SemiAnalysis analizza la crisi della potenza di calcolo: OpenAI e Anthropic si accaparrano la nuova potenza globale
Tapbit WireIl 3 novembre Dylan Patel, fondatore e CEO della società di ricerca sui semiconduttori SemiAnalysis, ha tenuto un intervento a Runtime 2026, concentrandosi su potenza di calcolo, capitale e chi può effettivamente fornirla.
Ha dichiarato che OpenAI e Anthropic stanno prenotando una quantità significativa di potenza di calcolo: le due aziende rappresenteranno dal 25% al 40% della nuova potenza disponibile nel 2027. Sotto pressione della domanda, il prezzo orario per i chip per data center Nvidia H100 è salito da un minimo di 1,70 $ dello scorso ottobre a circa 2,80 $. Per altre aziende, potersi permettere la potenza di calcolo non significa necessariamente poterla ottenere.
Anche il lato finanziario è in difficoltà: negli ultimi due mesi i rendimenti del Tesoro USA sono aumentati bruscamente, con il rendimento decennale che ha superato il 5% all'inizio di ottobre, rendendo sempre più difficile per i nuovi provider cloud, che dipendono dai prestiti per costruire data center, ottenere finanziamenti.
Questo intervento è avvenuto una settimana dopo che Anthropic ha presentato pubblicamente il suo modulo S-1, e il mercato aveva appena visto i conti relativi alla potenza di calcolo di un laboratorio leader. Patel ha menzionato che Nvidia ha supportato circa 6,5 gigawatt di potenza di calcolo, ma questa cifra rappresenta solo una piccola parte della nuova potenza prevista entro il 2030, da lui definita «una goccia nel mare».
01 Una grande quota della nuova potenza di calcolo è prenotata da due laboratori
La scarsità di potenza di calcolo deriva dalla concentrazione degli acquirenti. La potenza di calcolo globale totale è cresciuta rapidamente: circa 60 gigawatt entro la fine del 2024, oltre 100 gigawatt entro la fine di quest'anno, quasi raddoppiata in due anni. Patel ha affermato:
«Entro la fine del 2024 ci saranno 60 gigawatt di potenza di calcolo a livello globale e, entro la fine di quest'anno, supereremo i 100 gigawatt, quasi raddoppiando in due anni».
I principali acquirenti di questa potenza aggiuntiva sono OpenAI e Anthropic. La potenza di calcolo complessiva detenuta dalle due aziende era di circa 4 gigawatt alla fine dello scorso anno, circa 10 gigawatt quest'anno e dovrebbe superare i 20 gigawatt il prossimo anno. Suddivisa in incrementi, le due aziende dovrebbero aggiungere circa 12 gigawatt nel 2027, mentre l'incremento globale totale quell'anno sarà di circa 40 gigawatt, pari al 30%. Nel 2028, Patel sostiene che i laboratori AI dovranno aggiungere circa 30 gigawatt in un solo anno.
Patel ha stimato:
«Stanno assorbendo il 25%, il 30% o il 40% della nuova potenza di calcolo».
«Alla fine dello scorso anno, i ricavi di OpenAI e Anthropic sono schizzati con il lancio di Claude Code, spingendoli ad acquistare potenza di calcolo in modo aggressivo; anche Meta ha iniziato ad acquistare in modo aggressivo».
«Per molte persone oggi è già impossibile acquistare potenza di calcolo».
Un altro dettaglio degno di nota è che questa potenza di calcolo è utilizzata principalmente per l'addestramento, non per servire gli utenti (inferenza). Patel ha precisato che Anthropic dispone attualmente di 4 gigawatt, ma solo circa 1 gigawatt viene impiegato per servire l'intera piattaforma Claude Code, con la potenza dedicata all'inferenza «sorprendentemente bassa» rispetto a quella per l'addestramento. Ciò significa che, anche se la domanda degli utenti si stabilizzerà, i budget dei laboratori per addestrare nuovi modelli continueranno a consumare chip.
02 L'offerta in affitto di modelli open source per inferenza è altamente redditizia, facendo salire i prezzi
Con più acquirenti, i prezzi saliranno. Patel ritiene che un altro fattore trainante dell’aumento dei prezzi degli affitti sia l’elevato margine di profitto del business della vendita di token (l’unità di misura per gli output dei modelli), il che significa che molti più operatori sono disposti a noleggiare GPU a prezzi elevati, non solo i due laboratori.
Ha fornito calcoli basati sui megawatt. Costruire un cluster B300, includendo costi di costruzione e cinque anni di gestione, ammonta a circa 9 milioni di dollari all’anno; noleggiarlo da provider cloud, «se riuscite a ottenere 14 milioni di dollari annui, consideratevi fortunati». D’altra parte, utilizzando questo megawatt di potenza computazionale per eseguire il modello open source DeepSeek V4.1 Flash, con un tasso di utilizzo del 60%, il ricavo annuo è di circa 70 milioni di dollari. Ciò significa che, anche con un prezzo di noleggio superiore del 50% rispetto al costo di costruzione interna, i ricavi dalla vendita di inferenze sono comunque cinque volte superiori al costo di noleggio. (I 70 milioni sono ricavi, non includono costi di manodopera e altri oneri.) Ha detto:
«Anche se il tasso di utilizzo fosse solo del 30%, guadagnereste comunque cifre assurde.»
«Conosco dozzine di persone il cui business consiste nel noleggiare alcune GPU e rivendere inferenze, e hanno guadagnato molto.»
Questo calcolo si basa sul benchmark InferenceX open-sourced da SemiAnalysis, usando container scaricabili da chiunque e impiegando soltanto due software open source per inferenze, vLLM e SGLang, con un team di «soli quattro ingegneri», senza ricorrere a speculative decoding né ad altre ottimizzazioni.
I dati sui prezzi confermano questa logica. Patel ha affermato che lo scorso ottobre è stato il minimo storico: l’H100 costava circa 1,70 dollari, con un prezzo minimo rilevato di 1,45 dollari; attualmente il prezzo di transazione va da 2,40 a 3,20 dollari, con una mediana di 2,80 dollari:
«Se aveste firmato a questo prezzo due anni fa, vi avrebbero considerato pazzi; ora tutti si affrettano a sottoscrivere contratti in questa fascia.»
L’indice SemiAnalysis per contratti annuali era già a 2,35 dollari a marzo di quest’anno, mentre i prezzi indicati da vendor come Nebius sono ulteriormente saliti ad ottobre. I lettori devono notare che Patel ha precisato che SemiAnalysis opera anche nel matchmaking di potenza computazionale, quindi ha accesso ai prezzi reali delle transazioni, elemento che comporta un potenziale conflitto d’interesse.
La sua previsione per i prossimi passi è:
«Non mi sorprenderei se l’H100 superasse i 3 dollari e il B300 i 7 dollari.»
Per gli acquirenti, il suo consiglio è più diretto:
«Se trovate un B300 a 6 dollari l’ora, firmate subito e rivendete i token. Questo prezzo è assurdo, ma è la scelta giusta.»
L’ostacolo è che i provider cloud richiedono il pagamento anticipato, condizione ancora più difficile per le startup: ottenere contratti annuali è complicato e spesso le startup non possono garantire di essere ancora attive tra un anno. Per quanto riguarda i modelli closed-source, ha menzionato che i ricavi di Anthropic dalla fornitura di Fable e Opus 5.5 «hanno superato i 100 milioni di dollari», sulla base di materiali divulgati agli investitori durante il processo di IPO, anche se la trascrizione non specifica l’unità, che — dal contesto — dovrebbe essere il ricavo annuo per megawatt.
03 Anche se potete permettervelo, i provider cloud potrebbero non consegnare
Noleggiare potenza computazionale è solo il primo passo; l’effettiva utilizzabilità del cluster ne determina il valore reale. SemiAnalysis ha condotto una valutazione chiamata ClusterMAX, monitorando 323 provider cloud e valutandone 77, assegnando riconoscimenti (medaglie) a 19 di essi.
Secondo Patel, i migliori sono CoreWeave e Nebius, ma entrambi presentano una disponibilità molto scarsa:
«Non vi venderanno potenza computazionale per i prossimi sei mesi; è esaurita. Nebius vi richiederà il pagamento anticipato per un intero anno o per sei mesi, e i prezzi sono assurdamente alti, ma è l’unico modo per ottenere potenza da loro.»
Oracle e Google sono stati anch’essi valutati positivamente, con Google che è passato da medaglia di bronzo nella prima edizione. Altri provider sono stati declassati: con standard di valutazione più stringenti, Azure è sceso a medaglia d’argento, Together e AWS a medaglia di bronzo, e Crusoe è stato anch’esso declassato. I problemi di AWS sono più legati all’esperienza utente:
«Per ottenere un cluster, bisogna gestire circa dieci persone e ci vuole molto tempo; la rete è inoltre piuttosto difficile da gestire.»
Il problema più evidente nella valutazione era la sicurezza. SemiAnalysis ha consentito a modelli IA di attaccare queste cloud:
«Alcune vulnerabilità sono già note pubblicamente online e i modelli possono individuarle ed sfruttarle direttamente, accedendo così allo spazio di archiviazione di altri clienti.»
In un caso, hanno utilizzato un modello open source «meno avanzato di quelli di OpenAI e Anthropic» per ottenere i permessi completi su Slurm (un comune sistema di pianificazione per cluster) dell’intero cluster, visualizzando nomi di job appartenenti a un’industria della difesa nazionale e a un’agenzia di intelligence sulla sicurezza nazionale. Hanno immediatamente interrotto i test e pubblicato un rapporto dal titolo «La maggior parte delle Neocloud è pessima in fatto di sicurezza». Un altro test ha coinvolto l’iniezione di guasti nelle GPU (il codice errore Nvidia XID 719 citato) per osservare quanto tempo impiegassero i fornitori cloud a rilevarli. Il risultato è stato:
«Molte cloud se ne accorgono solo dopo che le si avvisa, e alcune rispondono addirittura solo dopo giorni, anche dopo il promemoria.»
Ha definito questo un test minimo: le GPU incontreranno inevitabilmente problemi e i fornitori cloud dovrebbero affidarsi al proprio monitoraggio per rilevarli e risolverli.
04 Tassi d’interesse in aumento, nuovi operatori non riescono a ottenere prestiti, il supporto di Nvidia è solo una piccola parte
Aumentare l’offerta richiede capitale, il cui costo sta salendo. Patel ha ribadito che entro la fine del 2029 la spesa globale in IA raggiungerà circa 11.000 miliardi di dollari, di cui circa 7.000 miliardi derivanti da debito. La maggior parte dei fondi va ai chip, il resto a data center, energia e centrali elettriche in loco costruite per accelerare la produzione.
In questo contesto di tassi, i flussi di prestiti mostrano un chiaro orientamento. Il rendimento del Treasury statunitense a 10 anni è salito dal 3,96% di quest’anno al 5,31% all’inizio di ottobre, e l’emissione di debito legata all’IA ha chiaramente rallentato a settembre. Patel ha descritto la situazione di una Neocloud da 100 megawatt che voglia espandersi fino a 1 gigawatt:
«Chi gli presterebbe denaro? L’unica via è vendere quel 1 gigawatt a un fornitore cloud iperscalare, che poi finanzierebbe l’operazione tramite il mercato obbligazionario; tu ottieni il prestito, ma tutta quella potenza computazionale non entra sul mercato per l’intero settore.»
Di conseguenza, della potenza computazionale già prenotata per il prossimo anno, «circa il 65-70%» va a fornitori cloud iperscalari e laboratori IA. Per le startup, noleggiare cluster richiede un anticipo del 50% e tempi di consegna tra tre e nove mesi:
«Cercate pure un nuovo laboratorio che abbia recentemente raccolto molti fondi; per loro, ottenere potenza computazionale è un inferno.»
L’approccio di Nvidia è offrire una rete di sicurezza per i cluster, sintetizzato da Patel in tre categorie:
SoftBank Energy: garantisce solo terreno, energia e strutture. Si tratta di un impianto da 9 gigawatt nell’Ohio, previsto in funzione intorno al 2030 e riservato interamente a OpenAI.
Firmus: Nvidia si impegna ad affittare il cluster a un certo prezzo, garantendo all’altra parte «di non guadagnare ma nemmeno perdere», e grazie a questa garanzia altri sono disposti a prestare. Per ogni dollaro all’ora oltre tale prezzo, Nvidia ne prende metà, secondo Patel «molto intelligente, mi piace.»
Garanzia del valore residuo: ne ha menzionato solo il tipo, senza approfondire.
In termini di scala, NVIDIA ha assicurato circa 6,5 gigawatt, destinati al mercato aperto anziché esclusivamente a laboratori e grandi fornitori cloud. Il limite massimo indicato è di 45 gigawatt, «anche così rappresenta solo una piccola parte della nuova potenza computazionale aggiunta entro il 2030». Ritiene che aziende come Fireworks e Modal, focalizzate sull’inferenza, e molti nuovi laboratori stiano passando alla costruzione di cluster propri, ricorrendo a prestiti e cercando il sostegno di NVIDIA.
Alla fine del discorso, ha fornito la sua stima sulla scala dei token: diversi fornitori insieme elaborano oltre 100 trilioni di token al giorno, con i ricavi annuali di ciascuna azienda in crescita. La sua conclusione è stata:
«Spero che riescano a garantirsi potenza di calcolo; altrimenti, siamo tutti schiavi di Anthropic e OpenAI.»
Questo articolo non costituisce consulenza finanziaria personale, non rappresenta il punto di vista della piattaforma, i mercati comportano rischi e gli investimenti richiedono cautela. Si prega di effettuare valutazioni e decisioni autonome.
