Nvidia ha un problema: deve vendere nuove GPU senza svalutare quelle vecchie

Nvidia si trova davanti a una contraddizione che, a prima vista, sembra quasi comica: deve convincere i clienti a comprare ogni anno la nuova generazione di acceleratori e, contemporaneamente, convincere investitori e finanziatori che le GPU acquistate ieri conserveranno valore economico per molti anni. Non è un dettaglio contabile. È uno dei problemi strategici più interessanti dell’attuale ciclo dell’intelligenza artificiale, perché dalla durata economica dei chip dipendono il ritmo degli investimenti, il costo del capitale, la capacità di finanziamento dei data center e, indirettamente, una parte importante della valutazione di Nvidia.

Il primo elemento è incontestabile. Nvidia ha deliberatamente trasformato il ciclo tecnologico dell’accelerated computing in un processo annuale. Jensen Huang lo dichiarò esplicitamente a Computex 2024, presentando una roadmap con una nuova piattaforma ogni anno e indicando Rubin come successore di Blackwell. La logica industriale è radicalmente diversa da quella del tradizionale mercato dei semiconduttori: non si vende semplicemente un chip più veloce, ma una piattaforma composta da GPU, CPU, memoria, networking, interconnessioni e software, integrata in sistemi rack-scale sempre più grandi.

Vera Rubin è entrata nella fase di produzione su larga scala e Nvidia la presenta come una piattaforma progettata per l’AI agentica, con un throughput dichiarato fino a dieci volte superiore a Grace Blackwell in determinati carichi di lavoro. Il punto economico è ancora più interessante della prestazione tecnica: quando una nuova architettura promette un miglioramento sostanziale del costo per token, il cliente non acquista soltanto più potenza, acquista una riduzione del costo operativo futuro. È precisamente questo meccanismo che permette a Nvidia di mantenere una forte pressione all’aggiornamento anche quando l’hardware precedente continua fisicamente a funzionare.

La dimensione degli investimenti rende però il problema meno teorico. Il nuovo campus AI di OpenAI in Ohio, sviluppato da SB Energy, è stato annunciato con una capacità prevista fino a 8 gigawatt di IT, mentre Nvidia ha assunto un impegno finanziario fino a 105 miliardi di dollari in garanzie e investirà 1,5 miliardi in SB Energy. La prima capacità dovrebbe entrare in funzione nel 2028. Non si tratta quindi semplicemente di vendere GPU a un cliente: Nvidia sta contribuendo a costruire l’ecosistema finanziario ed energetico nel quale quelle GPU verranno acquistate e utilizzate.

La cifra di 150-200 miliardi di dollari per generazione va letta con cautela. Secondo quanto riportato da Barron’s, Huang ha indicato che una singola generazione installata in un’infrastruttura di questa scala potrebbe rappresentare fino a 1,5 milioni di GPU e circa 150-200 miliardi di dollari di ricavi Nvidia per generazione; la stessa infrastruttura potrebbe arrivare a produrre circa 600 miliardi di dollari di ricavi Nvidia entro il 2030. Non è una previsione contabile garantita né un ordine già contabilizzato: è una stima del potenziale economico associato a un’infrastruttura gigantesca. La distinzione è importante, soprattutto in un mercato nel quale ogni cifra pronunciata da Huang tende rapidamente a trasformarsi, nei titoli finanziari, in una specie di profezia biblica.

Il paradosso nasce quando Nvidia comincia a sostenere con altrettanta convinzione la longevità delle proprie GPU. L’argomento ha fondamenta tecnologiche reali. CUDA crea una forma di compatibilità software che consente alle GPU precedenti di continuare a eseguire workload anche quando arrivano architetture molto più potenti. Nvidia stessa sottolinea che la compatibilità del proprio ecosistema CUDA e la gigantesca base installata possono estendere significativamente la vita operativa dei sistemi. In altre parole, una GPU può perdere il primato tecnologico senza perdere immediatamente la propria utilità economica.

L’esempio più concreto è Ampere. La famiglia A100 è stata introdotta nel 2020 e continua a trovare domanda sul mercato dell’infrastruttura AI. CoreWeave ha recentemente dichiarato di avere contratti per A100 che arrivano fino al 2029, nove anni dopo l’introduzione dell’architettura. La ragione non è nostalgica. Un A100 può essere perfettamente adeguato per inferenza, sviluppo, batch processing e workload meno sensibili alla latenza, soprattutto quando installare una nuova generazione significa affrontare enormi problemi di alimentazione, raffreddamento e densità. Un sistema A100 può inoltre integrarsi in infrastrutture molto meno esigenti dal punto di vista energetico rispetto ai rack AI più recenti.

Goldman Sachs ha osservato un fenomeno analogo: A100 e H100 continuano a mantenere prezzi di noleggio compatibili con una vita utile di cinque, sei o più anni, soprattutto perché i workload possono essere distribuiti su livelli diversi. Il training dei modelli più avanzati richiede hardware all’avanguardia, ma una quantità enorme di inferenza e computazione secondaria non necessita necessariamente dell’ultimo acceleratore disponibile. È la nascita di una sorta di mercato a più velocità del compute, nel quale la GPU non smette di produrre valore quando perde il titolo di campione del benchmark.

Questo cambia profondamente la discussione sulla depreciación. Una GPU che continua a generare ricavi per sei o sette anni non deve necessariamente essere ammortizzata in due anni soltanto perché nel frattempo è comparsa una GPU più veloce. La vita tecnica, la vita economica e la vita contabile sono tre grandezze differenti. Il problema è che, per un operatore altamente indebitato, la differenza tra queste tre definizioni può valere miliardi. Un acceleratore ammortizzato in cinque o sei anni produce una struttura finanziaria molto diversa rispetto a uno che deve essere sostituito ogni due o tre anni. Le analisi di Goldman Sachs e di altri operatori del mercato indicano infatti che le ipotesi sulla vita utile del silicio possono modificare significativamente l’economia complessiva dell’investimento in AI infrastructure.

Se le GPU vecchie conservano valore, il mercato secondario diventa più efficiente, il costo dell’infrastruttura diminuisce e un numero maggiore di aziende può accedere al computing accelerato. È positivo per l’espansione dell’AI, ma non necessariamente per la velocità con cui ogni cliente sostituisce l’hardware. Una A100 usata a un prezzo ragionevole può essere molto più interessante per un’impresa che deve automatizzare un processo industriale di quanto non lo sia un rack Rubin da diversi milioni di dollari. Una stima pubblicata nel 2026 colloca il costo di un rack Vera Rubin NVL72 intorno a 7,8 milioni di dollari, con la sola memoria che rappresenterebbe circa un quarto del costo.

Nvidia ha bisogno di mantenere contemporaneamente due narrative economiche: l’ultima generazione deve essere abbastanza migliore da giustificare un nuovo ciclo di capex, mentre la precedente deve essere abbastanza valida da preservare il valore degli asset, sostenere il mercato del cloud GPU e rendere finanziabile l’intero ecosistema. Apparentemente sono messaggi incompatibili. In realtà sono complementari finché la domanda di compute cresce più rapidamente dell’offerta.

Il rischio arriva quando questa condizione cambia. Se la capacità dei data center cresce più rapidamente della domanda effettiva, la scarsità delle GPU può trasformarsi in abbondanza. I prezzi di noleggio scendono, il mercato secondario si riempie di acceleratori e l’economia del nuovo hardware diventa meno irresistibile. A quel punto la lunga vita delle GPU, oggi presentata come un vantaggio competitivo, può diventare un freno al ciclo di sostituzione. Il problema non è che A100 e H100 smettano di funzionare; è esattamente il contrario. Se funzionano troppo bene, per troppo tempo, qualcuno potrebbe decidere di non comprare Rubin.

Questo è anche il motivo per cui la questione non riguarda soltanto Nvidia. Il settore dei neocloud, i data center finanziati a debito e gli investitori che utilizzano GPU come asset sottostante dipendono dalla capacità di attribuire un valore residuo credibile all’hardware. CoreWeave sta fornendo un caso di studio importante: l’azienda ha dimostrato che una generazione vecchia può ancora produrre ricavi significativi, ma questa evidenza deriva anche dall’attuale scarsità di potenza elettrica e capacità infrastrutturale.

Il mercato, quindi, sta lentamente scoprendo una verità poco spettacolare ma fondamentale: una GPU non è un iPhone. Non deve essere sostituita perché esiste un modello nuovo. È un asset produttivo, e la sua convenienza dipende dal rapporto tra costo, consumo energetico, prestazioni, prezzo del compute e workload. Il paragone con gli smartphone funziona soltanto fino a un certo punto. Un telefono vecchio resta in tasca; una GPU vecchia può continuare a produrre ricavi ventiquattro ore al giorno.

Per Nvidia la sfida dei prossimi anni sarà dunque più finanziaria che tecnologica. L’azienda deve continuare a comprimere il costo per token abbastanza rapidamente da rendere razionale l’aggiornamento, ma non tanto rapidamente da trasformare in rottami economici le migliaia di miliardi investiti nelle generazioni precedenti. La strategia annuale di Huang ha creato una macchina straordinaria di innovazione; ora quella stessa macchina deve imparare una cosa meno glamour, ma decisiva per Wall Street: gestire il valore residuo.

Nvidia potrebbe aver costruito il mercato dei semiconduttori più redditizio della storia proprio trasformando le GPU da semplici componenti tecnologici in asset finanziari. Ma quando un chip diventa un asset, entra in gioco una regola antica della finanza: ciò che mantiene valore è un bene per chi lo possiede, non necessariamente per chi deve venderne uno nuovo. Il prossimo ciclo dell’AI sarà quindi determinato non soltanto da quanti FLOPS produce Rubin, ma da quanto velocemente il capitale investito nelle generazioni precedenti continua a generare rendimento. È una differenza sottile, e probabilmente sarà una delle differenze più costose dell’intero boom dell’intelligenza artificiale.