I segnali che arrivano dalla catena di approvvigionamento delle reti sono inequivocabili: la domanda non accenna a calare, ma la disponibilità di componenti critici è un freno costante alle spedizioni. Non si tratta di una crisi passeggera, ma di un fattore strutturale che sta ridisegnando le carte in tavola per chi, nell’ambito dell’intelligenza artificiale, scommette su infrastrutture on-premise.

Per gli addetti ai lavori, la resilienza della domanda non è una sorpresa. I carichi di lavoro legati all’addestramento e all’inference dei LLM richiedono cluster di calcolo sempre più ampi, dove la comunicazione tra nodi è cruciale quanto la potenza delle singole GPU. In architetture distribuite, il throughput di rete determina l’efficacia complessiva: senza interconnessioni a bassa latenza e banda elevata, anche il miglior acceleratore resta sottoutilizzato. Di qui la fame di switch ad alta capacità, transceiver ottici di ultima generazione e schede di rete (NIC) in grado di gestire velocità come 400GbE o oltre.

Il problema è che questi componenti, spesso basati su processi produttivi avanzati e materiali specializzati, sono soggetti a strozzature produttive che si trascinano da anni. La pandemia ha esasperato la situazione, ma la vera radice è più profonda: la capacità di fabbricazione di chip per il networking non è cresciuta di pari passo con l’esplosione dell’AI, creando un disallineamento cronico. Le consegne slittano, i contratti si allungano, e i fornitori devono gestire un portafoglio ordini che supera le loro possibilità.

Per le aziende che valutano un deployment on-premise di LLM — spinte da esigenze di sovranità dei dati, controllo delle pipeline e prevedibilità dei costi a lungo termine — questo scenario introduce un elemento di rischio finora sottovalutato. Un cluster AI non è solo un insieme di GPU: è un organismo in cui l’infrastruttura di rete è il sistema circolatorio. Se l’arrivo degli apparati slitta di mesi, gli interi piani di capacity planning saltano, il time-to-value si dilata e il TCO, calcolato su cicli di ammortamento pluriennali, perde di significato.

A beneficiarne, paradossalmente, sono i grandi cloud provider. Grazie a volumi di acquisto mastodontici e rapporti consolidati con i produttori, riescono a garantirsi forniture prioritarie, blindando la propria capacità di espansione. Questo rafforza un circolo vizioso: chi cerca indipendenza dal cloud si scontra con barriere fisiche che rendono l’alternativa on-premise più costosa e incerta del previsto. Non è solo una questione di prezzo: è una questione di fattibilità operativa.

In quest’ottica, la carenza di componenti di rete non è un semplice intoppo logistico. È la spia di un problema di autonomia tecnicica che va oltre il silicio delle GPU. Gli attori che ambiscono alla sovranità dei dati, inclusi governi e istituzioni finanziarie, devono fare i conti con un’intera filiera hardware concentrata in poche mani e vulnerabile a shock di offerta. Le implicazioni sono di secondo e terzo ordine: la spinta verso architetture di training più efficienti (con minore dipendenza dalla larghezza di banda), il rinnovato interesse per il software-defined networking e l’accelerazione di tecnicie come RDMA su Ethernet convergente sono reazioni dirette a questa pressione. Ma sono soluzioni parziali, che non eliminano il nodo fisico.

Il messaggio strutturale è che l’infrastruttura fisica resta il tallone d’Achille dell’AI self-hosted. Chi pianifica deployment on-premise deve inserire la variabile “disponibilità di apparati di rete” nei propri modelli di rischio, alla stregua delle GPU o della memoria. Perché un sistema distribuito è forte solo quanto il suo anello più debole — e quel anello, oggi, è spesso il cavo che collega i nodi.