Il nuovo collo di bottiglia dell’AI è l’energia: cosa succede quando il vincolo passa dalla GPU al megawatt?

Per gran parte del boom dell’AI generativa, gli investitori hanno potuto leggere il settore attraverso una gerarchia relativamente semplice. In cima c’erano gli sviluppatori dei modelli più avanzati. Sotto, gli hyperscaler e i cloud specializzati in AI. Alla base, acceleratori, memorie ad alta larghezza di banda, apparati di rete e hardware per data center. La domanda dominante era quasi sempre la stessa: chi riesce a ottenere le GPU più avanzate e quanto velocemente può installarle?

Questo schema non basta più.

A settembre 2026, il vincolo si sta spostando fuori dal chip. In molte regioni il problema non è ordinare un altro rack di acceleratori. È trovare un sito con capacità elettrica sufficiente, ottenere un accordo di connessione, procurarsi trasformatori e apparecchiature di distribuzione, costruire o contrattualizzare la generazione, smaltire il calore di rack estremamente densi e attivare tutto abbastanza rapidamente perché le GPU producano ricavi prima dell’arrivo della generazione hardware successiva.

Il cambiamento sembra sottile, ma modifica l’economia dell’intero settore. Una GPU che non può essere alimentata resta una scorta di magazzino. Un edificio senza potenza attiva resta un immobile. Un contratto cliente che non si può servire perché manca elettricità rimane nel portafoglio ordini, invece di trasformarsi in ricavi contabilizzati.

In altre parole, l’elettricità determina sempre più il passaggio dagli investimenti al calcolo capace di generare fatturato.

L’International Energy Agency stima che il consumo elettrico globale dei data center possa all’incirca raddoppiare entro il 2030, con una crescita più rapida per quelli dedicati all’AI. Negli Stati Uniti, l’aggiornamento 2025 del Lawrence Berkeley National Laboratory colloca il consumo dei data center intorno all’11,8% dell’elettricità nazionale nel 2030 nello scenario centrale, con un ampio intervallo di scenari. Anche le proiezioni dell’Electric Power Research Institute indicano diverse centinaia di terawattora entro la fine del decennio.

Queste stime non sono punti di arrivo certi. L’efficienza dell’AI può migliorare rapidamente, la domanda può accelerare o deludere, può arrivare nuova offerta elettrica e i data center possono spostarsi. I modelli possono richiedere meno calcolo per singolo compito mentre l’utilizzo complessivo esplode.

La direzione, però, è abbastanza chiara: l’AI sta diventando una delle principali nuove fonti di crescita della domanda elettrica nelle economie avanzate. L’infrastruttura fisica necessaria a sostenerla non cresce alla velocità del software.

Consumo di energia e disponibilità di potenza non sono la stessa cosa. Un data center AI non ha soltanto bisogno di una quantità sufficiente di energia nell’arco dell’anno: gli serve potenza istantanea per far funzionare in modo affidabile cluster molto densi, insieme a ridondanza e raffreddamento capaci di gestire le variazioni del carico.

La distinzione conta perché i carichi AI sono dinamici. Addestramento, apprendimento per rinforzo e inferenza non assorbono elettricità nello stesso modo. Se il sito viene dimensionato con ipotesi statiche, una parte della capacità può restare inutilizzata: gli operatori devono riservare margine per i picchi peggiori.

Se si presume che tutti i nodi raggiungano il massimo consumo contemporaneamente, si può scegliere di installare meno apparati di quanti il sito potrebbe sostenere nella maggior parte delle condizioni reali.

È il problema che NVIDIA cerca di affrontare con software e architettura di sistema. Invece di assegnare rigidamente un tetto di potenza ai rack, DSX tratta la potenza come una risorsa misurabile e riallocabile. Carichi diversi ricevono budget diversi; le attività meno urgenti possono temporaneamente cedere risorse; addestramento e inferenza possono essere gestiti in modo differenziato.

L’obiettivo è mantenere più acceleratori produttivi senza superare il limite elettrico del sito.

Dal punto di vista economico è un’idea rilevante. Chi ottiene il 20% di calcolo produttivo in più da un impianto già alimentato potrebbe non aver bisogno del 20% di terreno, trasmissione o capacità di connessione in più per produrre quel risultato. Se il costo aggiuntivo di software e controlli è contenuto rispetto all’infrastruttura evitata, migliora l’efficienza del capitale.

DSX amplia il perimetro dell’ottimizzazione di NVIDIA. L’azienda è partita dalla GPU, poi ha esteso il sistema a NVLink, reti InfiniBand e Spectrum-X, architetture CPU-GPU, DPU, software di inferenza e rack completi. Con DSX, l’oggetto da ottimizzare diventa l’intera fabbrica AI.

La famiglia DSX comprende più livelli. MaxLPS cerca di estrarre più calcolo produttivo da un budget elettrico fisso. Flex punta ad adattare l’assorbimento del sito alle condizioni esterne della rete. Sim modella l’infrastruttura prima dell’installazione. OS riguarda operatività, ciclo di vita e resilienza. I progetti di riferimento includono distribuzione elettrica, raffreddamento, reti, archiviazione e impianti.

Il percorso strategico è riconoscibile: NVIDIA individua un vincolo attorno alla GPU e lo integra nella propria piattaforma.

Questo non significa che NVIDIA controlli la rete elettrica o produca ogni trasformatore, turbina, batteria e torre di raffreddamento. Significa che vuole far conoscere al software di gestione del data center il comportamento del calcolo NVIDIA abbastanza bene da ottimizzare l’intero sistema.

Lambda offre un primo dato operativo concreto

Uno degli elementi più interessanti della settimana dell’AI Infra Summit è la validazione di DSX MaxLPS condotta da Lambda su un cluster HGX B200. Secondo quanto riportato da NVIDIA, il test ha utilizzato cinque rack, 19 nodi e carichi pensati per ottenere un utilizzo elevato e riproducibile.

La base di confronto era costituita da 16 nodi a piena potenza. Con la gestione dinamica, Lambda ha fatto operare 19 nodi entro lo stesso budget elettrico complessivo. La produzione totale di token è aumentata di circa il 24%, da circa quattro a circa cinque milioni di token al secondo; le prestazioni per watt sono migliorate del 23%.

Non significa che basti installare un software per ottenere il 24% di ricavi in più. Contano il tipo di carico, l’hardware, i vincoli di servizio e le politiche di gestione. Alcuni impianti hanno più margine inutilizzato di altri. Un sito di inferenza con obblighi stringenti sulla latenza può essere meno flessibile di uno che esegue molte attività di ricerca interrompibili.

Il risultato resta significativo: l’allocazione statica può lasciare capacità economicamente preziosa inutilizzata, e un software che conosce i carichi può recuperarne una parte.

Immaginiamo due data center equivalenti con 100 MW di potenza IT utilizzabile. Se uno converte in lavoro produttivo delle GPU una quota sensibilmente maggiore di quel budget, dispone di fatto di più capacità di calcolo senza una nuova connessione. Quando ottenere potenza richiede anni, la differenza diventa strategica.

MaxLPS ottimizza la potenza dentro il sito. DSX Flex affronta il rapporto fra il data center e la rete esterna. È qui che la storia assume una portata più ampia.

I grandi clienti elettrici tradizionali sono spesso trattati come carichi relativamente rigidi. Un impianto chiede una connessione e la utility pianifica il servizio assumendo che la richiesta debba essere soddisfatta quando si presenta. Se generazione e trasmissione non bastano a garantire l’affidabilità richiesta, possono servire nuove infrastrutture prima di concedere tutta la potenza.

Parte dei carichi AI può invece essere flessibile nel tempo. Alcune inferenze devono essere immediate e alcuni contratti impongono livelli di servizio rigorosi. Altre attività — addestramento, elaborazioni in lotti, salvataggi dello stato dei modelli, generazione di dati sintetici, ricerca e sviluppo interno — possono talvolta essere rallentate o spostate senza distruggerne il valore economico.

Questo apre alla possibilità di trattare la fabbrica AI come una risorsa controllabile, anziché come un assorbimento passivo.

NVIDIA ha descritto una dimostrazione commerciale con Emerald AI e Silicon Valley Power. È stata utilizzata la piattaforma Conductor di Emerald AI presso l’impianto Eos di NVIDIA: non si trattava di un’installazione DSX Flex. Il progetto dedicato DSX Flex da 96 MW previsto a Manassas è distinto.

Conductor ha ricevuto segnali dalla utility e ridotto automaticamente il carico modificando le priorità dei lavori. Nel test iniziale l’assorbimento è passato da circa 4 MW a 3 MW, mantenendo operative le attività prioritarie. NVIDIA riferisce che Silicon Valley Power ha successivamente inviato oltre 200 segnali di richiesta, ottenendo ogni volta una risposta corretta.

Il punto non è soltanto il megawatt risparmiato, ma il modello di controllo. Se una utility può contare sulla riduzione prevedibile di una parte del carico di un campus da 100 MW, 500 MW o più, entro tempi definiti, può valutare diversamente la connessione rispetto a un cliente completamente rigido.

Accordi di connessione flessibile potrebbero consentire attivazioni anticipate o maggiore capacità iniziale mentre si completano i potenziamenti della rete.

La flessibilità non crea elettricità dal nulla. Durante una carenza prolungata servono comunque generazione sufficiente, linee e trasformatori. Può però aumentare l’utilizzo di infrastrutture dimensionate per picchi relativamente rari.

Le reti vengono progettate per restare affidabili sotto stress, non soltanto per sostenere la domanda media. Se i carichi AI diventano abbastanza controllabili da ridurre quei picchi, parte dell’infrastruttura esistente può sostenere più capacità nominale di data center.

Il 16 settembre Emerald AI, Google e NVIDIA hanno annunciato la AI Energy Management Alliance, o AEMA. L’iniziativa riunisce soggetti dell’AI, dei semiconduttori, delle utility, della generazione, dell’accumulo e del software per la rete.

Il punto non è la nascita di un’altra associazione industriale. È il problema che cerca di affrontare: come valutare un data center che promette di comportarsi come un carico flessibile.

Una utility non può basarsi sul marketing. Dire «il nostro data center è flessibile» non basta. Deve sapere quanti megawatt può ridurre, in quanto tempo, per quanto a lungo, con quale frequenza, come reagisce a disturbi di tensione o frequenza, quali dati operativi fornisce, se il controllo è automatico, quali servizi protegge e cosa succede se non rispetta l’impegno.

AEMA dichiara un approccio neutrale rispetto alla tecnologia e basato sulle prestazioni misurabili. È un’impostazione sensata: un operatore può creare flessibilità attraverso la pianificazione dei lavori, un altro combinando software e batterie, un altro usando celle a combustibile o generazione a gas. Altri possono integrare rete, produzione locale e accumulo.

Alla rete dovrebbe interessare soprattutto il comportamento elettrico del carico, più che il marchio della tecnologia.

Se l’alleanza contribuirà a definire schemi condivisi di connessione, l’impatto economico potrebbe superare quello dei singoli annunci tecnologici. La flessibilità diventerebbe una prestazione misurabile, contrattualizzabile e finanziabile: sviluppatori, utility e finanziatori potrebbero lavorare su obblighi riconoscibili, senza ricominciare ogni negoziazione da zero.

La risposta più immediata alla scarsità di energia è costruire nuova generazione e nuove reti. È parte della soluzione, ma i tempi non coincidono.

Un data center può essere pianificato e realizzato relativamente in fretta. Una generazione di GPU può passare dall’annuncio all’impiego su larga scala in pochi anni. La domanda cloud può cambiare in pochi mesi.

Le infrastrutture elettriche seguono un altro calendario. Le grandi linee richiedono anni di pianificazione, autorizzazioni, acquisizione dei terreni e costruzione. Le sottostazioni richiedono apparati specializzati; i trasformatori ad alta tensione hanno tempi di produzione lunghi. L’offerta di turbine a gas può essere limitata. Il nucleare si sviluppa su orizzonti ancora più lunghi.

Anche le rinnovabili costruibili rapidamente hanno bisogno di connessioni, accumulo o generazione programmabile complementare per alimentare una domanda affidabile ventiquattr’ore su ventiquattro.

Nel giugno 2026 FERC, il regolatore federale statunitense dell’energia, ha avviato azioni specifiche sulle regole di integrazione dei grandi carichi, fra cui i data center. L’attenzione ai tempi di accesso alla potenza mostra come il tema sia entrato nel cuore della politica industriale americana.

L’IEA stima che, senza affrontare i vincoli della rete, circa un quinto dei progetti di data center pianificati possa essere esposto a ritardi. Non è una previsione di cancellazioni: segnala il disallineamento fra il portafoglio dei progetti AI e la velocità con cui si realizza l’infrastruttura elettrica convenzionale.

L’efficienza dei chip migliora a ogni generazione, ma il consumo elettrico complessivo non necessariamente diminuisce. Costi più bassi possono stimolare nuovi utilizzi.

Se il costo per token si dimezza, i clienti non sono obbligati a dimezzare la spesa. Possono addestrare modelli più grandi, eseguire più inferenze, utilizzare più agenti, elaborare più video o rendere sostenibili attività prima troppo costose.

È una possibile applicazione del paradosso di Jevons: una maggiore efficienza può aumentare il consumo totale quando rende un servizio meno caro e più utile.

L’architettura Vera Rubin di NVIDIA esemplifica questa dinamica. Punta a migliorare prestazioni ed efficienza, ma i sistemi a livello di rack sono estremamente densi. Il settore si sposta dai singoli acceleratori a rack e reti di rack integrati, sempre più simili a un unico grande computer. Alimentazione, raffreddamento e progettazione dell’impianto diventano inseparabili dall’architettura di calcolo.

NVIDIA sta inoltre integrando nei progetti di riferimento una distribuzione a 800 volt in corrente continua. Una tensione maggiore può ridurre gli stadi di conversione e il materiale conduttore necessario per spostare grandi quantità di potenza all’interno di impianti molto densi.

Pochi punti percentuali possono sembrare marginali. Su un sito da 1 GW, il 3% equivale a 30 MW. Ciò che appare incrementale sul singolo rack diventa rilevante alla scala di un campus.

CoreWeave offre un esempio concreto del motivo per cui la capacità elettrica va letta come una variabile finanziaria, oltre che ingegneristica.

A fine secondo trimestre 2026 ha comunicato circa 1,5 GW di potenza attiva e 3,7 GW di potenza contrattualizzata. Il portafoglio di ricavi contrattualizzati era pari a circa 104 miliardi di dollari al 30 giugno, prima di oltre 25 miliardi di ulteriori impegni dei clienti aggiunti all’inizio del terzo trimestre.

Il portafoglio contratti rappresenta la domanda; la potenza rappresenta la possibilità fisica di servirla. Fra i due c’è la capacità di realizzare i progetti.

Ogni megawatt che passa da contrattualizzato ad attivo può alimentare apparati e attività produttive. Ogni ritardo rimanda la trasformazione degli impegni dei clienti in ricavi da servizi. Ecco perché tempi di costruzione, apparati elettrici, finanziamento e sviluppo dei siti meritano quasi la stessa attenzione della disponibilità di GPU.

CoreWeave ha adottato rapidamente anche le nuove architetture NVIDIA. Ha comunicato la prima attivazione e validazione di Vera Rubin NVL72 del settore e il 16 settembre ha annunciato un cluster con più rack, che collega centinaia di GPU Rubin. Il vantaggio tecnologico conta, ma l’hardware ha bisogno di impianti alimentati.

Su scala di più gigawatt, recuperare anche una quota modesta del margine elettrico inutilizzato può rendere disponibile una quantità significativa di calcolo aggiuntivo.

Consideriamo un esempio puramente illustrativo: con 1,5 GW attivi, rendere produttivo un ulteriore 5% del budget equivale a 75 MW; al 10%, a 150 MW. Non sono previsioni di CoreWeave né risultati attesi: servono a mostrare l’ordine di grandezza economico dell’ottimizzazione.

Il vantaggio e il rischio di CoreWeave

Il modello monetizza la velocità. I clienti pagano l’accesso a calcolo avanzato e scarso. Prima CoreWeave ottiene potenza, installa nuove generazioni e rende operativi i cluster, prima può trasformare la domanda in fatturato.

Ma il modello richiede capitali enormi. Impianti elettrici, edifici, GPU, reti e finanziamenti arrivano prima di gran parte dei ricavi collegati. Nel Q2 2026 CoreWeave ha riportato ricavi per 2,575 miliardi di dollari e un EBITDA rettificato di 1,510 miliardi, insieme a oneri finanziari netti per 640 milioni e una perdita netta GAAP di 626 milioni.

Nebius offre un secondo caso utile: ha spiegato che la velocità di attivazione dell’infrastruttura ha storicamente limitato la crescita della capacità di calcolo.

L’azienda punta a una scala di più gigawatt e affronta il problema energetico con più strumenti. Uno dei principali è la collaborazione con Bloom Energy. Nel maggio 2026 le due società hanno annunciato un progetto statunitense da circa 328 MW di capacità a celle a combustibile.

La logica è ridurre il tempo necessario per disporre di potenza. La generazione dietro il contatore, cioè sul lato del cliente rispetto alla rete, può diminuire la dipendenza dai potenziamenti della trasmissione e consentire l’attivazione del calcolo prima di quanto permetterebbe l’espansione convenzionale della rete.

Il caso mostra come i cloud AI inizino a costruire un proprio sistema energetico. Il modello tradizionale parte dalla potenza di rete disponibile e progetta il data center attorno a essa. La fabbrica AI può partire dalla domanda dei clienti e assemblare la combinazione realizzabile più rapidamente di rete, celle a combustibile, accumulo, generazione locale e flessibilità.

Nebius sottolinea anche l’efficienza. Nel rapporto di sostenibilità 2025 ha indicato un PUE medio del portafoglio di circa 1,25. Il PUE mette in rapporto l’energia complessiva del sito con quella utilizzata dagli apparati IT: valori inferiori indicano minori consumi aggiuntivi per raffreddamento e altri servizi.

È un indicatore utile, ma non basta. Un impianto può avere un buon PUE e utilizzare male il budget elettrico delle GPU. La logica dei token per megawatt richiede di combinare efficienza dell’edificio e produttività del calcolo.

L’economia dell’infrastruttura AI viene spesso raccontata attraverso il prezzo dell’hardware. Il suo utilizzo può essere altrettanto importante.

Un acceleratore ipotetico da 40.000 dollari che esegue lavori produttivi dei clienti per il 90% del tempo ha un’economia diversa da un apparato identico fermo perché manca potenza, un processo di rete è fallito, l’archiviazione rallenta il sistema o il cluster deve riservare troppo margine ai picchi di consumo.

La strategia integrata di NVIDIA punta a ridurre questi tempi morti. Dynamo interviene sull’orchestrazione dell’inferenza, Spectrum-X sulla rete, BlueField sull’elaborazione infrastrutturale; le architetture di archiviazione riducono i vincoli dei dati, DSX quelli elettrici e degli impianti.

Il mestiere dei cloud AI è vendere calcolo utile prodotto dalle GPU. Possederle è una condizione necessaria, ma non esaurisce il modello economico.

È simile alla distinzione fra una compagnia aerea che possiede aeroplani e una che massimizza le ore di volo capaci di generare ricavi. Il numero di asset conta, ma è l’utilizzo a determinarne l’economia.

La conseguenza più importante di AEMA nel lungo periodo potrebbe riguardare poco il software NVIDIA in sé. Se regolatori e utility riconoscessero formalmente i carichi AI flessibili come clienti con un diverso profilo di rischio, cambierebbe il processo di sviluppo dei data center.

Immaginiamo due impianti da 500 MW. Il primo richiede sempre tutta la potenza e non può ridurre il carico. Il secondo garantisce di poter abbassare automaticamente l’assorbimento di 100 MW entro un minuto in condizioni concordate, mantenere la riduzione per alcune ore e fornire dati in tempo reale che ne dimostrino il rispetto.

I due impianti impongono rischi diversi alla rete. Se le regole li trattano allo stesso modo, il secondo non riceve alcun riconoscimento economico per la flessibilità. Se le tariffe riconoscono la differenza, potrebbe collegarsi prima, richiedere meno potenziamenti immediati o ottenere una diversa ripartizione dei costi.

È il problema di organizzazione del mercato su cui AEMA cerca di incidere.

Per questo conta il coinvolgimento delle utility. Le aziende tecnologiche non possono dichiararsi flessibili e pretendere connessioni accelerate: i gestori devono poter contare sulla risposta anche in condizioni estreme.

Le regole devono quindi coprire velocità, durata, dati operativi, capacità di restare connessi durante disturbi della rete e conseguenze del mancato rispetto degli impegni.

Con criteri condivisi, i data center flessibili potrebbero partecipare ai mercati elettrici in modo simile ad altre risorse di gestione della domanda.

Un’acciaieria non può semplicemente mettere in pausa un altoforno perché il prezzo dell’elettricità sale per quindici minuti. Un processo chimico può non essere interrompibile in sicurezza. Molte attività industriali richiedono continuità.

Alcuni carichi AI hanno caratteristiche diverse. Un addestramento può salvare il proprio stato. Un lotto di inferenze può essere rimandato. La generazione di dati sintetici può essere spostata. Un esperimento può aspettare trenta minuti. Le attività interne meno urgenti possono cedere potenza all’inferenza rivolta ai clienti.

Questo non rende flessibile tutto il calcolo. Un servizio in tempo reale può avere vincoli severi di latenza. Applicazioni finanziarie, sanitarie e della difesa possono richiedere disponibilità molto elevata.

La compresenza di lavori urgenti e differibili nello stesso campus crea però un portafoglio di attività potenzialmente gestibile.

Questa proprietà potrebbe diventare una differenza importante fra le fabbriche AI e molte forme precedenti di domanda elettrica industriale.

Nella prima fase del boom, il vantaggio dipendeva dall’accesso alle GPU. Nella seconda si è esteso a reti e architetture dei cluster. La terza incorpora l’energia.

Chi controlla più livelli può potenzialmente installare capacità più rapidamente e gestirla meglio. L’integrazione verticale, però, aumenta anche complessità e fabbisogno di capitale.

I vincitori potrebbero quindi non coincidere con chi offre il chip dal costo teorico più basso, ma con chi riesce a eseguire meglio lungo l’intera catena.

Il vincolo energetico riguarda anche AMD, acceleratori personalizzati e architetture emergenti. Tutti devono fare i conti con gli stessi limiti fisici.

Un mercato concentrato sui token per megawatt potrebbe perfino rafforzare la concorrenza. Se i clienti valutano produzione complessiva per watt e costo per token, oltre ai benchmark di punta, gli acceleratori alternativi hanno più modi per competere.

Un chip meno veloce in una prova, ma sensibilmente più economico o efficiente per un determinato tipo di inferenza, può risultare economicamente migliore.

Da qui l’attenzione dell’AI Infra Summit a larghezza di banda della memoria, reti, specializzazione dei carichi ed economia dei rack, oltre ai FLOPS di picco.

La strategia aperta ROCm di AMD, l’ingresso di Qualcomm nell’inferenza per data center, Trainium di AWS e le TPU di Google diventano tutti elementi pertinenti.

La competizione si sposta verso sistemi completi. NVIDIA controlla già una parte molto ampia di questi sistemi; allo stesso tempo, più il mercato cresce in valore, più hyperscaler e concorrenti hanno incentivi a sviluppare alternative capaci di ridurre la dipendenza dai suoi margini.

Nella storia di DSX c’è una contraddizione apparente. Se il cliente produce il 24% di token in più con lo stesso budget elettrico, potrebbe aver bisogno di meno GPU per una quantità fissa di produzione AI. Perché dovrebbe essere positivo per NVIDIA?

La risposta dipende da quanto la domanda reagisce al prezzo.

A domanda invariata, una maggiore efficienza riduce le risorse necessarie. Chi deve produrre un miliardo di token al giorno può soddisfare quel fabbisogno con meno hardware.

Se però il costo inferiore abilita nuove applicazioni e più consumo, l’efficienza può accelerare la domanda complessiva.

La storia dell’informatica mostra che il calcolo meno caro può generare nuovi utilizzi. È accaduto con archiviazione, larghezza di banda e prestazioni delle CPU: i miglioramenti hanno aperto applicazioni prima impraticabili.

Agenti che ragionano continuamente, video multimodali, robotica, ricerca autonoma e inferenza personalizzata potrebbero richiedere molto più calcolo delle attuali chat. Se questi mercati si sviluppano, il miglioramento economico dei token può allargare la domanda più rapidamente di quanto riduca l’hardware necessario per singola attività.

L’elettricità non è l’unica risorsa scarsa. Anche il capitale sta diventando un vincolo.

Nelle analisi 2026 l’IEA sottolinea che gli investimenti nei data center hanno raggiunto dimensioni tali da richiedere fonti finanziarie oltre ai bilanci delle società tecnologiche. Cresce il ruolo di debito, fondi infrastrutturali, joint venture, finanziamento dei progetti e impegni contrattuali di lungo periodo.

L’infrastruttura energetica allunga il ciclo del capitale. Chi prima finanziava GPU e locazioni può ora dover finanziare terreni, sottostazioni, apparati di trasmissione, raffreddamento, batterie e generazione locale.

Ogni livello aggiunge investimenti anticipati. I conti di CoreWeave mostrano il compromesso: un EBITDA rettificato elevato può convivere con oneri finanziari molto consistenti, perché gran parte del capitale va raccolta prima che la capacità generi ricavi.

Per questo il boom infrastrutturale non si può valutare soltanto attraverso la crescita del fatturato.

Se i data center diventano una delle principali fonti di crescita della domanda elettrica statunitense, utility e infrastrutture energetiche meritano più attenzione anche da chi segue la tecnologia.

Gli sviluppatori competono sempre più per siti con potenza disponibile. Generazione abbondante, capacità di trasmissione, autorizzazioni praticabili e utility collaborative possono attrarre grandi investimenti.

Non ogni aumento del carico è però automaticamente vantaggioso. Una utility può dover investire molto per un cliente la cui tecnologia cambia rapidamente. Se un progetto speculativo non raggiunge l’utilizzo previsto, gli altri utenti non dovrebbero ritrovarsi a pagare infrastrutture rimaste inutilizzate.

La tutela delle bollette e la ripartizione dei costi sono quindi centrali nel lavoro di FERC e nei principi AEMA. Contano contratti di lungo periodo, impegni minimi di domanda e infrastrutture finanziate dal cliente.

Per una utility, il cliente AI ideale è grande ma anche prevedibile, solvibile, flessibile e disposto a sostenere i costi che la sua connessione comporta. È il profilo verso cui AEMA vorrebbe indirizzare le fabbriche AI flessibili.

La scala della domanda prevista rende poco realistica una soluzione basata su un’unica fonte.

Solare ed eolico possono essere sviluppati relativamente in fretta e a costi competitivi. Le batterie possono spostare parte dell’energia nel tempo e soddisfare esigenze di breve durata.

Il gas naturale offre generazione programmabile e, in molte regioni, infrastrutture di trasporto già esistenti; disponibilità delle turbine e autorizzazioni possono però limitarne lo sviluppo.

Il nucleare interessa gli hyperscaler per la produzione affidabile e a basse emissioni operative, ma costruire nuova capacità richiede generalmente tempi più lunghi.

Le celle a combustibile permettono generazione distribuita sul sito, come mostra il progetto Nebius–Bloom Energy. Il geotermico può contribuire in determinate aree; l’idroelettrico resta utile dove la geografia lo consente. In futuro, piccoli reattori modulari potrebbero servire direttamente alcuni campus.

Storicamente, i cloud avrebbero preferito trattare l’elettricità come un servizio quasi invisibile: acquistarla dalla rete, concentrarsi sul calcolo e lasciare l’infrastruttura agli operatori specializzati.

La scala dell’AI rompe questa separazione. Google, Microsoft, Amazon, Meta e cloud specializzati stipulano accordi energetici di lungo periodo, investono nella generazione, si assicurano produzione nucleare, esplorano il geotermico, costruiscono accumuli e negoziano direttamente con le utility.

Nebius sviluppa celle a combustibile; CoreWeave accumula gigawatt di potenza contrattualizzata; NVIDIA progetta software che dialoga con i sistemi di risposta alla domanda; Google contribuisce a un’alleanza dedicata ai carichi flessibili.

Il settore tecnologico entra nell’elettricità perché i suoi tempi non coincidono con quelli dell’espansione convenzionale della rete.

Non è detto che questo rimanga un elemento distintivo per sempre. Se la rete recuperasse terreno, l’energia potrebbe differenziare meno gli operatori. Nella fase attuale, la capacità di realizzare e gestire il sistema energetico può diventare un vantaggio competitivo.

Le comunicazioni dei cloud AI non sono ancora omogenee. Numero di GPU, potenza attiva e contrattualizzata, ordini, investimenti e ricavi vengono riportati con definizioni diverse.

Una metrica utile potrebbe essere il ricavo per megawatt attivo.

Non sarebbe perfetta. Le generazioni hardware differiscono, addestramento e inferenza hanno prezzi diversi, l’utilizzo cambia e alcuni operatori possiedono gli edifici mentre altri li affittano. Inoltre, la potenza definita attiva non coincide necessariamente con un carico IT misurato in modo comparabile.

Il pregio concettuale è collegare l’infrastruttura fisica al risultato finanziario.

Se due cloud operano ciascuno con 1 GW, ma uno genera molti più ricavi e margine lordo, la differenza può riflettere hardware, utilizzo, prezzi, software, composizione dei clienti o capacità operativa migliori.

Un secondo indicatore sarebbe la conversione della potenza contrattualizzata in potenza attiva. Assicurarsi 5 GW è rilevante, ma se soltanto 500 MW sono operativi, gran parte del valore economico resta futuro. Vanno seguiti velocità e costo di quella conversione.

Il programma dell’AI Infra Summit 2026 offre una fotografia del cambiamento.

Le sessioni non riguardano soltanto la velocità degli acceleratori. Affrontano calcolo come capitale, vincoli energetici, economia dei token, memoria, movimento dei dati, chip personalizzati, reti e strategie infrastrutturali.

NVIDIA riferisce che Ian Buck ha posto al centro del suo intervento l’efficienza delle fabbriche AI. Il programma e le presentazioni aziendali includono inoltre il problema dell’alimentazione, l’ottimizzazione dal silicio ai servizi di Amazon, l’approccio di sistema di Intel, l’inferenza per data center di Qualcomm e l’infrastruttura di AMD.

È il passaggio verso una fase più articolata dello sviluppo tecnologico. All’inizio il vincolo sembra semplice: mancano GPU. In seguito, le prestazioni emergono dall’interazione fra decine di sistemi. Il vantaggio passa a chi ottimizza l’intera catena.

La domanda AI potrebbe deludere

I ricavi delle applicazioni aziendali potrebbero non crescere abbastanza da giustificare gli investimenti programmati. Difficoltà di monetizzazione o clienti più attenti ai costi potrebbero ridurre l’utilizzo dei data center.

L’efficienza potrebbe crescere più della domanda

Ottimizzazione dei modelli, quantizzazione, sparsità, architetture mixture-of-experts e software di inferenza riducono il calcolo per unità di risultato. Se la domanda non cresce più velocemente, il fabbisogno hardware potrebbe restare sotto le attese.

La tecnologia potrebbe cambiare prima dell’arrivo della potenza

Reti e campus sono investimenti di lunga durata; le generazioni GPU cambiano rapidamente. Un sito progettato sulle ipotesi attuali può richiedere modifiche quando aumenta la densità elettrica dei rack.

L’opposizione delle comunità può aumentare

I data center competono per energia, acqua, terreni e capacità di trasmissione. Progetti associati a bollette più alte o a pochi posti di lavoro permanenti rispetto ai costi infrastrutturali possono incontrare resistenze politiche.

Il finanziamento resta determinante

Tassi elevati aumentano il costo degli impianti. I cloud fortemente indebitati dipendono dai mercati del credito. Anche una domanda robusta può tradursi in rendimenti deludenti per gli azionisti se una quota eccessiva del valore finisce a finanziatori, fornitori o clienti.

La flessibilità potrebbe essere inferiore a quella promessa

Un cloud può ridurre soltanto i lavori che i clienti consentono di ridurre. Con il passaggio dalla ricerca alle applicazioni operative essenziali, la quota di calcolo realmente interrompibile potrebbe diminuire.

La tesi tecnologica va distinta da quella relativa alla singola azienda.

DSX potrebbe diffondersi, convivere con altri sistemi oppure trovare concorrenza nelle soluzioni interne degli hyperscaler. Potrebbero emergere standard aperti e modalità diverse di gestione della flessibilità fra utility.

Nessuno di questi esiti cancellerebbe necessariamente la tendenza più ampia: il calcolo AI comincia a interagire in modo programmabile con il sistema elettrico.

Se le utility riconoscono i data center flessibili come una categoria distinta di carico, il concetto può sopravvivere indipendentemente dal fornitore del software.

Per NVIDIA il successo sarebbe fare di DSX uno dei livelli di controllo preferiti. Per il settore, il cambiamento più ampio sarebbe collegare la pianificazione del calcolo a quella della rete elettrica.

Descrivere NVIDIA soltanto come produttore di semiconduttori coglie una parte sempre più limitata del suo perimetro.

L’azienda offre un’architettura integrata: acceleratori, CPU, reti, interconnessioni, DPU, rack, librerie, software di inferenza, orchestrazione e ora ottimizzazione del sito.

Più livelli ottimizza, più diventa difficile confrontare i concorrenti soltanto attraverso le specifiche del chip.

Un acceleratore alternativo può avere ottime prestazioni teoriche, ma il cliente deve considerare rete, compatibilità software, affidabilità del cluster, memoria, comportamento elettrico, densità, raffreddamento e strumenti operativi.

C’è una ragione profonda dietro il cambiamento del linguaggio infrastrutturale. L’intelligenza artificiale nasce come software; su larga scala assume le caratteristiche di un processo industriale.

Una fabbrica AI riceve input fisici — elettricità, semiconduttori, raffreddamento, dati e capitale — e li converte in un risultato: capacità di elaborazione intelligente.

L’analogia con altre produzioni su larga scala diventa più forte. Una fabbrica di semiconduttori trasforma elettricità, materiali, wafer e tempo macchina in chip. Una raffineria trasforma materie prime ed energia in combustibili. Un’acciaieria usa minerali, energia e calore per produrre metallo.

In questa lettura, l’espressione «AI factory» descrive anche una realtà economica. Contano produzione, utilizzo, energia, tempi di fermo, logistica, intensità di capitale ed efficienza marginale.

È il quadro con cui diventa sempre più utile analizzare le infrastrutture AI.

Ogni grande ciclo tecnologico sposta i propri colli di bottiglia.

All’inizio mancavano acceleratori e NVIDIA ha beneficiato della scarsità di GPU. Poi è diventata centrale la comunicazione efficiente fra migliaia di dispositivi: interconnessioni e reti hanno assunto valore strategico. In seguito memoria HBM e capacità di packaging sono entrate in primo piano.

Ora la potenza elettrica diventa un altro vincolo. Il valore tende a spostarsi verso chi riesce a risolvere la limitazione del momento.

Questo non significa che le utility diventino automaticamente la prossima NVIDIA. L’energia è regolata, richiede molto capitale e spesso ha margini inferiori. La scarsità di potenza modifica però il potere contrattuale lungo la catena tecnologica.

I siti con elettricità disponibile acquistano valore. La generazione diventa strategica. Trasformatori e raffreddamento contano di più. Il software che rende flessibile un carico può migliorare l’economia della connessione. Un chip efficiente vale anche perché rende utilizzabile capacità che altrimenti resterebbe bloccata.

Il perimetro economico dell’AI si allarga.

La nascita di AEMA e le prime validazioni operative di DSX formalizzano un cambiamento in corso da anni: l’elettricità diventa una risorsa strategica primaria per l’AI.

Google, NVIDIA ed Emerald AI cercano di costruire un quadro in cui i data center si connettano come sistemi intelligenti e controllabili. NVIDIA sviluppa parallelamente software e architetture per gestire la potenza dentro gli impianti.

I risultati iniziali di Lambda suggeriscono che l’allocazione dinamica possa recuperare capacità inutilizzata. Il programma di Silicon Valley Power mostra, secondo quanto riportato da NVIDIA, che alcuni carichi AI possono rispondere automaticamente ai segnali della utility su scala commerciale.

CoreWeave e Nebius mostrano perché il tema conta nei bilanci. Entrambe cercano di trasformare gigawatt di capacità in calcolo utilizzabile. La crescita dipende dall’attivazione abbastanza rapida di infrastrutture alimentate, per servire la domanda e ottenere un rendimento adeguato rispetto al capitale impegnato.

Ne emerge una gerarchia di domande. I clienti vogliono più AI? I produttori possono fornire abbastanza prestazioni? E il mondo fisico può sostenere la scala che il software vorrebbe raggiungere?

È nella terza domanda che entra l’elettricità.

Se le fabbriche AI riescono a riallocare la potenza dei rack, spostare lavori, collaborare con le utility, usare generazione locale, ridurre i consumi del raffreddamento e produrre più token per megawatt operativo, il settore potrebbe crescere più velocemente di quanto consentirebbero i tempi convenzionali della rete.

Se non ci riescono, GPU, portafogli contratti e campus pianificati potrebbero aspettare l’energia più a lungo di quanto ipotizzato.

Numero di GPU, qualità dei modelli e reti restano importanti.

È il confronto che emerge dietro DSX, l’alleanza sui data center flessibili, le comunicazioni di CoreWeave sulla capacità e la generazione locale di Nebius. Per analizzare l’infrastruttura AI, l’elettricità va considerata una delle unità fondamentali del sistema economico, oltre che una voce di costo operativo.