La corsa all’intelligenza artificiale ha un nuovo, silenzioso avversario: la rete elettrica. Per anni la discussione si è concentrata sulla disponibilità di GPU e acceleratori di ultima generazione, con i riflettori puntati sulle catene di fornitura e sulle restrizioni all’esportazione. Oggi, chi costruisce data center su larga scala sa che il vero collo di bottiglia non è più rappresentato dai semiconduttori, ma dall’infrastruttura fisica che li ospita: approvvigionamento energetico, raffreddamento, permessi e spazio edificabile.

Lo spostamento ha radici concrete. Un cluster di addestramento per modelli di frontiera può assorbire decine di megawatt – una potenza paragonabile a quella di un piccolo centro abitato. L’instradamento di carichi simili verso la rete non è immediato: in molte regioni le code per l’interconnessione durano anni, e i costi di potenziamento delle dorsali elettriche ricadono sugli operatori. A questo si aggiungono vincoli ambientali, resistenze locali e un framework normativo che, specie in Occidente, non era stato pensato per un’espansione così rapida.

Due strategie opposte stanno emergendo. La Cina ha imboccato la via della pianificazione centrale: il governo destina aree industriali dedicate, costruisce infrastrutture energetiche su misura e coordina gli investimenti pubblici e privati attraverso i piani quinquennali. Le province competono per attrarre questi poli di calcolo con incentivi e procedure accelerate, creando veri e propri «computing park» integrati. Pechino può anche imporre razionamenti energetici selettivi per proteggere certe filiere strategiche, garantendo che i progetti AI ricevano priorità sulla rete.

Negli Stati Uniti, al contrario, la partita si gioca a livello locale, spesso comune per comune. I grandi fornitori di cloud e le società tecniciche negoziano con utility regionali e autorità municipali in una frammentazione che allunga i tempi e genera conflitti. Un progetto di data center può arenarsi per mesi in udienze pubbliche in cui si discutono consumo idrico, emissioni acustiche e impatto paesaggistico. Non c’è un’autorità centrale che detti priorità: la gara per la capacità infrastrutturale diventa una competizione di mercato, dove vince chi ha più risorse finanziarie e legali, ma non necessariamente chi ha la visione strategica migliore.

Per chi valuta il deployment on-premise, questo scenario impone un ripensamento. Portare un modello in casa non è più solo una questione di acquistare server con GPU sufficienti; significa verificare se la propria sede dispone della capacità elettrica, del raffreddamento adatto e, in alcuni casi, delle autorizzazioni urbanistiche per incrementare la potenza assorbita. Il Total Cost of Ownership (TCO) reale include componenti che vanno ben oltre l’hardware, e che sono fortemente dipendenti dal contesto locale. In un’ottica di sovranità dei dati, l’autonomia promessa da un’infrastruttura self-hosted si scontra con i limiti fisici del territorio in cui si opera. AI-RADAR offre framework analitici per mappare questi trade-off, ma le variabili locali restano decisive.

L’effetto strutturale è una convergenza inattesa: la corsa all’AI sta diventando una questione di politica energetica e pianificazione territoriale, esattamente come lo sono le grandi reti di trasporto o le centrali elettriche. Chi saprà risolvere il problema dell’elettricità – e della sua accettazione sociale – controllerà la prossima fase dello sviluppo. I chip, intanto, tornano a essere abbondanti; l’energia no.