I grandi player dell’intelligenza artificiale Made in Usa si prenderanno tutto o c’è ancora spazio per iniziative italiane in un settore dove l’implementazione da parte di pubblica amministrazione e imprese è ancora agli inizi? Il dubbio viene guardando iniziative come quella di Anthropic, che ha lanciato un Claude per le piccole imprese, di cui il nostro Paese è pieno. Fabio Momola pensa che di spazio ce ne sia in abbondanza. A patto di capire come posizionarci in una fase in cui le architetture industriali dell’intelligenza artificiale iniziano a prendere forma. Per farlo, dice il manager, abbiamo circa 18 mesi.
Momola è Executive Vice President di Eng Digital, business unit di Engineering dedicata alla trasformazione digitale. La grande novità del Gruppo è EngGPT 2, modello di intelligenza artificiale incastonato nell’architettura IS-IA – Italy’s Sovereign Intelligence Architecture.
In sintesi: AI governabile e sicura, possibilità di tutelare dati strategici e, secondo Engineering, costi di inferenza più bassi del 60-80% rispetto ai modelli densi di pari capacità, rendendo in alcuni casi meno oneroso scegliere una soluzione ‘sovrana’ per l’AI di un’organizzazione. Le differenze con i modelli americani sono molte.
“Sono modi diversi di pensare all’utilizzo del modello. I modelli “large” vengono adattati per essere consumabili da un’azienda con dimensioni contenute”, spiega Momola. “Noi stiamo andando nel verso opposto. Un modello ‘small’ con il benchmark del più potente prodotto italiano di questo tipo, adattabile verticalmente in maniera auto-compliant sui dati privati specialistici delle aziende. Un approccio per chi vuole usare i propri dati in un modello dentro i confini aziendali, diverso da quelli non ispezionabili. EngGPT2 è una scatola aperta, si possono verificare i comportamenti e predirli rispetto agli input”.
Il modello di casa Engineering ha un storia lunga quattro anni, quando il Gruppo ha iniziato a lavorare alla prima versione. Per la seconda, presentata nelle scorse settimane, ce ne sono voluti 2, e la tempistica è particolarmente azzeccata: quest’anno dovrebbero essere lanciate le sandbox che permetteranno le sperimentazioni sull’intelligenza artificiale nelle Pa. Anche clienti di Engineering, dunque. “Avevamo l’obiettivo di delineare i rilasci anche rispetto a ciò che sta avvenendo nel settore pubblico. La traiettoria era chiara sin dall’inizio”, dice il manager.
La scelta delle tempistiche risponde anche alle dinamiche di mercato. Nonostante il costo per generare testi con i modelli di intelligenza artificiale si riduca di circa dieci volte ogni anno dal 2022, la spesa delle imprese è cresciuta del +320% solo nel 2025: i volumi divorano ogni risparmio, spiega Momola, perché “diventano sempre più grandi: come delle macchine con cilindrate enormi, che consumano tanto anche per fare un’interazione semplice: tutto il margine che ci dovrebbe essere sul costo del token viene cannibalizzato dal numero di token consumati. Noi avevamo chiaro che questo sarebbe diventato un problema”. Tra gli altri elementi tenuti in considerazione da Engineering c’era naturalmente l’importanza delle regole: le menzioni dell’AI nei procedimenti legislativi mondiali sono cresciute del 21% in un solo anno.
L’opportunità dei mercati regolamentati
Gli approcci dei grandi hyperscaler e delle società nostrane come Engineering non sono in competizione uno con l’altro, spiega Momola. “Una grande azienda ha bisogno di intelligenze generaliste, di piattaforma e di intelligenze specializzabili come EngGPT, che essendo completa risponde alle esigenze di conformità con l’AI ACT”.
Di casi d’uso ce ne sono diversi: “Abbiamo lavorato in particolare su mercati regolamentati, come le utility dell’energia, e avere la specializzazione del modello su dati ipersensibili è un vantaggio enorme. Fa tutta la differenza del mondo avere un controllo end-to-end su dove gira il modello, come si comporta, quando verrà aggiornato, come verrà aggiornato, come è stato addestrato”.
Eppure, lo scenario resta quello di un mercato iper-concentrato, in mano a una manciata di hyperscaler.
Le organizzazioni sono a un bivio: usare l’AI come servizio o svilupparla come asset interno. Secondo Momola, l’AI è una nuova forma di capitale d’impresa che definisce chi sarà rilevante nei prossimi anni e chi no: dei modelli sviluppati internamente diventano un patrimonio aziendale non replicabile. Su questo si fonda la ISIA di Engineering.
Siamo alla fine della fase della “rincorsa”, secondo il VP di Eng digital, quando “tutti inseguono il caso d’uso, l’innovazione. Adesso stiamo entrando in una fase un po’ più matura e i ragionamenti di postura strategica cominciano ad essere più comprensibili. È più chiaro che la sovranità, soprattutto su alcuni mercati critici, è un problema geopolitico non trascurabile. Ora c’è più capacità di capire dove il concetto di sovranità è utile, e dove tutto sommato è anche inutile. Quindi va benissimo usare tecnologie di piattaforma: non siamo fondamentalisti della sovranità a tutti i costi. Il nostro è un modello che propone l’intelligenza giusta per lo use case adeguato”.
Davanti alla maturità crescono anche architetture più complesse, più articolate, ed è qui che si è posizionata Engineering con IS-IA, spiega il manager, che in futuro vede la possibilità di connettere le reti di agenti intelligenti di ogni azienda. Il che porrà un problema di fiducia: si dovrà essere certi delle informazioni scambiate. “Io vedo la necessità di questa architettura multistack dove è ben chiaro che cosa fa ogni pezzo, soprattutto nel momento in cui ognuno di questi è autonomo e iperconnesso. Ci vorranno anni. Ma abbiamo bisogno di governare il processo, altrimenti ci sarà lo stesso disordine che c’è stato con il boom delle API”. A livello europeo, propone Momola, la stessa infrastruttura di trust già costruita con eIDAS (identità digitali, firme elettroniche, sigilli certificati) può essere estesa agli LLM, creando una rete di intelligenze sovrane interoperabili.
Quello che è certo secondo il manager è che le architetture industriali dell’AI si stanno definendo adesso: “Abbiamo una finestra di diciotto mesi per posizionarci. I cicli industriali delle AI durano, di fatto, tre mesi: diciotto oggi equivalgono ormai a un piano quinquennale di qualche anno fa. In 18 mesi gli argomenti saranno nuovi, non li sappiamo prevedere. Adesso dobbiamo sicuramente risolvere i problemi tecnologici attuali: l’orchestrazione, la specializzazione, la strutturazione dei dati. L’evoluzione dell’AI procede velocissima, non avere debiti tecnici da recuperare è fondamentale”.
