Nel corso dell'ultimo anno, governi e grandi imprese hanno iniziato a costruire le proprie infrastrutture dedicate all'addestramento e all'inference di LLM, spinti da esigenze di sovranità digitale e controllo sui dati. Questa tendenza, spesso etichettata come “Sovereign AI”, si rivela oggi il principale vettore di crescita per l'industria dei semiconduttori, secondo quanto emerge da analisi recenti del settore, tra cui spunti da Nvidia. La domanda aggiuntiva di GPU e acceleratori, non più solo da parte dei grandi cloud provider ma anche da enti statali e consorzi locali, sta cambiando gli equilibri: per la prima volta, chip e sistemi vengono richiesti esplicitamente per rimanere all'interno di confini geopolitici definiti.

Il rovescio della medaglia è che non tutti possono sedere a questo tavolo. La produzione di chip avanzati, quelli necessari per l'AI su larga scala, è concentrata in pochissimi nodi globali — di fatto TSMC a Taiwan, con una quota minore di Samsung in Corea — e richiede investimenti pluriennali e know-how difficilmente replicabili. I paesi che non dispongono di fabbriche o che non hanno stretto alleanze strategiche con i produttori si trovano in una posizione di dipendenza, esattamente lo scenario che la sovranità digitale vorrebbe evitare. È il paradosso della sovranità: per ottenere controllo, devi acquistare componenti da chi controlla l'offerta globale, almeno finché non sviluppi capacità domestiche.

Questo scenario ha implicazioni strutturali per chi valuta deployment on-premise o self-hosted. Da un lato, la pressione normativa sulla residenza dei dati (GDPR in Europa, normative emergenti in Asia e Americhe) accelera la costruzione di data center locali. Dall'altro, la catena di fornitura hardware rimane fragile e concentrata, rendendo la pianificazione dei progetti di AI locale una questione di TCO e di gestione del rischio più che di mera convenienza economica. Le aziende che oggi progettano infrastrutture AI proprie devono valutare non solo i costi delle GPU e del consumo energetico, ma anche la disponibilità reale e la stabilità geopolitica del fornitore. Non è un caso che sempre più organizzazioni esplorino opzioni di prenotazione a lungo termine o accordi diretti con i produttori, scavalcando i distributori tradizionali.

Chi vince, in questa corsa? I grandi chipmaker — Nvidia in testa, che fornisce le GPU H100 e le piattaforme software necessarie — e i fabbricanti di chip su nodi avanzati. Vincono anche i fornitori di soluzioni di raffreddamento e networking, perché l'AI on-premise richiede densità di calcolo superiori rispetto ai tradizionali carichi aziendali. Perdono, al contrario, i player che basano interamente la propria offerta su cloud pubblico e che non hanno una strategia ibrida o on-premise: la domanda di “nuvole sovrane” crescerà, ma non cancellerà la necessità di controllo fisico dell'hardware per i carichi più sensibili. Inoltre, i paesi senza fonderia rischiano di pagare un sovrapprezzo strategico, sottraendo risorse all'innovazione locale.

Nel panorama dell'AI-RADAR, questa tensione tra autonomia digitale e dipendenza manifatturiera è un fattore critico nella valutazione di ogni stack on-premise. Scegliere di gestire LLM in locale significa abbracciare un'architettura che, per quanto garantisca privacy e controllo, rimane vincolata a una supply chain globale tutt'altro che distribuita. La “prossima ondata” del chipmaking alimentata dall'AI sovrana è già qui: non è una questione di se, ma di chi potrà effettivamente sedersi al tavolo.