Le ambizioni sui TPU di Google, l’impero ASIC in espansione di Broadcom e il disaccoppiamento strategico da Nvidia stanno ridefinendo chi controlla il futuro dell’intelligenza artificiale.

Negli ultimi anni, il dominio di Nvidia nel calcolo per l’AI è stato trattato meno come una condizione di mercato e più come una legge della fisica. Le GPU H100 e A100 sono diventate lo standard de facto per il training e l’inferenza su ogni modello di frontiera, da GPT-4 a Gemini, e il titolo in borsa del chipmaker di Santa Clara ha riflesso questa percepita insostituibilità. Eppure le placche tettoniche del mercato dei semiconduttori per l’AI si stanno spostando con velocità straordinaria. Nel panorama degli hyperscaler, le organizzazioni software più potenti del pianeta stanno rendendo inequivocabilmente chiaro che non intendono più restare clienti di un unico fornitore hardware: intendono diventarlo esse stesse.

La mossa più recente di Google cristallizza questa intenzione con rara trasparenza. Al Google I/O 2025, l’azienda ha presentato la settima generazione della sua Tensor Processing Unit, nome in codice “Ironside”, un chip progettato specificamente per accelerare sia il training che l’inferenza sull’intera infrastruttura AI interna. Ironside non è un aggiornamento incrementale. Secondo le comunicazioni ufficiali di Google sulle prestazioni, il nuovo TPU offre un miglioramento di 4,7 volte nella performance-per-watt rispetto al predecessore ed è progettato fin dalla base per gestire le esigenze dei modelli più intensivi dal punto di vista computazionale, inclusa la famiglia Gemini. Ancora più significativo, Google ha annunciato l’intenzione di distribuire Ironside come substrato primario per i propri servizi AI Cloud, rendendolo direttamente disponibile ai clienti enterprise come alternativa alle istanze basate su GPU. Questo è il punto di inflessione critico: un chip personalizzato progettato per l’efficienza interna è ora un prodotto commerciale che compete sul mercato aperto.

Il calcolo strategico alla base di questa decisione non è difficile da leggere. I prezzi dei cluster H100 di Nvidia hanno esercitato un’enorme pressione sul capitale degli hyperscaler, con training run per modelli di frontiera che costano centinaia di milioni di dollari ai tassi commerciali delle GPU. Possedendo il livello del silicio, Google può eliminare il margine che Nvidia estrae da ogni unità, comprimere i costi di inferenza a livelli che rendono economicamente sostenibili i servizi AI in tempo reale su larga scala, e — forse soprattutto — ridurre la dipendenza dalla supply chain che ha lasciato molte organizzazioni in difficoltà durante la carenza di GPU del 2022–2023. L’integrazione verticale nell’hardware non è un concetto nuovo nel settore tech, ma la sua applicazione al silicio specifico per l’AI a questa velocità e scala è senza precedenti.

L’Ascesa Silenziosa di Broadcom come Re del Silicio Personalizzato

Mentre Google costruisce internamente, un altro attore meno appariscente sta rapidamente consolidando la propria posizione come partner manifatturiero preferito per coloro che desiderano silicio AI personalizzato senza le risorse ingegneristiche di Google: Broadcom. Nelle ultime settimane, l’azienda ha reso noto il completamento di importanti accordi di design e fornitura sia con Google che con Anthropic, relativi a quelli che Broadcom definisce “XPU”: circuiti integrati specifici per applicazione (ASIC) costruiti su misura in base ai requisiti architetturali dei workload AI di ciascun cliente. L’accordo con Anthropic è particolarmente degno di nota. Anthropic, l’azienda dietro Claude e una gamma crescente di servizi AI enterprise, si è storicamente affidata quasi interamente a infrastrutture GPU di terze parti, principalmente Nvidia e, in misura minore, ai chip Trainium di Amazon attraverso la partnership con AWS. La scelta di commissionare ASIC dedicati attraverso Broadcom segnala una maturazione della strategia infrastrutturale di Anthropic e il riconoscimento che un vantaggio competitivo duraturo nell’AI non può essere costruito esclusivamente su hardware commodity.

Il business XPU di Broadcom è proiettato a generare tra 60 e 90 miliardi di dollari di ricavi cumulativi entro il 2027, secondo le stesse indicazioni dell’azienda rilasciate alla fine del 2024, cifre che sarebbero sembrate implausibili due anni prima. La capacità dell’azienda di tradurre l’architettura di un modello cliente in silicio sui nodi di processo più avanzati di TSMC (attualmente, nel secondo trimestre del 2026, a 3nm) con relativa velocità ed efficienza di costo ne ha fatto l’intermediario logico per le organizzazioni che necessitano di differenziazione hardware ma non dispongono delle relazioni miliardarie con le fonderie e delle migliaia di architetti chip che aziende come Google e Apple possono contare. In questo senso, Broadcom non compete tanto con Nvidia quanto piuttosto abilita un paradigma di approvvigionamento completamente diverso.

Un Cambiamento Strutturale, Non Ciclico

Sarebbe tentante interpretare questi sviluppi come una reazione competitiva temporanea al potere di prezzo di Nvidia. Le evidenze non supportano questa lettura. Microsoft ha investito oltre 1 miliardo di dollari nello sviluppo del suo acceleratore AI Maia 100, che ha iniziato a distribuire internamente e attraverso Azure nel 2024. Trainium2 di Amazon è ora ampiamente disponibile e sottende porzioni significative dell’erogazione di servizi AI di AWS. Meta dispone del suo chip di inferenza MTIA in produzione nei sistemi di raccomandazione e ranking. L’architettura Neural Engine di Apple continua ad evolversi con ogni generazione successiva di silicio. Ciò a cui stiamo assistendo è un disaccoppiamento strutturale della capacità AI dall’offerta di GPU general-purpose, guidato dal riconoscimento che i costi economici e strategici della dipendenza sono diventati inaccettabili alla frontiera.

Per i responsabili IT e i decision-maker tecnologici, questo cambiamento ha implicazioni operative dirette. Il livello di astrazione hardware che i cloud provider hanno storicamente offerto sta diventando sempre più specifico per l’architettura. I modelli addestrati su TPU si comportano in modo diverso e richiedono profili di ottimizzazione differenti rispetto a quelli addestrati su H100. I costi di inferenza, le caratteristiche di latenza e la larghezza di banda della memoria variano significativamente tra le architetture ASIC. Le organizzazioni che stanno costruendo serie capacità AI internamente dovranno sempre più tenere conto della specificità hardware nelle proprie strategie di selezione e distribuzione dei modelli, piuttosto che trattare il silicio come un substrato neutro.

Nvidia, da parte sua, non è ferma. L’architettura Blackwell e la piattaforma Rubin presentata per il secondo semestre del 2026 rappresentano salti nella densità di calcolo grezzo e nell’efficienza energetica, e l’ecosistema software CUDA rimane un fossato competitivo formidabile che nessun fornitore ASIC è ancora riuscito a erodere su larga scala. Ma le dinamiche competitive sono cambiate. Gli hyperscaler non sono più consumatori passivi della roadmap di Nvidia: sono ora architetti attivi della propria. E man mano che il silicio personalizzato diventa più accessibile attraverso partner come Broadcom, quella dinamica sta iniziando ad estendersi a una nuova fascia di imprese AI-first che hanno la scala per giustificare investimenti hardware su misura.

L’era della monocoltura hardware per l’AI si sta avviando alla chiusura. Ciò che la sostituirà sarà un panorama più frammentato, più specializzato e in ultima analisi più competitivo, in cui la capacità di comprendere, valutare e rendere operativi ambienti di calcolo eterogenei diventerà un genuino fattore differenziante per qualsiasi organizzazione seria nel distribuire l’AI su larga scala.