Nel 2026 NVIDIA controlla circa l’ottanta per cento del mercato mondiale degli acceleratori per l’intelligenza artificiale, con un fatturato da data center che ha superato i 190 miliardi di dollari in un solo anno fiscale. Sono numeri che raccontano qualcosa di più di un semplice successo commerciale: descrivono una posizione che assomiglia molto a un quasi-monopolio. E allora sorge spontanea una domanda che vale la pena affrontare con calma, perché la risposta è meno ovvia di quanto sembri. Se il chip è “solo” un pezzo di silicio, perché due aziende capaci e attrezzate come AMD e Intel non riescono semplicemente a costruirne uno equivalente e a spezzare questo dominio, creando quella concorrenza che farebbe scendere i prezzi?

La risposta breve è che il chip è la parte meno importante della storia. Ciò che rende NVIDIA difficile da raggiungere non è un singolo prodotto che si possa clonare, ma una serie di fossati sovrapposti, costruiti in quasi vent’anni, che nessuno può comprare pronto sullo scaffale. Conviene guardarli uno per uno, perché insieme spiegano perché “copiare” non basta.

Il primo fossato invisibile: il software

Vediamo un attimo quante GPU dedicate esclusivamente all’IA NVidia ha venduto in questi ultimi anni, così abbiamo un’idea più precisa di quello di cui stiamo parlando.
Ecco quante milioni di schede grafiche ha prodotto e venduto NVidia dal 2020 al 2026:

Impressionante vero? Vediamo AMD e Intel nello stesso periodo, sempre in milioni di GPU:

Guardando i grafici si pensa istintivamente all’hardware, ai teraflops, alla memoria. Ma il vero muro è fatto di software, e si chiama CUDA.

NVIDIA ha rilasciato questa piattaforma di programmazione nel 2007, quando quasi nessuno immaginava che le schede grafiche sarebbero diventate il motore dell’intelligenza artificiale.
Da allora ci ha costruito sopra, anno dopo anno, un ecosistema stratificato: librerie specializzate come cuDNN per le reti neurali, cuBLAS per l’algebra lineare, TensorRT per ottimizzare l’inferenza, NCCL per far dialogare più schede tra loro. Non sono dettagli tecnici: sono i mattoni su cui poggia praticamente ogni framework di AI in circolazione, da PyTorch a JAX.

Il risultato è un vantaggio che gli specialisti chiamano, senza mezzi termini, il fossato più profondo dell’informatica. Ogni corso, ogni tutorial, ogni risposta su Stack Overflow, ogni articolo scientifico con il codice allegato assume per impostazione predefinita che sotto ci sia una GPU NVIDIA.

Per lo sviluppatore, tutto “funziona e basta”: installa il driver, installa la libreria, e il programma gira. Questa abitudine collettiva, accumulata da milioni di persone, è un capitale che non si acquista con un assegno.

C’è poi un aspetto più sottile, la co-progettazione tra hardware e software. NVIDIA disegna i suoi acceleratori (i cosiddetti Tensor Core) e le librerie che li sfruttano contemporaneamente, cucendoli l’uno sull’altro. Chi arriva dopo si trova a inseguire un bersaglio che, oltre a muoversi, conosce perfettamente sé stesso.

Ecco perché AMD fatica a colmare il divario nonostante un hardware, preso da solo, è molto spesso competitivo almeno sulla carta.

La sua risposta a CUDA, la piattaforma aperta ROCm, è nata nel 2016, con dieci anni di ritardo, ed è maturata molto: nel 2026 supporta bene PyTorch e gli strumenti di inferenza più diffusi, e su alcuni carichi di lavoro regge il confronto.

Ma la profondità dell’ecosistema, la qualità della documentazione, la quantità di problemi già risolti da altri prima di te restano a favore di NVIDIA. La lezione, valida ben oltre questo caso, è che un ecosistema software può contare più della potenza bruta del componente.

Una lezione che spesso dimentichiamo: arrivati al primo posto bisogna lavorare costantemente per rimanerci e mantenere il distacco dagli inseguitori.

Il secondo fossato invisibile: far lavorare insieme migliaia di schede

Qui arriviamo al punto che quasi tutti non conoscono. Un “modello di frontiera”, così si chiamano i modelli in via di sviluppo, non viene addestrato su una GPU, ma su decine di migliaia di GPU che devono comportarsi come se fossero un’unica, gigantesca macchina.

Far parlare tra loro tutte quelle schede, in modo abbastanza veloce da non sprecare la potenza di calcolo, è un problema tanto difficile, se non più difficile, che costruire il chip stesso.

NVIDIA lo ha risolto su due livelli. Dentro il singolo sistema, con NVLink e NVSwitch, tecnologie proprietarie che collegano le schede tra loro senza passare dai colli di bottiglia tradizionali: nella soluzione di punta, un intero armadio con settantadue GPU può funzionare come una sola GPU, con una banda di comunicazione interna nell’ordine dei centotrenta terabyte al secondo.

Fuori dal singolo sistema, per collegare migliaia di macchine, entra in gioco la rete, ed è qui che si capisce una mossa strategica compiuta anni prima: nel 2019 NVIDIA acquisì per quasi sette miliardi di dollari Mellanox, l’azienda che aveva inventato InfiniBand, lo standard di rete ad altissima velocità e bassissima latenza usato nel calcolo ad alte prestazioni.

Chi lavora nel settore lo sintetizza così: CUDA è il fossato degli sviluppatori, la rete è il fossato della scala.
Questo permette a NVIDIA di vendere non semplici schede, ma intere “fabbriche di intelligenza artificiale” già progettate, cablate e pronte a funzionare.
Vendere il sistema completo, non il singolo pezzo, è a sua volta una barriera economica: chi compra un armadio chiavi in mano non ha voglia di rimettere insieme i componenti da solo.

Non è che gli altri siano stati con le mani in mano. Chi è del mestiere lo aveva già capito che Mellanox e NVLink/NVSwitch erano la vera forza per l’altissima scalabilità.
Così AMD ha creato una sua tecnologia di interconnessione, Infinity Fabric, ma non ha ancora un equivalente maturo dell’intero stack di rete e del meccanismo di scalabilità di NVSwitch.

Il terzo fossato: la fabbrica e i materiali

Il livello ancora più a monte è quello della produzione fisica. I chip più avanzati richiedono tecniche di assemblaggio sofisticate (il cosiddetto advanced packaging, come il CoWoS di TSMC) e memoria ad altissima banda, la HBM.

Entrambe sono risorse scarse, con una capacità produttiva mondiale limitata. NVIDIA, grazie ai volumi e ai rapporti costruiti negli anni, si assicura in via prioritaria fette consistenti di questa capacità, lasciando ai concorrenti quello che resta. Un ottimo prodotto sulla carta serve a poco se non si trova chi possa fabbricarlo nelle quantità richieste.

A tenere tutto insieme c’è un meccanismo che si autoalimenta. Il fatturato enorme finanzia una ricerca capace di sfornare una nuova generazione di architetture ogni anno, un ritmo che pochi possono reggere.

Più prodotti si vendono, più si investe. Più si investe, migliore è la generazione successiva. In questo modo il vantaggio, invece di erodersi, tende a rinnovarsi da solo generazione dopo generazione.

Perché “copiare” non è la strada giusta

Se avete letto i tre fossati avrete già la risposta alla domanda iniziale.
Anche se domani AMD o Intel presentassero un chip identico al migliore di NVIDIA, non vincerebbero la partita, perché dovrebbero comunque replicare il sistema per sviluppare software usato da milioni di sviluppatori, ricostruire uno stack di rete altrettanto maturo per collegare le schede tra loro a migliaia, ed infine conquistarsi l’accesso prioritario alla capacità produttiva.

Il dominio di NVIDIA non nasce da un singolo brevetto geniale, ma dall’aver progettato insieme un intero sistema, che funziona come un unico organismo, fatto da silicio, software, rete e sistema. È questo intreccio che fa in modo che la concorrenza tardi ad arrivare.

Nulla è eterno

Chi è diversamente giovane come me lo sa bene, nessun monopolio tecnologico è eterno.

Sarebbe un errore raccontare questa storia come una condanna eterna.
Un quasi-monopolio non è mai una situazione stabile, e le crepe si vedono già.

La quota di NVIDIA, che nel 2024 aveva sfiorato l’ottantasette per cento, sta scendendo verso il settantacinque man mano che gli altri crescono. Le esigenze cambiano, il momento dei pionieri passa, ed tutto quel mondo si inizia a strutturare e definire. E si iniziano a vedere i primi passaggi.

AMD ha convinto operatori di primissimo piano a impegnarsi su forniture enormi, segnale che il suo software ha raggiunto un’affidabilità sufficiente per la produzione seria.
Stanno lavorando per fare in modo che ci siano librerie che garantiscano compatibilità tra il codice scritto per CUDA anche su hardware concorrente, cosa che eliminerebbe il fossato software proprio nel suo punto più forte.
Si stanno formando alleanze aperte tra i grandi del settore per creare standard di interconnessione alternativi a NVLink e InfiniBand, così da non dipendere da una sola azienda. Cosa che nella attuale situazione geopolitica è rischiosa, l’abbiamo appena visto con quello che è successo con Fable e Mythos di Anthropic.

La pressione più consistente per NVidia, curiosamente, non arriva da un clone frontale, ma dai lati. I grandi fornitori di cloud stanno progettando chip su misura per i propri data center, aggirando del tutto la logica del prodotto universale. Google e AWS in primis.
La concorrenza, insomma, sta nascendo aggirando i fossati anziché tentando di attraversarli di petto. È un bene per il mercato e, in prospettiva, per chi quei sistemi dovrà comprarli o usarli.

La morale, se ci fermiamo ad unire i puntini di questo puzzle, è meno intuitiva del previsto ma più istruttiva. Nel mondo dell’hardware per l’AI non si vince costruendo un chip, si vince costruendo un ecosistema, e gli ecosistemi si edificano con il tempo, non con il denaro.
NVidia ha avuto il merito, e la fortuna, di cominciare per prima quando nessuno guardava, chi vuole raggiungerla non dovrà copiare ciò che ha fatto, ma trovare la strada che ha lasciato più scoperta.