Passando dai progetti etici di cui abbiamo discusso l’ultima volta al silicio vero e proprio, stiamo vedendo che la regolamentazione non è solo uno strato superficiale: sta diventando la base stessa del processo di addestramento. Mentre l’industria ha trascorso l’ultimo anno ad analizzare i fossati legali e i guardrail etici dell’IA, il vero “cantiere” — la fase di addestramento — sta subendo un cambiamento tettonico. Stiamo passando da un cloud globale e senza confini a una serie di fortezze nazionalizzate.
Una cosa è regolamentare l’output di un modello; un’altra è progettare il silicio e l’elettricità stessi che gli danno vita. In precedenza ho sostenuto che l’infrastruttura sovrana sia l’unico modo per sfuggire al ciclo di estrazione dei dati. Stiamo vedendo questo scenario realizzarsi ora con la spinta dell’UE per sette nuove “AI Factories” — cluster di calcolo dedicati, progettati per ancorare lo sviluppo dell’IA entro i confini europei.
Ma mentre passiamo dalla teoria dei cloud sovrani alla realtà dell’addestramento nazionalizzato, stiamo riscontrando un effetto di secondo ordine di cui pochi discutono: la balcanizzazione dei pesi.
I titoli dei giornali si concentrano sull’ovvio — lo sbalorditivo 3% dell’elettricità globale che l’IA consumerà entro il 2030 o i crescenti “scioperi dei dati” da parte dei detentori di proprietà intellettuale ad alta fedeltà che giustamente proteggono il proprio lavoro dal prelievo non autorizzato. Tuttavia, la conseguenza ingegneristica più profonda della combinazione di cluster di calcolo localizzati con rigidi decreti nazionali (come quelli adottati recentemente in Italia) è che non stiamo più costruendo un “Cervello Globale”. Stiamo costruendo intelligenze regionali che sono tecnicamente e legalmente incompatibili.
Quando addestriamo un modello in una AI Factory europea, governata da specifici vincoli etici e decreti sull’uso dei dati, non stiamo solo “pulendo” i dati; stiamo imprimendo i valori di una specifica giurisdizione nei pesi del modello attraverso modelli di ricompensa RLHF (Reinforcement Learning from Human Feedback) e protocolli di allineamento divergenti.
Questo crea quella che chiamo “latenza diplomatica”.
Uno studio recente ha evidenziato come i chatbot stiano già mostrando comportamenti divergenti, essendo spesso più critici verso i leader occidentali rispetto a quelli autoritari, a seconda della loro messa a punto dell’allineamento. Non si tratta solo di un problema di “bias” — è una divergenza strutturale nel DNA del modello. Se la provenienza dell’addestramento di un modello è conforme alla legge italiana ma utilizza una potenza di calcolo limitata da quote energetiche locali, quel modello diventa un asset “locale”.
L’effetto di secondo ordine qui è la fine della portabilità dell’IA.
In passato, il codice era codice. Oggi, i pesi di un modello stanno diventando una forma di barriera commerciale non tariffaria. Siamo di fronte a un lock-in architettonico in cui un modello non può essere esportato o integrato in sistemi globali senza uno “spostamento dell’allineamento” o un costoso ri-addestramento — processi che sono sia computazionalmente proibitivi che eticamente torbidi.
Ci stiamo muovendo verso un mondo in cui “Il Modello” non esiste. Avremo invece un panorama frammentato di “pesi legali” — rappresentazioni matematiche di ciò che un governo o una cultura specifica ritiene accettabile. Come ingegneri, la nostra sfida non riguarda più solo l’ottimizzazione di una funzione di perdita; si tratta di gestire l’attrito tra questi confini digitali. Stiamo costruendo l’infrastruttura per un mondo in cui la barriera più significativa per l’IA non è il fossato delle GPU, ma l’impronta geopolitica del data center in cui è nata.