AI privata: la guida onesta, dal modello sulla scrivania alla farm da mille utenti

I migliori modelli open-weight hanno quasi chiuso il divario con i giganti chiusi. Questo cambia tutto per chi vuole un'intelligenza artificiale che pensi dentro il proprio perimetro: sanità, finanza, PA, manifattura, chiunque abbia dati che non possono uscire. Ma la narrazione racconta i benchmark e tace su due cose: quanto costa davvero, gradino per gradino, e cosa serve perché un modello in casa sia sovranità e non un far west privato. Questa guida racconta entrambe, con esempi per ogni taglia di organizzazione, dal professionista singolo all'azienda con più di 500 persone che lavorano in contemporanea.

Cosa è successo nel mondo open, in tre nomi

Tre anni fa "modello open" voleva dire un giocattolo per appassionati. A luglio 2026 vuol dire questo.

Kimi K3 (Moonshot AI, luglio 2026): 2.800 miliardi di parametri in architettura Mixture-of-Experts, contesto da un milione di token, visione nativa, pesi scaricabili da chiunque. Sull'indice indipendente più citato del settore è a circa tre punti dal miglior modello chiuso del mondo, e sui benchmark di coding agentico gioca alla pari con la frontiera. È, semplicemente, il miglior modello open mai rilasciato.

DeepSeek V4 (aprile 2026): licenza MIT senza vincoli d'uso commerciale, 1.600 miliardi di parametri nella versione Pro con 49 attivi per token, contesto da un milione, e un listino API che ha riscritto i prezzi mondiali. È il punto di equilibrio tra capacità e costo di erogazione: la versione Pro gira, al suo massimo e senza compressioni, in un singolo server a 8 GPU di ultima generazione.

Qwen (Alibaba): non un modello ma una famiglia che presidia ogni taglia, dai modelli piccoli che girano su un telefono o su una workstation fino ai fratelli maggiori da datacenter. È la dimostrazione che l'ecosistema open non è un evento isolato: è una filiera.

La conseguenza è che la domanda giusta è cambiata. Non è più "quanto è bravo il modello": a queste distanze, per la maggioranza dei casi d'uso aziendali, la differenza non si percepisce. La domanda è: dove pensano i tuoi dati?

Cosa significa davvero "AI privata"

AI privata significa che i pesi del modello vivono su un'infrastruttura che controlli: il tuo datacenter, o un cloud privato e sovrano gestito da un partner nel tuo perimetro giuridico. Le conseguenze pratiche sono quattro. I dati non attraversano confini: prompt, documenti e conversazioni non lasciano il perimetro, e questo per un ospedale, una banca o un ente pubblico non è una preferenza, è un obbligo. Nessuna dipendenza: niente rate limit altrui, niente modelli deprecati da un giorno all'altro, niente condizioni d'uso che cambiano. Costi che diventano struttura: hardware ammortizzabile ed energia al posto di una bolletta a consumo imprevedibile. E la possibilità di specializzare: fine-tuning sui propri dati, senza che quei dati istruiscano il modello di qualcun altro.

Fino a poco tempo fa questa scelta costava una qualità di seconda fascia. I numeri della sezione precedente dicono che non è più così: oggi la sovranità non si paga più con l'intelligenza. Si paga con l'infrastruttura, e qui serve onestà.

La scala onesta dei costi

"Open" fa sembrare che sia gratis, o quasi. Non lo è, e la confusione su questo punto produce progetti nati morti. La scala vera ha quattro gradini più uno.

Gradino 1: il singolo. Circa 4.000 euro

Un DGX Spark sulla scrivania, o una configurazione equivalente, fa girare bene modelli medi: gli open della fascia 20-120 miliardi di parametri, spesso quantizzati. Per un professionista, uno sviluppatore, un ricercatore è un piccolo laboratorio personale: prototipi, esperimenti, assistenza quotidiana su dati che non devono uscire dal proprio studio. Cosa non fa: i frontier open al loro massimo. Kimi K3 su una scrivania non ci sta, in nessuna versione onesta di questa frase.

Esempio concreto: un commercialista con l'archivio delle pratiche dei clienti può far girare in locale un modello medio per riassumere, cercare e classificare, con la certezza fisica che nemmeno un byte lasci lo studio. Per le punte di ragionamento complesso, le API pubbliche restano a disposizione per i contenuti non sensibili.

Gradino 2: l'ufficio. Da 15 a 60 mila euro

Una workstation AI seria, o un piccolo server con 2-4 GPU professionali, porta in azienda modelli importanti in versione quantizzata, o modelli medi in precisione piena, per un ufficio di 5-20 persone che lavorano con l'AI ogni giorno. È il gradino dello studio professionale strutturato, della software house, dell'ufficio tecnico.

L'onestà dovuta: la quantizzazione ha un prezzo in qualità. Le conversioni spinte dei modelli frontier dichiarano accuratezze relative attorno all'80%: per molti usi va benissimo, per altri no, e bisogna saperlo prima, non dopo il primo errore su un documento importante.

Gradino 3: l'azienda. Attorno ai 400 mila dollari

Un server a 8 GPU di ultima generazione è il primo gradino dove un modello frontier open gira al suo massimo, senza compressioni: DeepSeek V4-Pro in precisione nativa, in un singolo nodo, con un dimensionamento prudente attorno ai 100-150 utenti che lavorano in contemporanea. Tradotto in persone: un'organizzazione da 500-1.500 dipendenti con un uso quotidiano diffuso dell'AI. A questo si aggiungono energia (un nodo simile assorbe circa 14 kW di picco), raffreddamento, e la voce che tutti sottostimano: le competenze per farlo funzionare in produzione.

Gradino 4: la grande azienda. Milioni

Kimi K3 al suo massimo, o migliaia di utenti contemporanei su V4, vivono in una farm multi-nodo: decine di GPU interconnesse con reti dedicate, prefill e decode disaggregati, orchestrazione specializzata. Per 500 utenti contemporanei su K3 si parla di 7-8 nodi di fascia altissima; per 1.000, di 14-16, con potenze elettriche oltre i 200 kW e raffreddamento a liquido. È territorio da datacenter, con investimenti da 4 a 10 milioni di dollari di solo hardware e un team che sappia gestire l'inferenza distribuita di modelli a esperti. Le grandi organizzazioni che fanno questa scelta la fanno per una ragione strategica precisa: liberarsi da qualsiasi vincolo esterno e trattare l'intelligenza come un asset di proprietà, non come una fornitura.

Il gradino trasversale: la capacità sovrana in affitto

E poi c'è la verità che serve a tutti gli altri: sotto certi volumi, le API pubbliche costano meno del ferro, e chi racconta il contrario sta vendendo qualcosa. Ma tra "compro le API" e "compro la farm" esiste la via che il cloud ha già inventato trent'anni fa: la capacità in affitto, su infrastruttura privata e sovrana gestita da un partner. Con una differenza di misura che riteniamo decisiva: non a token, a persone. Un token non è un'unità di business: nessun direttore finanziario sa quanti gliene serviranno, quindi nessun direttore finanziario firma. "Cento persone che lavorano in contemporanea sul modello, dentro il perimetro, con uno SLA" è una frase che si mette a budget. È il modo in cui abbiamo imparato a comprare il cloud, applicato all'intelligenza.

Il far west privato: perché il modello non basta

Qui arriva la parte di cui si parla meno, ed è la ragione per cui esiste il nostro lavoro. Un modello potentissimo in casa, senza governo, non è sovranità: è un far west privato. Le domande che lo dimostrano sono concrete. Chi può interrogare il modello, e con quali dati? L'agente che risponde al commerciale può vedere le retribuzioni? Con che identità lavora un agente quando agisce per conto di una persona? Chi risponde di quello che gli agenti costruiti sopra il modello decidono di fare alle 4 di notte, quando eseguono i loro task autonomi? E quando qualcosa va storto, esiste un registro di cosa è stato modificato, da chi, e la possibilità di tornare indietro?

Il modello non risponde a nessuna di queste domande, perché non è il suo mestiere. È il mestiere del layer di governo, ed è esattamente quello che abbiamo costruito con AIsuru: identità verificate su ogni potere delicato (un token di autenticazione, mai un'email dichiarata), permessi default-deny (finché il proprietario non decide chi vede cosa, nessuno vede niente), credenziali cifrate che non transitano mai dal modello, audit di ogni modifica con la differenza registrata e la possibilità di annullare, e agenti che conoscono l'ambiente in cui vivono: sanno quali capacità hanno attive, quali regole valgono, cosa è loro permesso. La tenacia degli agenti autonomi, governata, diventa un mestiere; senza governo, diventa improvvisazione.

Le certificazioni: cosa significano davvero, una per una

"Siamo certificati" è una frase che si legge ovunque e non dice niente. Vale la pena spiegare cosa certifica cosa, perché per un'azienda che deve scegliere un fornitore di AI queste sigle sono la differenza tra una promessa e un audit di parte terza.

ISO/IEC 27001 è lo standard dei sistemi di gestione della sicurezza delle informazioni: certifica che l'organizzazione ha un processo strutturato e verificato per identificare i rischi sulla sicurezza, trattarli e migliorare nel tempo. Non è "abbiamo il firewall": è "un ente indipendente ha verificato come gestiamo la sicurezza, ogni anno".

ISO/IEC 27017 e 27018 sono le sue estensioni per il cloud: la prima aggiunge i controlli specifici dei servizi cloud (responsabilità condivise tra fornitore e cliente, segregazione degli ambienti), la seconda protegge specificamente i dati personali trattati nel cloud, con impegni verificati su come vengono usati, dove risiedono, come si cancellano. Per un cliente europeo con il GDPR sulle spalle, sono le sigle che trasformano "fidati" in "verificato".

ISO 9001 è la gestione della qualità: processi documentati, non ripetibilità artigianale. Sembra la più scontata ed è quella che i clienti enterprise controllano per prima nei fornitori piccoli, perché misura se l'azienda sopravvive alle proprie persone chiave.

ISO/IEC 42001 è la più recente e la più importante per questo articolo: è il primo standard internazionale sui sistemi di gestione dell'intelligenza artificiale. Certifica che l'organizzazione governa il ciclo di vita dei propri sistemi AI con un processo verificabile: valutazione dei rischi e degli impatti dell'AI, ruoli e responsabilità definiti, controllo dei dati e dei modelli, monitoraggio continuo, gestione degli incidenti. In un mercato dove chiunque si dichiara "AI-first", la 42001 è il modo di dimostrare con un audit indipendente che l'AI non è solo usata ma governata. Ed è anche il ponte naturale verso gli obblighi di accountability dell'AI Act europeo: chi ha un sistema di gestione 42001 ha già la struttura per dimostrarne il rispetto.

NIS2, infine, non è una certificazione ma una direttiva europea sulla cybersecurity, con obblighi stringenti per i soggetti essenziali e importanti e, punto cruciale, per le loro catene di fornitura. Se la vostra azienda ricade nella NIS2, i vostri fornitori digitali diventano parte del vostro rischio: un fornitore di AI conforme NIS2 è un fornitore che potete inserire nella supply chain senza creare un buco nel vostro stesso adempimento.

Il percorso di conformità di Memori comprende le certificazioni ISO citate, tra cui la ISO/IEC 42001, e la conformità NIS2. Non le raccontiamo come medaglie: le raccontiamo perché sono la risposta documentata alle domande della sezione precedente. Il far west non si chiude con le promesse, si chiude con gli audit.

Gli esempi, taglia per taglia

Il professionista singolo

Un consulente, un avvocato, un medico. Il gradino giusto: modelli medi in locale per i dati sensibili, oppure un agente AIsuru su cloud sovrano con la propria conoscenza. Cosa costruisce: l'archivio delle pratiche con Persistence, lo scadenzario che ogni mattina prepara la lista della giornata con Scheduler, il riassunto dei documenti in entrata. Un esempio già in produzione con questa forma: l'archivio personale con schede e copertine caricate da form, nato in conversazione con il Vibe Coder. Ordine di grandezza della spesa: da poche centinaia di euro l'anno in modalità servizio, ai 4.000 del laboratorio in locale.

L'ufficio: 10-50 persone

Uno studio strutturato, una PMI, un'agenzia. Il gradino giusto: tenant su cloud privato sovrano, con la capacità misurata sulle persone che lavorano in contemporanea (per un ufficio così, tipicamente 10-25). Cosa costruiscono: il coordinamento dei calendari del team con la dashboard collettiva e la vista personale per ciascuno; il registro delle ore con form e timesheet; il ticketing con il layout pubblico per i clienti. Sono, alla lettera, tre applicazioni già nate in produzione con la Suite AIsuru, in conversazione e senza una riga di codice. La governance qui è semplice ma non opzionale: chi vede le ore di chi, chi può costruire, chi amministra.

L'azienda: 100-250 persone in contemporanea

Una manifattura, un gruppo di servizi, una realtà da 500-1.500 dipendenti. Il gradino giusto: un nodo dedicato (proprio o in private cloud) con un frontier open al massimo, più il layer di governo. Cosa girano: i processi agentificati veri. L'approvazione delle fatture che arrivano come allegati in una casella condivisa, con l'estrazione del testo dai PDF e il flusso di approvazione tracciato. La revisione documentale ISO che lavora due volte al giorno sul documento più vecchio in attesa e pubblica il catalogo aggiornato: 82 documenti sotto custodia di un agente, nel nostro caso reale. L'analisi dei log dei macchinari da estrazioni Excel enormi, con i numeri calcolati e non stimati. Qui le certificazioni del fornitore smettono di essere un dettaglio da capitolato e diventano il prerequisito: è la taglia in cui l'ufficio acquisti chiede la 27001 e il DPO chiede la 27018, e in cui la 42001 fa la differenza tra due offerte simili.

La grande azienda: 500 e più persone in contemporanea

Un gruppo bancario, una utility, una sanità regionale, un grande gruppo industriale. Qui i numeri della scala parlano da soli: farm multi-nodo, milioni di investimento o un contratto di capacità sovrana con un partner di datacenter, potenze da 200 kW in su. Ma la vera differenza a questa taglia non è l'hardware: è il parco modelli e la sua governance. Un'organizzazione così non avrà un modello: ne avrà diversi, per costi, lingue e casi d'uso, e li cambierà nel tempo, perché ogni sei mesi esce di meglio. Avrà agenti che parlano con l'ERP e con i sistemi di filiera, identità che attraversano le catene di agenti senza scavalcare i permessi, audit che regge un'ispezione. È la scommessa architetturale di AIsuru: essere il layer che governa qualunque modello ci sia sotto, così che cambiare il motore non richieda mai di riscrivere le regole. Il modello si sostituisce; la governance, la conoscenza e le applicazioni degli agenti restano.

Come scegliere il gradino: cinque domande

Prima dei preventivi, rispondete a queste. Quali dati devono restare nel perimetro, per obbligo o per strategia? Quante persone useranno l'AI in contemporanea nell'ora di punta (non quanti dipendenti avete: quanti insieme)? Avete in casa le competenze per gestire inferenza distribuita, o le comprate col servizio? I vostri clienti o regolatori vi chiedono certificazioni di filiera (27001, NIS2) che i fornitori devono soddisfare? E infine: il vostro caso d'uso ha davvero bisogno del massimo assoluto, o un modello di un gradino sotto, governato bene, fa il lavoro a un quinto del costo? L'ultima domanda è quella che nessun venditore vi farà, ed è quella che vale di più.

Da dove cominciare

Il modo più rapido per capire il proprio gradino non è un capitolato: è vedere i propri processi dentro questa architettura. Scriveteci a demo@memori.ai con oggetto DEMO SUITE: costruiamo la demo sui vostri casi, con i vostri vincoli di sovranità, e ne esce anche la risposta onesta alla domanda sul gradino, compresa l'eventualità che per voi, oggi, il gradino giusto sia più piccolo di quello che pensavate.

L'intelligenza si scarica. La fiducia si costruisce. E si certifica.