Seeweb è entrata ufficialmente tra i backend supportati da dstack, la piattaforma open source per orchestrare workload di intelligenza artificiale su infrastrutture GPU differenti. Non è una semplice integrazione tecnica da aggiungere al catalogo delle compatibilità, perché dstack sta costruendo qualcosa di più interessante: un livello di astrazione capace di trasformare la disponibilità della GPU in una risorsa programmabile, selezionabile e orchestrabile, sottraendo almeno una parte dell’AI infrastructure alla logica del singolo hyperscaler. Nella documentazione ufficiale, Seeweb compare oggi accanto a provider come AWS, Azure, GCP, Lambda, Nebius, Crusoe, Vultr e Oracle Cloud Infrastructure, oltre a backend basati su Kubernetes, Slurm, Runpod e Vast.ai.
Per Seeweb il significato strategico è quindi maggiore di quello che suggerirebbe la parola “listing”. L’offerta Cloud Server GPU non viene semplicemente pubblicizzata in un marketplace, ma diventa una destinazione infrastrutturale che può essere selezionata da dstack per eseguire workload GPU. La configurazione è relativamente semplice: dstack utilizza un token API generato dal pannello Compute di Seeweb e, per impostazione predefinita, considera le regioni Seeweb disponibili, con la possibilità di limitarle indicando una regione specifica.
dstack nasce per affrontare uno dei problemi meno glamour e più costosi dell’attuale economia dell’intelligenza artificiale: la frammentazione dell’infrastruttura. Un modello può essere ottimizzato su una determinata GPU, con una determinata configurazione software, un certo livello di concorrenza e uno specifico serving stack; trasferirlo altrove può significare ricominciare quasi da capo. È il genere di inefficienza che la Silicon Valley tende a chiamare “developer experience” quando vuole evitare di dire che qualcuno sta pagando molto denaro per reinventare la stessa configurazione. dstack prova a intervenire esattamente qui, introducendo fleet, task, service e soprattutto preset come primitive per rendere l’infrastruttura AI più portabile e riproducibile.
La tempistica dell’integrazione è particolarmente significativa. Il 20 agosto 2026 dstack ha presentato i Presets, un toolkit open source pensato per automatizzare l’ottimizzazione dell’inference attraverso agenti e per produrre un formato portabile che conserva non soltanto la configurazione di serving, ma anche benchmark, workload e hardware sui quali il risultato è stato verificato. In altre parole, l’obiettivo non è più semplicemente dire che un modello raggiunge “X token al secondo”, ma specificare su quale macchina, con quale carico, quale concorrenza e quali vincoli quel numero è stato ottenuto. È un dettaglio tecnico che dovrebbe essere banale, ma nell’economia dei benchmark AI rappresenta quasi una rivoluzione metodologica.
Qui Seeweb può giocare una partita interessante. La sua offerta Cloud Server GPU comprende oggi infrastrutture basate su NVIDIA H100, H200, A100, L40S, RTX A6000 e L4, oltre ad AMD MI300X, con hardware dedicato, stack pronto all’uso, supporto Infrastructure as Code, integrazione Kubernetes, snapshot, connettività fino a 10 Gbps e fatturazione on demand. La piattaforma è esplicitamente posizionata per AI, machine learning, deep learning, computer vision e workload caratterizzati da elaborazioni massive e parallele.
La conseguenza economica è altrettanto importante. Il mercato GPU cloud sta progressivamente passando dalla semplice vendita di “ore GPU” alla vendita di capacità computazionale orchestrabile. È una distinzione fondamentale. Una GPU isolata è una commodity costosa; una GPU inserita in uno stack che permette provisioning, scheduling, deployment, benchmark e ottimizzazione automatizzata diventa invece una componente di una piattaforma. Il valore si sposta quindi dalla scheda grafica all’ecosistema che permette di utilizzarla con il massimo rapporto tra performance e costo.
La documentazione di Seeweb mostra già una logica coerente con questo modello: Cloud Server GPU può essere utilizzato anche per periodi molto brevi, con billing orario e provisioning di server GPU on demand. Attualmente, per esempio, Seeweb pubblicizza configurazioni come NVIDIA H200 e AMD MI300X, mentre alcune configurazioni A100 e L40S sono disponibili con prezzi orari inferiori. I prezzi, naturalmente, sono variabili e vanno verificati al momento dell’acquisto, ma il principio industriale è chiaro: trasformare il capitale immobilizzato nella GPU in capacità elastica.
L’integrazione con dstack aggiunge un altro elemento: la possibilità di confrontare infrastrutture diverse attraverso uno stesso livello di orchestrazione. Questo è strategicamente rilevante per aziende che non vogliono legarsi a un unico cloud provider, per software house che sviluppano piattaforme AI, per team di ricerca e per organizzazioni che devono spostare workload tra cloud, cluster Kubernetes e infrastrutture bare metal. dstack descrive infatti i propri preset come un formato portabile, concettualmente simile a ciò che Docker ha fatto per i container: separare il risultato applicativo dall’infrastruttura specifica che lo ha prodotto.
Il caso dimostrativo pubblicato da dstack rende il concetto ancora più concreto. Il team ha ottimizzato Qwen3.8-27B su una singola AMD MI300X, partendo da un contesto di un milione di token, quattro utenti concorrenti e vincoli specifici sul time to first token. Attraverso sessioni successive, l’agente ha potuto ereditare risultati, benchmark, patch e informazioni delle sessioni precedenti, arrivando a migliorare progressivamente le prestazioni. Il risultato più interessante non è il numero finale in sé, ma il meccanismo: l’ottimizzazione diventa un processo iterativo e documentato, nel quale hardware, software e workload sono considerati insieme.
Per Seeweb questo significa entrare in una categoria diversa da quella del semplice “GPU hosting”. L’infrastruttura italiana può diventare una delle destinazioni disponibili per workload AI orchestrati da un layer indipendente, rendendo più semplice per sviluppatori e aziende confrontare costi e performance senza dover riscrivere ogni volta la propria infrastruttura. È esattamente il tipo di interoperabilità che può diventare preziosa quando il mercato GPU smetterà, prima o poi, di comportarsi come se ogni nuova scheda Nvidia fosse automaticamente una strategia industriale.
C’è poi una dimensione europea che merita attenzione. Seeweb offre infrastruttura GPU in un contesto cloud europeo e dichiara caratteristiche orientate a compliance, supporto 24x7x365 e controllo dell’infrastruttura; la propria offerta Serverless GPU viene inoltre descritta come cloud-native, Kubernetes-ready e basata su GPU dedicate on demand. In un mercato nel quale sovranità digitale, localizzazione dei dati e dipendenza dagli hyperscaler stanno diventando questioni economiche oltre che regolatorie, la possibilità di utilizzare un’infrastruttura europea attraverso un layer open source come dstack è più interessante di quanto sembri.
La vera opportunità per Seeweb, tuttavia, non è essere semplicemente “uno dei backend”. È diventare una delle infrastrutture europee sulle quali gli agenti possono scegliere di eseguire, testare e ottimizzare l’inference. Questa è una posizione molto più sofisticata nella catena del valore. Significa passare dalla vendita della macchina alla partecipazione al mercato dell’ottimizzazione computazionale, dove il parametro decisivo non è più soltanto quanta GPU possiedi, ma quanto lavoro utile quella GPU riesce a produrre per euro, per watt e per secondo.
La differenza sembra sottile, ma è enorme. L’industria AI sta lentamente scoprendo che il collo di bottiglia non è soltanto costruire modelli più grandi, bensì farli funzionare economicamente. Training e inference hanno economie differenti, gli agenti moltiplicano il numero di chiamate ai modelli, i contesti diventano più lunghi, la latenza assume valore commerciale e l’ottimizzazione dell’infrastruttura diventa parte del prodotto. In questo scenario una GPU cloud competitiva è importante; una GPU cloud integrata in un ecosistema di orchestrazione, benchmark e ottimizzazione è molto più interessante.
L’ingresso di Seeweb in dstack va quindi letto come un segnale della maturazione del mercato europeo del GPU cloud. Non è ancora la vittoria contro AWS, Azure o Google Cloud, e sarebbe ingenuo raccontarla in questi termini. È però un passo verso un mercato nel quale l’infrastruttura AI può diventare più modulare, interoperabile e contendibile. Per un provider europeo, essere già dentro questa architettura quando l’inference agentica inizierà a consumare quantità industriali di calcolo potrebbe valere molto più di una pagina pubblicitaria in più sul proprio sito. La GPU, dopotutto, è solo ferro molto costoso; il vero business comincia quando qualcuno riesce a farla lavorare bene.