Alex Karp, CEO di Palantir, ha criticato il modello di consumo basato sui token adottato da molti fornitori di intelligenza artificiale generativa, sostenendo che numerose imprese stanno aumentando la spesa per l’uso di modelli esterni senza ottenere un ritorno proporzionato. Il punto non riguarda soltanto il prezzo delle API, ma il rischio che il ricorso continuo a modelli proprietari trasferisca all’esterno dati operativi, conoscenza aziendale e componenti del vantaggio competitivo.
Nel modello a token, ogni richiesta inviata a un sistema di AI viene misurata in base al volume di input e output elaborato. Documenti, prompt, codice, conversazioni, dati di business e risposte generate contribuiscono al consumo complessivo. Questa struttura consente ai fornitori di monetizzare l’inferenza in modo scalabile, ma può diventare complessa da sostenere quando l’AI viene integrata in workflow ad alta frequenza, processi documentali molto estesi, assistenti interni, applicazioni agentiche o sistemi che eseguono numerose chiamate consecutive per completare un compito.
La critica di Palantir si concentra soprattutto sul fatto che il costo non dovrebbe essere l’unico parametro di valutazione. Un’impresa che utilizza un modello esterno può ridurre i tempi di sperimentazione e accedere rapidamente a capacità avanzate, ma deve valutare con attenzione quali informazioni vengono inviate, come vengono gestite, se possono essere conservate o utilizzate per migliorare i servizi del provider e quali dipendenze tecnologiche si stanno creando nel tempo. Nei settori regolamentati, industriali, governativi o caratterizzati da dati proprietari, questi aspetti incidono direttamente su sicurezza, compliance e continuità operativa.
Palantir collega questa impostazione al concetto di AI sovereignty, cioè alla possibilità per un’organizzazione di mantenere il controllo su dati, infrastruttura di calcolo, modelli e logiche applicative. In pratica, l’azienda dovrebbe poter decidere dove avviene l’inferenza, quali dataset sono accessibili al modello, quali componenti restano isolate nell’ambiente interno e in che modo vengono gestiti permessi, audit e tracciabilità delle decisioni automatizzate.
Questa strategia non implica necessariamente l’abbandono dei modelli frontier esterni. Il tema è piuttosto l’architettura con cui vengono adottati. Le imprese possono combinare modelli proprietari, open-weight e modelli sviluppati o adattati internamente, assegnando a ciascuno compiti diversi in base a sensibilità dei dati, costo, latenza e affidabilità richiesta. Un modello generalista può essere usato per funzioni non critiche o per la prototipazione, mentre processi che coinvolgono dati industriali, intelligence operativa, know-how tecnico o decisioni ad alto impatto possono richiedere un ambiente controllato e modelli più vicini al perimetro aziendale.
La posizione di Palantir riflette una trasformazione più ampia nel mercato enterprise dell’AI. Dopo la fase iniziale centrata sull’adozione rapida e sulla sperimentazione con modelli generalisti, molte organizzazioni stanno spostando l’attenzione su ROI, governance dei dati, prevedibilità dei costi e proprietà delle capacità sviluppate. In questo scenario, il valore non dipende dalla quantità di token consumati, ma dalla capacità di trasformare dati e modelli in processi realmente controllabili, integrati e misurabili.