Anthropic lancia Fable 5. Nel corso della giornata, la domanda ricompare, inevitabile: «E noi, dov’è il nostro equivalente?». Viene posta come una constatazione di ritardo, a volte come un’accusa. È una domanda mal formulata. Non perché l’Europa non abbia nulla da rimproverarsi, ma perché confonde due cose molto diverse: non fare una cosa e non avere ancora ciò che serve per farla. Non è lo stesso problema, e non richiede la stessa risposta.
Chiariamo i termini. Senza compiacenza, e senza autoflagellazione.
Che cos’è un modello all’avanguardia, e perché costa quanto costa
Un modello all’avanguardia è l’ultimo gradino della ricerca: il più grande, il più potente, quello che spinge oltre i limiti dello stato dell’arte nel momento stesso in cui viene lanciato. GPT-4, Claude, Gemini Ultra, Fable 5 rientrano in questa categoria. Non è una questione di logo, è una questione di scala. E la scala ha un prezzo che va indicato con precisione.
L’addestramento di un modello di questo tipo richiede decine di migliaia di processori grafici di ultima generazione, come gli H100 o gli H200 di Nvidia, monopolizzati per mesi su un’unica campagna di addestramento. Il costo di calcolo di un modello all’avanguardia si conta in centinaia di milioni di dollari, a volte anche di più, esclusi gli stipendi e la ricerca preliminare. Poi c’è l’inferenza: far funzionare il modello per milioni di utenti costa ancora di più, in modo continuativo, e questo costo non si finanzia con i ricavi del primo giorno. La ricerca all’avanguardia non è un’impresa intellettuale isolata. È un’attività industriale pesante e capitalistica, che presuppone un accesso garantito a chip rari e un flusso di finanziamenti che non si esaurisca mai.
Il fondamento che manca, e ciò che non manca
Ecco il vero nocciolo della questione. Quattro condizioni rendono possibile la ricerca di frontiera, e l’Europa oggi non ne soddisfa pienamente nessuna.
Innanzitutto il calcolo: l’accesso a chip all’avanguardia in quantità richiede una catena di approvvigionamento dominata da un progettista americano, Nvidia, e da un produttore taiwanese, TSMC. Le capacità dei data center dedicati all’addestramento all’avanguardia rimangono, sul suolo europeo, di gran lunga inferiori a quelle dispiegate oltreoceano. Il capitale, poi: la ricerca all’avanguardia richiede un capitale di rischio disposto a perdere miliardi per cinque-dieci anni prima di ottenere un ritorno, una logica che il finanziamento europeo, più raro e più prudente, non adotta su questa scala. Infine, il mercato interno: un’offerta lanciata negli Stati Uniti si rivolge immediatamente a una base omogenea di oltre trecento milioni di persone, il che ammortizza i costi. L’Europa rimane frammentata in lingue, legislazioni e mercati nazionali. E il ciclo di ritorno: un attore americano o cinese può sostenere anni di perdite perché la promessa di un dominio futuro giustifica l’investimento. Questa scommessa, l’ecosistema europeo la finanzia poco.
Ciò che occorre ricordare si riassume in una frase: l’Europa non è in ritardo nella ricerca d’avanguardia, ma non dispone ancora delle basi industriali per portarla avanti. La sfumatura non è puramente estetica. Il talento, invece, non manca. I laboratori europei formano alcuni dei migliori ricercatori del settore, e molti partono proprio verso quei luoghi dove la base industriale esiste. Il problema non sta nelle menti, ma nel terreno sotto i piedi. Non si costruisce la stessa cosa con le stesse mani quando le risorse strutturali differiscono a tal punto.
Cosa può fare l’Europa, e cosa sta già facendo
Da questa diagnosi si trae troppo spesso una conclusione disfattista. A torto, perché il «frontier» non è l’unico campo di gioco, né tantomeno il più utile per la maggior parte delle organizzazioni.
Mistral, in Francia, lo ha dimostrato: è possibile produrre modelli più piccoli, meglio ottimizzati e aperti, che coprono la stragrande maggioranza degli usi reali a una frazione del costo di un modello di frontiera. La ricerca sull’efficienza, la quantificazione e l’inferenza locale su hardware modesto è un ambito in cui il divario di risorse incide molto meno. Seguono poi i modelli verticali: un modello specializzato in diritto, sanità, industria o in una lingua regionale non deve necessariamente essere il più grande al mondo, ma deve essere il migliore nel proprio settore e conforme alla normativa di riferimento. Si tratta di un vantaggio di prossimità, non di una corsa alle dimensioni. Restano la governance e gli standard, ambiti in cui l’Europa è all’avanguardia piuttosto che in ritardo: il quadro normativo, i criteri di sovranità, i requisiti di verificabilità e di protezione dei dati definiscono le regole che i modelli dovranno rispettare per operare nel continente. Definire il campo d’azione è una forma di potere che la corsa ai parametri fa dimenticare.
Separare gli utilizzi per porre la domanda giusta
Da qui l’unica domanda che conta. Non «dov’è il nostro Fable 5?», ma «di cosa abbiamo realmente bisogno, e per quale rischio?».
Per alcuni utilizzi, la dipendenza da un modello straniero è un rischio serio. Un’applicazione critica per la difesa, l’intelligence o un’infrastruttura vitale non può basarsi su un servizio che una decisione straniera può interrompere o limitare. Il trattamento di dati sensibili soggetto a un obbligo di sovranità richiede un’inferenza controllata, sul territorio, nel rispetto della legislazione vigente. Un settore fortemente regolamentato necessita di un modello di cui controlli l’intera catena. In questo caso, la questione dell’autonomia si pone davvero, e la risposta passa attraverso modelli efficaci, locali, verticali, non necessariamente attraverso un concorrente straniero.
Per molti altri utilizzi, la questione non ha lo stesso peso. Chi, tra le organizzazioni che chiedono un GPT-5 europeo, ne ha realmente bisogno? Scrivere, riassumere, classificare, assistere il codice: questi compiti funzionano già molto bene su modelli più piccoli, e il rischio di dipendenza viene gestito attraverso la portabilità e la scelta del fornitore, non attraverso la sovranità del modello stesso. Mettere tutti gli utilizzi nello stesso calderone porta allo stesso ragionamento distorto che si ha quando si contrappone un provider low-cost a un hyperscaler: si confrontano oggetti che non rispondono alla stessa logica di rischio.
La sovranità dell’IA non si decreta rivendicando un clone europeo dell’ultimo modello americano. Si costruisce separando gli utilizzi, per separare i rischi, e investendo nelle fondamenta dove davvero mancano. Finché ci si chiede «dov’è il nostro Fable 5», si parla di orgoglio. Il giorno in cui ci si chiederà «quale utilizzo, quale rischio, quale dipendenza è accettabile», si parlerà finalmente del vero tema.
Fonti
- NIST, AI Risk Management Framework, nist.gov
- Stanford HAI, AI Index Report 2026, costi di addestramento e capacità di calcolo
- Mistral AI, documentazione sui modelli aperti e sull’inferenza locale
- ANSSI, criteri di sovranità per i servizi di IA, marzo 2026
- Regolamento europeo sull’intelligenza artificiale (AI Act), applicazione 2025-2026
- Epoch AI, stime dei costi di calcolo dei modelli all’avanguardia