OVHcloud prova a spostare il baricentro della propria strategia oltre l’infrastruttura cloud, entrando nel terreno molto più competitivo dello sviluppo di modelli AI frontier. L’obiettivo dichiarato è addestrare da zero una famiglia di modelli e renderla open source quando avrà raggiunto i livelli di prestazione fissati dall’azienda. Per l’Europa è una mossa significativa: non riguarda solo un nuovo prodotto, ma la possibilità di costruire alternative credibili ai sistemi dominanti statunitensi e cinesi.
Il dato che rende l’operazione meno teorica è economico. Secondo l’amministratore delegato Octave Klaba, i costi per costruire modelli avanzati sono cambiati in modo sostanziale grazie ai progressi nei chip, nei metodi di addestramento e nell’uso di dati sintetici. Un progetto che in passato avrebbe potuto richiedere circa 1,15 miliardi di dollari, pari a circa 1 miliardo di euro, oggi potrebbe scendere sotto i 230 milioni di dollari, cioè meno di 200 milioni di euro.
OVHcloud sostiene inoltre che uno dei suoi modelli abbia completato la fase di pre-training su Jupiter, il supercomputer EuroHPC basato in Germania, descritto come il più veloce d’Europa e il primo sistema europeo di classe exascale. L’azienda, tuttavia, non ha ancora pubblicato benchmark dettagliati sulle prestazioni, un passaggio essenziale per capire se l’ambizione possa tradursi in una proposta realmente competitiva per imprese, sviluppatori e pubbliche amministrazioni.
Il progetto mette OVHcloud in un confronto più diretto con Mistral AI, la società parigina che negli ultimi anni è diventata il volto più visibile dell’AI europea. Ma il contesto è più ampio della competizione tra fornitori: governi e imprese in Europa stanno valutando l’infrastruttura AI anche attraverso criteri di governance dei dati, continuità di accesso e controllo operativo, non soltanto in base alla performance dei modelli.
Queste preoccupazioni sono diventate più concrete dopo che Anthropic ha dichiarato che una direttiva statunitense sui controlli all’export l’ha obbligata a sospendere l’accesso ai modelli Fable 5 e Mythos 5 per cittadini stranieri dentro e fuori dagli Stati Uniti. Per i CIO, episodi di questo tipo rendono più visibile il rischio di dipendere da piattaforme soggette a decisioni normative o politiche esterne al proprio perimetro operativo.
Gli analisti invitano però a distinguere tra costo di training e capacità industriale. Neil Shah di Counterpoint Research osserva che la cifra dei 200 milioni di euro si riferisce probabilmente soprattutto alla prima corsa di addestramento. Un modello, una volta creato, richiede investimenti continui: senza dati freschi, aggiornamenti e miglioramenti costanti, può diventare un asset che perde valore. A questo si aggiungono fine-tuning, post-training, infrastruttura sovrana, storage, sicurezza, distribuzione e supporto enterprise.
Anche Charlie Dai di Forrester considera il budget indicato sufficiente per avviare un modello frontier credibile, perché i guadagni di efficienza stanno abbassando la soglia d’ingresso. Ma la competitività nel mercato enterprise dipenderà da molto altro: efficienza in inferenza, pipeline dati, framework di valutazione e ampiezza dell’ecosistema. In altre parole, non basta addestrare un modello: bisogna renderlo affidabile, governabile e sostenibile in produzione.
Per Sanchit Vir Gogia di Greyhound Research, il piano resta per ora un’intenzione più che una capacità dimostrata, anche per l’assenza di benchmark pubblici. La questione della sovranità resta inoltre parziale: il pre-training è stato eseguito su Jupiter, un supercomputer europeo pubblico in Germania, ma basato su silicio americano. Un modello europeo può ridurre una parte della dipendenza da fornitori statunitensi e cinesi, ma non elimina il rischio giurisdizionale. Per le aziende, la sfida sarà capire se l’AI di OVHcloud potrà essere supportata, auditata e abbandonata senza interruzioni pesanti quando le applicazioni saranno già costruite intorno ai suoi modelli.