerciali.

Infrastruttura locale per i carichi sensibili

Si costruisce su quattro leve. La prima è l’infrastruttura: non replicare gli hyperscaler globali, ma garantire che i carichi di lavoro più sensibili possano essere eseguiti localmente, in conformità con le normative nazionali e con costi prevedibili. Una capacità di calcolo domestica, anche parziale, riduce la dipendenza da ambienti esterni e crea le condizioni perché imprese e istituzioni possano adottare con maggiore autonomia.

Fiducia e standard per accelerare l’adozione

La seconda leva riguarda fiducia e standard. L’adozione accelera quando esistono criteri chiari per testare, validare e governare i sistemi AI. L’incertezza su come un modello si comporta in contesti regolamentati è uno dei freni principali all’integrazione. Framework operativi e strumenti di verifica concreti trasformano la fiducia da principio dichiarato a condizione pratica.

Domanda, incentivi e integrazione nelle PMI

La terza è l’adozione stessa. Anche le migliori infrastrutture restano sottoutilizzate se non si interviene sulla domanda. In molti contesti, soprattutto dove il costo del lavoro è relativamente basso, le imprese tendono a rimandare gli investimenti. Programmi mirati, sussidi, voucher, co-finanziamenti, riducono i costi iniziali e attivano l’integrazione nei processi reali, in particolare nelle PMI.

Partnership per trasformare l’interdipendenza

La quarta leva sono le partnership. Nessun paese può eliminare le interdipendenze nella filiera dell’AI. La sfida è trasformarle da vulnerabilità a scelta strategica: accedere a capacità globali diversificando fornitori e investimenti, mantenendo al tempo stesso controllo su dove risiedono i dati e come vengono utilizzati i sistemi.

Governare le dipendenze nell’AI senza isolarsi

Costruire queste condizioni richiede però un design delle dipendenze. Il caso del Dipartimento del Commercio degli Stati Uniti, che ha introdotto restrizioni all’accesso ad alcune tecnologie e servizi AI per cittadini stranieri attraverso controlli sulle esportazioni ci ricorda che affidarsi passivamente a un singolo provider globale può esporre a rischi imprevisti di discontinuità operativa. Diversificazione dei provider, residenza dei dati, clausole di continuità: sono i termini con cui un’interdipendenza diventa una scelta strategica invece che una vulnerabilità.

L’interdipendenza nell’AI è strutturale. Nessun Paese la eliminerà e tentare di farlo ha già dimostrato i propri limiti. La partita si gioca nella capacità di governare le dipendenze, di diffondere la tecnologia e di mantenere continuità operativa quando le regole cambiano altrove. Produrre i modelli migliori non necessariamente genera valore per i Paesi di produzione, lo fa diffondere e usare questi modelli in modo stabile e su scala. L’AI premierà di più chi saprà usarla meglio. Questo non significa rinunciare a investimenti strategici in infrastrutture, ricerca o capacità industriali, ma riconoscere che, da soli, non bastano a costruire un vantaggio competitivo.