Alex Karp, CEO di Palantir, mette in discussione il business dei frontier lab. Shyam Sankar, Chief Technology Officer della stessa azienda, attacca l’ideologia del rallentamento. Intanto Palantir e Nvidia costruiscono una “Sovereign AI” basata su modelli open, dati proprietari e controllo dell’infrastruttura. Dietro le provocazioni emerge una tesi industriale molto più importante: nell’AI enterprise il modello potrebbe diventare sostituibile, mentre il vero potere si sposta verso chi controlla dati, processi e decisioni.

Alex Karp ha un problema con i token o, più precisamente, con l’idea che vendere token sia il modo migliore per catturare il valore economico prodotto dall’intelligenza artificiale.

Nelle sue ultime apparizioni pubbliche, il CEO di Palantir ha attaccato il modello che sta alla base di buona parte dell’economia dei frontier lab: costruire sistemi sempre più potenti, renderli disponibili attraverso API e trasformare il loro utilizzo in miliardi di token acquistati da imprese, sviluppatori e consumatori.

La provocazione può essere ridotta a una domanda piuttosto efficace: se un modello AI permette realmente a un’impresa di creare enormi quantità di valore, perché chi lo ha costruito si accontenta di vendere l’intelligenza a consumo invece di partecipare direttamente a quel valore?

È naturalmente una domanda interessata: Palantir vende esattamente l’alternativa che Karp propone.

Ma questo non rende la domanda meno interessante. perché proprio mentre OpenAI e Anthropic cercano di dimostrare che l’economia dei frontier model può sostenere i giganteschi investimenti necessari per costruirli, Palantir sta facendo una scommessa differente.

Il modello migliore non conosce la tua azienda

Un frontier model può sapere moltissime cose, ma non sa necessariamente chi può autorizzare un ordine da cinque milioni di euro nella vostra azienda.

Non conosce la relazione tra un componente prodotto in Taiwan, un fornitore in Germania, una linea produttiva in Ohio e un cliente che aspetta la consegna in Francia. Non conosce le eccezioni accumulate in vent’anni di procedure, così come non sa quali informazioni possano essere mostrate a un dipendente, quali soltanto al CFO e quali non debbano lasciare un determinato server. E, soprattutto, non possiede automaticamente la rappresentazione di come l’organizzazione prende una decisione.

È qui che Palantir colloca il proprio vantaggio. Al centro della sua piattaforma c’è quella che chiama Ontology: una rappresentazione digitale dell’organizzazione che collega dati, oggetti, relazioni, logiche, permessi e azioni del mondo reale.

Il modello linguistico viene inserito dentro questa struttura, non la sostituisce. Ed è una differenza fondamentale.

Karp sta rovesciando l’economia dei frontier model

L’economia che ha dominato la prima fase dell’AI generativa può essere semplificata in questo modo:

compute → frontier model → token/API → applicazione → valore

Il soggetto strategico è il modello. Più è intelligente, maggiore dovrebbe essere il valore che può generare e quindi maggiore il prezzo che il mercato sarà disposto a pagare per utilizzarlo.

Palantir propone implicitamente un’equazione diversa:

modello → dati proprietari → contesto operativo → processi → decisioni → risultato

Il modello rimane necessario, ma smette di essere necessariamente il luogo nel quale si concentra il valore.

Pochi giorni fa questa tesi è diventata qualcosa di più di una dichiarazione di Karp. Palantir e Nvidia hanno presentato una nuova architettura per quella che definiscono “Sovereign AI”, iniziando dalla supply chain della stessa Nvidia.

La struttura combina i modelli open Nemotron di Nvidia con Foundry e Artificial Intelligence Platform di Palantir, ancorandoli proprio alla Ontology. E la cosa interessante non è tanto quale modello abbiano scelto ma perché.

Il modello deve poter essere sostituito

Nvidia e Palantir scrivono qualcosa di piuttosto esplicito nella presentazione del sistema: i modelli open sono centrali perché ogni impresa possiede una propria catena del valore, fornitori, vincoli operativi e criteri decisionali e un modello general purpose non può conoscere autonomamente quel contesto.

Le aziende possono quindi post-addestrare Nemotron sui propri dati, eseguire lo stack nel cloud oppure on-premise e, soprattutto, mantenere il controllo sui modelli, sui dati e sull’ambiente nel quale vengono utilizzati.

La stessa collaborazione tra le due aziende era iniziata già nel 2025 attorno al concetto di operational AI: trasformare i dati aziendali in decision intelligence, utilizzando modelli open e agenti dentro processi industriali complessi.

È una concezione dell’AI molto diversa da quella del chatbot. Il modello non è più il prodotto, diventa un componente del sistema. E un componente, almeno in teoria, può essere sostituito: oggi oggi, domani Claude, dopodomani Nemotron o un modello proprietario interno quando necessario.

Se le prestazioni diventano sufficientemente comparabili per uno specifico workload, il vantaggio competitivo potrebbe non appartenere più a chi possiede il modello marginalmente più intelligente, potrebbe appartenere a chi possiede il contesto nel quale quell’intelligenza deve agire.

La vera provocazione di Karp è questa

Per questo ridurre le dichiarazioni del CEO di Palantir a “OpenAI è una bolla” rischia di far perdere la parte più interessante.

Karp sta contestando il punto nel quale i frontier lab pensano di poter catturare il valore. Se un’impresa utilizza un LLM per scrivere una mail, il modello è probabilmente la componente determinante. Se lo utilizza per decidere come riprogrammare una supply chain da miliardi di dollari, il modello rappresenta soltanto una parte del sistema.

Perché servono dati, permessi, regole, memoria, connessioni con i sistemi aziendali, vincoli, audit, responsabilità. E qualcuno deve stabilire quali azioni l’AI possa compiere.

È proprio quello strato che Palantir vuole possedere e Karp potrebbe avere ragione sul problema.

Il tema della sovranità

Palantir e Nvidia non chiamano casualmente questa architettura semplicemente enterprise AI, la chiamano Sovereign AI.

Nel comunicato del 10 settembre Karp parla addirittura di una “sovereign AI revolution”, mentre Huang definisce il risultato dell’integrazione tra Nemotron e Ontology “sovereign intelligence”.

Vale la pena soffermarsi sulla definizione. Perché questa non è sovranità nel senso più semplice di possedere un modello nazionale, è qualcosa di differente.

L’organizzazione può scegliere dove eseguire l’AI, mantenere i propri dati, controllare il deployment, personalizzare il modello e conservare la rappresentazione dei propri processi. E, soprattutto, evitare che l’intelligenza del modello diventi automaticamente proprietaria anche del contesto nel quale opera.

Potremmo chiamarla operational sovereignty.

Non necessariamente possiedo il modello, ma posso cambiare modello senza perdere il controllo del mio sistema.

Ed è una distinzione che riguarda aziende e governi molto più di quanto riguardi Palantir.

Perché il problema dei dati sta diventando concreto

La discussione non è soltanto teorica. Reuters ha riferito il 14 settembre che Palantir ha chiesto ad Anthropic garanzie irrevocabili di zero data retention. Nvidia, secondo la stessa ricostruzione originariamente pubblicata da The Information, avrebbe limitato l’utilizzo dei modelli Anthropic alle attività meno sensibili, mentre Booz Allen avrebbe vietato l’impiego dei prodotti commerciali dell’azienda per alcuni lavori proprietari di cybersecurity.

Non significa che Claude utilizzi segreti industriali dei clienti per addestrare indiscriminatamente i propri modelli. Le politiche dei servizi enterprise e le modalità di trattamento dei dati devono essere valutate prodotto per prodotto.

Il segnale industriale è però evidente. Per un’impresa non conta soltanto quanto è intelligente il modello, conta anche che cosa succede ai miei dati quando lo utilizzo?

E più il sistema entra nei processi strategici dell’organizzazione, più la seconda domanda diventa importante della prima.

Un modello leggermente meno capace ma completamente controllabile potrebbe avere più valore di un modello superiore al quale l’impresa non ritiene di poter affidare il proprio patrimonio informativo.

È una possibile frattura tra capability e trust.

Nvidia sta giocando su entrambi i tavoli

La presenza di Nvidia rende la scommessa ancora più interessante.

Jensen Huang continua a sostenere l’espansione del compute e non ha aderito all’idea di un rallentamento sistemico della frontier AI. La recente reazione dei mercati alle proposte di pacing ha mostrato quanto Nvidia e la filiera dei semiconduttori siano esposte all’ipotesi che il ritmo della corsa possa diminuire.

Ma Nvidia non ha necessariamente bisogno che tutto quel compute venga utilizzato soltanto per addestrare GPT-7 o Claude 6, ha bisogno che venga utilizzato.

Da questo punto di vista, la collaborazione con Palantir offre quindi a Huang una seconda strada. Se l’economia dell’AI si sposta dalla costruzione continua del prossimo modello all’utilizzo intensivo di quelli già disponibili, Nvidia può continuare a vendere infrastruttura.

Il suo interesse è che il compute cresca, non necessariamente che un unico frontier lab catturi tutto il valore prodotto sopra quel compute.

Il pacing assume un significato diverso

È qui che questo discorso incrocia quanto abbiamo appena analizzato in “Chi governa la frontiera”.

La discussione degli ultimi giorni è stata dominata dalla possibilità che la crescita delle capability venga rallentata per ragioni di safety. Wall Street ha immediatamente iniziato a chiedersi cosa significherebbe per quasi 800 miliardi di dollari di investimenti AI nel 2026 e per oltre mille miliardi previsti nel 2027.

Ma se Karp ha almeno parzialmente ragione, stiamo forse osservando il problema dal punto sbagliato.

Una minore distanza tra una generazione di frontier model e quella successiva potrebbe ridurre il vantaggio competitivo derivante dal possedere sempre il modello migliore e, al tempo stesso, aumentare quello derivante dal possedere i clienti, i dati, i workflow, gli agenti, le integrazioni e l’infrastruttura operativa.

In altre parole, il rallentamento della frontiera potrebbe accelerare la commoditizzazione del modello.

Non necessariamente in tutti i workload e certamente non oggi: differenze importanti di capability, costo, latenza e affidabilità continuano a esistere.

Ma economicamente la direzione merita di essere osservata.

Dal model-centric AI alla system-centric AI

Per i primi anni dell’AI generativa abbiamo guardato soprattutto verso l’alto: qual è il modello migliore, quanti parametri possiede, quanto compute è stato utilizzato, chi guida il benchmark e chi raggiungerà per primo la prossima capability.

L’enterprise AI costringe invece a guardare verso il basso: dove sono i dati, chi possiede il workflow, quale sistema autorizza l’agente, chi controlla ciò che può fare, come viene verificata una decisione, come si sostituisce il modello e che cosa rimane dell’investimento se il provider cambia.

Potremmo essere all’inizio del passaggio da una Model Economy a una System Economy. Il valore non scompare dal modello, semplicemente si distribuisce lungo la catena che permette al modello di produrre una decisione reale.

Palantir sta costruendo il proprio moat

Questa è la parte che Karp ha meno interesse a sottolineare. Rendere sostituibile il modello non significa necessariamente eliminare il lock-in, può semplicemente spostarlo.

Se l’Ontology diventa la rappresentazione digitale dell’impresa, se dati, permessi, oggetti, processi, agenti e decisioni vengono costruiti attorno a quella struttura, se AIP diventa il livello attraverso il quale l’organizzazione utilizza diversi modelli, allora sostituire GPT con Nemotron potrebbe diventare relativamente semplice.

Sostituire Palantir potrebbe non esserlo affatto. e il moat non sarebbe più verticale, ovvero sono l’unico ad avere il modello migliore, ma diventerebbe orizzontale, ovvero, sono il sistema dentro il quale tutti i modelli devono passare per poter fare qualcosa.

Potrebbe essere un vantaggio competitivo persino più profondo. La battaglia, quindi, non è tra un mondo aperto e uno chiuso, è anche una battaglia su dove collocare il punto di dipendenza.

E qui entra Shyam Sankar

Le recenti dichiarazioni del CTO di Palantir sembrano parlare di tutt’altro.

Sankar ha attaccato duramente l’Effective Altruism e una parte del movimento AI safety, accusandoli di trasformare l’incertezza sui rischi futuri in una giustificazione per attribuire a una piccola élite tecnocratica il potere di stabilire quanto velocemente possa avanzare la tecnologia.

Il linguaggio è volutamente incendiario. Paragona l’“EA AI safetyism” al marxismo-leninismo dell’era algoritmica e contesta l’idea che scenari probabilistici catastrofici possano automaticamente conferire autorità politica a chi li formula.

Possiamo lasciare da parte l’iperbole, perché sotto c’è qualcosa di perfettamente coerente con la posizione industriale di Palantir.

Karp dice: non consegnate il vostro patrimonio informativo al modello di qualcun altro.

Sankar aggiunge: non consegnate a chi costruisce quei modelli e al suo ecosistema il diritto esclusivo di stabilire come possano essere utilizzati.

Sono due argomenti differenti, ma condividono la stessa diffidenza verso la concentrazione del controllo.

La dottrina Palantir

Comincia così a emergere qualcosa che assomiglia a una vera filosofia dell’AI: non fermare la tecnologia, controllarla attraverso l’ingegneria; non delegare i dati, non delegare l’infrastruttura, non delegare la decisione, utilizzare modelli differenti quando necessario e inserirli dentro sistemi governati dall’organizzazione che li utilizza.

Potremmo sintetizzarla così:

modelli sostituibili + dati proprietari + contesto operativo + infrastruttura controllabile + decisione governata.

È la dottrina Palantir. Ed è naturalmente anche il catalogo dei prodotti Palantir.

Questo ci ricorda che le grandi filosofie tecnologiche tendono ad assomigliare sorprendentemente ai business model delle aziende che le formulano.

OpenAI vede il futuro attraverso frontier model sempre più capaci.

Anthropic attraverso frontier model potenti ma controllabili.

Nvidia attraverso un mondo nel quale ogni forma di intelligenza richiede più compute.

Palantir attraverso organizzazioni nelle quali diversi modelli operano sopra dati e processi rappresentati dalla sua Ontology.

Ognuna sta descrivendo il futuro e ognuna, non casualmente, occupa una posizione particolarmente vantaggiosa nel futuro che descrive.

La domanda non è più quale modello vincerà

Ed è probabilmente questo il punto che rende interessante la provocazione di Karp.

Fino ad oggi abbiamo trattato la competizione AI quasi come una corsa automobilistica: OpenAI contro Anthropic; Google contro Meta; Stati Uniti contro Cina.

Il vincitore sarebbe stato chi avesse costruito il modello più potente.

L’enterprise AI potrebbe funzionare diversamente. Se diversi modelli diventeranno sufficientemente capaci, se gli open-weight continueranno a ridurre alcune distanze e se le imprese pretenderanno maggiore controllo sui propri dati, la domanda potrebbe lentamente cambiare.

Non chi possiede il modello migliore ma chi controlla il sistema dentro il quale il modello deve produrre valore.

È una battaglia molto meno spettacolare dei benchmark, perchè non si misura contando parametri ma si combatte dentro ERP, supply chain, ospedali, fabbriche, banche, ministeri e sistemi militari.

Ed è precisamente il territorio nel quale Palantir vuole portare la competizione.

Alex Karp sostiene che vendere token non sia sufficiente per catturare il vero valore dell’intelligenza artificiale. Certo potrebbe sbagliarsi e i frontier model potrebbero mantenere un vantaggio talmente grande da continuare a concentrare una parte enorme del valore economico.

Ma Palantir sta facendo una scommessa diversa, che prima o poi il modello diventi sostituibile.

E che quando accadrà, la parte più preziosa dell’AI non sarà l’intelligenza che arriva dall’esterno: sarà tutto ciò che l’impresa non può permettersi di consegnarle.