L'annuncio è di una riga: Memori è membro del NVIDIA Partner Network (NPN). Quello che c'è dietro è più lungo, e vale la pena raccontarlo per intero: una scala di installazioni già collaudata e pubblicata, modelli ottimizzati che si servono dentro il perimetro del cliente, e un'infrastruttura di governance che resta identica qualunque sia il motore.

Le adesioni ai programmi partner, di solito, si annunciano con un logo sul sito e finiscono lì. Questa preferiamo raccontarla al contrario: prima il lavoro, poi il badge. Perché l'ingresso nel NVIDIA Partner Network non è l'inizio di qualcosa: è la formalizzazione di un modo di costruire AI privata che pratichiamo da tempo, nelle installazioni on-premise di AIsuru, con i microservizi NVIDIA NIM™ a servire i modelli e la nostra piattaforma a governare tutto il resto.

La divisione dei compiti

La collaborazione funziona perché i ruoli sono netti. Da una parte il motore: GPU NVIDIA e microservizi NIM, cioè modelli di AI generativa ottimizzati, impacchettati e pronti a essere serviti dove servono, con latenze da produzione. Dall'altra tutto quello che trasforma un motore in un sistema di cui un'azienda può rispondere: identità e permessi verificati su ogni azione, credenziali cifrate che al modello non arrivano mai, accesso controllato ai sistemi, orchestrazione degli agenti, tracciabilità completa.

È la divisione che ripetiamo come un mantra, perché è l'architettura stessa: il modello propone, l'infrastruttura dispone. NIM rende eccellente la parte che propone. AIsuru resta responsabile della parte che dispone.

Il lavoro che c'era già: una scala collaudata e pubblicata

Non partiamo da una dichiarazione d'intenti: partiamo da benchmark pubblicati. Nei mesi scorsi, insieme a Lenovo e ad Araneum Group, abbiamo testato AIsuru su una scala di configurazioni on-premise, dai sistemi da scrivania ai server di reparto, e i report tecnici di quei collaudi sono stati pubblicati anche su Il Sole 24 Ore.

La scala, in sintesi, copre tre taglie di esigenza. La workstation per il team ristretto, dove un gruppo di lavoro tiene i propri agenti e i propri dati letteralmente sotto la scrivania. La workstation di fascia alta per il reparto, che regge decine di utenti con modelli di dimensioni importanti. E il server aziendale, che nei nostri test ha servito circa sessantaquattro utenti concorrenti con prestazioni paragonabili, nella nostra esperienza, ai servizi AI in cloud: ma con i dati che non escono dal perimetro.

Su questa scala, il modello di riferimento che consigliamo oggi è gpt-oss-120b ottimizzato e servito via NIM: aperto, di taglia generosa, e con il vantaggio dell'ottimizzazione di chi il motore lo conosce meglio di tutti. Ed è un consiglio, non un vincolo, come spieghiamo subito.

Perché NIM è interessante per l'AI privata

Il catalogo NIM espone famiglie di modelli diverse, dai grandi modelli linguistici agli embedding per la ricerca semantica, in versioni ottimizzate per l'inferenza su GPU NVIDIA. Per chi fa AI privata questo significa due cose concrete.

La prima è la libertà di scelta nel tempo. AIsuru è multi-LLM per costruzione: il modello si cambia senza rifare l'agente, la conoscenza, i permessi o i connettori. Oggi il riferimento è uno, tra sei mesi potrà essere un altro, e l'investimento dell'azienda (le procedure, le regole, le integrazioni) resta intatto. Il motore si aggiorna; l'infrastruttura resta vostra.

La seconda è la coerenza tra prestazioni e perimetro. La promessa dell'AI privata regge solo se dentro il perimetro le prestazioni sono all'altezza delle abitudini che gli utenti hanno preso fuori. I modelli ottimizzati servono esattamente a questo: a togliere l'alibi del "sì, ma in cloud andava più veloce".

La governance, che resta identica

L'ingresso nel Partner Network non sposta di un millimetro il nostro modello di responsabilità, e vale la pena ripeterlo proprio in un annuncio di collaborazione. Le credenziali verso i sistemi dei clienti restano cifrate nel gateway e non raggiungono mai il modello. Le azioni privilegiate si autorizzano sull'identità verificata di chi chiama, mai sul giudizio del modello. Il codice generato dagli agenti gira in ambienti isolati. E in assenza di regole esplicite il comportamento predefinito è il divieto: nessuna regola non significa tutto permesso, significa niente permesso.

A garanzia del percorso, le sei attestazioni di sempre: ISO 9001, ISO/IEC 27001, 27017, 27018, ISO/IEC 42001 e conformità alla direttiva NIS2.

Per chi è, in pratica

Per le organizzazioni che non possono o non vogliono far uscire i dati. Sanità, finanza, pubblica amministrazione, manifattura con proprietà intellettuale da proteggere. Il percorso tipico è graduale, e lo abbiamo raccontato nella nostra guida all'AI privata: si parte da un pilota su una workstation, si validano i casi d'uso con gli utenti veri, e si scala verso il server o la farm quando i numeri lo chiedono, senza rifare niente, perché la piattaforma è la stessa a ogni gradino.

Per le aziende italiane c'è anche una finestra fiscale da conoscere: il piano di iperammortamento 2026 rende agevolabili gli investimenti in beni strumentali digitali, hardware e software inclusi, ed è un tema da approfondire con il proprio consulente prima di pianificare l'installazione.

Da dove si comincia

Da una conversazione, come sempre. Portateci un caso d'uso vero, i vincoli veri (dove devono stare i dati, chi deve poter fare cosa) e vi mostriamo la scala giusta per partire: quale taglia di installazione, quale modello servito via NIM, e come le regole si scrivono prima del primo dato.

Per una demo: demo@memori.ai, oggetto DEMO SUITE.

Nota: NVIDIA, NVIDIA NIM e i marchi correlati appartengono a NVIDIA Corporation. Memori è membro del NVIDIA Partner Network; le opinioni e le misure riportate in questo articolo derivano dai test condotti da Memori con i propri partner e non costituiscono dichiarazioni di NVIDIA.