The Next Web riporta che i capi dell'AI continuano a ripetere che la domanda è sostanzialmente senza fondo, anche mentre i titoli del settore traballano. Pat Gelsinger, ex CEO di Intel ora a Playground Global, ha detto che considera la domanda di AI "quasi illimitata", con la disponibilità energetica come "unico vero limite". I libri ordini, a suo dire, confermano questo scenario.

A prima vista, sembra il classico mantra di chi ha tutto da guadagnare da un boom senza fine. Ma il mercato, stavolta, non sembra più disposto a prendere per buone queste dichiarazioni. L'inversione di tendenza racconta un cambiamento più profondo: gli investitori hanno smesso di accontentarsi degli slogan e iniziano a guardare ai fondamentali. E il primo fondamentale, quando si parla di inference su larga scala, è proprio quel limite citato da Gelsinger: l'energia.

Il collo di bottiglia energetico non è una novità per chi segue l'infrastruttura AI. L'addestramento e l'inference di modelli sempre più grandi divorano elettricità a ritmi che mettono sotto pressione le reti e i budget di chi gestisce data center. Ma se l'energia è il "solo" limite, la domanda reale è: quanto è vicino quel limite? E chi ne paga le conseguenze?

Per le aziende che valutano deployment on-premise, la questione non è accademica. Spostare carichi di lavoro AI in casa significa fare i conti non solo con l'hardware – GPU, memoria, raffreddamento – ma con la bolletta energetica e, sempre più spesso, con vincoli di capacità della rete locale. Mentre i grandi fornitori cloud possono negoziare contratti di fornitura energetica a lungo termine, chi gestisce un cluster self-hosted deve assorbire direttamente la volatilità dei costi e i limiti dell'infrastruttura fisica. Questo potrebbe paradossalmente giocare a favore di architetture ibride e soluzioni edge, dove il processing è distribuito e il consumo energetico totale è più prevedibile.

La storia recente del settore offre un parallelo. Tra il 2022 e il 2023, la corsa all'oro dell'AI generativa ha portato ordinativi massicci di GPU, con NVIDIA a capitalizzare una domanda che sembrava infinita. Oggi, però, il mercato chiede conto: i ricavi giustificano gli investimenti? Se la risposta tarda ad arrivare, la fiducia evapora. E il segnale non riguarda solo i colossi del cloud – riguarda l'intero ecosistema hardware. Se la crescita esplosiva della domanda viene messa in discussione, la pianificazione delle capacità per i sistemi on-premise diventa più complessa. Sopravvalutare il fabbisogno di calcolo significa immobilizzare capitale in GPU che rischiano di rimanere sottoutilizzate; sottovalutarlo significa non riuscire a servire i carichi di lavoro interni.

C'è un ulteriore livello di lettura. La dichiarazione di Gelsinger sposta il dibattito dall'offerta di silicio a quella di energia. Per l'industria dei semiconduttori, che ha prosperato sulla miniaturizzazione e sull'efficienza per watt, questo è un campanello d'allarme: la prossima frontiera non è solo avere più transistor, ma saperli alimentare senza mandare in corto la rete. I progetti di data center alimentati da fonti rinnovabili o nucleari stanno passando da esercizio di stile a necessità competitiva. Chi non pianifica oggi il proprio footprint energetico rischia di trovarsi con hardware inattivo domani.

Infine, c'è la questione della sovranità dei dati. Per le organizzazioni che per regolamentazione o scelta strategica devono mantenere i dati in loco, il costo energetico dell'AI si sovrappone ai requisiti di conformità. Un'infrastruttura on-premise energivora è più difficile da giustificare in un bilancio dove contano anche le emissioni e i rating ESG. Il risultato è che la scelta del modello – dalla quantization spinta all'uso di hardware specializzato – non è più solo una questione di performance, ma di sostenibilità economica e ambientale.

Insomma, lo scetticismo dei mercati non è solo finanza: è una cartina di tornasole che mette alla prova la narrazione dominante. La domanda di AI può anche essere illimitata nel desiderio, ma nei fatti deve fare i conti con i cavi della corrente. Chi saprà trasformare questo vincolo in un vantaggio, progettando sistemi più efficienti e deployment più oculati, avrà in mano la partita nei prossimi anni.