L’annuncio è tutt’altro che un semplice accordo di fornitura. Quando AMD e Anthropic collaborano per costruire una «fabbrica AI» che non dipenda da CUDA, il messaggio è chiaro: il dominio di NVIDIA nei data center per Large Language Models sta per incontrare la prima vera alternativa infrastrutturale.

Il cuore tecnico dell’operazione ruota attorno agli acceleratori Instinct MI300X — 192 GB di VRAM per scheda, architettura CDNA 3 — combinati con il framework software ROCm. Anthropic, già cliente Amazon per il training di Claude, sta spostando una porzione significativa dei carichi di lavoro sugli AMD Instinct, sia per l’inference che per il fine-tuning. Non si tratta di un singolo cluster sperimentale: il termine «fabbrica» segnala un impegno di scala industriale, pensato per gestire modelli multi-trilione di parametri con un controllo totale sullo stack.

Il nodo strategico, naturalmente, è CUDA. L’ecosistema software NVIDIA è da anni il collante che tiene insieme la supply chain dell’AI enterprise, grazie a librerie mature (cuBLAS, cuDNN), compilatori ottimizzati e un parco sviluppatori enorme. Sganciarsi da questo ecosistema non è mai stato un problema di potenza bruta delle GPU, ma di maturità del software. AMD ha investito massicciamente in ROCm, portandolo a supportare PyTorch e TensorFlow con compatibilità sempre più ampia, e Anthropic è esattamente il tipo di partner che può accelerare questo processo: un hyperscaler AI con team interni capaci di contribuire al kernel tuning e alla ottimizzazione dei profili di esecuzione.

Da punto di vista di chi scrive, l’operazione segnala un cambio strutturale: l’AI factory non è più una cattedrale NVIDIA, ma un cantiere multi-architettura. Per le imprese che valutano il self-hosted degli LLM — spinte da ragioni di sovranità dei dati, controllo dei costi o vincoli normativi — l’ingresso di un secondo fornitore credibile cambia gli incentivi. Oggi chi progetta un cluster on-premise per l’inference di modelli open source (Llama 3, Mistral, Qwen) si trova spesso a dover dimensionare l’acquisto su GPU NVIDIA semplicemente perché CUDA è l’unico stack con cui i team MLOps hanno esperienza. Se ROCm raggiunge la parità operativa, il potere negoziale dei buyer aumenta, e il TCO reale dei deployment si riduce perché AMD può competere non solo sul prezzo per GPU, ma sull’intero costo di gestione dell’hardware.

C’è anche una implicazione meno visibile: l’effetto sulla ricerca. Molti laboratori universitari e startup hanno finora evitato AMD per la mancanza di un ecosistema software robusto. Se Anthropic dimostra che su MI300X si possono addestrare modelli frontier, l’effetto di traino sui progetti più piccoli potrebbe essere notevole, riducendo progressivamente il costo della ricerca indipendente in AI.

Resta una sfida aperta, certo: il divario software non si colma in pochi trimestri, e NVIDIA muove la sua piattaforma a ritmo incalzante con Blackwell e le librerie verticali. Ma la direzione è tracciata: la fabbrica AI senza CUDA non è più un miraggio, e chi sta costruendo il proprio stack on-premise oggi farebbe bene a non progettare data center che vincolano l’intero carico di lavoro a un singolo vendor di silicio.