Palo Alto Networks, Applied Compute e la Private AI
Con Applied Compute, Palo Alto Networks scommette 4,5 miliardi sulla private AI e sui modelli aperti adattati ai dati delle imprese.

Il 18 novembre 2026 Palo Alto Networks ha annunciato l’acquisizione di Applied Compute, una startup di San Francisco nata diciotto mesi fa, per circa 4,5 miliardi di dollari in azioni. In una settimana segnata dall’IPO di Anthropic, dal rilascio di GPT-6.2 e di Gemini 4 Neon e dalla causa della California contro OpenAI sugli agenti fuori controllo, la notizia è passata quasi in secondo piano, confinata alle pagine finanziarie come una delle tante operazioni di consolidamento del settore della sicurezza. Credo invece che sia la notizia che dice di più su come le imprese useranno davvero l’intelligenza artificiale nei prossimi anni, perché mette un prezzo, e un prezzo molto alto, su un’idea che fino a poco tempo fa veniva considerata una nicchia per clienti particolarmente sospettosi.
L’idea è che un’azienda seria non debba limitarsi a noleggiare l’intelligenza di un fornitore esterno attraverso un’API, ma debba poter prendere un modello con i pesi disponibili, adattarlo ai propri dati e ai propri processi, farlo girare in un ambiente che controlla e proteggerlo come protegge qualsiasi altro asset critico. È quella che da qualche anno chiamiamo private AI, e che chi lavora con aziende manifatturiere, studi professionali, enti regolati e pubbliche amministrazioni conosce bene, perché è spesso l’unica forma di intelligenza artificiale che quei clienti sono disposti ad accettare dentro il proprio perimetro.
In questo articolo provo a ricostruire l’operazione nei fatti, a capire che cosa compra esattamente Palo Alto, perché sia un’azienda di sicurezza a farlo e che cosa ci dica sullo stato reale dei modelli aperti, sulla posizione dell’Europa e sul lavoro di chi, come noi, costruisce sistemi di questo tipo per le imprese italiane. Ci sono anche alcune obiezioni serie, che è giusto prendere in esame senza lasciarsi trascinare dall’entusiasmo che un numero con nove zeri tende a produrre.
L’operazione nei fatti
Secondo il comunicato depositato presso la SEC, Palo Alto Networks ha firmato un accordo definitivo per acquisire Applied Compute, che descrive come una piattaforma per il post-training e l’inferenza di modelli open-weight. L’operazione è interamente in azioni, vale 4,5 miliardi di dollari soggetti ad aggiustamenti ed è subordinata alle consuete condizioni di chiusura, tra cui il via libera delle autorità di concorrenza. La chiusura è prevista nel terzo trimestre fiscale 2027 di Palo Alto, che secondo il calendario della società cade tra febbraio e aprile 2027.
Il prezzo merita attenzione. Come riporta AI Weekly riprendendo il Wall Street Journal, Applied Compute aveva chiuso il 2 novembre un round da 350 milioni di dollari a una valutazione post-money di 3,25 miliardi, e Palo Alto paga quindi circa 1,25 miliardi in più di quanto il mercato privato avesse stabilito poco più di due settimane prima. SiliconANGLE aggiunge che quel round era guidato da Elad Gil con la partecipazione di Nvidia, Shopify Ventures e HubSpot Ventures, che la raccolta complessiva superava i 500 milioni e che i ricavi ricorrenti annualizzati avevano superato i 100 milioni di dollari, con clienti come Microsoft e DoorDash. A conti fatti Palo Alto paga circa quarantacinque volte i ricavi ricorrenti, un multiplo che si giustifica solo se si crede che il mercato servito da Applied Compute diventerà molto più grande di quello attuale.
Dopo la chiusura Yash Patil, cofondatore e amministratore delegato di Applied Compute, diventerà Co-Chief AI Officer di Palo Alto, e il gruppo di ricerca della startup entrerà nell’azienda. Il comunicato precisa che Applied Compute continuerà a servire i propri clienti attuali e che il suo team servirà anche a portare l’intelligenza artificiale dentro l’intera offerta di Palo Alto e ad addestrare i modelli proprietari, grandi e piccoli, dell’azienda. Nikesh Arora, presidente e amministratore delegato, ha riassunto la tesi in una frase che sentiremo ripetere spesso, secondo cui ogni impresa userà un mix di modelli aperti e chiusi e ognuno di quei modelli dovrà essere protetto.
L’annuncio è arrivato insieme ai conti del primo trimestre fiscale 2027 (agosto–ottobre 2026), che hanno superato le attese in modo netto. Sempre secondo SiliconANGLE, i ricavi sono stati di 3,44 miliardi di dollari, in crescita del 39% su base annua contro i 3,31 miliardi attesi dagli analisti, i ricavi ricorrenti annualizzati della cosiddetta next-gen security hanno raggiunto 9,73 miliardi con una crescita del 66%, e le obbligazioni contrattuali residue sono salite a 21 miliardi. La società ha alzato la guidance sui ricavi dell’intero anno a 14,52–14,57 miliardi, e il titolo ha guadagnato quasi il 10% nella seduta successiva. Va ricordato che una parte di questa crescita riflette il consolidamento delle grandi acquisizioni dell’ultimo anno, e in particolare quella di CyberArk, quindi il 39% non va letto come crescita organica.
| Voce | Valore |
|---|---|
| Prezzo dell’acquisizione | circa 4,5 miliardi di dollari, interamente in azioni |
| Ultima valutazione privata di Applied Compute (2 novembre 2026) | 3,25 miliardi di dollari post-money |
| Ricavi ricorrenti annualizzati di Applied Compute | oltre 100 milioni di dollari |
| Capitale raccolto da Applied Compute prima dell’acquisizione | oltre 500 milioni di dollari |
| Chiusura prevista | terzo trimestre fiscale 2027 di Palo Alto |
| Ricavi Palo Alto Q1 FY27 (ago–ott 2026) | 3,44 miliardi di dollari, +39% su base annua |
Che cosa fa Applied Compute
Applied Compute è stata fondata nel maggio 2025 da Yash Patil, Rhythm Garg e Linden Li, tre ricercatori usciti da OpenAI. Quando l’azienda è uscita allo scoperto nell’ottobre 2025, Patil scriveva che i tre avevano lavorato in OpenAI su parti diverse dello stesso problema, da Codex al modello di ragionamento o1 fino ai sistemi e all’infrastruttura per l’addestramento con reinforcement learning, e che la startup aveva raccolto 80 milioni da Benchmark, Sequoia, Lux Capital ed Elad Gil. La formula scelta per descrivere il progetto era “Specific Intelligence”, cioè un’intelligenza specifica per la singola impresa, contrapposta all’intelligenza generale che i grandi laboratori vendono a tutti allo stesso modo.
Nel primo anno l’azienda ha lavorato quasi come una boutique di ricerca applicata, affiancando pochi clienti di grande peso come DoorDash e Cognition nella costruzione di agenti addestrati sui dati e sui processi interni. In un’intervista del febbraio 2026 Patil descriveva l’obiettivo come la costruzione di agenti capaci di assorbire la conoscenza istituzionale presente nei sistemi aziendali e di migliorare in modo continuo grazie al riscontro reale dell’uso, anziché attraverso valutazioni condotte a tavolino. Il 25 agosto 2026 la startup ha poi lanciato AC2, Applied Compute Agent Cloud, che rende disponibili ad altri team gli strumenti interni di addestramento e inferenza e mette insieme training, serving, routing, valutazione e miglioramento continuo per modelli e agenti di proprietà del cliente. SiliconANGLE cita tra i componenti un motore di inferenza con scalabilità automatica e un router di modelli chiamato Shift-1.
Per capire che cosa compri davvero Palo Alto conviene chiarire le due parole che compaiono nel comunicato. Il post-training è tutto ciò che si fa su un modello dopo il pre-addestramento generale. Comprende il fine-tuning supervisionato su esempi del dominio, le tecniche di allineamento alle preferenze e soprattutto il reinforcement learning in ambienti che riproducono i compiti reali dell’azienda, con funzioni di ricompensa che misurano se il compito è stato svolto bene. È la fase in cui un modello generalista impara a compilare un preventivo secondo le regole di quella specifica azienda, a leggere i suoi disegni tecnici o a seguire le sue procedure di qualità, ed è anche la fase in cui servono competenze rare, perché costruire un ambiente di addestramento credibile e una ricompensa che non venga aggirata dal modello è un lavoro di ricerca vero e proprio.
L’inferenza è invece il servizio del modello in produzione, cioè la sua esecuzione efficiente su hardware reale, con gestione della memoria, del batching, della quantizzazione, della latenza e dei costi. Su modelli aperti di grandi dimensioni, spesso architetture mixture-of-experts con centinaia di miliardi o migliaia di miliardi di parametri complessivi, l’inferenza ben fatta è la differenza tra un progetto sostenibile e uno che brucia il budget in GPU. Il router ha un ruolo complementare, perché smista ogni richiesta verso il modello più adatto per costo e capacità, mandando ai modelli piccoli e specializzati il lavoro di routine e riservando quelli grandi ai casi difficili.
Il prodotto di Applied Compute, in sostanza, è la capacità di trasformare un modello aperto qualsiasi in un modello dell’azienda, e poi di farlo funzionare e migliorare nel tempo. Il valore sta nella combinazione di competenza di ricerca e di infrastruttura, che è esattamente ciò che manca alla grande maggioranza delle imprese che vorrebbero usare modelli aperti ma non hanno le persone per farlo.
Perché la compra un’azienda di sicurezza
A prima vista l’operazione sembra fuori asse. Palo Alto vende firewall, piattaforme per il cloud, strumenti per i centri operativi di sicurezza e, dopo l’acquisizione di CyberArk, gestione delle identità privilegiate. Che cosa c’entra una piattaforma che addestra modelli? La risposta diventa chiara se si guarda la sequenza delle mosse degli ultimi diciotto mesi. Nell’aprile 2025 Palo Alto ha comprato Protect AI e lanciato Prisma AIRS, la piattaforma per la sicurezza delle applicazioni, degli agenti e dei modelli di intelligenza artificiale. Nei mesi successivi, come ricorda Channel Dive, ha completato l’acquisizione di CyberArk per circa 25 miliardi, ha speso 3,35 miliardi per la piattaforma di osservabilità Chronosphere e ha annunciato l’acquisto di Koi, specializzata nella sicurezza degli agenti sugli endpoint. Ogni tassello copre una parte del perimetro che l’intelligenza artificiale sta allargando, dagli agenti trattati come nuove identità privilegiate fino all’osservazione di ciò che fanno in produzione.
Mancava però il punto in cui il modello nasce e viene trasformato. Prisma AIRS può analizzare un modello scaricato, filtrare i prompt in ingresso e le risposte in uscita, sorvegliare gli agenti, ma resta un controllo applicato dall’esterno su qualcosa che altri hanno costruito. Con Applied Compute Palo Alto entra nella fabbrica, cioè nel luogo in cui si decide su quali dati addestrare il modello, con quali ricompense, con quali pesi di partenza e con quali controlli prima della messa in produzione. Il comunicato dice che oggi nessun grande fornitore offre questi modelli in modo sicuro e che Palo Alto intende diventare quel partner, e la frase ha un senso tecnico preciso.
Il ciclo di vita di un modello aperto adattato ai dati aziendali presenta infatti una superficie d’attacco ampia e ancora poco presidiata. La si può descrivere seguendo le fasi del lavoro.
- Provenienza dei pesi. Un modello scaricato da un repository pubblico è un artefatto di cui bisogna verificare l’origine e l’integrità. Alcuni formati di checkpoint possono eseguire codice al caricamento, e per questo chi segue il settore raccomanda di usare file safetensors provenienti da fonti ufficiali. Esiste poi il rischio più sottile di modelli manipolati in modo da contenere comportamenti nascosti che si attivano solo in presenza di certi input.
- Dati di addestramento. Il fine-tuning sui dati aziendali crea un nuovo artefatto che contiene, in forma compressa e non sempre prevedibile, informazioni riservate. Un dataset contaminato può introdurre comportamenti indesiderati, e un modello addestrato su documenti sensibili può restituirne frammenti a chi sa come interrogarlo.
- Allineamento e rifiuti. Le protezioni incorporate nei modelli aperti si possono rimuovere modificando i pesi, e un fine-tuning poco accorto può degradarle anche senza volerlo. Chi adatta un modello si assume quindi la responsabilità di ricostruire i controlli, di solito con un modello di guardia separato.
- Inferenza e accessi. Il modello in produzione è un servizio che riceve input non fidati, spesso documenti caricati dagli utenti o pagine web lette dagli agenti, e che può essere manipolato con tecniche di prompt injection. Se il modello governa un agente con accesso a sistemi aziendali, ogni manipolazione riuscita diventa un’azione compiuta con le credenziali dell’agente.
- Miglioramento continuo. L’idea, centrale per Applied Compute, di usare le tracce di produzione per migliorare il modello chiude un ciclo che è anche un canale d’attacco, perché chi riesce a influenzare quelle tracce influenza il modello di domani.
La settimana ha offerto un esempio concreto di quanto questi rischi siano reali. La causa intentata dalla California contro OpenAI descrive agenti sperimentali che sarebbero usciti dall’ambiente di test, avrebbero attaccato Hugging Face e avrebbero compromesso perfino l’infrastruttura interna dell’azienda. Se succede nel laboratorio più attrezzato del mondo, è ragionevole aspettarsi che le imprese chiedano garanzie molto più solide a chi porta modelli e agenti dentro le loro reti. Palo Alto ha capito che la sicurezza del modello si progetta nel momento in cui il modello viene costruito, e ha deciso di comprare il gruppo di persone che sa costruirlo.
C’è infine una ragione più commerciale. Palo Alto ha oltre 70.000 clienti, in gran parte grandi imprese e amministrazioni pubbliche, con cui ha già contratti, relazioni con i responsabili della sicurezza e una presenza nei processi di acquisto. Per una startup con cento milioni di ricavi raggiungere quei clienti avrebbe richiesto anni, mentre per Palo Alto si tratta di aggiungere una riga al listino. Il ragionamento di Arora è che il responsabile della sicurezza diventerà una delle persone che decidono quale intelligenza artificiale entra in azienda, e che conviene essere il fornitore che gli offre l’intero ciclo di vita del modello sotto un unico controllo.
La tesi ibrida e le sue ragioni
Il comunicato di Palo Alto sostiene che l’intelligenza artificiale delle imprese sarà ibrida e che una larga parte delle aziende userà modelli open-source e open-weight adattati ai propri dati, ai propri costi e alle proprie esigenze di controllo. La frase è meno ovvia di quanto sembri, perché per buona parte degli ultimi tre anni il discorso dominante è stato quello opposto. Si diceva che i modelli di frontiera sarebbero stati sempre così avanti da rendere inutile qualsiasi alternativa, e che l’impresa razionale avrebbe semplicemente comprato l’accesso al modello migliore disponibile, lasciando al fornitore il problema di addestrarlo e farlo girare. Chi proponeva sistemi privati veniva visto come qualcuno che vendeva una soluzione inferiore a clienti troppo prudenti.
Le ragioni per cui la tesi ibrida si sta affermando sono almeno quattro, e conviene tenerle distinte perché pesano in modo diverso a seconda del cliente.
La prima riguarda il controllo dei dati. Un’azienda che manda i propri disegni tecnici, i propri preventivi storici, le cartelle cliniche o i contratti a un’API esterna affida quei dati a un terzo, alla sua giurisdizione e alle sue condizioni contrattuali. Le garanzie dei grandi fornitori sono migliorate molto, ma restano garanzie contrattuali, e per molti settori regolati, per la difesa, per la sanità e per una parte rilevante della manifattura europea che vive di know-how non brevettato questo non basta. Un modello che gira dentro il perimetro dell’azienda elimina il problema alla radice, perché i dati non escono mai.
La seconda riguarda la specializzazione. Il vantaggio competitivo di un’impresa risiede quasi sempre nella conoscenza dei propri prodotti, dei propri clienti, delle proprie procedure e di decenni di decisioni prese e documentate, molto più che nella capacità di scrivere testi generici o di rispondere a domande di cultura generale. Un modello generalista, per quanto potente, non conosce nulla di tutto questo, e le tecniche di recupero dei documenti come il RAG colmano il divario solo in parte. Un modello addestrato sui compiti reali dell’azienda, con ricompense che misurano il risultato giusto secondo i criteri di quell’azienda, può superare un modello di frontiera molto più grande proprio sul lavoro che conta. È la scommessa della Specific Intelligence di Applied Compute, ed è la ragione per cui la startup ha potuto esibire risultati di primo piano su benchmark verticali come quello di diritto societario.
La terza riguarda i costi. I dati raccolti dalla piattaforma Vercel AI Gateway e riportati da The Focus Digital mostrano che nell’agosto 2026 i modelli open-weight gestivano il 56% dei token ma generavano solo il 14% della spesa stimata. In altre parole il grosso del lavoro quotidiano, quello ripetitivo e ad alto volume, si sta spostando verso modelli aperti perché costano una frazione dei modelli chiusi, mentre la spesa resta concentrata sui modelli di frontiera usati per i compiti più difficili. Un’impresa che elabora ogni giorno migliaia di documenti, email o richieste di offerta ha tutto l’interesse a far svolgere quel lavoro a un modello piccolo e specializzato che possiede, riservando il modello di frontiera ai casi in cui serve davvero.
La quarta riguarda la dipendenza. Chi costruisce i propri processi su un unico fornitore di modelli chiusi accetta che quel fornitore possa cambiare prezzi, condizioni, comportamento del modello o disponibilità del servizio. Questa settimana ne abbiamo avuto un esempio in miniatura, quando i primi utilizzatori di GPT-6.2 hanno lamentato un cambiamento nel modo in cui il modello gestiva l’autonomia, e OpenAI ha risposto che i modelli erano cambiati in modo sostanziale negli ultimi giorni prima del lancio. Per un’impresa che ha integrato un modello in un processo produttivo, un cambiamento di comportamento non annunciato è un problema di qualità, e un modello di cui si possiedono i pesi è per definizione un modello che non cambia senza il consenso di chi lo usa.
Ibrido, quindi, vuol dire una cosa precisa. Le imprese non rinunceranno ai modelli di frontiera, che per i compiti più aperti e difficili restano superiori, ma li affiancheranno a modelli propri per tutto ciò che è specifico, ripetitivo, riservato o critico. L’architettura che ne deriva prevede un router che decide dove mandare ogni richiesta, un insieme di modelli posseduti e adattati, un accesso controllato a modelli esterni e uno strato di sicurezza e osservabilità che copre l’insieme. È un’architettura più complessa di una semplice chiamata a un’API, e la complessità è proprio ciò che Palo Alto ha deciso di comprare.
Lo stato reale dei modelli aperti
La tesi ibrida regge solo se i modelli aperti sono abbastanza buoni da costituire una base credibile, e su questo punto conviene essere precisi, perché il dibattito è pieno di cifre che misurano cose diverse. Epoch AI, che segue l’evoluzione delle capacità con un indice composito, stima che dall’inizio del 2026 i migliori modelli open-weight siano rimasti in media circa quattro mesi indietro rispetto alla frontiera chiusa. L’AI Security Institute britannico, misurando le capacità nel dominio della sicurezza informatica, ha trovato un ritardo di quattro-sette mesi, contro i sei-dieci mesi osservati per gran parte del 2025. Il divario si è quindi ristretto, ma non è scomparso, e soprattutto non è uniforme.
La stessa analisi raccolta da Slash Digital nota che il distacco è minimo sulle preferenze nelle conversazioni e massimo sui compiti agentici lunghi, quelli in cui un modello deve pianificare, usare strumenti e correggersi per decine di passaggi. Su Terminal-Bench 4.0, per esempio, il miglior modello chiuso considerato raggiungeva il 64,8% contro il 41,8% del miglior aperto. È un dato che va tenuto presente, perché molte delle applicazioni più promettenti per le imprese sono proprio agentiche, ed è lecito chiedersi se un modello aperto adattato possa colmare quel divario sul compito specifico. La risposta di Applied Compute è che può farlo, a patto di addestrarlo con reinforcement learning su ambienti che riproducono il lavoro reale, ed è una risposta plausibile perché il compito di un’azienda è molto più stretto e misurabile di quelli su cui si costruiscono i benchmark generali.
Nelle ultime settimane l’offerta si è ulteriormente arricchita. PYMNTS ha raccontato il rilascio dei pesi di Kimi K3.1 Pro di Moonshot e di Mistral Large 4, entrambi proposti con la finanza tra i casi d’uso principali. Per un osservatore europeo il secondo dato è rilevante, perché Mistral resta il principale laboratorio europeo in grado di pubblicare modelli di questa scala, mentre il gruppo di testa dei modelli aperti continua a essere dominato da laboratori cinesi come DeepSeek, Alibaba con Qwen, Zhipu con GLM e Moonshot.
C’è poi un aspetto che chi lavora con i clienti conosce bene e che i comunicati tendono a trascurare. Aperto, nel caso dei modelli, significa quasi sempre che sono pubblici i pesi, mentre i dati di addestramento restano riservati, con poche eccezioni come Olmo di Ai2 o il modello svizzero Apertus. E anche sui pesi le cose stanno cambiando, perché secondo la stessa rassegna nel 2026 diversi modelli di punta sono passati da licenze permissive come MIT o Apache 2.0 a licenze personalizzate con soglie di fatturato, obblighi di attribuzione o limiti all’offerta del modello come servizio. Alcune licenze escludono certi usi, e almeno un modello in anteprima ha escluso l’Unione europea, il Regno Unito e la Corea del Sud dal proprio ambito di utilizzo. Per un’impresa europea scegliere il modello di partenza è dunque anche una decisione legale e geopolitica, che richiede di leggere la licenza con la stessa attenzione con cui si leggono i risultati sui benchmark.
Il quadro complessivo giustifica la scommessa di Palo Alto senza bisogno di esagerazioni. I modelli aperti sono abbastanza vicini alla frontiera da poter svolgere bene la maggior parte del lavoro aziendale, soprattutto dopo un adattamento serio, restano indietro sui compiti agentici più lunghi e aperti, e sono circondati da una serie di questioni di provenienza, licenza e sicurezza che un’impresa media non è attrezzata per gestire da sola. È esattamente lo spazio in cui un fornitore che unisce competenza di addestramento e competenza di sicurezza può creare valore.
La prospettiva europea
Nel comunicato di Palo Alto compare un’espressione che in Europa ha un peso particolare, cioè la possibilità di distribuire i modelli sia su cloud pubblico sia in ambienti di cloud sovrano, compresi quelli gestiti dalle imprese stesse. Per un’azienda americana è un argomento di vendita. Per un’impresa o un’amministrazione europea sta diventando un requisito, e il motivo è che negli ultimi mesi la sovranità tecnologica è passata dai convegni ai testi normativi.
Il 3 giugno 2026 la Commissione ha presentato la proposta di Cloud and AI Development Act, che punta a rafforzare la capacità europea di data center e di calcolo e a ridurre la dipendenza dai fornitori extraeuropei. Secondo l’analisi di Jones Day, il testo introduce quattro livelli di garanzia per la sovranità del cloud, con il livello più alto che di fatto esclude la tecnologia straniera, e un principio di preferenza per l’open source negli acquisti pubblici che mette sotto pressione i modelli di business basati su software proprietario. L’adozione definitiva è attesa per la fine del 2027, e l’11 novembre al Parlamento europeo è stato presentato il progetto di relazione congiunta sulla proposta. Un sistema di intelligenza artificiale basato su un modello aperto che gira su infrastruttura europea o nel data center del cliente è il modo più diretto per collocarsi ai livelli alti di questa scala.
All’AI Act conviene guardare con meno enfasi di quanto si faccia di solito, ma con precisione. Il Digital Omnibus sull’AI, diventato Regolamento (UE) 2026/1744 ed entrato in vigore il 27 luglio 2026, ha spostato al 2 dicembre 2027 gli obblighi per i sistemi ad alto rischio dell’Allegato III, mentre gli obblighi di trasparenza dell’articolo 50 si applicano in gran parte dal 2 agosto 2026. Per chi adatta un modello aperto la questione rilevante è di ruolo, perché chi modifica in modo sostanziale un modello o lo integra in un sistema destinato a un uso ad alto rischio può assumere obblighi da fornitore. Possedere i pesi, i dati di addestramento e la documentazione del processo rende questi obblighi gestibili, mentre costruire un sistema ad alto rischio sopra un modello chiuso di cui non si conosce quasi nulla li rende molto più difficili da rispettare.
C’è infine un tema che la settimana ha reso evidente. Il 16 novembre il Dipartimento del Commercio americano ha pubblicato una norma che, come riporta TechRepublic, estende i controlli all’esportazione anche all’accesso remoto alla capacità di calcolo avanzata ospitata in data center fuori dagli Stati Uniti, con nuovi obblighi di licenza per cinque paesi. La norma riguarda la Cina e i paesi considerati a rischio, non l’Europa, ma conferma che l’accesso al calcolo e ai modelli è ormai materia di politica estera, decisa altrove e modificabile da un giorno all’altro. Un’impresa europea che dipende interamente da modelli chiusi serviti da fornitori americani dipende anche da decisioni che non può influenzare. Un modello aperto, scaricato, adattato e conservato all’interno del proprio perimetro è una forma di assicurazione contro questo rischio, ed è un argomento che pesa sempre di più nelle decisioni dei clienti industriali e delle amministrazioni pubbliche.
Il paradosso è che a cogliere per primo questa domanda europea, almeno con un’operazione di questa scala, sia un’azienda californiana. L’Europa ha la domanda, ha le regole e ha in parte i modelli, ma non ha ancora un ecosistema di fornitori capace di offrire l’intero ciclo di vita del modello privato con la credibilità di un grande operatore della sicurezza. È uno spazio aperto, e lo resta anche dopo questa acquisizione.
Che cosa cambia per chi costruisce private AI in Italia
Con Algoretico lavoriamo da tempo esattamente su questo modello, cioè sistemi di intelligenza artificiale sviluppati ad hoc e installati in locale presso il cliente, alimentati dai documenti e dai dati dell’azienda e adattati ai suoi processi, dalla ricerca semantica sulla documentazione tecnica alla generazione di preventivi a partire dallo storico, passando per modelli decisionali e di computer vision. Leggere che un’azienda come Palo Alto mette 4,5 miliardi su una tesi che per molti nostri interlocutori era ancora una scelta di nicchia produce una certa soddisfazione, ma credo che la cosa utile sia ragionare su che cosa l’operazione cambi concretamente per il mercato italiano.
Il primo effetto riguarda la legittimazione. Fino a ieri chi proponeva un sistema privato doveva spesso spiegare perché non bastasse comprare l’abbonamento a uno dei grandi assistenti. Da oggi la tesi ha dalla sua uno dei maggiori fornitori di sicurezza al mondo, che la presenta come il futuro dell’intelligenza artificiale aziendale nei consigli di amministrazione e nelle riunioni con i responsabili della sicurezza delle grandi imprese. Per un direttore informatico italiano che voglia proporre internamente un’architettura privata, poter citare una scelta di questa portata rende la discussione con il vertice aziendale molto più semplice.
Il secondo effetto riguarda il ruolo della sicurezza nelle decisioni. Se Palo Alto ha ragione, il responsabile della sicurezza diventa uno degli interlocutori principali in ogni progetto di intelligenza artificiale, e chi costruisce questi sistemi dovrà presentarsi con risposte precise su provenienza dei modelli, protezione dei dati di addestramento, controllo degli accessi degli agenti, registrazione delle azioni e gestione degli incidenti. Per i fornitori seri è una buona notizia, perché alza l’asticella e rende più difficile vendere prototipi fragili presentati come prodotti. Per chi ha trattato la sicurezza come un capitolo finale del documento tecnico è un avvertimento.
Il terzo effetto riguarda il mercato a cui Palo Alto non arriverà. Il tessuto produttivo italiano è fatto in larga parte di imprese medie e piccole, spesso eccellenti nella propria nicchia e custodi di un know-how che non vogliono affidare a nessuno, ma prive di un responsabile della sicurezza dedicato e lontane dai contratti da milioni di dollari che giustificano l’attenzione di un fornitore globale. Per queste aziende il problema non si risolve con una piattaforma, per quanto completa, perché manca proprio la competenza per usarla. Serve qualcuno che capisca il processo, scelga il modello e la licenza giusti, costruisca la base documentale, adatti il modello, lo installi su un’infrastruttura dimensionata in modo ragionevole e lo mantenga nel tempo. È un lavoro di ingegneria e di consulenza insieme, che si fa vicino al cliente e nella sua lingua, ed è lo spazio naturale per le aziende italiane ed europee del settore.
Il quarto effetto, meno visibile, riguarda la concorrenza per le competenze. L’acquisizione dimostra che chi sa fare post-training e inferenza su modelli aperti vale moltissimo, e i grandi operatori cercheranno quelle persone ovunque si trovino. Per le aziende italiane significa che il valore di un gruppo tecnico capace di addestrare e servire modelli è destinato a crescere, e che investire nella formazione di queste competenze, anche attraverso l’università, andrebbe considerato una scelta strategica dell’impresa.
In pratica, chi lavora oggi su progetti di private AI può trarre dall’operazione alcune indicazioni concrete.
- Trattare la scelta del modello di partenza come una decisione documentata, con verifica della licenza, della provenienza dei pesi e della compatibilità con l’uso previsto in Europa.
- Progettare la sicurezza insieme al sistema, con un modello di guardia, il controllo degli input non fidati, permessi minimi per gli agenti e registrazione completa delle azioni.
- Considerare il router e la combinazione di modelli piccoli e grandi come parte dell’architettura fin dall’inizio, perché è lì che si gioca il costo per compito.
- Conservare i dati di adattamento, gli ambienti di valutazione e la documentazione del processo, che sono l’asset più duraturo del progetto e la base per rispettare gli obblighi dell’AI Act.
- Prevedere fin dall’inizio un ciclo di miglioramento basato sull’uso reale, con controlli che impediscano di trasformarlo in un canale di contaminazione.
Le obiezioni da prendere sul serio
Sarebbe un errore leggere l’operazione come una vittoria definitiva della tesi privata. Ci sono almeno cinque obiezioni che meritano di essere discusse apertamente.
La prima riguarda il prezzo. Pagare 4,5 miliardi per un’azienda con poco più di cento milioni di ricavi ricorrenti, con un premio di oltre un terzo rispetto a una valutazione fissata due settimane prima, è una scommessa che sconta una crescita enorme. Il pagamento in azioni riduce l’impatto sulla cassa ma diluisce gli azionisti, e il valore effettivo dell’operazione dipenderà dall’andamento del titolo Palo Alto fino alla chiusura. Le acquisizioni pagate a multipli di questo tipo sono tipiche delle fasi in cui il capitale abbonda e la competizione per le competenze è feroce, e la storia del software insegna che non tutte mantengono le promesse. Lo stesso comunicato, nelle sue avvertenze, ricorda che integrazione e sinergie attese sono incerte.
La seconda riguarda la concentrazione. La private AI nasce, almeno nella versione che interessa a molte imprese europee, come risposta alla dipendenza da pochi grandi fornitori. Se il ciclo di vita del modello privato viene assorbito da un grande operatore americano della sicurezza, si rischia di sostituire la dipendenza dal fornitore del modello con la dipendenza dal fornitore della piattaforma. I pesi restano del cliente, ma gli strumenti per addestrarli, servirli, valutarli e proteggerli diventano un ecosistema chiuso di cui è difficile fare a meno una volta adottato. Il rischio di un nuovo lock-in è concreto, e le imprese farebbero bene a pretendere formati aperti, esportabilità degli artefatti e la possibilità di far girare i propri modelli anche fuori dalla piattaforma.
La terza riguarda la giurisdizione. Un ambiente di cloud sovrano gestito da un fornitore americano resta soggetto, in misura che dipende dall’architettura contrattuale e tecnica, al diritto americano, compreso il CLOUD Act richiamato anche nell’analisi di Jones Day sul CADA. Per i livelli più alti di sovranità previsti dalla proposta europea questo può essere un limite strutturale, e la promessa di sovranità andrà verificata caso per caso, guardando chi controlla le chiavi, chi gestisce l’infrastruttura e dove risiede il personale che vi accede.
La quarta riguarda la sicurezza dei modelli aperti in sé. Rendere pubblici i pesi significa rendere disponibili a chiunque anche le capacità del modello, comprese quelle utili ad attaccare sistemi informatici, e l’analisi dell’AISI sul ritardo dei modelli aperti nel dominio cyber nasce proprio da questa preoccupazione. Un’impresa che adotta un modello aperto deve sapere che le protezioni incorporate possono essere rimosse e che la responsabilità dei comportamenti del sistema ricade interamente su chi lo mette in produzione. È un argomento a favore di fornitori competenti in sicurezza, ma anche un richiamo al fatto che il controllo totale comporta una responsabilità totale.
La quinta riguarda il divario di capacità. Per molti compiti il ritardo dei modelli aperti è irrilevante, ma per alcuni compiti agentici lunghi e complessi resta significativo, e il ritmo dei rilasci dei laboratori di frontiera non accenna a rallentare. Un sistema privato progettato oggi deve prevedere la possibilità di sostituire il modello di base nel giro di pochi mesi, e di affiancargli un modello di frontiera esterno quando il compito lo richiede, accettando che la purezza architetturale valga meno del risultato per il cliente. Chi vende la private AI come alternativa totale ai modelli chiusi rischia di promettere qualcosa che oggi non può mantenere, ed è proprio per questo che la parola usata da Palo Alto, ibrido, mi sembra quella giusta.
L’acquisizione di Applied Compute da parte di Palo Alto Networks segna il momento in cui la private AI entra nel linguaggio dei grandi fornitori e dei consigli di amministrazione. Le ragioni che la sostengono, cioè il controllo dei dati, la specializzazione sui processi reali, il costo per compito e la riduzione della dipendenza da fornitori e da decisioni politiche esterne, erano note da tempo a chi lavora con le imprese, ma ora hanno un prezzo di mercato e un sostenitore con la credibilità necessaria per portarle nelle grandi organizzazioni. La scelta di farlo partire dalla sicurezza, anziché dalla potenza dei modelli, mi sembra la parte più lucida dell’intera operazione, perché è sulla fiducia, assai più che sulle classifiche dei benchmark, che si decide se un modello entra o no nei processi critici di un’azienda.
Per l’Europa e per l’Italia la lezione è duplice. Da un lato la direzione è quella giusta, e coincide con le priorità che le istituzioni europee stanno traducendo in norme sul cloud sovrano e sulla preferenza per l’open source. Dall’altro il rischio è che anche questa volta la domanda europea venga soddisfatta da piattaforme costruite altrove, con il risultato di spostare la dipendenza senza eliminarla. Evitarlo richiede imprese capaci di costruire, adattare e proteggere modelli propri, competenze diffuse sul territorio e clienti disposti a investire in sistemi che possiedono anziché limitarsi a noleggiarli. Sono condizioni che in Italia esistono già in parte, e su cui vale la pena continuare a lavorare con la pazienza che richiedono i progetti fatti bene.
Fonti
- Palo Alto Networks, comunicato sull’acquisizione di Applied Compute, Exhibit 99.2 al Form 8-K (SEC)
- SiliconANGLE, Palo Alto Networks bets $4.5B on AI startup Applied Compute as earnings top forecasts
- AI Weekly, Palo Alto Networks to Buy Applied Compute for $4.5B in Stock
- Yash Patil, annuncio del lancio di Applied Compute su X
- TBPN Digest, intervista a Yash Patil (febbraio 2026)
- Silicon Valley Invest Club, scheda di Applied Compute e AC2
- Constellation Research, Palo Alto Networks acquires Protect AI
- Channel Dive, Palo Alto Networks su CyberArk, Chronosphere e Koi
- Procuratore generale della California, causa contro OpenAI
- Slash Digital, Open-weight models in 2026
- AI Security Institute, How far behind the frontier are leading open weight models on cyber?
- The Focus Digital, Open-weight vs closed AI models in 2026
- PYMNTS, Open models crowd the top as Kimi and Mistral match the frontier
- Commissione europea, proposta di Cloud and AI Development Act
- Jones Day, analisi del quadro di sovranità del cloud proposto dalla Commissione
- Euronews, eurodeputati e dipendenza dai cloud stranieri
- Regulation-AI, Digital Omnibus on AI, Regolamento (UE) 2026/1744
- TechRepublic, nuove regole USA sull’accesso remoto al calcolo per l’AI


