Satya Nadella annuncia l’espansione dei chip proprietari Maia su scala multi-gigawatt dal 2027, con un’efficienza dichiarata superiore del 40% rispetto ai sistemi GPU concorrenti. Microsoft vuole controllare direttamente il costo industriale dell’intelligenza artificiale, riducendo la dipendenza dai fornitori di acceleratori. Una strategia che potrebbe cambiare gli equilibri tra Nvidia, hyperscaler e sviluppatori di modelli AI.
La domanda centrale dell’industria dell’intelligenza artificiale ha sempre ruotato attorno a quante GPU Nvidia fosse possibile acquistare e quanto rapidamente installarle nei data center. La disponibilità di acceleratori è diventata una delle principali variabili competitive del settore, al punto che la capacità di assicurarsi forniture di chip ha spesso contato quanto quella di sviluppare modelli più avanzati. Con l’annuncio di Maia 300, Microsoft indica una direzione diversa: il problema non è più soltanto procurarsi potenza di calcolo, ma decidere chi deve produrla, con quali tecnologie e soprattutto a quale costo.
Il 12 ottobre Satya Nadella ha annunciato quella che ha definito la più grande scommessa di Microsoft sul silicio proprietario. A partire dal 2027, la società intende espandere la famiglia di acceleratori Azure Maia fino a installazioni su scala multi-gigawatt, trasformandola nel principale sistema di inferenza utilizzato dai propri prodotti e servizi. Non si tratta di un esperimento confinato a qualche data center: Microsoft vuole costruire una componente strutturale della propria infrastruttura AI attorno a chip progettati internamente.
La novità tecnologica è Maia 300, terza generazione degli acceleratori sviluppati dalla società, che secondo Microsoft dovrebbe produrre il 40% di token in più per unità di energia rispetto ai principali sistemi basati su GPU. Il suo predecessore, Maia 200, è già utilizzato negli Stati Uniti, in Europa e in Australia per sostenere servizi come Teams e Copilot, con un’efficienza dichiarata fino a 1,7 volte superiore a quella delle infrastrutture GPU prese come riferimento.
La portata industriale dell’annuncio emerge anche dai numeri.
Maia 300 sarà distribuito in rack contenenti 96 acceleratori, con un assorbimento complessivo di circa 167 kilowatt. Microsoft sostiene che questa configurazione possa raggiungere una capacità di generazione di token fino a sette volte superiore rispetto ai sistemi Maia 200 a livello di rack. Secondo Reuters, il programma di espansione potrebbe comportare l’installazione di oltre un milione di acceleratori nel corso del 2027.
È importante distinguere le prospettive dai risultati già conseguiti. Maia 200 è operativo, mentre Maia 300 entrerà in produzione nel 2027 e le prestazioni annunciate sono valutazioni di Microsoft. Non costituiscono quindi ancora benchmark indipendenti, anche perché la società non ha specificato esattamente quali sistemi GPU siano stati utilizzati per il confronto del 40%.
Ma il significato strategico dell’operazione non dipende esclusivamente dalla precisione di quella percentuale. Microsoft sta dichiarando di voler controllare una parte crescente della tecnologia che determina quanto costa produrre intelligenza artificiale.
Nvidia non perde il mercato. Rischia di perdere una parte del potere sui prezzi
Per comprendere le conseguenze dell’annuncio bisogna distinguere due attività che, pur utilizzando tecnologie simili, hanno caratteristiche economiche differenti: l’addestramento dei modelli e l’inferenza.
Il training richiede grandi concentrazioni di capacità computazionale, sistemi di interconnessione estremamente veloci e infrastrutture in grado di gestire operazioni complesse su enormi quantità di dati.
È il mercato nel quale Nvidia ha costruito il proprio dominio, grazie non soltanto alle prestazioni delle GPU, ma anche all’ecosistema software CUDA, alle tecnologie di networking e alla capacità di fornire sistemi integrati.
L’inferenza riguarda invece l’esecuzione dei modelli già addestrati, quando rispondono alle richieste degli utenti, generano codice, analizzano documenti o svolgono attività attraverso agenti software. È una componente destinata ad assumere un peso crescente man mano che l’intelligenza artificiale viene integrata nei prodotti e nei processi aziendali.
In questo secondo mercato le condizioni competitive possono cambiare. Un operatore che conosce in anticipo i carichi di lavoro, controlla le applicazioni e gestisce direttamente l’infrastruttura può progettare acceleratori ottimizzati per esigenze specifiche, senza dover necessariamente offrire la stessa flessibilità di una GPU generalista.
Microsoft dispone esattamente di questa possibilità. Conosce i modelli che utilizza, le caratteristiche delle richieste ricevute da Copilot, i vincoli di latenza dei propri servizi e la distribuzione della domanda sulla rete Azure: può quindi progettare hardware e software come componenti di un unico sistema.
È qui che nasce la minaccia per Nvidia.
Se Microsoft riuscirà a trasferire una quota significativa dell’inferenza dei propri servizi sui chip Maia, una parte della crescita futura della domanda di calcolo potrebbe non tradursi più in acquisti di GPU Nvidia. Non significa necessariamente che Nvidia venderà meno acceleratori in termini assoluti: la domanda complessiva potrebbe continuare a crescere abbastanza rapidamente da compensare la sostituzione. Significa però che uno dei suoi maggiori clienti sta costruendo un’alternativa industriale credibile.
Per Nvidia il rischio più importante potrebbe quindi riguardare non tanto i volumi, quanto il potere di determinazione dei prezzi. Finché le GPU rappresentano una risorsa difficilmente sostituibile, il produttore può beneficiare di una posizione negoziale eccezionale. Quando gli hyperscaler dispongono di alternative proprietarie per una parte dei carichi, quella posizione può progressivamente indebolirsi.
La distinzione è essenziale anche per evitare conclusioni premature. Microsoft continuerà ad acquistare tecnologie Nvidia e AMD, perché i suoi data center devono sostenere modelli, clienti e applicazioni con requisiti differenti. Lo stesso Nadella ha ribadito la volontà di integrare le innovazioni dell’intero ecosistema nella flotta Microsoft.
La strategia non è evidentemente eliminare Nvidia, ma evitare che Nvidia rimanga l’unica risposta economicamente conveniente alla crescita della domanda di inferenza.
La sfida per Nvidia comincia quando l’inferenza diventa una commodity industriale
Per Nvidia, la diffusione degli acceleratori proprietari non rappresenta una minaccia uniforme su tutti i segmenti del mercato.
L’addestramento dei modelli più avanzati continua a richiedere infrastrutture estremamente flessibili e potenti, un ambito nel quale Nvidia conserva vantaggi significativi. Anche nell’inferenza, inoltre, l’ecosistema software e la compatibilità con una grande varietà di modelli costituiscono elementi competitivi difficili da replicare.
Ma la crescente standardizzazione di alcuni carichi di lavoro potrebbe favorire architetture specializzate. Quando un servizio raggiunge volumi molto elevati, con caratteristiche sufficientemente prevedibili, anche miglioramenti relativamente contenuti del costo unitario possono produrre conseguenze economiche importanti. È il motivo per cui aziende come Google, Amazon e Microsoft investono nella progettazione di chip personalizzati, pur continuando ad acquistare GPU commerciali.
Questo vuol dire che potremmo assistere ad una progressiva segmentazione del mercato dell’AI dove da una parte potrebbero consolidarsi infrastrutture generaliste, necessarie per training, sperimentazione e applicazioni che richiedono grande flessibilità e dall’altra potrebbero espandersi sistemi specializzati, progettati per sostenere grandi volumi di inferenza con costi unitari più bassi.
Questa distinzione potrebbe modificare anche il modo in cui gli investitori valutano il settore. La crescita complessiva della domanda di calcolo non garantisce che tutti i produttori di acceleratori mantengano la stessa quota di mercato o la stessa redditività e un mercato in espansione può diventare contemporaneamente più competitivo.
Per Nvidia, dunque, la questione non è soltanto difendere il vantaggio tecnologico delle proprie GPU, ma dimostrare che l’integrazione della propria piattaforma continua a offrire un valore economico superiore rispetto alle alternative sviluppate internamente dai grandi clienti.
Chi controlla il costo dell’intelligenza artificiale?
L’annuncio di Nadella segna un passaggio importante nell’evoluzione industriale dell’AI, ma il suo esito dipenderà dall’esecuzione di un programma ancora in larga parte futuro. Microsoft dovrà dimostrare di poter produrre e distribuire Maia 300 su scala multi-gigawatt, mantenere i vantaggi di efficienza dichiarati nei carichi reali e ottenere un costo complessivo dell’inferenza competitivo rispetto alle GPU Nvidia e AMD.
Dovrà soprattutto dimostrare che questa maggiore efficienza può contribuire a migliorare l’economia dei propri servizi AI, in una fase nella quale la crescita degli investimenti infrastrutturali continua a precedere, in molti segmenti del mercato, la piena maturazione dei modelli di ricavo.
Se il programma avrà successo, Microsoft potrà ridurre una parte della propria dipendenza tecnologica dai fornitori esterni, migliorare il controllo sui costi e rafforzare la posizione negoziale nei confronti sia dei produttori di chip sia degli sviluppatori di modelli.
Come abbiamo già detto, non sarebbe la fine del dominio di Nvidia, ma l’inizio di una trasformazione del suo significato economico, perché in un’industria nella quale il costo dell’infrastruttura è diventato una delle principali barriere competitive, possedere i modelli più avanzati non basta e acquistare le GPU più potenti potrebbe non essere sempre la soluzione migliore.
La prossima fase della competizione si giocherà sempre più sulla capacità di trasformare energia, semiconduttori e investimenti in intelligenza artificiale utilizzabile a un costo sostenibile e Microsoft, dal canto suo, sta cercando di controllare direttamente questa trasformazione.
.
Fonti e nota metodologica – L’analisi si basa sull’annuncio Microsoft del 12 ottobre 2026, sull’approfondimento tecnico dedicato all’architettura Azure Maia 300 e sulle informazioni pubblicate da Reuters nella stessa data. I dati sulle prestazioni di Maia 200 e Maia 300 sono dichiarazioni del produttore e non benchmark indipendenti. Le considerazioni relative a Nvidia, agli hyperscaler, al costo dell’inferenza e alla sostenibilità degli investimenti rappresentano analisi editoriali di Rivista.AI.