Quando un colosso come IBM, per quanto non più il baricentro del settore IT, decide di uscire dal calendario canonico degli earnings per lanciare un avviso di metà trimestre, i mercati drizzano le antenne. L'ultima mossa di Big Blue è un segnale tanto raro quanto denso di implicazioni: la crescente adozione dell'intelligenza artificiale sta generando una carenza di memoria che, a cascata, sposta la spesa delle imprese dal software verso l'hardware.

Il messaggio, pur nella sua asciuttezza, dipinge un cortocircuito ormai familiare a chi segue le infrastrutture per LLM. L'addestramento e l'inference su larga scala divorano memoria ad alta larghezza di banda (HBM), quella che anima GPU e acceleratori specializzati. La stessa memoria che, fino a ieri, era un componente quasi trasparente nei data center aziendali è diventata la risorsa più contesa della filiera. L'effetto non si limita a rendere più cari e difficili da reperire i server per l'IA: sta innescando un riallineamento dei budget che penalizza chi vive di licenze e sottoscrizioni software.

Perché l'avviso di IBM è una cartina di tornasole. Non parliamo di un produttore di schede grafiche, ma di un'azienda che ha costruito la sua seconda vita sulle acquisizioni nel cloud ibrido, sull'automazione e, soprattutto, sul software enterprise, da Red Hat a Watson. Se persino IBM vede rallentare la domanda di software perché i clienti dirottano fondi verso l'acquisto di hardware AI-ready, significa che il fenomeno ha raggiunto una massa critica trasversale.

Chi vince e chi perde nella carestia di memoria

Il primo vincitore è l'industria dei semiconduttori di memoria, con le fonderie HBM che operano a ciclo continuo. Ma il vero beneficiario — ed è qui che l'analisi si fa meno scontata — potrebbe essere l'ecosistema cloud. Le grandi piattaforme, infatti, hanno il potere contrattuale e le riserve di capitale per assicurarsi l'accesso privilegiato alla fornitura di memoria, mentre le aziende che vogliono mantenere il controllo diretto su hardware on-premise rischiano di trovarsi in fondo alla coda.

Per i difensori della sovranità dei dati e del self-hosted, questo collo di bottiglia introduce un paradosso. Da un lato, la carenza di memoria rende più costoso e incerto costruire un parco macchine locale per LLM. Dall'altro, proprio la scarsità può fungere da acceleratore per tecniche che riducono l'impronta di memoria — dalla quantization (INT8, FP8 e oltre) alla crescente attenzione per modelli più piccoli e architetture MoE (Mixture of Experts) — rendendo l'on-premise non solo un'opzione politica ma anche un investimento tecnicamente più maturo.

Il software, insomma, non esce di scena ma viene ridimensionato come motore autonomo di crescita. I vendor di applicazioni e piattaforme dovranno dimostrare un ROI ancora più misurabile per non venire sacrificati sull'altare dell'hardware. E le aziende che avevano pianificato aggiornamenti software a budget invariato si troveranno a fare i conti con una variabile nuova: il costo di acquisizione e mantenimento dei componenti fisici per l'IA, che ora compete direttamente con le loro scelte di digitalizzazione.

Il ritorno della materialità perduta

A un livello strutturale, la crisi segnala la fine di un'illusione: quella di un'IT completamente virtualizzata, dove l'hardware fosse un commodity infinitamente disponibile e il software il solo fattore differenziante. L'avvento dei modelli di fondazione ha riportato al centro la materialità dei bit — non i dati, ma i circuiti che li elaborano. E ha creato una nuova gerarchia di accesso alle risorse fisiche, con implicazioni geopolitiche evidenti per chi opera in contesti regolati da GDPR o normative sulla residenza dei dati.

In questo scenario, chi costruisce fabbriche di chip e chi controlla le catene di approvvigionamento guadagna un potere che non si vedeva dai tempi della bolla delle dot-com. E chi, come IBM, vive di servizi e software è costretto a monitorare i termometri del silicio con la stessa attenzione con cui un tempo guardava ai budget IT dei reparti.

Per chi valuta oggi un deployment on-premise, la memoria non è più un dettaglio tecnico ma un fattore di TCO primario. Le finestre di approvvigionamento si allungano, i prezzi salgono e la pianificazione finanziaria deve includere scenari di indisponibilità che fino a tre anni fa sarebbero sembrati fantascienza. AI-RADAR dedica ampio spazio ai framework analitici su /llm-onpremise proprio per mappare questi trade-off, offrendo uno sguardo pragmatico su come la scarsità di silicio stia riscrivendo le regole del gioco.