La narrazione della tecnologia tende spesso agli aggettivi enfatici, ma nel caso della piattaforma Aegis di Euraika la retorica di “compliance semplificata” non è puro marketing, bensì l’emergere di una tendenza cruciale nella maturazione delle applicazioni AI enterprise: portare l’infrastruttura di inferenza fuori dalla strada critica dell’innovazione di prodotto per focalizzarsi sulla conoscenza normativa e sulla capacità di audit. In questo lungo caso aziendale, che più che una semplice testimonianza somiglia a un manifesto di come dovrebbe funzionare l’AI industriale in Europa, si leggono aspettative, tensioni e soluzioni che illuminano non tanto un prodotto singolo, quanto un pattern architetturale verso cui si stanno orientando molte startup di governance e compliance in aree regolamentate come GDPR, NIS2, DORA e gli standard di cybersecurity nazionali. Il punto di partenza, come spesso accade, non è l’AI in sé ma il problema irrisolto: la compliance normativa è un labirinto di testi, articoli, richiami legali e requisiti dinamici che nessun team di esperti umani può sorvegliare e aggiornare in tempo reale senza strumenti. L’ironico paradosso è che, mentre i regolatori europei innalzano continuamente la complessità dei quadri giuridici, le organizzazioni devono trasformare questi testi in fatti operativi verificabili; qui l’AI non è un gadget ma un vettore di significato, e il valore risiede nella qualità della conoscenza estratta, nella verifica delle affermazioni e nella capacità di tracciabilità delle decisioni.
Euraika, con sede in Belgio, ha costruito Aegis partendo da questa constatazione dolorosa: la compliance non è un semplice “checklist”, è un processo che richiede interpretazione, spiegazione e, soprattutto, auditabilità. La loro ambizione è chiara se si legge la missione ufficiale: rendere la compliance regolamentare accessibile, verificabile e scalabile. Con una frase che potrebbe benissimo suonare come un manifesto industriale europeo, Irene Personne, CEO di Euraika, incapsula la sfida di tutte le imprese che provano a fare dell’AI uno strumento serio per domini critici: non servono modelli grandi, servono risposte corrette, tracciate e contestualizzate. L’architettura originale di Aegis, costruita su inferenza LLM self‑hosted con GPU gestite internamente, è stata una scelta naturale per garantire controllo, ma si è ben presto rivelata un boomerang: overhead operativo, costi imprevisti, ottimizzazione incessante e una continua lotta con la capacità, il provisioning e la manutenzione di una pila GPU complessa rallentavano non solo l’innovazione di prodotto, ma perfino la capacità di offrire SLA affidabili ai clienti enterprise. Questa fase iniziale, in cui una piccola frazione del team ingegneristico è dedicata alle tubazioni invece che all’intelligenza normativa, è una storia fin troppo comune nelle startup AI che confondono possedere l’infrastruttura con dominare il dominio applicativo.
La svolta è arrivata con la partnership tecnica con Regolo.ai, una piattaforma di inferenza AI che propone un modello di servizio completamente diverso: inference come servizio, con API compatibili OpenAI, streaming SSE, supporto embedding di alta qualità e pricing per token correlato all’utilizzo reale. In termini di ingegneria, ciò che sembra un semplice cambio di backend è invece un cambio di paradigma: Regolo elimina la gestione delle GPU, l’ottimizzazione dei driver, l’autoscaling complesso e le continue revisioni di configurazione, permettendo al team di Euraika di investire in ciò che crea vera differenza competitiva — l’intelligenza normativa, i motori di verifica multi‑stadio, la tracciabilità automatizzata, e l’integrazione con fonti normative ufficiali. Se fossimo in economia industriale, potremmo leggere questa scelta come una specializzazione verticale che aumenta la produttività marginale del lavoro ingegneristico dedicato al dominio core, piuttosto che sprecarlo in attività infrastrutturali di basso valore.
I numeri forniti da Euraika parlano chiaro: una riduzione di circa 60% dei costi di GPU nei mesi di bassa domanda, un’accelerazione di oltre 60% nel tempo‑to‑first‑token, un aumento di 95% nella rapidità di deployment di nuovi modelli e una riduzione di 93% delle ore ingegneristiche spese su operazioni infrastrutturali. In un’industria dove ogni ora di ingegnere vale non solo in costi monetari ma in vantaggio competitivo, queste percentuali non sono dettagli operativi: sono la base su cui si costruisce la capacità di rispondere rapidamente a nuove normative come l’AI Act, a emergenti requisiti di audit o a richieste specifiche dei clienti enterprise in settori regolamentati come finanza e telecomunicazioni. I risultati misurabili, tra cui la disponibilità di servizio che supera 99,9%, l’accesso a modelli con parametri 3‑4 volte superiori rispetto alla precedente configurazione on‑premise, e il rilascio di nuove funzionalità nel giro di settimane anziché mesi, hanno un significato più profondo: dimostrano che una piccola azienda tecnologica europea può competere con rivali con 10x risorse, purché l’architettura scelta massimizzi l’efficienza cognitiva del team e riduca l’attrito operativo.
Questa storia ha anche una dimensione culturale: mette in luce la tensione tra due miti dominanti della Silicon Valley dell’ultimo decennio, entrambi radicati nell’AI. Da un lato c’è il mito della proprietà verticale dell’infrastruttura, l’idea che controllare ogni singolo layer tecnologico sia sinonimo di superiorità tecnica; dall’altro la narrazione emergente della composabilità delle piattaforme, secondo cui l’innovazione competitiva si ottiene integrando servizi specializzati tramite API standard e concentrandosi sul dominio applicativo. Euraika e Regolo incarnano quest’ultima scuola, che appare particolarmente adatta ai vincoli europei di sovranità dei dati, trasparenza e responsabilità normativa. Nel contesto del GDPR, del framework NIS2 e delle nuove regole sull’intelligenza artificiale, la trasparenza e l’auditabilità non sono optional: sono requisiti di base; e per rispettarli bisogna costruire sistemi in cui ogni inferenza, ogni citazione normativa e ogni decisione prende forma con una catena di evidenze verificabili.
L’approccio ingegneristico descritto da Euraika — un proxy leggero, routing basato su nomi logici invece che su modelli specifici, streaming SSE per interazioni in tempo reale, e un sistema che permette di mappare task di compliance a modelli ricchi senza preoccuparsi di GPU — è tecnicamente elegante ma anche strategicamente significativo. Questo tipo di architettura non solo riduce i costi operativi, ma aumenta la resilienza del prodotto nel lungo termine, rendendo relativamente banale integrare nuovi modelli ospitati da Regolo man mano che entrano sul mercato versioni più potenti o specializzate. La separazione di responsabilità diventa così un catalizzatore per innovare senza timore di blocchi infrastrutturali, permettendo a Euraika di spingere rapidamente nuove funzionalità come l’arricchimento di vulnerabilità, la sincronizzazione automatica con database di testi normativi ufficiali, l’integrazione di standard nazionali come CyFUN o l’adozione di motori di verifica multi‑stadio con tracking delle fonti.
In termini di impatto sul mercato, la lezione principale riguarda la doppia tensione della regolamentazione: le industrie regolamentate desiderano strumenti AI per dominare la complessità normativa, ma allo stesso tempo non possono tollerare opacità, vendor lock‑in o modelli che non lasciano tracce verificabili delle loro risposte. Regolo.ai propone una soluzione che tenta di conciliare performance, trasparenza e modello europeo di hosting, offrendo inferenza come servizio con SLA affidabili e costi prevedibili. Per fornitori di piattaforme di compliance come Euraika, questo rappresenta una base solida su cui costruire capacità verticali: dalla conoscenza normativa automatizzata alla verifica dei fatti, fino ai tracciati di audit pronti per ispezioni regolatorie.
Alla fine, ciò che rende questa esperienza rilevante non è soltanto l’efficienza tecnica o i numeri di miglioramento, ma la conferma di una visione: l’AI enterprise efficace non è tanto quella che ruota attorno a modelli massivi e self‑hosted, quanto quella che combina inferenza affidabile, conoscenza profonda del dominio e tracciabilità rigorosa. In un’epoca in cui la compliance non è un optional ma un fattore competitivo, le architetture come quella di Euraika e Regolo emergono come modelli pragmatichi per l’AI europea che vuole competere sul serio.
Case Studies: https://regolo.ai/case-studies/compliance-made-simple-euraika-regolo-ai/