L'ondata di nuovi data center in costruzione nello stato malese di Johor sta cominciando a mostrare il conto alla rete elettrica locale. La regione, storicamente considerata l'hinterland industriale di Singapore, si è trasformata in uno dei poli più attrattivi del Sud-est asiatico per l'infrastruttura digitale. Ma la rapidità con cui i progetti prendono forma sta generando un cortocircuito silenzioso: la domanda di energia, spinta anche dai carichi di lavoro per l'intelligenza artificiale, cresce più in fretta della capacità di generazione e distribuzione.

La corsa ai data center nel sud-est asiatico

Negli ultimi tre anni, Johor ha visto moltiplicarsi gli annunci di investimento. I grandi operatori cloud e i fondi infrastrutturali hanno individuato nell'area un naturale prolungamento della piazza finanziaria di Singapore, dove lo spazio fisico e le moratorie su nuove costruzioni hanno spinto verso l'esterno i piani di espansione. Il risultato è una pipeline di data center che, secondo analisti del settore, potrebbe raddoppiare la capacità installata in tempi brevi.

La vicinanza ai cavi sottomarini, i costi dei terreni ancora relativamente contenuti e un framework normativo favorevole hanno fatto il resto. Tuttavia, la disponibilità elettrica sta diventando il fattore limitante. Le utility locali faticano a tenere il passo e, in alcuni casi, hanno già segnalato la necessità di aggiornamenti sostanziali della rete per evitare colli di bottiglia che si ripercuoterebbero su tutta la regione.

Hardware e consumi: il nodo energetico per l'AI on-premise

L'accelerazione più marcata arriva dai carichi di lavoro AI. L'addestramento e l'Inference su LLM richiedono GPU di ultima generazione, spesso in cluster da decine o centinaia di unità, con consumi che superano abbondantemente il kilowatt per singolo nodo. In un contesto on-premise, dove l'organizzazione mantiene il controllo diretto dell'hardware, la bolletta energetica incide in modo significativo sul TCO. A questo si aggiungono i costi per il raffreddamento: il passaggio al raffreddamento a liquido, ormai quasi obbligato per le GPU più recenti, introduce ulteriori complessità impiantistiche.

Chi progetta un'infrastruttura locale per LLM deve quindi inserire la disponibilità e il costo dell'energia tra le variabili di primo piano, insieme alla scelta della quantization, alla quantità di VRAM necessaria e alla banda di memoria. L'esperienza di Johor mostra che anche in presenza di volontà politica e investimenti privati, la parte fisica della rete elettrica può diventare un freno difficile da aggirare.

Cosa cambia per chi valuta l'infrastruttura locale

La pressione sulla rete di Johor non è un caso isolato, ma il segnale di una tensione che si sta manifestando in molti hub digitali. Per le aziende che considerano deployment on-premise – spinte da esigenze di sovranità dei dati, conformità GDPR o controllo sui modelli – questa dinamica aggiunge un livello di incertezza. Non basta più confrontare il costo dei server o delle licenze software: serve una valutazione integrata che includa la stabilità dell'approvvigionamento elettrico nel medio periodo e la possibilità di accedere a fonti rinnovabili con contratti diretti (PPA).

In alcuni scenari, un approccio ibrido o la collocazione in data center di prossimità – che offrono connettività a bassa latenza verso gli uffici ma condividono l'infrastruttura energetica con altri tenant – può rappresentare un compromesso. Il bilanciamento tra CapEx, OpEx e rischio operativo diventa l'elemento dirimente.

Oltre la nuvola: sovranità e costi reali

La vicenda malese è utile per chiunque stia disegnando la propria strategia AI lontano dall'approccio "tutto in cloud". Le scelte di deployment non sono mai soltanto tecniciche: toccano la geografia dell'energia, le politiche industriali e la resilienza delle reti. In Europa, il dibattito sulla sovranità digitale si è concentrato spesso sulla localizzazione dei dati, ma la disponibilità di potenza elettrica stabile e a prezzi prevedibili è altrettanto strategica.

Per chi valuta un ambiente self-hosted, l'analisi pubblicata su /llm-onpremise di AI-RADAR mette a disposizione strumenti per soppesare questi trade-off: dall'impatto della quantization sulla VRAM richiesta fino ai modelli di costo che integrano l'energia come voce primaria. L'obiettivo non è suggerire una soluzione unica, ma fornire una mappa per orientarsi in un panorama dove l'elettricità è diventata la vera materia prima dell'intelligenza artificiale.