La corsa all'intelligenza artificiale sta già rifacendo i conti dell'industria dei semiconduttori. Tongfu Microelectronics, uno dei principali attori cinesi nel packaging e testing di chip, ha alzato le stime sugli utili del primo semestre, citando la domanda trainata proprio dall'AI e dalla memoria. Un annuncio che non è solo una riga di bilancio: è la cartina di tornasole di un mercato in ebollizione, dove ogni tassello della filiera si sta riposizionando.

Per chi sta valutando il deployment locale di Large Language Models (LLM), i conti di Tongfu interessano più di quanto sembri. La memoria, in particolare quella ad alta larghezza di banda (HBM) e le DRAM specializzate, è il vero collo di bottiglia dell'inference su larga scala. Senza VRAM sufficiente, anche il modello più efficiente diventa inutilizzabile. E se i produttori di chip come Tongfu vedono i propri margini esplodere, significa che la pressione a monte è fortissima.

Il nodo dell'offerta

Il boom dell'AI ha innescato una competizione feroce per le risorse di produzione. Tongfu non produce i wafer, ma il suo ruolo nel packaging avanzato (fondamentale per impilare memoria e logica nei chip AI) la rende un termometro preciso. Se l'azienda prevede un balzo degli utili, è perché i clienti — dai fabless ai data center — stanno prenotando capacità con largo anticipo, spesso a prezzi superiori. Questo si traduce in tempi di attesa più lunghi e costi crescenti per chi, come molte imprese e centri di ricerca, vuole allestire infrastrutture on-premise per mantenere il controllo dei dati.

Non è solo questione di GPU. L'AI generativa divora quantità oscene di memoria per conservare i parametri dei modelli e per gestire finestre di contesto sempre più ampie. Un cluster on-premise senza un adeguato provisioning di memoria ad alta velocità è come un motore senza benzina. Il segnale di Tongfu suggerisce che questa benzina sta diventando più cara e più rara.

Chi vince e chi perde

A guadagnarci, nell'immediato, sono i fornitori di semiconduttori e le aziende che hanno bloccato contratti di fornitura a lungo termine. I grandi hyperscaler possono assorbire l'aumento dei costi, ma per le organizzazioni che puntano sul self-hosted per ragioni di sovranità o compliance GDPR, il framework si complica. Il Total Cost of Ownership (TCO) di un impianto locale sale, e con esso il rischio di vedersi superare dalla prossima generazione di modelli prima ancora di aver ammortizzato l'investimento.

C'è però un rovescio della medaglia. L'impennata della domanda sta anche alimentando la diversificazione dell'offerta: nuovi fornitori di memoria, soluzioni di packaging alternative e persino tecnicie di compressione come la quantization vengono spinte con più forza. Per l'ecosistema on-premise, questo potrebbe significare, nel medio periodo, un ventaglio più ampio di opzioni hardware e la possibilità di dimensionare le risorse in modo più granulare, anziché dipendere da singoli vendor.

Una questione di sovranità

Il caso Tongfu ha anche una dimensione geopolitica. È un'azienda cinese che beneficia indirettamente delle restrizioni statunitensi sull'export tecnicico, perché il mercato domestico cinese dell'AI deve trovare percorsi alternativi. Questo doppio binario — da un lato la corsa globale agli acceleratori, dall'altro le frammentazioni regionali — rende ancora più strategico il controllo della catena di approvvigionamento. Per un'organizzazione europea, valutare un deployment on-premise significa anche chiedersi quanto dipenderà da componenti soggetti a veti incrociati.

Il profit warning di Tongfu, insomma, è molto più di un dato finanziario. È la prova che l'infrastruttura dell'AI non è scalabile a comando. Mentre i modelli diventano più capaci, la base materiale per farli girare in casa propria diventa un asset conteso. E chi pensa di adottare LLM in locale deve iniziare a ragionare non solo di prompt e accuracy, ma di supply chain.