Satya Nadella ha preso una posizione pubblica contro OpenAI e Anthropic, proprio le aziende in cui Microsoft ha investito miliardi. In un post sul suo blog, il CEO accusa i lab AI di applicare regole asimmetriche: si addestrano liberamente su dati pubblici invocando il fair use, ma vietano contrattualmente la distillazione dei propri modelli (la pratica di usare gli output di un modello per addestrarne uno più piccolo o economico). Peggio: imparano dalle interazioni dei clienti — prompt, correzioni, feedback — accumulando conoscenza proprietaria delle aziende che usano i loro servizi.

Nadella lo chiama il «paradosso informativo inverso»: paghi due volte, con denaro per i token e con la conoscenza che riveli ogni volta che usi il modello. «Ogni correzione viene distillata in know-how istituzionale», scrive. È esattamente il tipo di informazione che un concorrente non potrebbe mai comprare, eppure le aziende la stanno consegnando.

Perché ti riguarda. Se usi modelli proprietari per compiti interni, stai implicitamente permettendo ai fornitori di imparare dal tuo lavoro. Nadella suggerisce tre mosse: mantenere il controllo dei propri dati (prompt, feedback, interazioni), costruire ambienti di apprendimento proprietari sul cloud (sorpresa: Azure è un’opzione), e adottare layer di orchestrazione che ti permettono di cambiare fornitore senza riscrivere tutto. La direzione sottintesa è chiara: modelli open source installati on-premise, dove il loop di apprendimento resta dentro le tue mura. Idit Levine di Solo.io conferma la tendenza: «I clienti enterprise chiedono sempre più spesso di far girare modelli open source on-prem. Fa il 90% di quello che fa il grande, costa meno, e lo controlli tu».

Nel dettaglio

Il contesto: cosa c’era prima

La distillazione è una pratica consolidata nell’ML: usi gli output di un modello grande per addestrarne uno più piccolo, più veloce o più economico, che imita il comportamento del primo su un compito specifico. È così che nascono molti modelli open-weight competitivi: partono da output di modelli frontier. OpenAI e Anthropic la vietano esplicitamente nei termini di servizio, e a febbraio Anthropic ha accusato pubblicamente i lab cinesi di aver mandato milioni di prompt a Claude per migliorare i propri modelli, chiedendo al governo USA controlli export più rigidi.

Fino a oggi, la narrazione dei lab era semplice: noi ci addestriamo su dati pubblici per fair use, voi non potete addestrarvi sui nostri output perché sono proprietà intellettuale protetta. Nadella la chiama ipocrisia: se il fair use vale per scraparare il web, dovrebbe valere anche per imparare dai modelli altrui.

Cosa dice Nadella sui dati dei clienti

Il punto più duro del post è sulla «exhaust»: i dati di interazione che le aziende generano usando i modelli. Prompt, correzioni («il modello ha sbagliato, la risposta giusta è questa»), rating, scelte su quali output tenere. Nadella sostiene che questa è conoscenza aziendale preziosa, e che i termini di servizio attuali spesso permettono ai fornitori di usarla per migliorare i propri modelli, potenzialmente costruendo prodotti concorrenti con quello che hanno imparato dai tuoi casi d’uso.

La soluzione proposta è prevedibile per il CEO di un cloud provider: tenere i dati e il loop di apprendimento sul proprio cloud, con strumenti che permettono di cambiare modello senza riscrivere l’integrazione. Nadella non dice mai «open source», ma il sottotesto è chiaro.

Cosa sta succedendo sul campo

Le testimonianze convergono: molte aziende stanno già migrando verso modelli open-weight on-premise. Idit Levine, CEO di Solo.io (la tech dietro l’Agentgateway project della Linux Foundation), dice che i clienti enterprise — T-Mobile, ADP, SAP — dopo la fase di sperimentazione con i modelli proprietari si chiedono: «Posso prendere un modello open source e farlo girare on-prem? Farà il 90% di quello che fa il grande, costerà molto meno, e lo controllerò io».

I dati di traffico confermano: Vercel riporta che i modelli open hanno rappresentato il 29% del traffico totale attraverso il loro gateway il mese scorso. OpenRouter vede lo stesso pattern. La spinta non è ideologica: è controllo sui costi, latenza prevedibile, e soprattutto proprietà del loop di apprendimento.

I limiti della posizione di Nadella

Nadella ha un conflitto d’interessi evidente: Microsoft ha investito miliardi in OpenAI, vende Azure come piattaforma per AI, e ora spinge le aziende a tenere tutto sul cloud (guarda caso, il suo). La sua critica ai lab AI è genuina, ma la soluzione proposta non è neutra: spostare tutto su Azure è comunque delegare a Microsoft una parte del controllo.

Secondo: la distillazione non è un diritto simmetrico al training su dati pubblici. I dati pubblici sul web non hanno termini di servizio che li vietano (il dibattito è se dovrebbero). Gli output di un modello sono generati da un sistema che è costato miliardi e che il fornitore vende come servizio a pagamento. L’analogia di Nadella regge sul piano morale («se tu puoi, perché io no?»), ma sul piano legale la differenza c’è.

Implicazioni pratiche

Se stai usando ChatGPT o Claude per lavoro interno, leggi i termini su cosa il fornitore può fare con le tue interazioni. OpenAI e Anthropic offrono opzioni enterprise dove i dati non vengono usati per training, ma devi attivarle esplicitamente e spesso pagare di più.

Se il tuo caso d’uso è ripetitivo e ben definito, valuta modelli open-weight che puoi far girare tu. Non per ideologia, ma perché il loop di apprendimento resta dentro casa, i costi sono fissi invece che per token, e non stai implicitamente addestrando il modello di qualcun altro sui tuoi casi.

Se hai bisogno della frontiera (reasoning complesso, compiti mai visti), i modelli proprietari restano avanti. Ma usa layer di orchestrazione (gateway, router) che ti permettono di cambiare fornitore senza riscrivere tutto. Gli strumenti ci sono: Vercel AI SDK, OpenRouter, LangChain con astrazioni sui provider. Non legarti a un’API sola.