Quando un ex progettista di chip, oggi venture capitalist, sceglie di parlare di hype, il settore ascolta. Non per la carica istituzionale, ma perché chi ha sporcato le mani con i transistor sa riconoscere il confine tra una slide promettente e un silicio che funziona davvero in produzione. Il messaggio, rilanciato da Digitimes, è un reality check sull'intelligenza artificiale e sul co-packaged optics (CPO), due tecnicie su cui l'industria sta riversando capitali e aspettative forse sproporzionate rispetto alla maturità reale.

Il punto non è che AI e CPO siano irrilevanti. Al contrario, la domanda di calcolo per LLM e inference on-premise spinge i data center verso architetture sempre più dense, dove la larghezza di banda e l'efficienza energetica diventano strozzature critiche. Il CPO promette di ridurre la distanza elettrica tra chip e moduli ottici, tagliando latenza e consumi. Ma qui scatta l'avvertimento: tra un proof-of-concept in laboratorio e un deployment su scala industriale corrono anni di ingegnerizzazione, costi di packaging che esplodono e problemi di affidabilità che nessun benchmark sintetico può anticipare.

Per chi sta valutando stack self-hosted – magari per tenere i dati sotto controllo ed evitare i vincoli del cloud – la lezione è immediata. Il TCO non si calcola solo sulla bolletta energetica o sul prezzo d'acquisto delle GPU. Include l'integrazione di tecnicie ancora acerbe che rischiano di diventare debito tecnico. Un nodo on-premise basato su CPO richiede competenze di manutenzione ottica che scarseggiano, e il lock-in su un fornitore che spinge una roadmap ancora da consolidare può trasformarsi in una trappola. Il VC, con la sua esperienza da chip designer, mette il dito proprio su questa fragilità: l'industria dei semiconduttori è ciclica e l'hype gonfia valutazioni che poi si sgonfiano quando le fabbriche devono consegnare volumi e affidabilità.

C'è un effetto di secondo ordine che merita attenzione. Se il CPO non mantiene le promesse nei tempi previsti, la pressione si sposta su alternative più collaudate come le interconnessioni elettriche avanzate (NVLink, Infinity Fabric) e su strategie di co-design software-hardware. Questo penalizza chi ha scommesso tutto sull'ottica, ma premia gli integratori che sanno orchestrare componenti maturi in architetture bilanciate. Per i carichi di lavoro LLM, questo significa che l'ottimizzazione software (quantization, parallelismi, pipeline di inference) resta il moltiplicatore più sicuro, mentre l'hardware va scelto con pragmatismo, preferendo piattaforme con un ecosistema di tooling consolidato.

Sul fronte della sovranità dei dati, il richiamo alla cautela è ancora più stringente. Le aziende che vogliono portare l'AI on-premise per conformarsi al GDPR o a regolamenti settoriali devono diffidare delle roadmap troppo aggressive. Un errore di calcolo sulla maturità dei componenti può tradursi in finestre di manutenzione insostenibili o nell'impossibilità di scalare senza dipendere da specialisti esterni, vanificando il controllo tanto cercato. La voce di un ex progettista di chip che ora guarda i numeri da VC non è una bocciatura, ma un invito a riportare la discussione sulla sostanza: quanti dei millisecondi guadagnati con CPO si traducono in valore per l'utente finale? E a quale costo reale, dopo aver pagato l'integrazione e la curva di apprendimento?