La corsa alla potenza di calcolo ridisegna l’economia dell’AI

Il contesto attuale: una domanda di compute senza precedenti

Negli ultimi due anni, la crescita dei modelli di linguaggio di grandi dimensioni (LLM) è passata da qualche miliardo di parametri a decine di trilioni, richiedendo una quantità di operazioni di addestramento misurabile solo in exa‑flop. Secondo una ricerca di BloombergNEF, il consumo energetico globale dei data center destinati all’AI è aumentato del 45 % nel 2023, raggiungendo circa 400 TWh all’anno, pari al consumo di tutta la Finlandia. Questa spinta ha messo sotto pressione l’intera catena di approvvigionamento: dalla produzione di GPU Nvidia e AMD, ai semiconduttori di memoria HBM, fino alle infrastrutture di raffreddamento e all’approvvigionamento elettrico.

Prezzi delle GPU: un rialzo record

Le schede grafiche più potenti, come la Nvidia H100, hanno visto il prezzo medio salire da $13 000 a oltre $30 000 per unità, con picchi che hanno raggiunto i $45 000 nelle aste B2B. La ragione è duplice: la domanda di capacità di addestramento supera di gran lunga l’offerta, e i produttori hanno dovuto aumentare gli investimenti in fabbricazione di wafer a 5 nm, con costi di sviluppo superiori a $10 miliardi per singola generazione. Il risultato è che anche le startup più ben finanziate devono allocare una quota significativa del loro budget – spesso il 30‑40 % – solo per garantire l’accesso alle GPU necessarie.

Accordi strategici: il caso Anthropic‑SpaceX

Nel gennaio 2024, Anthropic ha firmato un accordo pluriennale con SpaceX per utilizzare la costellazione di satelliti Starlink come backbone a bassa latenza per il training distribuito dei propri modelli. Il contratto prevede l’allocazione di 10 000 GPU‑equivalenti per un periodo di cinque anni, a fronte di un investimento di $1,2 miliardi da parte di Anthropic. Questo esempio dimostra come le aziende AI stiano cercando partner non tradizionali – fornitori di connettività, operatori di energia rinnovabile – per superare i colli di bottiglia dell’infrastruttura.

Investimenti dei colossi tech

Alphabet ha annunciato un piano da $10 miliardi per espandere i propri data center AI entro il 2027, includendo la costruzione di nuovi impianti di raffreddamento ad acqua di mare in California e in Norvegia. Meta, dal canto suo, ha destinato $8 miliardi a progetti di “compute on demand”, creando una piattaforma di leasing di GPU che permette a partner esterni di accedere a risorse AI a tariffa variabile in base al carico. Entrambi i casi evidenziano una tendenza: le grandi aziende stanno trasformando il capitale computazionale in un servizio vendibile, creando nuovi flussi di ricavi.

L’iniziativa europea: verso l’autosufficienza

L’Unione Europea ha lanciato il “European Supercomputing Programme” (EuroSuper) con un budget di €7,5 miliardi, volto a costruire 5 data center “AI‑first” in Germania, Francia, Italia, Spagna e Paesi Bassi entro il 2030. L’obiettivo è garantire 20 % della capacità di calcolo globale all’interno del territorio europeo, riducendo la dipendenza da fornitori extra‑UE e favorendo l’adozione di processori basati su architetture RISC‑V. Inoltre, l’UE offre incentivi fiscali del 30 % per le imprese che investono in hardware verde, promuovendo una crescita sostenibile.

Strategie operative per le startup

Di fronte a questi scenari, le startup devono adottare approcci più pragmatici per garantire il proprio “compute”. Ecco alcune linee d’azione concrete:

• Pre‑acquisto di capacità cloud: negoziare contratti a lungo termine con fornitori come AWS, Google Cloud o Azure, includendo clausole di “capacity guarantee” che blocchino prezzi fissi per 2‑3 anni.
• Ottimizzazione dei modelli: impiegare tecniche di quantizzazione, pruning e knowledge distillation per ridurre il fabbisogno di FLOP senza sacrificare le performance.
• Utilizzo di spot instances: sfruttare le offerte di GPU a prezzo ridotto (fino al 70 % in meno) durante le ore di bassa domanda, pianificando il training in modalità batch.
• Partnership con fornitori di energia rinnovabile: stipulare accordi con parchi eolici o solari per ottenere crediti energetici, riducendo il costo dell’elettricità, spesso la voce di spesa più alta nei data center.
• Finanziamento dedicato al compute: includere nel business plan una voce di debito specifica per l’acquisto di hardware, garantita da asset come server o contratti di leasing.

Implicazioni a lungo termine per il mercato

La scarsità di compute sta accelerando una ridefinizione dei poteri di mercato. Le aziende che riescono a controllare l’accesso a grandi pool di GPU diventano “gatekeeper” dell’AI, con la capacità di influenzare prezzi, standard tecnici e persino le politiche di regolamentazione. Al contempo, la crescente pressione ambientale spinge verso soluzioni più efficienti dal punto di vista energetico, favorendo architetture come i chip basati su fotonica o i processori neuromorfici, ancora in fase di sviluppo ma con potenziale di riduzione del consumo del 80 % rispetto alle GPU tradizionali.

Prospettive future

Se la tendenza attuale continuerà, entro il 2030 la spesa globale per il compute AI supererà i $200 miliardi, con una quota significativa destinata a infrastrutture edge e a sistemi ibridi che combinano cloud pubblico e private data center. Le decisioni prese oggi – dagli investimenti in hardware alla scelta di partner strategici – determineranno quali attori potranno sostenere la prossima generazione di modelli di intelligenza artificiale, più potenti e più efficienti, e chi resterà escluso dalla corsa.