Il 1 settembre 2026 Perplexity ha lanciato una funzione chiamata Hybrid Compute su Mac. L'idea in breve: una singola attività viene suddivisa tra due luoghi. I passaggi più pesanti — ricerca sul web, pianificazione, ragionamento a lungo termine — girano su modelli di frontiera nel cloud. I passaggi che toccano i tuoi dati sensibili vengono affidati a un piccolo modello in esecuzione sul tuo computer, e quei dati non lasciano mai il dispositivo.

In superficie è una notizia di prodotto per gli utenti Mac. Ma ciò che merita l'attenzione di un imprenditore non è il prodotto, bensì lo schema architetturale che c'è dietro: classificare i dati prima che vengano inviati, non dopo che sono arrivati. Ed è uno schema che puoi applicare nei tuoi sistemi, indipendentemente da Perplexity e indipendentemente dai Mac.

Che cosa è stato annunciato davvero

Prima di qualsiasi analisi, conviene separare ciò che è stato annunciato da ciò che è interpretazione:

  • Data: 1 settembre 2026.
  • Come funziona: ogni attività parte nel cloud e poi, a metà percorso, affida i passaggi sensibili a un modello locale senza perdere il contesto.
  • Il filtro per la privacy: un classificatore sul dispositivo legge ogni attività prima dell'invio, sostituisce nomi, indirizzi e numeri di conto con segnaposto e li ripristina quando torna la risposta.
  • Requisiti: un Mac con Apple silicon, macOS 15 o successivo e un minimo di 24GB di memoria unificata, con 32GB consigliati.
  • Abbonamento: disponibile per gli abbonati Pro e Max e per i clienti enterprise.
  • Costo: il lavoro svolto dal modello locale non consuma crediti cloud.
  • Modelli locali: diverse opzioni al lancio, tra cui Gemma 4 E4B di Google, Qwen3.6 35B-A3B di Alibaba e un modello addestrato dalla stessa Perplexity.

Ciò che non è stato annunciato — e non va dato per scontato — è un impegno contrattuale di conformità alla Legge saudita sulla protezione dei dati personali o un audit indipendente che certifichi le prestazioni del filtro. Ciò che è stato annunciato è un meccanismo tecnico e dei dati sulle prestazioni che l'azienda ha pubblicato su sé stessa.

Perché è diverso dall'"IA locale" di cui hai già sentito parlare

L'impostazione abituale era binaria: o mandi tutto nel cloud e ottieni un modello potente, o esegui un modello piccolo in locale e accetti una qualità inferiore in cambio della privacy. In pratica, nella maggior parte delle organizzazioni, la privacy ha perso questa partita, perché i team hanno bisogno di risposte di qualità per fare il proprio lavoro.

Ciò che fa questa architettura è rifiutare l'aut-aut. Una sola attività gira in entrambi i luoghi: il ragionamento avviene nel cloud e il passaggio che tocca i dati avviene sul dispositivo. Ancora più importante, la decisione non è manuale né affidata all'attenzione di un dipendente: la prende un classificatore automatico che legge il testo prima che esca.

Ed ecco il dettaglio su cui vale la pena soffermarsi: Perplexity ha pubblicato i dati sulle prestazioni di quel classificatore con una franchezza insolita, compresi i suoi punti deboli. Ha dichiarato che il recall cala sensibilmente quando il testo supera circa diecimila caratteri, e che ha risolto il problema con una tecnica di decodifica anziché riaddestrando il modello. Ha anche rilasciato il classificatore come open source.

La lezione per la tua azienda, anche se non userai mai Perplexity

La maggior parte delle organizzazioni saudite che oggi usano l'IA lo fa senza alcun filtro. Un dipendente copia il messaggio di un cliente, una clausola contrattuale o un estratto conto e lo incolla in uno strumento pubblico per chiedere un riassunto o una bozza di risposta. In quel momento i dati sono usciti dall'organizzazione, senza alcuna traccia e senza che venisse presa alcuna decisione.

Quando la direzione se ne accorge, la reazione è di solito una di due, ed entrambe perdono. Vietare del tutto gli strumenti, e i dipendenti aggirano il divieto sui dispositivi personali. Oppure chiudere un occhio finché non succede un incidente. La terza via è quella che questo annuncio illustra: smettere di chiedersi se si usa l'IA e cominciare a chiedersi che cosa può uscire dai propri sistemi, chi lo decide e dove viene registrata quella decisione.

Come integrare questo filtro nei tuoi sistemi

In pratica, ciò che implementiamo nei sistemi dei clienti poggia su quattro livelli, che funzionano tutti indipendentemente dal fornitore:

  • Classificare i campi prima di costruire la funzionalità. Prima di collegare qualsiasi modello al tuo sistema, classifica i campi del tuo database: cosa è pubblico, cosa è commercialmente sensibile, cosa sono dati personali. Questa classificazione è una decisione gestionale, non tecnica, e tutto ciò che segue dipende da essa.
  • Un livello di anonimizzazione al confine del sistema. Prevedi un unico punto attraverso cui passa ogni richiesta in uscita verso un fornitore esterno, dove gli identificativi personali vengono sostituiti con token segnaposto e ripristinati al ritorno della risposta. L'aspetto cruciale è che sia un solo punto, non una logica ripetuta in ogni schermata.
  • Elaborazione locale per ciò che non può uscire. Non ogni attività richiede un modello di frontiera. Classificare un messaggio, estrarre un numero da una fattura, ordinare le richieste di manutenzione per priorità: un piccolo modello sul tuo server le gestisce con qualità sufficiente e a un costo quasi nullo.
  • Un registro che resta. Quale richiesta è uscita, quali campi sono stati mascherati, chi l'ha chiesta e quando. Senza un registro non puoi rispondere alla domanda di un revisore né a quella di un cliente.

Nota che nessuno dei quattro livelli nomina un fornitore specifico. È voluto: i modelli cambiano ogni poche settimane, come abbiamo visto per tutto l'anno, e il filtro che costruisci oggi deve restare valido quando cambia il modello che c'è dietro.

Che cosa significa nel contesto della Legge sulla protezione dei dati personali

La Legge sulla protezione dei dati personali dell'Arabia Saudita, sotto la supervisione dell'Autorità Saudita per i Dati e l'Intelligenza Artificiale, si fonda su principi che includono la specificazione della finalità del trattamento e la minimizzazione dei dati raccolti a quanto necessario. L'organizzazione resta responsabile dei dati personali che tratta anche quando affida il trattamento a terzi.

Un'architettura come quella descritta serve direttamente entrambi i principi: i dati personali non vengono affatto inviati a terzi quando l'attività non lo richiede, e ciò che viene inviato è il minimo necessario per completare il lavoro. Ma la tecnologia da sola non è conformità: servono comunque una base giuridica per il trattamento, un'informativa sulla privacy e procedure per gestire le richieste degli interessati. Un filtro tecnico facilita la conformità; non la sostituisce, e l'unico riferimento prima di qualsiasi impegno sono la legge e il suo regolamento di attuazione.

Tre passi per iniziare questa settimana

Niente di tutto ciò richiede un grande progetto per cominciare:

  • Fai al tuo team una sola domanda: quando hai incollato per l'ultima volta contenuti di un sistema di lavoro in uno strumento di IA pubblico? Le risposte ti daranno la dimensione reale del problema in un'ora.
  • Scrivi una pagina che definisca tre categorie: ciò che non può mai uscire, ciò che può uscire dopo l'anonimizzazione e ciò che può uscire così com'è. Una pagina applicata davvero vale più di una policy di venti pagine che nessuno legge.
  • Scegli un'attività ricorrente che tocca dati personali — riassumere le conversazioni con i clienti, per esempio — e applicale i quattro livelli come prototipo. Ciò che impari da un'attività si trasferisce alle altre.

In conclusione

L'annuncio di Perplexity riguarda gli utenti Mac, ma l'idea che c'è dietro interessa ogni organizzazione che usa l'IA su dati reali: la scelta giusta non è tra cloud e dispositivo, ma se esiste un filtro che decide che cosa esce prima che esca. Le aziende che costruiscono quel filtro adesso potranno adottare qualsiasi nuovo modello in sicurezza nel giro di pochi giorni. Quelle che rimandano scopriranno di averne bisogno nel momento peggiore: dopo l'incidente, non prima.

Fonti