La notizia arriva da TechRadar: il miliardario polacco Michał Sołowow, attraverso la sua holding SGE, intende installare 14 reattori nucleari di piccola taglia nel Regno Unito. Si tratta dei modelli BWRX-300 di GE Vernova Hitachi, con una potenza unitaria di circa 300 MWe. L'investimento stimato è di 35 miliardi di sterline, con l'obiettivo di avviare la prima produzione di energia nel 2034.

L'impianto narrativo è tutto incentrato sulla decarbonizzazione e sulla sicurezza energetica nazionale. Eppure, dietro questi numeri si intravede un cambiamento strutturale che va ben oltre il settore elettrico tradizionale. La geografia dei reattori – tre siti distribuiti sul territorio – e la taglia ridotta delle unità segnalano una direzione precisa: generazione distribuita, resiliente e modulare. È esattamente ciò che serve a chi gestisce infrastrutture di calcolo intensive, lontane dai grandi hub cloud centralizzati.

Perché l'AI on-premise ha fame di potenza stabile

I carichi di lavoro legati ai Large Language Models (LLM) – dall'inference all'addestramento – divorano energia in modo discontinuo ma intenso. Un cluster on-premise dedicato al fine-tuning di modelli da decine di miliardi di parametri può assorbire centinaia di kilowatt per ore, mettendo sotto stress reti elettriche già fragili. Il vero vincolo non è solo la disponibilità di GPU con VRAM capiente, ma la capacità di alimentarle senza interruzioni e a costi prevedibili.

L'approccio di Sołowow apre uno scenario concreto: data center autosufficienti dal punto di vista energetico, magari co-locati con mini reattori, in grado di operare senza dipendere dall'oscillazione dei prezzi all'ingrosso dell'elettricità. In un contesto di sovranità dei dati – in cui banche, difesa e pubblica amministrazione valutano deployment self-hosted per motivi normativi – la disponibilità di energia dedicata riduce il rischio operativo e il Total Cost of Ownership (TCO) di lungo periodo.

Chi ci guadagna e chi perde

A guadagnarci sono i fornitori di soluzioni on-premise e gli integratori che progettano ambienti air-gapped. Disporre di una fornitura elettrica modulare e programmabile consente di dimensionare l'hardware in modo più aggressivo, senza compromessi sulla continuità operativa. Anche i chip maker ne beneficiano indirettamente: se il collo di bottiglia energetico si allenta, si possono saturare di più GPU in un singolo sito, aumentando la densità di calcolo.

Al contrario, i grandi provider cloud – che hanno costruito il proprio vantaggio competitivo sull'efficienza degli hyperscale data center alimentati da mix energetici spesso opachi – potrebbero vedere erodersi il differenziale di costo. L'energia nucleare distribuita rende meno netto il confine tra la presunta efficienza del cloud e la realtà del consumo on-premise, spingendo le organizzazioni a ricalcolare i propri TCO includendo parametri di indipendenza e controllo.

Il segnale strutturale

Più che un singolo progetto industriale, l'iniziativa britannica segnala che la prossima ondata di investimenti in AI passerà per un'infrastruttura fisica ridefinita. Non basta più discutere di quantization o di pipeline di serving: occorre considerare il substrato energetico come parte integrante dell'architettura di deployment. I modelli diventano asset critici, e la loro disponibilità dipende dalla resilienza della rete elettrica tanto quanto dalla qualità del software.

L'orizzonte 2034 può sembrare lontano, ma i cicli di pianificazione dei data center industriali si misurano in lustri. Chi oggi valuta di portare LLM on-premise – bilanciando framework di orchestrazione, conformità GDPR e costi di inference – farebbe bene a includere nella propria matrice decisionale anche la provenienza e la stabilità dell'energia. Perché un reattore modulare dedicato potrebbe diventare il vero abilitatore di una strategia AI davvero indipendente.