Non sono i soliti riflettori puntati sui progettisti di GPU o sui fonditori di silicio avanzato. Questa volta a parlare è JCET, colosso cinese dei servizi di packaging e test dei semiconduttori, che ha rivisto al rialzo le previsioni di utile per la prima metà dell'anno citando la domanda insaziabile di chip per l'intelligenza artificiale.

La notizia ha un sapore diverso perché sposta l'attenzione su un anello della catena che i riflettori del mercato AI tendono a trascurare: il packaging avanzato. È qui che i die di silicio – GPU, acceleratori, memoria ad alta larghezza di banda – vengono assemblati e interconnessi. Senza questo passaggio, la promessa di server capaci di inference su LLM con latenze accettabili o di addestrare modelli su cluster on-premise si scontra con un muro fisico: la banda di memoria, la densità delle interconnessioni, la dissipazione termica.

Per chi oggi valuta un deployment on-premise di AI – spinto da esigenze di sovranità dei dati o da un'analisi attenta del TCO – la notizia di JCET è più rilevante di quanto sembri. Il packaging non è una commodity indolore. La capacità produttiva in questo segmento, specialmente per le tecnicie più avanzate come i substrati organici a strati multipli o le soluzioni ibride chip-on-wafer, è limitata e concentrata in poche mani: oltre a JCET, ci sono ASE Technology in Taiwan e Amkor negli Stati Uniti. Quando queste aziende alzano le stime, non stanno solo festeggiando un buon trimestre: confermano che la pressione sulla filiera si estende ben oltre la litografia a 4 o 3 nanometri.

Questo ha almeno due implicazioni strutturali per l'ecosistema dell'hardware AI. La prima riguarda i tempi di approvvigionamento e i costi. Se il packaging diventa il nuovo strozzatura, gli OEM che assemblano server per carichi AI – siano essi destinati a data center cloud o a rack on-premise – potrebbero allungare i tempi di consegna e rivedere i prezzi. Non è una dinamica astratta: la catena di fornitura dei semiconduttori ha già mostrato, durante la crisi dei chip del 2020-2022, come un singolo anello in tensione possa propagare fino ai clienti finali. Per un'organizzazione che pianifica un investimento in capacità di inference locale, questo significa che il calcolo del TCO deve oggi includere ipotesi esplicite sulla stabilità dei prezzi e sulla disponibilità futura delle schede acceleratrici.

La seconda implicazione è più sottile ma non meno potente. Il ruolo crescente del packaging avanzato sposta parte del valore competitivo dal design del chip alla sua integrazione fisica. Aziende come NVIDIA o AMD dipendono da partner come TSMC e, a valle, proprio da realtà come JCET per confezionare i loro prodotti. Questo significa che la corsa all'AI, per quanto dominata narrativamente dai modelli e dal software, ha un sottofondo industriale fatto di contratti di fornitura, competizione per la capacità produttiva e persino tensioni geopolitiche – JCET è un'azienda cinese e la capacità di packaging non è immune a restrizioni all'esportazione o a logiche di sicurezza nazionale.

Per chi sviluppa o gestisce infrastrutture AI, il segnale è chiaro: l'efficienza di un deployment on-premise non si misura più soltanto in token al secondo o in VRAM disponibile. Occorre allargare lo sguardo alla resilienza della supply chain che sta a monte dell'hardware. Non a caso, sul sito di AI-RADAR, nella sezione dedicata ai deployment on-premise, si analizzano proprio i trade-off legati alla disponibilità di componenti e ai costi di aggiornamento dell'infrastruttura.

In definitiva, l'aumento delle stime di JCET non è solo un dato finanziario per analisti di settore. È un campanello d'allarme per chiunque progetti di far girare modelli AI lontano dai cloud pubblici: il vero collo di bottiglia potrebbe essere più vicino alla catena di montaggio di quanto l'industria del software tenda a raccontare.