Secondo DIGITIMES, la domanda di server per l’intelligenza artificiale ha fatto schizzare i tempi di consegna dei componenti di potenza fino a 270 giorni. Un ordine piazzato oggi verrà evaso fra nove mesi. Non si parla di CPU o GPU, ma del silicio che converte, regola e distribuisce l’elettricità all’interno di ogni macchina: MOSFET, IGBT, regolatori di tensione, semiconduttori al nitruro di gallio e al carburo di silicio. Senza di loro, anche il più potente acceleratore è un soprammobile.

L’architettura invisibile che alimenta l’AI

Una GPU come la NVIDIA H100 può superare i 700 watt di consumo; una singola scheda server ne ospita otto, portando la richiesta energetica a oltre 5 kW in pochi centimetri quadrati. Per gestire queste correnti servono moduli di regolazione multifase, raddrizzatori a bassa perdita e convertitori ad alta frequenza, tutti elementi che lavorano in condizioni termiche estreme. Molti di questi dispositivi sono prodotti su linee mature, da 200 mm, già vicine alla saturazione perché condivise con automotive e industria. Il balzo a 270 giorni non è un incidente: è il sintomo di un deficit strutturale, amplificato dalla corsa all’AI.

Chi perde e chi guadagna sul fronte dell’on-premise

Il colpo più duro lo incassano le organizzazioni che vogliono mantenere l’inference e il fine-tuning in casa. I grandi fornitori di cloud, con contratti pluriennali e priorità di allocazione, riescono a pianificare gli acquisti per tempo; chi costruisce infrastrutture private – laboratori di ricerca, aziende regolamentate, amministrazioni pubbliche – si trova invece in coda. La promessa della sovranità dei dati (“tienili nel tuo data center”) si scontra con una supply chain che non consegna. Il risultato è una forbice: gli hyperscaler accelerano mentre chi cerca autonomia rischia di rivedere al ribasso i progetti o di accettare prezzi spot insostenibili.

L’effetto di secondo ordine è un mercato a due velocità. Le commesse pubbliche e i progetti finanziati possono ancora assicurarsi i componenti, magari dopo mesi; le realtà più piccole sono costrette a ripiegare su GPU meno esigenti, accettando throughput di inference ridotto o finestre di contesto più strette, il che riduce la qualità dei servizi basati su LLM. Di terzo ordine, l’impennata dei lead time potrebbe accelerare l’adozione di architetture più efficienti: alimentazione a 48 V, raffreddamento a liquido diretto al chip, conversione distribuita. Ridurre il numero di componenti per GPU diventa un imperativo progettuale, non solo un vezzo ingegneristico. Nel frattempo, la carenza rischia di spostare quote di produzione da settori come l’elettrico industriale o l’automotive verso il computing AI, generando colli di bottiglia a catena in comparti meno visibili ma altrettanto critici.

Oltre la GPU: una lezione di fragilità

Il dato dei 270 giorni non va letto come un picco isolato. Racconta che la fame di calcolo dell’intelligenza artificiale si nutre di un ecosistema molto più largo delle schede acceleratrici. L’attenzione mediatica si concentra su teraflop e token al minuto, ma la vera strozzatura può nascondersi in un banale controller di tensione. Per chi pianifica deployment on-premise, il messaggio è chiaro: il time-to-hardware sta diventando una variabile tanto strategica quanto il costo totale di possesso, e la partita della sovranità si gioca anche sulla capacità di approvvigionamento.