Le utility americane sono in trincea. Non per un attacco informatico o un’ondata di maltempo, ma per qualcosa di più subdolo: la tempesta perfetta scatenata dalla domanda di data center per l’intelligenza artificiale.

Trasformatori di potenza, turbine a gas, quadri elettrici: tutto l’armamentario pesante che tiene accesa la luce e alimenta i server è diventato merce rara. «I tempi di consegna, che fino a poco fa si misuravano in mesi, ora si contano in anni», si legge nel report di The Next Web. E gli sviluppatori di data center sono già alle prese con aste al ribasso dell’ultimo pezzo disponibile.

La questione non è solo un problema per i fornitori di energia. È un campanello d’allarme per chiunque pianifichi deployment di AI su larga scala — e, per estensione, per l’intero ecosistema dell’inference e del training on-premise.

Vale la pena scorporare il nodo. Non è solo la potenza a mancare: il vero strozzamento è nella filiera di componenti elettromeccanici che la portano dalla centrale al rack. Aziende come Siemens Energy, ABB e General Electric, che dominano la produzione di trasformatori e interruttori, scontano anni di sotto-investimenti in capacità produttiva. Ora, con l’esplosione dei carichi concentrati dei data center (ciascuno può assorbire quanto una città di 30mila abitanti), il sistema va in affanno.

Questo ha implicazioni che vanno ben oltre il costo dell’elettricità. Significa che la scelta del luogo fisico per un nuovo data center non è più solo questione di terreni economici e fibre ottiche. È diventata una lotta per accaparrarsi nodi della rete con sottostazioni già dimensionate e permessi ambientali consolidati. Le regioni come la Virginia del Nord, già satura, vedranno i tempi di allaccio allungarsi ulteriormente, spostando gli investimenti verso aree meno congestionate.

Per chi valuta deployment on-premise, la lezione è duplice. Da un lato, la dipendenza da data center iperscalari si scontra con questo nuovo collo di bottiglia fisico, che potrebbe rallentare la crescita della capacità cloud e far lievitare i prezzi. Dall’altro, si apre uno spiraglio per architetture distribuite e più efficienti: server locali a inference, edge computing, micro-data center che non richiedono sottostazioni dedicate. Non è un caso che cresca l’interesse per modelli quantizzati che girano su GPU singole, riducendo la potenza necessaria per ogni workload.

C’è un elemento strutturale che questa corsa ai trasformatori mette a nudo: abbiamo digitalizzato l’intelligenza, ma il layer fisico dell’energia non ha tenuto il passo. Mentre la Silicon Valley sforna chip sempre più affamati di watt, la vecchia economia elettromeccanica arranca con fornaci e macchinari che non si improvvisano. È un mismatch di scala temporale: un LLM può essere addestrato in settimane; un trasformatore da 300 MWh ne richiede 24 solo per essere fabbricato, dopo anni di progettazione.

La finestra per agire è adesso. L’amministrazione Biden ha iniziato a finanziare la modernizzazione della rete, ma i colli di bottiglia restano. I CIO e i CTO dovrebbero chiedersi non solo “quanto costa l’operazione al mese”, ma anche “quando sarà disponibile l’elettricità per farla girare”. In un mondo che accelera verso l’AI ubiqua, il freno forse non sarà il silicio, ma il rame e l’acciaio.