Per anni, chi voleva addestrare o far girare modelli AI di grandi dimensioni aveva sostanzialmente una sola scelta: comprare GPU Nvidia, in quantità sempre maggiori e a prezzi sempre più alti. Nel 2026 quella dipendenza sta iniziando a incrinarsi, non perché Nvidia sia arretrata, ma perché le aziende che consumano più calcolo AI al mondo hanno deciso che conviene progettarsi i chip da sole.
Perché farsi il chip in casa, invece di comprarlo
Un chip proprietario, ottimizzato esclusivamente per i propri carichi di lavoro — inferenza su un certo tipo di modello, un determinato formato di dati, una specifica infrastruttura di rete interna — può risultare più efficiente per watt e per dollaro rispetto a una GPU generalista pensata per andare bene ovunque. Su scale di migliaia di data center, anche un miglioramento del dieci per cento nell’efficienza energetica si traduce in risparmi enormi.
C’è poi una ragione più strategica: chi dipende da un solo fornitore di chip è esposto ai suoi tempi di consegna, ai suoi prezzi e alle sue priorità commerciali. Avere un’alternativa proprietaria, anche parziale, sposta potere contrattuale e riduce il rischio di collo di bottiglia nella propria roadmap.
Chi sta investendo, e come
- Chip per l’inferenza su larga scala. Diverse piattaforme cloud hanno sviluppato acceleratori pensati specificamente per far girare modelli già addestrati al minor costo possibile per richiesta, piuttosto che per l’addestramento da zero.
- Chip per l’addestramento di modelli proprietari. Altri progetti puntano più in alto: acceleratori pensati per addestrare i modelli di punta dell’azienda stessa, riducendo la dipendenza dalle GPU di terze parti anche nella fase più costosa del ciclo di vita di un modello.
- Co-progettazione con la rete e il software. Il vantaggio di un chip proprietario non sta solo nel silicio in sé, ma nella possibilità di ottimizzare insieme hardware, rete interna e stack software, un livello di integrazione verticale che un fornitore esterno generalista non può replicare allo stesso modo.
Gli ostacoli che restano
- Il software non si scrive da un giorno all’altro. L’ecosistema di librerie, compilatori e strumenti costruito attorno alle GPU generaliste esiste da oltre un decennio: ricrearne uno altrettanto maturo per un chip proprietario richiede anni di lavoro, non solo silicio funzionante.
- Volumi minimi per giustificare l’investimento. Progettare un chip da zero ha senso economico solo se lo si usa su una scala enorme; per molte aziende resta più conveniente restare clienti di un fornitore esterno piuttosto che percorrere questa strada.
- Dipendenza dalle fonderie. Anche chi progetta il proprio chip deve comunque farlo produrre da un numero ristretto di fonderie all’avanguardia, spostando il collo di bottiglia ma non eliminandolo del tutto.
- Rischio di frammentazione. Più architetture proprietarie in parallelo significano più stack software da mantenere, più competenze specialistiche da formare e meno portabilità dei modelli tra piattaforme diverse.
Suggerimento: se segui questo tema per lavoro, guarda meno agli annunci sulle prestazioni di picco del singolo chip e più a quanti carichi di lavoro reali di produzione sono già stati migrati dalle GPU generaliste al chip proprietario: è quella la metrica che indica se l’investimento sta davvero dando risultati.
Cosa aspettarsi da qui in avanti
Nvidia non perderà la sua posizione dominante nel breve termine, e per molti carichi di lavoro le GPU generaliste resteranno la scelta più pratica. Ma la corsa al chip AI proprietario segna un cambiamento strutturale nel settore: il calcolo per l’intelligenza artificiale sta smettendo di essere un prodotto standardizzato acquistabile da chiunque, e sta diventando un vantaggio competitivo che le aziende più grandi vogliono controllare fino al livello del silicio.