Il listino della RTX PRO 6000 Blackwell è salito a 16.000 dollari, il doppio del prezzo a cui la scheda da 96 GB era stata preordinata lo scorso anno, quando stava sotto gli 8.000 dollari. Il dato non è un semplice ritocco: è un termometro della tensione che attraversa l'hardware per l'AI, soprattutto per chi ragiona su deployment self-hosted e on-premise.

In un'intervista recente, l'investitore Gavin Baker ha ricordato che diverse aziende private stanno pianificando di spendere almeno il doppio per GPU quando i contratti in essere scadranno, e alcune lo hanno già dichiarato pubblicamente. Il punto non è se sia vero, ma cosa rivela sulla domanda: per una parte del mercato enterprise, il costo marginale della capacità di calcolo è ancora secondario rispetto alla necessità di non restare indietro.

Il raddoppio dell'MSRP ha implicazioni precise per chi costruisce infrastrutture locali. Una scheda con 96 GB di VRAM non è un prodotto consumer: è pensata per workstation e server compatti dove si esegue inference su LLM, fine-tuning leggero o sviluppo di modelli. A 16.000 dollari, il costo di ingresso per un nodo con più schede diventa rapidamente un problema di TCO, non solo di CapEx. Se il prezzo dell'acceleratore raddoppia, ogni budget previsionale per progetti self-hosted va ricalcolato da zero.

La dichiarazione di Baker introduce un secondo livello di lettura. Se le aziende private sono disposte a pagare il doppio a parità di GPU, la domanda è anelastica: chi ha già standardizzato pipeline su CUDA e stack Nvidia non può migrare senza costi di porting, riqualificazione e compatibilità. Questo dà a Nvidia un potere di prezzo che va oltre la carenza di silicio. Il raddoppio non è quindi un'anomalia, ma la normalizzazione di un mercato in cui il fornitore può alzare i prezzi e la domanda assorbe.

Per chi valuta il deployment on-premise, l'effetto è ambivalente. Da un lato, l'aumento spinge verso il cloud, dove il costo si sposta da CapEx a OpEx e non si immobilizzano asset. Dall'altro, per i team con requisiti di sovranità dei dati o per quelli che vogliono evitare il lock-in dei provider cloud, il prezzo più alto rende più selettivo l'accesso all'hardware. I progetti medio-piccoli rischiano di restare fuori o di dover accettare modelli più piccoli, quantization più aggressiva e compromessi sui livelli di servizio. Non è una questione astratta: è la differenza tra poter eseguire un LLM locale con una certa finestra di contesto e doverlo spezzare in inference più brevi.

Per chi valuta deployment on-premise, AI-RADAR mette a disposizione su /llm-onpremise strumenti analitici per confrontare questi trade-off: il prezzo della GPU è solo una voce di un calcolo più ampio.

La domanda che gira attorno al DGX Spark — se anche quel prodotto raddoppierà — non è retorica. Se il prezzo delle schede professionali sale, lo stesso segnale di scarsità e potere di prezzo può estendersi ai sistemi compatti. Il DGX Spark è pensato per portare il calcolo AI sulla scrivania; un suo eventuale rincaro ridurrebbe ulteriormente l'accesso all'hardware locale per sviluppatori e team piccoli.

Non serve essere catastrofisti: i prezzi possono correggere con l'arrivo di nuova capacità produttiva o di alternative. Ma finché la domanda enterprise resta disposta a raddoppiare la spesa, il costo dell'on-premise continuerà a salire più velocemente dei budget. La RTX PRO 6000 Blackwell a 16.000 dollari è il segnale che il mercato ha smesso di considerare il calcolo AI locale un investimento scontato.