L’accelerata sui TPU di Google e la fame di capacità di Meta non sono solo un titolo per analisti finanziari. Il report DIGITIMES — che sta facendo il giro delle supply chain asiatiche — segnala una spinta aggressiva sul silicio custom che va ben oltre l’aggiornamento stagionale dei datacenter. Google stringe sulla produzione delle sue Tensor Processing Unit, mentre Meta spinge i propri investimenti infrastrutturali ben oltre i livelli già record. È un’ondata di capex che non si limita a ingrassare i bilanci dei fornitori cloud: ridefinisce gli incentivi per chiunque stia progettando stack per Large Language Models, dentro o fuori dal cloud.

Per i grandi fornitori di servizi cloud, il calcolo è chiaro. L’esplosione delle applicazioni basate su LLM rende l’efficienza dell’hardware un vantaggio competitivo diretto. I chip progettati in casa — come i TPU di Google, ma anche i Trainium di AWS o i futuri acceleratori di Microsoft — tagliano la dipendenza da NVIDIA e, almeno in teoria, riducono il costo per inference. Ma c’è un rovescio della medaglia: ogni generazione di silicio proprietario rende l’ecosistema cloud più chiuso. Spostare un modello addestrato su TPU v5 al di fuori di Google Cloud non è solo complesso, è spesso antieconomico. Il lock-in si sposta dal livello software a quello del silicio, ed è molto più difficile da aggirare.

Chi perde, nell’immediato, non sono solo i concorrenti diretti. A rimetterci è la portabilità dei carichi di lavoro AI, e con essa la capacità delle aziende di mantenere un vero controllo sulla propria infrastruttura. Mentre i CSP pompano miliardi in hardware custom, l’impresa che oggi sceglie il cloud per convenienza potrebbe trovarsi domani con costi operativi crescenti e nessuna via d’uscita semplice. Non è un caso se le conversazioni sul deployment on-premise di LLM — un tempo confinate a nicchie regolamentate — stanno allargandosi a realtà manifatturiere, finanziarie e sanitarie di ogni dimensione.

C’è un effetto di secondo ordine che merita attenzione. La frammentazione dell’hardware AI, alimentata proprio da questa corsa agli investimenti, rende più urgente lo sviluppo di alternative aperte o standardizzate per l’inference locale. Da una parte, NVIDIA continua a dominare con GPU che funzionano ovunque, offrendo una via di fuga al lock-in proprietario. Dall’altra, iniziative basate su architetture RISC-V o su ecosistemi come Open Compute Project iniziano a mordere, promettendo hardware AI disaggregato e gestibile on-prem. La vera posta in gioco non è tecnicica: è la sovranità dei dati e la prevedibilità del costo totale di possesso (TCO).

L’ondata capex annunciata da DIGITIMES, insomma, non è solo un indicatore di fiducia nel cloud. È un segnale strutturale: l’era del silicio AI su misura sta accelerando il divorzio tra infrastruttura pubblica e controllo privato. Per chi valuta deployment locali, il messaggio è duplice. Il cloud non sparirà, ma la sua deriva proprietaria potrebbe far lievitare i costi di uscita proprio quando l’AI diventa mission-critical. Viceversa, investire su stack self-hosted basati su hardware più generico — e su framework di serving che astraggano il silicio sottostante — diventa una scelta che non riguarda più solo la privacy, ma la sostenibilità economica di lungo periodo.

AI-RADAR, su /llm-onpremise, offre strumenti analitici per misurare questi trade-off, senza mai suggerire una strada univoca. L’unica certezza, oggi, è che la mappa dell’hardware AI si sta ridisegnando più in fretta di quanto molti CIO riescano a tracciare.