La notizia è di quelle che fanno tremare i listini di Borsa: Meta inizierà a settembre la produzione dei suoi ultimi chip progettati specificamente per carichi di lavoro legati all’intelligenza artificiale. L’obiettivo dichiarato è contenere la spesa per le GPU fornite da Nvidia, un costo che per il colosso di Menlo Park è diventato una voce sempre più ingombrante man mano che i suoi modelli AI – dall’assistente integrato in WhatsApp e Instagram ai grandi LLM come Llama – raggiungono miliardi di utenti.

Non si tratta di un fulmine a ciel sereno. Meta lavora da anni su siliconici custom con il programma Meta Training and Inference Accelerator (MTIA), ma l’annuncio di un passaggio alla produzione di massa segna un punto di svolta. Chi gestisce infrastrutture on-premise per l’inference su larga scala sa bene che il costo per token è il vero termometro della sostenibilità economica di un servizio AI. L’inference, a differenza del training, non è un evento sporadico ma un flusso continuo che macina miliardi di richieste ogni giorno; ottimizzarla con silicio dedicato può abbattere il costo operativo in modo drammatico rispetto alle GPU general-purpose.

Dal punto di vista dell’analisi di mercato, questa mossa manda un segnale strutturale. I grandi hyperscaler – Google con le sue TPU, Amazon con Trainium e Inferentia, Microsoft con i progetti Maia – stanno tutti ridisegnando l’hardware su misura per i propri carichi di lavoro. Meta, con un ecosistema che spazia dai social network alla messaggistica fino ai visori per la realtà mista, ha un mix di inference particolarmente variegato: raccomandazione di contenuti, moderazione automatica, generazione di testo e immagini. Avere chip ottimizzati per questi task non è più un lusso, ma una necessità competitiva.

Chi perde in questo scenario? Nvidia, nel breve termine, vede il rischio concreto che i suoi maggiori clienti diventino concorrenti. Tuttavia, il dominio dell’azienda nel training rimane saldo: addestrare modelli fondativi richiede potenza di calcolo e flessibilità che i chip custom faticano ancora a eguagliare. Inoltre, la complessità di progettare e produrre ASIC in volumi consistenti non va sottovalutata: i rendimenti produttivi e l’evoluzione rapida degli algoritmi possono trasformare un chip specializzato in un investimento obsoleto nel giro di pochi anni. Per le aziende più piccole e i team che valutano deployment on-premise, il messaggio è duplice: da un lato il silicio personalizzato convalida l’idea che l’infrastruttura auto-gestita sia la strada per controllare i costi e la latenza; dall’altro, però, sottolinea l’enorme divario di capitale e competenze che separa i giganti del tech dal resto del mercato.

Sul fronte della sovranità dei dati, avere chip proprietari all’interno dei propri data center significa chiudere l’intero stack sotto un unico tetto: dai dati di input ai pesi del modello fino all’esecuzione fisica. Per un’azienda come Meta, sotto costante pressione normativa in Europa e negli Stati Uniti, questo controllo end-to-end è un asset strategico che nessun fornitore esterno può garantire con lo stesso livello di trasparenza.

La produzione a settembre è solo il primo passo: la vera prova sarà la capacità di scalare la manifattura e integrare i nuovi acceleratori nei carichi di produzione reali, un processo che richiederà mesi se non anni. Ma la direzione è tracciata. Mentre l’industria dell’AI si interroga sul TCO dell’inference – tema approfondito da AI-RADAR nell’analisi dei framework per deployment on-premise – le mosse di Meta ricordano che la partita dell’hardware AI si giocherà sempre più sul campo dell’efficienza verticale, non sulla potenza bruta.