L’immaginario corrente dell’intelligenza artificiale è dominato da fotografie di giga datacenter nel deserto, rendering pieni di led blu, turbine che sembrano uscite da un film di fantascienza e bilanci trimestrali dove i margini di NVIDIA Corporation assomigliano più a quelli del lusso che a quelli dell’hardware. Il racconto è semplice, troppo semplice: chi possiede GPU possiede il futuro, come ci spiega Stefano Quintarelli sul suo blog. È una narrativa potente, lineare, vendibile agli investitori e adorata da chi confonde la scala industriale con il vantaggio permanente.

Il problema è che spesso il mercato scambia il fossato competitivo con il castello di sabbia.

Oggi abbiamo un ecosistema AI che si regge su consumi elettrici ciclopici, capex sempre più aggressivi, supply chain tese come corde di violino e un ristretto numero di aziende verticalmente integrate che controllano silicio, networking, toolchain e accesso al compute. È una forma moderna di feudalesimo tecnologico, con una differenza: il castello consuma gigawatt. Il modello economico dominante è chiaro. Pochi hyperscaler spendono somme enormi, molti clienti pagano canoni ricorrenti, tutti applaudono la crescita finché la musica continua.

Ma la musica, nella tecnologia, non continua mai allo stesso ritmo.

La mia posizione è nota e rimane pragmaticamente impopolare. Da un lato il B2C diventerà sempre più un nuovo media, un layer di interfaccia conversazionale, distribuzione contenuti, customer acquisition e automazione a basso costo per PMI e professionisti. Dall’altro lato il vero enterprise non si giocherà solo nei mega cluster remoti, bensì in sistemi dipartimentali, verticali, locali, con inferenza distribuita sui documenti personali, sui knowledge base interni, sui PC aziendali, sui laptop dei dipendenti, su edge node privati. Meno teatro, più utilità.

È meno sexy di una server farm da miliardi, quindi probabilmente più reale.

Chi guarda soltanto ai datacenter perde il punto cruciale: l’AI economica non sarà necessariamente quella più potente, ma quella abbastanza buona, vicina ai dati, controllabile, prevedibile nei costi e compatibile con compliance, privacy e governance. In Europa, questo dettaglio non è un dettaglio. È il business model.

Per questo conviene osservare alcune società emergenti come Etched, Fractile e Taalas, citate spesso nel dibattito su nuove architetture orientate all’inferenza, ASIC specializzati e modelli più efficienti. Il loro messaggio implicito è brutale: se il training è la cattedrale costosa, l’inferenza è la città dove vive davvero l’economia.

Molti investitori continuano però a ragionare come se fossimo nel 2023, quando bastava dire “GPU shortage” per giustificare qualsiasi multiplo. Oggi il mercato sta iniziando a capire che il valore non sta solo nel ferro, ma nel software che rende il ferro indispensabile. Qui entra il vero tema: CUDA.

CUDA non è soltanto una piattaforma di sviluppo. È un meccanismo di lock-in industriale straordinariamente efficace. Chi costruisce stack, librerie, modelli, pipeline e competenze intorno a CUDA accumula switching cost enormi. Cambiare fornitore non significa solo comprare un chip diverso; significa riscrivere codice, riconvalidare performance, riaddestrare team, rivedere strumenti, gestire rischio operativo. In termini manageriali, è il tipo di dipendenza che i CFO scoprono tardi e pagano a caro prezzo.

Questo è il motivo per cui la concorrenza hardware pura non basta. Non basta fare un chip più veloce o meno costoso. Bisogna offrire compatibilità, toolchain, ecosistema, developer trust, supply chain affidabile e roadmap credibile. In altre parole, bisogna battere un sistema, non un prodotto.

Qui l’antitrust diventa inevitabile.

Le autorità francesi hanno indagato sulle pratiche di NVIDIA Corporation e già nel 2024 Reuters riportava la possibilità di contestazioni formali da parte dell’Autorité de la concurrence, con particolare attenzione alla dipendenza del settore da CUDA e alle dinamiche concorrenziali nel mercato AI. Sarebbe stato il primo intervento di questo tipo contro il campione dei chip AI.

Il punto non è punire il successo. Il punto è capire quando il successo si trasforma in infrastruttura essenziale e quando l’infrastruttura essenziale inizia a restringere il mercato. È un confine delicato. Standard Oil lo conosceva. Microsoft negli anni Novanta pure. Ogni generazione tecnologica reinventa il monopolio e lo chiama innovazione inevitabile.

Nel frattempo, l’Europa vive la sua consueta contraddizione creativa. Parla di sovranità digitale e poi costruisce parte della propria ambizione AI con hardware americano. Lo stesso NVIDIA Corporation ha annunciato partnership e infrastrutture europee con attori regionali, inclusi operatori in Francia e Italia, per accelerare la cosiddetta sovereign AI. (NVIDIA Investor Relations)

È una sovranità condizionata, diciamo. Come comprare la libertà a rate.

Non va però liquidata con sarcasmo facile. In una fase di transizione, usare tecnologia esterna per costruire competenze locali può avere senso strategico. Il rischio nasce quando la fase transitoria diventa permanente e l’ecosistema domestico non emerge mai. Molte politiche industriali europee falliscono esattamente così: ottime presentazioni, scarso follow-through, conferenze impeccabili, execution intermittente.

Per le medie e grandi aziende il tema non è tifare un vendor. È disegnare architetture resilienti. Chi oggi pianifica solo cloud centralizzato e dipendenza totale da un singolo stack potrebbe scoprire domani che i costi d’inferenza, le policy commerciali o i vincoli normativi cambiano più rapidamente del previsto. Succede spesso. Il contratto annuale è stabile fino al giorno in cui non lo è più.

Per questo vedremo crescere modelli ibridi. Una parte di workload su cloud ad alte prestazioni. Una parte su cluster privati. Una parte su endpoint locali. Una parte su PC aziendali con acceleratori dedicati. L’idea che tutto debba vivere in un unico mega datacenter è elegante per i pitch deck, meno per i conti economici.

La storia dell’informatica ci offre un promemoria semplice. Prima c’erano i mainframe centralizzati. Poi il client-server. Poi il cloud. Poi l’edge. Poi una combinazione di tutto. Ogni volta qualcuno proclama la fine definitiva del modello precedente; ogni volta il mercato preferisce l’ibrido. Le religioni tecnologiche durano poco, le architetture miste durano decenni.

Chi oggi investe in startup come Fractile o guarda con attenzione a player specializzati sta scommettendo su questo: che l’inferenza efficiente, distribuita e meno dipendente da stack proprietari possa erodere il vantaggio dei colossi integrati. Non è garantito. Ma è razionale.

Il rischio maggiore per i dominanti non è un concorrente più brillante. È un cambiamento della funzione obiettivo del cliente. Se il cliente smette di chiedere “massima performance assoluta” e inizia a chiedere “costo prevedibile, governance locale, latenza bassa, compatibilità aperta”, l’equilibrio cambia rapidamente.

In sintesi, i giga datacenter impressionano, le GPU entusiasmano Wall Street, i margini fanno sorridere gli azionisti. Ma il futuro dell’AI enterprise potrebbe essere molto meno cinematografico: modelli più piccoli, inferenza più intelligente, workload distribuiti, hardware specializzato, stack interoperabili e dati che non lasciano l’azienda.

Meno cattedrali, più officine.

Chi capirà questa transizione costruirà valore. Chi continuerà a confondere il rumore delle ventole con il progresso rischia di pagare bollette memorabili e chiamarle strategia.