Non è un semplice riposizionamento industriale. È un segnale che la competizione per l’hardware AI sta ridisegnando le catene del valore in modo più profondo di quanto i soli annunci sugli acceleratori lascino immaginare. Da una parte Samsung, che rafforza il proprio ecosistema nanotecnicico verticale; dall’altra LG, che vira con decisione verso le macchine per la produzione di semiconduttori. Entrambe le mosse puntano dritte al cuore di un problema che chiunque valuti deployment on-premise conosce bene: la disponibilità e la qualità dei componenti fisici su cui far girare gli LLM.

Il colosso di Suwon non è nuovo alla narrativa della nanotecnicia applicata ai chip. Ma oggi il concetto di “ecosistema” non indica solo la capacità di miniaturizzare transistor: coinvolge materiali avanzati, packaging 3D, interposer, tecniche di bonding ibride. Quel che Samsung cerca di blindare è una filiera in cui il controllo non si esercita soltanto sulla litografia, ma su tutto ciò che sta attorno al silicio — dai substrati alla gestione termica — elementi che diventano critici quando si spingono i nodi sotto i 3 nanometri e si moltiplicano i chiplet per gestire carichi di inference massicci. Per chi fa calcolo on-premise, la qualità costruttiva di un acceleratore non è una nota a piè di pagina: incide sulla densità di memoria, sulla larghezza di banda effettiva e, in ultima analisi, sul throughput per token.

LG, dal canto suo, entra in un territorio dove i margini sono cresciuti a doppia cifra da quando la domanda di AI ha reso ogni fetta di capacità produttiva un asset strategico. Puntare sulle macchine per la fabbricazione dei semiconduttori — deposizione, etch, metrologia — significa posizionarsi a monte di ogni possibile architettura di calcolo, che sia un GPU, un ASIC o un acceleratore neuromorfico. In altre parole, LG sta scommettendo che il vero collo di bottiglia non sarà la progettazione dei modelli, ma la capacità di produrre fisicamente i wafer in volumi e rese adeguati. Una lettura che trova riscontri nei tempi di consegna ancora tesi per le apparecchiature di processo, e che suggerisce come la « sovranità dei dati » non sia l’unica forma di indipendenza che conta: esiste una « sovranità manifatturiera » che l’Europa e altri attori stanno iniziando a prendere sul serio.

Per il panorama AI-RADAR, la lezione è duplice. Intanto, le scelte di Samsung e LG rafforzano l’idea che la differenziazione hardware per il deployment on-premise sarà sempre meno una questione di marca della scheda e sempre più una questione di supply chain integrata: chi controlla i materiali e le macchine può dettare le regole della compatibilità termica, della scalabilità dei nodi e dell’efficienza energetica — tutte variabili che determinano il TCO reale di un cluster self-hosted. In secondo luogo, la mossa di LG segnala un allargamento del mercato dei fornitori di strumentazione, che potrebbe tradursi in una maggiore disponibilità di linee produttive di seconda fonte, riducendo il rischio di lock-in verso un unico fabbricante di acceleratori. Chi oggi progetta un ambiente on-premise basato su open LLM può guardare a queste dinamiche come a un indicatore anticipato della futura flessibilità hardware, oltre che della prevedibilità dei costi di aggiornamento dell’infrastruttura.