OpenAI starebbe pianificando l’acquisto dei processori per intelligenza artificiale sviluppati da Google, secondo quanto riportato da The Information il 27 ottobre e ripreso da Reuters il giorno successivo. Le due società non hanno confermato l’operazione e restano sconosciuti il valore dell’eventuale accordo, il numero di chip coinvolti e i tempi di consegna. La notizia, tuttavia, merita attenzione per una ragione che va oltre la competizione commerciale fra i produttori di semiconduttori: OpenAI, uno dei principali clienti di Nvidia, potrebbe scegliere di investire direttamente in un’architettura concorrente per ridurre la propria esposizione a un fornitore diventato centrale nell’economia dell’intelligenza artificiale.

Il processore al centro dell’indiscrezione è il Tensor Processing Unit, noto come TPU, un acceleratore progettato da Google per eseguire le operazioni matematiche utilizzate dalle reti neurali. Presentato nel 2016, il TPU nasce da una scelta industriale precisa: sviluppare silicio specializzato per i carichi di lavoro dell’intelligenza artificiale, anziché affidarsi esclusivamente a processori grafici general purpose adattati al calcolo parallelo. Google ha potuto perseguire questa strategia perché controlla una parte significativa dell’intera catena tecnologica, dai modelli Gemini ai sistemi di elaborazione distribuiti nei propri data center. La progettazione congiunta di hardware e software consente di intervenire sull’efficienza del sistema nel suo complesso, un vantaggio che diventa particolarmente rilevante quando miliardi di richieste devono essere elaborate ogni giorno. blog.google+1

Il possibile accordo non nasce dal nulla nel giugno 2025 erano emerse informazioni sull’utilizzo sperimentale dei TPU attraverso Google Cloud da parte di OpenAI, che in quella fase non indicava l’intenzione di adottarli su larga scala. La differenza fra noleggiare capacità di calcolo e acquistare direttamente i processori è sostanziale. Nel primo caso, un’impresa paga per accedere a risorse gestite da un fornitore; nel secondo, può assumere un controllo maggiore sulla configurazione dell’infrastruttura, pur dovendo sostenere i costi dell’hardware e della sua gestione. Un acquisto non implica necessariamente che OpenAI intenda costruire data center completamente autonomi, perché i chip possono essere utilizzati attraverso accordi con operatori infrastrutturali. Segnalerebbe però una volontà più concreta di rendere la propria architettura di calcolo meno dipendente dalle decisioni commerciali di Nvidia.

Il punto critico, per un’azienda che sviluppa modelli di frontiera, è che un acceleratore non può essere sostituito con un altro come si cambia un componente in un server. Le prestazioni effettive dipendono dal modo in cui il modello viene compilato, distribuito e sincronizzato fra migliaia di processori. I compilatori trasformano le operazioni descritte dal software in istruzioni adatte all’architettura fisica; i kernel ottimizzati, la gestione della memoria e le comunicazioni fra chip determinano quanto del potenziale teorico venga effettivamente utilizzato. Un modello che funziona bene su GPU Nvidia potrebbe richiedere interventi significativi per raggiungere risultati comparabili su TPU. È proprio in questo contesto che assume rilevanza una posizione tecnica pubblicata da OpenAI a San Francisco, orientata all’ottimizzazione dei modelli frontier per i processori Google. L’annuncio di lavoro non dimostra che l’acquisto sia concluso, ma costituisce un indizio coerente con la direzione descritta dalle indiscrezioni. The Information+1

La scelta arriva mentre Google rafforza la propria offerta di semiconduttori. Nell’aprile 2026, durante Cloud Next, l’azienda ha presentato la generazione TPU 8, articolata in due prodotti con obiettivi distinti. Il TPU 8t è progettato per l’addestramento dei modelli, mentre il TPU 8i punta sull’inferenza, cioè sulla fase nella quale un modello già addestrato genera risposte e svolge attività richieste dagli utenti. Secondo le specifiche pubblicate da Google, il sistema 8t può scalare fino a 9.600 chip in un singolo superpod e raggiungere 121 exaFLOPS di capacità di calcolo dichiarata. Questi valori descrivono le prestazioni dell’infrastruttura secondo il produttore e non costituiscono, da soli, una dimostrazione di superiorità rispetto alle soluzioni Nvidia. Il confronto richiede test omogenei, perché architettura, precisione numerica, memoria e natura del carico di lavoro possono modificare sensibilmente i risultati. blog.google+1

La distinzione fra addestramento e inferenza ha conseguenze economiche importanti. Addestrare un modello di frontiera richiede grandi quantità di calcolo concentrate in periodi relativamente intensivi; gestirlo su scala commerciale significa invece sostenere un flusso continuativo di richieste, con picchi di domanda e aspettative di latenza sempre più stringenti. L’espansione degli agenti IA rende il problema ancora più complesso, perché una singola attività può generare numerose chiamate al modello, passaggi di ragionamento e verifiche intermedie. Il costo non si misura più soltanto nel tempo necessario a costruire un modello, ma anche nelle risorse necessarie per mantenerlo operativo. Per OpenAI, disporre di alternative a Nvidia potrebbe quindi migliorare il potere negoziale e consentire di assegnare carichi differenti alle piattaforme più convenienti. Il vantaggio, tuttavia, dipenderà dai costi complessivi, inclusi sviluppo software, energia, memoria, rete e manutenzione, non dal prezzo nominale del singolo chip.

Google ha un ulteriore incentivo a rendere i propri processori disponibili oltre il perimetro dei suoi servizi. La vendita di TPU a clienti esterni trasforma una tecnologia sviluppata inizialmente per esigenze interne in una possibile fonte di ricavi infrastrutturali. Secondo Reuters, Alphabet si aspetta che una quota significativa dei ricavi legati agli accordi di vendita dei sistemi TPU venga contabilizzata nel 2027. La prospettiva è interessante perché introduce un modello commerciale nel quale Google può monetizzare la propria esperienza nel silicio anche quando il cliente utilizza modelli concorrenti di Gemini. L’eventuale acquisto da parte di OpenAI rappresenterebbe un segnale particolarmente forte per il mercato: un produttore di modelli che compete direttamente con Google potrebbe contribuire alla crescita di una delle sue piattaforme hardware. Reuters+1

Il quadro è reso più interessante dai rapporti fra OpenAI e Nvidia. Nel settembre 2025 le due aziende avevano annunciato una lettera d’intenti relativa a un possibile investimento fino a 100 miliardi di dollari da parte di Nvidia, associato all’impiego di almeno 10 gigawatt di sistemi della società. L’operazione effettivamente realizzata è stata successivamente molto più contenuta: Nvidia ha investito 30 miliardi di dollari nel round di finanziamento di OpenAI. La differenza fra l’importo prospettato e quello concretamente investito mostra perché sia necessario distinguere gli annunci preliminari dagli accordi eseguiti. Dimostra anche quanto siano intrecciati i rapporti fra chi produce i modelli, chi finanzia la loro crescita e chi vende l’hardware necessario a eseguirli. The Information+1

OpenAI sta inoltre sviluppando una propria alternativa tecnologica. Il 24 giugno 2026 ha annunciato, insieme a Broadcom, Jalapeño, un acceleratore progettato per l’inferenza dei modelli linguistici, con una prima implementazione prevista entro la fine dell’anno. Il progetto estende la strategia dell’azienda verso il controllo diretto di una parte maggiore della propria infrastruttura. Non significa che OpenAI possa rinunciare rapidamente ai fornitori esterni: progettare un chip è soltanto una fase del lavoro, mentre produrlo, integrarlo nei sistemi e distribuirlo su scala industriale richiede capacità produttive e investimenti considerevoli. L’eventuale acquisto dei TPU si inserirebbe quindi in una strategia di diversificazione, nella quale acceleratori proprietari e processori acquistati sul mercato potrebbero convivere. OpenAI+1

Anche Anthropic, concorrente diretta di OpenAI, ha stretto in aprile un accordo con Google e Broadcom per ottenere capacità TPU su scala di più gigawatt, con disponibilità prevista a partire dal 2027. Il fatto che aziende concorrenti scelgano di utilizzare infrastrutture Google rivela una dinamica significativa: nel mercato dell’IA, competere sul prodotto non richiede necessariamente di costruire ogni componente internamente. Un’impresa può affidarsi a un fornitore rivale per il calcolo, purché i vantaggi economici e operativi superino i rischi legati alla dipendenza tecnologica. Per Google, questa domanda esterna può accelerare il ritorno sugli investimenti sostenuti per sviluppare i TPU; per i clienti, offre un’alternativa a un mercato nel quale Nvidia conserva una posizione dominanante.

I TPU di Google non supportano CUDA nativamente. CUDA è la piattaforma software proprietaria di Nvidia, progettata per le sue GPU. I TPU utilizzano invece uno stack software differente, basato su XLA e su strumenti specifici per l’architettura Google.

La distinzione pratica è questa:

  • Codice CUDA personalizzato: non gira direttamente sui TPU. I kernel devono essere riscritti o adattati.
  • PyTorch: oggi esiste TorchTPU, lo stack open source annunciato il 20 ottobre 2026, che permette di eseguire molti workload PyTorch sui TPU con modifiche limitate. Google Cloud Blog+1
  • JAX e compilazione XLA: sono strumenti consolidati nell’ecosistema TPU.
  • Modelli e librerie esistenti: la compatibilità dipende dalle operazioni utilizzate, dai kernel personalizzati e dalle ottimizzazioni disponibili.

Il punto decisivo per OpenAI è questo: adottare i TPU può ridurre la dipendenza economica da Nvidia, ma non elimina automaticamente i costi di migrazione del software CUDA esistente. La convenienza dipende da quanta parte dello stack può essere portata sui TPU senza riscritture onerose e con prestazioni competitive.

Resta una questione industriale che i titoli di borsa tendono a semplificare: diversificare i chip non equivale automaticamente a eliminare la dipendenza. Se OpenAI dovesse sostituire una parte delle GPU Nvidia con TPU Google, potrebbe ridurre il rischio di concentrazione su un singolo fornitore, ma aumentare contemporaneamente l’esposizione a un concorrente che controlla anche modelli, servizi cloud e una parte importante della distribuzione commerciale dell’IA. La convenienza reale dipenderà dalle condizioni contrattuali, dalla portabilità dei modelli e dalla capacità di mantenere prestazioni competitive senza sostenere costi eccessivi di migrazione. In un settore nel quale l’infrastruttura assorbe investimenti enormi, il potere contrattuale nasce dalla possibilità concreta di scegliere un’alternativa, non dalla semplice dichiarazione di volerlo fare.