Il governo britannico sogna di diventare una superpotenza dell’intelligenza artificiale. Uno dei data center simbolo di questa ambizione, il sito Nscale nell’Essex da 2 miliardi di sterline, si scontra però con un ostacolo che nessun algoritmo può aggirare: la corrente elettrica. Il progetto ha raccolto i finanziamenti, ha ottenuto i permessi urbanistici, ha già accordi con i clienti e dispone persino di un punto di connessione alla rete. Eppure, l’energia non arriva in tempo per accendere i server. È un campanello d’allarme che racconta molto più di un ritardo burocratico.

L’episodio mette a nudo una tensione strutturale che chiunque valuti un’infrastruttura AI self-hosted farebbe bene a considerare. L’hardware – GPU, VRAM, nodi di calcolo – cattura l’attenzione degli addetti ai lavori, ma il vero collo di bottiglia per i Large Language Models e i carichi di inference su larga scala è spesso la rete elettrica. Un data center moderno dedicato al training o all’inference può assorbire decine di megawatt, l’equivalente dei consumi di una cittadina. Senza un’alimentazione stabile e garantita, i piani di deployment on-premise restano carta.

Nel Regno Unito, la rete di distribuzione è sotto pressione per via dell’elettrificazione dei trasporti e del riscaldamento, e gli upgrade procedono a rilento. Qui non si tratta di un problema di capacità nominale del punto di connessione, ma di tempi effettivi di attivazione: hai il contratto, ma la tensione non è ancora fisicamente disponibile quando serve. Chi progetta architetture on-premise deve quindi inserire la variabile energetica nel Total Cost of Ownership fin dal primo giorno, insieme ai soliti fattori come GPU, VRAM e throughput in token al secondo. Trascurare questo aspetto significa esporsi a ritardi che possono vanificare i vantaggi competitivi del controllo diretto sui dati.

La vicenda Nscale segnala qualcosa di più profondo. La corsa alla sovranità digitale – tenere i dati e i modelli entro i confini nazionali, lontani da giurisdizioni cloud extraeuropee – dipende da infrastrutture fisiche che devono funzionare. Se i progetti bandiera si inceppano sull’allacciamento alla rete, l’intero ecosistema dell’AI on-premise perde credibilità presso le aziende che stanno valutando di abbandonare il cloud per ragioni di compliance o di controllo. Il rischio è che le imprese rimandino le decisioni di internalizzazione, oppure scelgano lidi dove l’energia è più abbondante e meglio pianificata.

Un secondo effetto è lo spostamento degli investimenti verso soluzioni di generazione autonoma. Non è fantascienza: alcuni hyperscaler stanno già siglando accordi per reattori nucleari dedicati. Per un deployer on-premise più piccolo, questo potrebbe tradursi in partnership con fornitori di energia rinnovabile locale o nell’adozione di sistemi di accumulo su larga scala, che aggiungono complessità e costi iniziali ma riducono la dipendenza dalla rete pubblica.

C’è poi un terzo ordine di conseguenze, meno visibile ma non meno rilevante. Il mercato dei data center si sta segmentando tra chi può permettersi di comprare tempo e capacità sulla rete e chi no. Le grandi piattaforme cloud hanno team dedicati a gestire i rapporti con i gestori energetici e a mappare le aree con meno congestione. Chi invece punta su un’infrastruttura privata in una zona industrialmente appetibile ma satura rischia di trovarsi in trappola, con i server fermi e i contratti con i clienti che scricchiolano.

Per chi naviga queste scelte, AI-RADAR offre framework analitici su /llm-onpremise che aiutano a soppesare i trade-off senza scorciatoie, integrando la dimensione energetica nella valutazione complessiva. La lezione dell’Essex è nitida: la potenza di calcolo, per quanto impressionante, senza watt è solo metallo freddo.