Jensen Huang ha ricordato come un assegno da 5 milioni di dollari, firmato da Sega nel 1995, abbia impedito a Nvidia di scomparire prima ancora di diventare il perno dell’intelligenza artificiale moderna. «Senza ciò che Sega ha fatto per noi, Nvidia non sarebbe qui oggi», ha dichiarato il CEO, volato a Tokyo per ringraziare l’azienda di videogiochi. La bancarotta sfiorata allora pesa oggi sull’intero ecosistema dell’AI: senza quel capitale, il mercato delle GPU per il calcolo parallelo sarebbe radicalmente diverso, e con esso le possibilità di chi progetta infrastrutture on-premise per Large Language Models.

La vicenda è molto più di un aneddoto storico. Sega, senza volerlo, ha innescato un effetto farfalla che ha consolidato la posizione di Nvidia come fornitore quasi esclusivo di acceleratori per il training e l’inference di LLM. Oggi, chi valuta un deployment locale di modelli come Llama o Mistral si scontra con la realtà del lock-in su CUDA: le GPU della serie A100 o H100 sono diventate la scelta obbligata per ottenere throughput accettabili, e le alternative — FPGA, soluzioni basate su AMD o chip custom — restano ai margini proprio perché il vantaggio accumulato da Nvidia in quindici anni di ecosistema software è difficile da scalfire.

Il paradosso è che un investimento pensato per accelerare il rendering poligonale nei giochi ha finito per plasmare l’infrastruttura su cui girano i modelli linguistici. La conseguenza strutturale è una concentrazione di potere tecnicico che incide sul TCO (TCO) e sulla sovranità dei dati: organizzazioni che vogliono tenere i modelli in-house, magari per ragioni di compliance GDPR o per evitare latenze del cloud, devono comunque fare i conti con un singolo vendor hardware. La scarsità di scorte, i prezzi elevati e la dipendenza da una supply chain centralizzata diventano rischi concreti per chi pianifica architetture on-premise su larga scala.

C’è poi un insegnamento meno ovvio. La traiettoria che ha trasformato Nvidia da fabbricante di schede per appassionati a pilastro dell’AI dimostra quanto sia fragile e imprevedibile l’origine delle tecnicie abilitanti. Oggi assistiamo a una proliferazione di startup che lavorano su chip neuromorfici, acceleratori RISC-V o framework di inference ottimizzati per hardware eterogeneo. Se una di esse dovesse un giorno scalzare il dominio attuale, sarebbe forse grazie a una scommessa altrettanto obliqua — da un settore apparentemente lontano. Per i decisori IT, la lezione è prestare attenzione ai segnali deboli: la prossima piattaforma hardware per LLM potrebbe non venire dai soliti nomi, ma da un investimento laterale, proprio come avvenne con Sega.

Nel frattempo, chi si muove nel perimetro on-premise deve affrontare il presente: CUDA resta il framework dominante, e le alternative open (come ROCm) stanno colmando il divario ma richiedono competenze di nicchia. Strumenti di orchestrazione come vLLM o Ollama, pur semplificando il serving, non risolvono la dipendenza a valle dal silicio Nvidia. È qui che l’analisi del TCO e dei rischi di lock-in diventa essenziale — non come esercizio accademico, ma come pratica quotidiana per evitare che un singolo anello della catena blocchi l’intera strategia AI.