La notizia, nella sua asciuttezza, è un segnale potente. Goldman Sachs ha incassato 3,4 miliardi di dollari in commissioni di investment banking nel secondo trimestre, un record assoluto e un balzo del 55% sull’anno precedente. Il suo amministratore delegato, David Solomon, non usa mezzi termini: “Siamo nel bel mezzo di un super ciclo di spesa in conto capitale per l’intelligenza artificiale, con domanda di finanziamento per ogni singolo strumento finanziario disponibile”. Dietro questa frase si nasconde una trasformazione strutturale, non un picco effimero.

Per chi segue il mercato dell’AI da una prospettiva industriale, i numeri di una banca d’affari sono molto più che curiosità finanziarie. Raccontano dove stanno andando i soldi veri. E i soldi veri, oggi, finanziano infrastrutture. Data center, GPU, networking ad alta velocità, sistemi di raffreddamento: l’hardware che serve per addestrare e servire LLM sta assorbendo capitali con un’intensità che ricorda le prime fasi dell’era del cloud computing, ma con una differenza fondamentale.

Dalle commissioni bancarie alla scelta architetturale

Il cosiddetto “super ciclo di CapEx” non è una bolla speculativa qualunque. Le aziende che raccolgono miliardi non lo fanno per scommettere su singole app: stanno costruendo capacità produttiva di lungo termine. Meta, Microsoft, le startup di AI generativa e persino nuovi entranti stanno comprando o noleggiando potenza di calcolo a livelli mai visti. Questo flusso di denaro rimodella il panorama hardware: l’offerta di GPU di fascia alta (come le H100 di NVIDIA) rimane tesa, e i costi delle componenti di rete e memoria VRAM continuano a salire. Al tempo stesso, l’enorme domanda spinge i produttori ad aumentare la capacità produttiva, il che potrebbe, sul medio periodo, rendere più accessibile l’hardware per i deployment self-hosted.

L’aspetto più interessante per chi opera sul campo riguarda il trade-off tra cloud e on-premise. Finora, l’ondata AI è stata assorbita per lo più dai grandi provider cloud, che hanno dato a noleggio GPU su base oraria. Ma la nuova ondata di capitali sta finanziando anche iniziative ibride e private: aziende che vogliono eseguire inference in locale per ragioni di latenza, sovranità dei dati o semplicemente per abbattere il costo totale di possesso (TCO) su carichi prevedibili. La corsa agli investimenti potrebbe accelerare la disponibilità di soluzioni chiavi in mano: appliance AI, server preconfigurati per LLM, piattaforme di gestione che semplificano il fine-tuning e la quantization.

Chi vince e chi perde nel nuovo equilibrio

La concentrazione di capitali rischia di allargare il divario tra chi può permettersi cicli di addestramento massicci e chi deve arrangiarsi con modelli più piccoli. Tuttavia, il super ciclo produce anche esternalità positive: la filiera dell’hardware si espande, la ricerca sulla compressione dei modelli accelera, e framework come vLLM o TGI diventano più robusti proprio perché sostenuti da ecosistemi finanziati. Non è un caso che l’Europa, con la sua attenzione normativa alla privacy e al GDPR, stia spingendo per deployment on-premise e ibridi: il capitale che oggi scorre nelle banche d’affari permetterà a regioni intere di negoziare condizioni migliori per costruire capacità locale senza dipendere esclusivamente da poche nuvole pubbliche.

Per i tecnici che valutano se self-hostare un LLM, il segnale è chiaro: l’attuale frenesia finanziaria non è effimera. Sta finanziando la prossima generazione di silicio, librerie di inference e pipeline di dati. Chi deve decidere oggi l’architettura dei prossimi tre anni ha di fronte un bivio: restare agganciati al canone mensile di un hyperscaler, oppure sfruttare la disponibilità di capitale (proprio o di terzi) per costruire un’infrastruttura indipendente, aggiornabile e a bassa latenza. Non esiste una risposta univoca—su AI-RADAR mettiamo a disposizione framework analitici per soppesare i trade-off—ma ignorare il vento finanziario alle spalle dell’hardware sarebbe miope.