La domanda di hardware per l'intelligenza artificiale non ha ancora toccato il suo picco. O almeno, è quanto emerge dalle parole del presidente di Foxconn, che ha rivelato come due dei quattro gruppi di clienti AI non abbiano ancora raggiunto un livello di domanda definibile come "piena scala". La notizia, per quanto scarna, è un segnale forte sulla traiettoria della capacità produttiva globale e sulle scelte di chi sta costruendo stack per l'inference e l'addestramento di LLM.

Foxconn è uno dei principali produttori di server per carichi di lavoro AI, assemblando sistemi basati su GPU NVIDIA e componenti di rete per i data center di tutto il mondo. La dichiarazione del suo presidente va quindi letta come un termometro della supply chain: se metà dei segmenti di clientela non ha ancora espresso una domanda matura, significa che la pressione produttiva attuale potrebbe essere solo l'inizio. Chi oggi fatica a procurarsi hardware per deployment on-premise potrebbe trovarsi di fronte a un doppio scenario: nel breve termine, la concorrenza con gli hyperscaler continuerà a drenare la disponibilità di GPU e sistemi; nel medio-lungo termine, l'ingresso su larga scala di nuovi compratori – presumibilmente aziende enterprise e realtà del settore pubblico – potrebbe allungare ulteriormente i tempi di consegna, ma anche spingere i produttori a espandere le linee di assemblaggio.

Sebbene Foxconn non abbia dettagliato quali siano questi quattro gruppi, è plausibile che comprendano grandi fornitori di cloud, società enterprise, governi e startup. I primi due hanno finora trainato la domanda globale, assorbendo decine di migliaia di GPU per potenziare offerte cloud o per progetti interni di LLM. Gli altri due segmenti, invece, potrebbero essere ancora in fase esplorativa: realtà che stanno valutando il passaggio da proof-of-concept a deployment produttivo, spesso con forti vincoli di sovranità dei dati e di TCO. È proprio questa seconda metà del mercato a rappresentare la variabile più interessante per il mondo on-premise, perché include organizzazioni che vogliono evitare le dipendenze dal cloud pubblico, mantenere i dati in sede e ottimizzare il costo totale di esercizio su cicli di vita lunghi.

Il fatto che due gruppi di clienti siano ancora lontani dalla domanda di scala ha implicazioni strutturali. Da un lato, conferma che l'infrastruttura AI non è in una bolla di investimenti già satura: c'è un'ampia fetta di domanda latente che aspetta solo condizioni favorevoli per emergere. Dall'altro, suggerisce che i vendor di hardware e i system integrator hanno davanti una finestra di opportunità per costruire offerte pensate per questi clienti non ancora maturi, magari con configurazioni ottimizzate per l'inference locale, sistemi raffreddati a liquido per ambienti con vincoli di spazio, o pacchetti software pre-integrati per semplificare il deployment di LLM. Chi perde, in questa dinamica, potrebbe essere il modello cloud-first spinto dagli hyperscaler: se la produzione di hardware dovesse finalmente raggiungere una massa critica tale da ridurre i costi unitari, il calcolo del TCO per carichi di lavoro stabili e prevedibili potrebbe pendere in modo deciso verso l'on-premise.

In sintesi, la fotografia scattata da Foxconn non è solo un'anomalia congiunturale, ma la spia di una fase di mercato ancora largamente inesplorata. Per chi segue le evoluzioni del deployment locale di LLM, il messaggio è chiaro: la domanda è ben lontana dall'essere completamente soddisfatta, e i prossimi due anni potrebbero ridisegnare la mappa della capacità produttiva e della convenienza economica tra cloud e infrastruttura privata.