La speranza di un raffreddamento dei prezzi delle memorie si infrange contro la realtà di un’industria dell’AI che cresce senza sosta. Secondo quanto riportato da DIGITIMES, i listini non solo non scenderanno nel breve termine, ma subiranno nuovi rincari nel terzo trimestre del 2026, spinti dalla vorace domanda di componenti per l’addestramento e l’inference dei grandi modelli linguistici.

Il segnale è chiaro e ha poco a che fare con le solite ciclicità del mercato dei semiconduttori. Qui non si tratta di un semplice squilibrio temporaneo tra offerta e domanda. I carichi di lavoro dell’AI generativa stanno diventando strutturali per l’intero ecosistema dei data center, e la loro fame di banda di memoria — in particolare di memorie ad alta larghezza di banda come le HBM montate sugli acceleratori — sta assorbendo una quota crescente della capacità produttiva globale. I fornitori di DRAM e NAND stanno dando priorità alle commesse per chip avanzati destinati a GPU e AI ASIC, lasciando meno spazio per le memorie commodity, il che si riflette sull’intera filiera.

Per chi gestisce deployment on-premise di LLM, questa tendenza ha implicazioni pesanti. Un cluster di inference o di fine-tuning si costruisce su GPU con decine o centinaia di gigabyte di VRAM, e ogni scheda ha un costo fortemente condizionato dal prezzo delle memorie. Quando i rincari arrivano a singhiozzo ma con regolarità, il TCO delle soluzioni self-hosted sale in modo meno prevedibile, rendendo più difficile la pianificazione degli investimenti. Aziende che magari stavano valutando di portare internamente modelli da 70 miliardi di parametri per ragioni di sovranità dei dati potrebbero trovarsi di fronte a un conto hardware sensibilmente più alto del previsto.

Non è solo una questione di budget. Questa dinamica altera gli incentivi competitivi tra cloud e on-premise. I grandi hyperscaler possono assorbire meglio gli aumenti perché comprano volumi enormi e spesso hanno contratti di fornitura a lungo termine. Un’organizzazione di medie dimensioni che vuole evitare la dipendenza dal cloud e mantenere il controllo sui propri dati si scontra invece con costi di ingresso che crescono più rapidamente del budget IT tipico. L’effetto netto rischia di essere un rallentamento nell’adozione di infrastrutture locali per l’AI, proprio quando la compliance e la residenza dei dati diventano temi centrali in Europa sotto la spinta del GDPR e di normative simili.

C’è però anche un risvolto che potrebbe accelerare l’innovazione. La pressione sui prezzi spinge verso tecniche di compressione e ottimizzazione che riducono il consumo di memoria senza sacrificare troppo la qualità. La quantization a 4 bit, le architetture a mistura di esperti, il pruning spinto: tutte soluzioni che oggi sono materia di ricerca avanzata, ma che domani potrebbero diventare best practice standard per chi fa deployment in casa. Parallelamente, cresce l’interesse per modelli più piccoli e specializzati, che girano su hardware meno assetato di VRAM e con costi operativi più contenuti.

La vera posta in gioco, però, è la capacità del settore di sviluppare nuove tecnicie di memoria o nuovi paradigmi di computing che allentino questo collo di bottiglia. Le memorie HBM di prossima generazione, i chiplet con memoria integrata e le architetture near-memory computing rappresentano strade promettenti, ma hanno cicli di sviluppo lunghi. Fino a quando non arriveranno sul mercato, l’industria dell’AI dovrà convivere con un costo del silicio che rimane alto, influenzando tutte le decisioni di deployment.

Per i responsabili delle infrastrutture, il messaggio è semplice: ignorare la variabile memoria nei piani pluriennali significa esporsi a sorprese sgradevoli. E chi scommette su un calo dei prezzi a breve potrebbe dover rivedere le proprie proiezioni.