La notizia che Google abbia limitato l’accesso di Meta ai modelli Gemini per insufficiente capacità computazionale rappresenta molto più di un semplice incidente operativo tra due giganti tecnologici. Se confermata, segna un passaggio cruciale nell’economia dell’intelligenza artificiale: il vero fattore scarso non è più il talento, né gli algoritmi, ma la potenza di calcolo disponibile.
Secondo quanto riportato dal Financial Times, Google avrebbe comunicato a Meta già nel mese di marzo di non poter soddisfare integralmente la domanda di capacità richiesta per l’utilizzo dei modelli Gemini, provocando ritardi in diversi progetti interni di AI. La situazione avrebbe costretto Meta a introdurre misure di razionalizzazione nell’uso dei token AI da parte dei propri dipendenti, un fatto quasi surreale se si pensa che stiamo parlando di un’azienda che investe decine di miliardi di dollari all’anno in infrastrutture tecnologiche.
La vicenda mette in evidenza una contraddizione che l’industria tende spesso a minimizzare. L’ecosistema dell’intelligenza artificiale viene descritto come una corsa agli algoritmi, ma in realtà è sempre più una competizione per l’accesso a elettricità, GPU, data center e capacità di inferenza. I modelli di frontiera non sono software tradizionali; sono impianti industriali digitali. Ogni nuova generazione richiede quantità crescenti di energia, networking ad altissima velocità e chip avanzati che pochi fornitori al mondo sono in grado di produrre.
Il caso assume un significato ancora più interessante osservando i rapporti competitivi tra le aziende coinvolte. Meta sviluppa modelli open weight come la famiglia Llama e investe massicciamente nella costruzione di infrastrutture proprietarie, ma allo stesso tempo utilizza servizi e modelli offerti da un concorrente diretto come Google. Questo evidenzia quanto l’industria AI sia caratterizzata da una peculiare forma di “coopetizione”: le aziende competono ferocemente sul mercato finale, pur dipendendo reciprocamente lungo la catena del valore.
Dal punto di vista strategico, la scarsità computazionale potrebbe produrre conseguenze profonde. Le imprese inizieranno probabilmente a privilegiare modelli più piccoli, architetture efficienti e tecniche di ottimizzazione aggressive. Per oltre tre anni la Silicon Valley ha operato secondo un principio semplice: più parametri equivalgono a migliori prestazioni. Oggi questo paradigma mostra i primi segni di cedimento. Quando perfino Meta deve razionare i token interni, l’era dell’abbondanza computazionale appare improvvisamente meno scontata.
Anche Google non è immune dal problema. Durante la presentazione dei risultati trimestrali, il CEO Sundar Pichai ha riconosciuto che la crescita di Google Cloud sarebbe stata ancora più elevata in assenza di vincoli infrastrutturali e che l’arretrato ordini della divisione cloud è quasi raddoppiato trimestre su trimestre. Il fenomeno suggerisce che la domanda di servizi AI stia crescendo più rapidamente della capacità globale di costruire nuovi data center. Alphabet continua a investire miliardi in infrastrutture, ma persino questi investimenti sembrano inseguire la domanda anziché anticiparla.
La situazione ricorda, sotto molti aspetti, le crisi energetiche tradizionali. Nel mondo industriale del XX secolo il petrolio era il fattore limitante; nell’economia digitale del XXI secolo potrebbero esserlo i cluster di GPU. Chi controlla la capacità computazionale controlla non soltanto la produzione di modelli, ma anche l’innovazione, la velocità di sperimentazione e, in ultima analisi, la competitività geopolitica.
Una frase sintetizza efficacemente il momento attuale: l’intelligenza artificiale non è più limitata dall’intelligenza, ma dall’infrastruttura. E l’infrastruttura, come insegna la storia industriale, tende sempre a concentrare il potere nelle mani di pochi attori capaci di sostenerne i costi colossali. Se anche i giganti iniziano a rimanere senza capacità di calcolo, per il resto del mercato il futuro potrebbe diventare molto più selettivo.