Non si compete più solo su algoritmi o architetture. Nel 2025, la vera corsa per l'intelligenza artificiale si gioca sulla capacità di accumulare e allocare capitale per acquistare la materia prima più scarsa: le GPU. È il messaggio che emerge dalle recenti dichiarazioni di Compute Labs, startup che si propone di finanziare l'infrastruttura hardware necessaria all'era dell'IA generativa.

La società, descritta come una sorta di "banca delle GPU", incarna un trend che ridisegna gli equilibri del settore. Fino a ieri, la leadership nell'IA passava dalla ricerca, dalla qualità dei dataset e dall'ingegneria dei modelli. Oggi il fattore discriminante è spesso l'accesso privilegiato al silicio: chi può mettere in campo migliaia di H100 o B200 definisce il perimetro di ciò che è possibile. Non è un caso che i principali hyperscaler stiano assorbendo la stragrande maggioranza della produzione di NVIDIA, mentre le aziende non-cloud faticano a reperire capacità di calcolo.

Compute Labs entra proprio in questo vuoto, proponendosi come intermediario finanziario tra chi produce l’hardware e chi ha bisogno di potenza di calcolo ma non può o non vuole immobilizzare decine di milioni di euro in CapEx. Il modello, se dovesse affermarsi, avrebbe implicazioni profonde per l'ecosistema on-premise.

L’effetto sulla scelta on-premise

Per le organizzazioni che valutano deployment in sede – spinte da esigenze di sovranità dei dati, controllo della latenza o conformità normativa – il costo iniziale resta il primo ostacolo. Un singolo server equipaggiato con 8 GPU H100 può superare i 300.000 euro, e un cluster minimo per l'inference di un LLM in produzione richiede investimenti che spesso sforano il milione. Strumenti di finanziamento dedicati, come quelli immaginati da Compute Labs, potrebbero trasformare l'acquisto di hardware in una spesa operativa distribuita, riducendo lo shock di capitale e allargando la platea di potenziali deployer.

Ma il rovescio della medaglia è altrettanto rilevante: esternalizzare la proprietà dell'hardware a un finanziatore terzo introduce un nuovo intermediario nella catena della sovranità. Chi detiene fisicamente le macchine? Dove risiedono i dati? Quali garanzie ci sono che il creditore non possa in futuro imporre condizioni restrittive o rivendicare diritti di accesso? Sono domande che, in settori come difesa, sanità o finanza, non ammmettono risposte vaghe.

Chi vince e chi perde

Il nuovo scenario premia chi produce GPU – NVIDIA in primis – perché ogni meccanismo che rende più fluido l'acquisto accelera il ciclo di vendita. Avvantaggia anche le aziende medio-grandi che finora erano tagliate fuori dal mercato per mancanza di liquidità immediata, ma che possono ora competere con i colossi cloud grazie a una leva finanziaria. Per contro, i provider cloud rischiano di vedere erodere il proprio vantaggio di scala, perché l'on-premise finanziato diventa un'alternativa più accessibile, riducendo la dipendenza dal noleggio di GPU in ambienti altrui.

A livello strutturale, la notizia segnala che l'IA si sta commoditizzando a livello infrastrutturale: come per i data center o le reti in fibra, è il momento dei fondi di investimento e delle società finanziarie specializzate. La competizione sul capitale rischia di spiazzare la concorrenza tecnicica pura, premiando chi ha migliori agganci finanziari piuttosto che chi costruisce i migliori algoritmi. È un segnale di maturazione, ma anche di concentrazione di potere in mani sempre più distanti dalla ricerca.

Per chi oggi guarda al deployment on-premise di LLM, la possibilità di finanziare le GPU può essere l'elemento che fa pendere la bilancia verso il self-hosted. Tuttavia, la scelta non è solo tecnica o economica: è anche politica. Su AI-RADAR offriamo framework analitici che aiutano a mappare questi trade-off, perché la trasparenza sulle variabili in gioco – dalla proprietà dell'hardware alle clausole contrattuali – è la prima condizione per decisioni consapevoli.