Alex Karp, cofondatore e CEO di Palantir, ha attaccato pubblicamente alcune delle principali aziende dell’intelligenza artificiale, tra cui OpenAI e Anthropic, accusandole di far pagare caro l’uso dei modelli e allo stesso tempo di sfruttare i dati dei clienti per migliorare i propri sistemi.
L’intervento, arrivato durante un’intervista a CNBC, riporta al centro un tema molto concreto per le aziende: il valore dei dati operativi interni, dei flussi di lavoro e delle correlazioni tra informazioni, che nell’era dei grandi modelli linguistici possono diventare un asset ancora più delicato del semplice costo dei token.
Alex Karp accusa le aziende AI di applicare una sorta di doppio addebito
Karp sostiene che il modello commerciale adottato da diversi operatori AI sia una forma di doppio addebito: da una parte si fanno pagare alle aziende bollette elevate per l’accesso ai modelli linguistici, dall’altra si usano i dati inseriti dai clienti per perfezionare i sistemi, con il rischio di replicare processi e competenze interne.
Nel suo intervento ha parlato apertamente di malcontento tra molte imprese statunitensi, che vedrebbero con crescente irritazione il fatto di pagare servizi AI costosi mentre parte del valore generato dalle loro attività potrebbe finire per rafforzare piattaforme esterne.
- Nel mirino ci sono soprattutto i costi di utilizzo basati sul consumo di token.
- Karp cita OpenAI e Anthropic come esempi di aziende AI di frontiera.
- Il punto più delicato riguarda l’uso dei dati aziendali per addestrare o migliorare i modelli.
- Il rischio evocato è la copia dei processi chiave o la loro futura sostituzione.
Perché pesi, correlazioni e dati di processo sono il vero nodo per le aziende
Karp ha richiamato l’attenzione su elementi come i pesi, il cosiddetto alpha e le relazioni tra dati, ciòè tutto ciò che descrive come un’organizzazione lavora davvero. In termini pratici, non si parla soltanto di documenti caricati o prompt inviati, ma di conoscenza operativa che può rivelare priorità, metodi e struttura decisionale di un’azienda.
Per chi valuta piattaforme AI, questa discussione è utile perché sposta il focus dal solo confronto tra modelli e prestazioni a temi più concreti come governance dei dati, clausole d’uso, isolamento dei workload e politiche di training. Sono aspetti meno visibili del benchmark puro, però spesso più importanti nella scelta di una soluzione enterprise.
- I dati di processo possono valere più del semplice output generato dal modello.
- Le aziende devono verificare se i dati inviati vengono riutilizzati per addestramento o ottimizzazione.
- La distinzione tra uso commerciale del servizio e uso del dato è centrale nei contratti enterprise.
- Il dibattito può influenzare le scelte tra cloud pubblico, modelli dedicati e deployment privati.
