La lotta per la proprietà dell’AI – Perché i data center sono più importanti che mai

Alcuni anni fa, i data center sembravano qualcosa di puramente tecnico e invisibile – un’infrastruttura nascosta nel backend, raramente discussa al di fuori dei circoli professionali. Ma la crescita esplosiva dell’AI ha completamente cambiato questo quadro. Oggi, i data center sono diventati il nuovo “pozzo di petrolio” dell’economia digitale: un asset strategico intorno al quale vengono costruiti investimenti, politiche governative e strategie aziendali del valore di miliardi.

Le notizie recenti confermano questo. Anthropic ha annunciato la costruzione dei propri data center negli Stati Uniti, al costo di 50 miliardi di dollari, una cifra paragonabile ai budget dei grandi progetti energetici. Quasi contemporaneamente, X.AI e Nvidia hanno rivelato un progetto congiunto in Arabia Saudita, uno dei più grandi data center della regione.

Perché il tema dei data center è diventato così globale? Perché i grandi player stanno abbandonando i modelli di cloud puro e stanno investendo decine di miliardi nel proprio capacity? E come questo spostamento influenza l’architettura dell’AI, i sistemi energetici, la geopolitica e la crescita di modelli alternativi, dalle data center artiche a quelli basati nello spazio?

Questo è ciò che la colonna di seguito esplora.

La crescita globale dell’interesse per la proprietà dei data center

Quando il consumo di risorse di calcolo è misurato in milioni di dollari all’anno, affittare server cloud è effettivamente più conveniente: le aziende non devono costruire e mantenere edifici, pagare l’elettricità e il raffreddamento, acquistare attrezzature o aggiornarle regolarmente. Ma quando le spese raggiungono decine di miliardi di dollari, la logica cambia.

A quel punto, diventa più conveniente costruire i propri data center, assumere ingegneri, acquistare attrezzature e ottimizzare l’infrastruttura per le esigenze specifiche. L’azienda smette di pagare i margini dei fornitori di servizi cloud e guadagna un controllo molto maggiore sui costi e sull’efficienza del calcolo.

Questo è il motivo per cui la tendenza di costruire data center privati è più rilevante per i giganti come OpenAI o Anthropic, aziende le cui esigenze sono così grandi che il cloud non è più giustificato economicamente.

Allo stesso tempo, è importante capire che il concetto di “data center” è multilivello. Per alcune aziende, si tratta principalmente di un centro di archiviazione dei dati, dischi, database e informazioni utente. Per altre, è anche un hub computazionale: server che eseguono modelli come GPT, Claude o LLaMA, archiviando contemporaneamente dati e eseguendo operazioni complesse. In sostanza, oggi un data center è un enorme “magazzino” tecnologico che ospita migliaia di computer specializzati.

E più alta è la domanda di capacità di calcolo AI, più strategico e dibattuto diventa questo “magazzino”, il che spiega perché i data center sono ora discussi non solo dagli ingegneri, ma anche dagli investitori, dai responsabili delle politiche e dai dirigenti di alto livello.

Cosa conta di più nella costruzione dei data center AI: velocità o qualità?

In realtà, né la velocità di costruzione né la “qualità” formale di un data center sono il principale driver. Le grandi aziende investono nella propria infrastruttura per ridurre i costi e ottenere il massimo controllo sul calcolo.

La qualità dei modelli stessi preoccupa i giocatori di alto livello molto meno di quanto si potrebbe pensare. Il motivo è semplice: il divario di qualità tra i leader del mercato è minimo. È molto simile all’industria automobilistica: Volkswagen, Toyota, Honda – tutti diversi, ma nessuno può prendere il largo abbastanza da monopolizzare il mercato. Ognuno mantiene la sua quota stabile.

Il mercato dell’AI segue una logica simile. Gli utenti avanzati utilizzano già più modelli contemporaneamente: uno per la programmazione, un altro per la generazione di testo, un terzo per l’analisi o la ricerca. I clienti aziendali fanno lo stesso. Ad esempio, servizi come Grammarly non hanno un modello proprio. Acquistano token da più fornitori, Anthropic, OpenAI, Meta. Quando arriva una richiesta, il sistema seleziona automaticamente il fornitore: quello che è attualmente più economico, veloce o preciso. Se il testo è in inglese – va a GPT; se in hindi – a Claude; se LLaMA ha attualmente i tassi più bassi – va lì. Questo è essenzialmente un modello di distribuzione del carico di tipo borsistico.

Nelle conversazioni con i clienti aziendali di Keymakr, vedo sempre più spesso la stessa tendenza: le grandi aziende hanno da tempo abbandonato l’approccio “un modello – un fornitore”. Costruiscono pipeline multi-modello in cui le richieste vengono instradate tra diversi sistemi di intelligenza artificiale a seconda del costo, della latenza o della specificità linguistica. Tuttavia, questa architettura pone requisiti molto più alti per i dati, in particolare per la loro pulizia, annotazione, convalida e coerenza. In questo senso, l’infrastruttura dei dati diventa altrettanto strategica quanto i data center stessi: senza input di alta qualità, un sistema multi-modello semplicemente non funziona.

In definitiva, in questa architettura, la qualità del modello diventa solo uno dei molti parametri. La chiave è mantenere la velocità, la scalabilità e la capacità di gestire carichi di calcolo massicci. E questo è esattamente ciò che dà ai data center privati il loro valore strategico: consentono alle aziende di controllare i costi, il throughput e la stabilità, avendo poco impatto sulla qualità finale del modello.

In altre parole, oggi le aziende costruiscono data center non per la velocità o la qualità perfetta, ma per l’economia e il controllo.

La geografia dei dati

Per “controllo”, intendo la geografia dei dati. Se un’azienda lavora con agenzie governative, la legge spesso proibisce ai dati di lasciare il paese. Le applicazioni governative e para-militari utilizzano attivamente l’AI nell’intelligence, nelle unità IT della difesa e nei servizi municipali. Ma è impossibile dare a questi sistemi l’accesso a un modello se il data center si trova in una regione con giurisdizione incerta o bassa fiducia. È per questo che i governi richiedono che la capacità di calcolo sia fisicamente localizzata all’interno del paese.

Le grandi aziende capiscono perfettamente questo. Se vogliono partecipare a gare d’appalto governative, firmare contratti o elaborare dati sensibili, hanno bisogno di infrastrutture in regioni specifiche e della capacità di garantire la conformità con gli standard di sicurezza. Questa limitazione geografica ha anche un impatto significativo su un altro fattore critico nella costruzione e gestione dei data center – l’energia.

I data center AI consumano enormi quantità di elettricità, sia per eseguire i server che per raffreddarli. Il raffreddamento spesso costa più del calcolo stesso. Ciò crea limitazioni strette. In alcune regioni, i data center sono limitati a trarre una certa quantità di potenza dalla rete; in altre, le emissioni di calore nell’ambiente sono strettamente regolate. Superare i limiti comporta multe e costosi aggiornamenti tecnici.

Inoltre, l’elettricità viene acquistata principalmente da società energetiche di proprietà statale, che hanno le proprie strutture tariffarie. Non si può semplicemente “comprare quanta si vuole”. Ad esempio, fino a una certa soglia, il prezzo è una tariffa; superata la soglia, un’altra. Se un data center trae più potenza di quanto consentito durante i periodi di picco, incorre automaticamente in multe. Per questo motivo, le grandi aziende spesso trovano più economico costruire i propri data center vicino alle proprie centrali elettriche.

Questo porta naturalmente all’idea di sviluppare la generazione di energia privata, come fattorie solari, centrali a gas o piccole centrali idroelettriche. Ma tutte queste soluzioni hanno limitazioni. Le centrali a gas e a carbone producono emissioni. L’energia idroelettrica altera gli ecosistemi fluviali. L’energia nucleare è la più pulita in termini di emissioni, ma solo i governi possono costruire centrali nucleari.

E proprio a questo punto emergono nuovi concetti…

Soluzioni alternative

L’opzione più evidente è quella di spostare i data center in regioni con climi naturalmente freddi, come il Canada settentrionale, i territori del nord della Scandinavia o aree remote dell’Artico. Lì, la natura stessa risolve il problema del raffreddamento, riducendo drasticamente i costi operativi.

Il passo successivo è costituito dai “data center sottomarini”. Il calcolo si svolge sott’acqua, con l’ambiente marino freddo che fornisce il raffreddamento naturale. Ma anche questo approccio ha svantaggi. Gli ambientalisti hanno già sollevato preoccupazioni. Ad esempio, vicino all’Islanda meridionale, dove passa la corrente del Golfo, alcuni hanno suggerito che il dispiegamento su larga scala di data center sottomarini potrebbe influenzare i processi climatici locali, potenzialmente alterando il comportamento delle correnti oceaniche. Le prime osservazioni di tali deviazioni sono già state registrate.

Esistono anche opzioni più futuristiche. Recentemente, ho discusso il concetto di data center nello spazio con i colleghi. L’idea di lanciare infrastrutture di calcolo in orbita è esistita per molto tempo; tuttavia, la tecnologia l’ha portata sull’orlo della fattibilità pratica, con una solida base tecnica.

Perché lo spazio sembra attraente? Risolve immediatamente due limitazioni principali: il raffreddamento e l’elettricità. Le temperature nello spazio vicino alla Terra sono estremamente basse, rendendo la dissipazione del calore quasi gratuita. L’elettricità non è un problema: possono essere dispiegati pannelli solari enormi, proprio come i telescopi spaziali dispiegano i loro specchi. Nello spazio, non c’è polvere, non c’è tempo, non c’è ombreggiatura. I pannelli forniscono potenza stabile 24 ore su 24 con manutenzione quasi nulla.

La comunicazione con la Terra è una sfida ingegneristica separata, ma è interamente risolvibile. Un approccio è utilizzare sistemi satellitari come Starlink, ma con canali molto più ampi. I collegamenti radio possono, in principio, gestire questi volumi, e i collegamenti ottici, canali basati sulla luce con enorme larghezza di banda, possono essere utilizzati se necessario. Gli ingegneri troveranno sicuramente una soluzione qui.

Nel complesso, l’infrastruttura spaziale è più un ramo di sviluppo futuro, ma discuterne non sembra più fantascienza, soprattutto considerando che la domanda di calcolo sta crescendo molto più velocemente della nuova capacità sulla Terra.

Vale la pena notare le notizie più recenti: Google ha annunciato il progetto Suncatcher, finalizzato a creare data center orbitali AI. Secondo il piano, satelliti equipaggiati con chip TPU saranno alimentati da energia solare e trasmetteranno dati attraverso canali ottici. Google afferma che questa soluzione potrebbe fornire fino a otto volte maggiore efficienza energetica rispetto ai sistemi terrestri. I primi prototipi di satelliti sono previsti per il lancio già nel 2027.

L’impatto delle normative

Quando si tratta di normative che influenzano i data center, il loro impatto ambientale e se i quadri giuridici potrebbero effettivamente “spingere” questo mercato verso lo spazio o sott’acqua, la questione rimane aperta.

Ogni paese agisce in modo diverso, implementando normative in base ai propri piani a lungo termine. Non è un segreto che l’Europa, ad esempio, abbia regole più strette, che rallentano lo sviluppo dell’AI. Gli Stati Uniti, al contrario, adottano un approccio più pragmatico: le leggi sono solitamente scritte per consentire l’innovazione e la crescita. Un forte lobby tecnologico in California, sede di aziende come Nvidia, Apple, Microsoft e Meta, rende improbabile un divieto totale sull’AI. Ciò significa che la tecnologia continuerà ad avanzare.

Viviamo in un’era in cui “pensare fuori dagli schemi” è coltivato sia in Occidente che in Asia, e gli esempi di Elon Musk e Steve Jobs continuano a ispirare progetti ambiziosi. Quindi, forse il calcolo nello spazio è il prossimo passo logico dopo tutto.