Il Dipartimento di Giustizia degli Stati Uniti ha arrestato Greg Lui, 38 anni, CEO di Earthmade Computer, con l’accusa di aver usato documenti falsi per mascherare spedizioni di server contenenti chip Nvidia soggetti a controllo di esportazione. Secondo l’atto d’accusa dell’FBI, gli apparecchi valevano oltre 300 milioni di dollari ed erano destinati in ultima istanza alla Cina. Lui avrebbe orchestrato il passaggio attraverso società di spedizioni in Malesia e Singapore, dirottando illegalmente GPU Nvidia A100 e H100.

Il punto non è che si tratti dei chip più avanzati di Nvidia. A100 e H100 non rappresentano l’ultima generazione, ma restano componenti capaci di elaborare grandi quantità di dati e di addestrare Large Language Models: una capacità che Washington considera strategica e che vuole negare a Pechino.

L’arresto rivela una dinamica strutturale: i controlli sulle esportazioni non eliminano la domanda, la spingono verso catene logistiche opache. Malesia e Singapore fungono da nodi di transito ad alto volume, dove una spedizione può essere consolidata, frazionata e reindirizzata senza che il fornitore originale o le autorità identifichino facilmente il destinatario finale. In questo mercato parallelo guadagnano gli intermediari che vendono anonimato e i destinatari cinesi che accumulano capacità di calcolo aggirando le restrizioni. Chi ci perde? Nvidia, che vede i propri prodotti finire in circuiti sanzionati nonostante le vendite iniziali apparentemente legittime, con il rischio di una stretta regolatoria più severa. Ci perdono anche le imprese che vogliono costruire infrastrutture LLM on-premise in aree soggette a controlli o a rischio di dirottamento: per loro la due diligence sulla catena di fornitura diventa costosa e la disponibilità di hardware può restringersi per ragioni geopolitiche, non tecniche.

Il segnale di fondo è che il calcolo per l’intelligenza artificiale è ormai un asset geopolitico: non basta avere budget e competenze, serve anche una supply chain verificabile. Le GPU A100 e H100 diventano beni controllati, con documenti di fine uso e certificazioni. Per i team che valutano deployment self-hosted di LLM, questa vicenda rende concreto un trade-off spesso sottovalutato: l’hardware non è neutrale rispetto alla geografia. AI-RADAR pubblica framework analitici su /llm-onpremise per mappare questi vincoli, dal TCO alla disponibilità reale dei componenti.

Il caso di Greg Lui non è anomalo: è la fotografia di un passaggio in cui le macchine per addestrare i modelli sono diventate una risorsa contesa quanto i dati.