Il 92% dei ricavi di Nvidia dai data center alza la posta in gioco

Nell’ultimo trimestre Nvidia ha generato 75,2 miliardi di dollari dai data center, una cifra sorprendente che spiega la sua rilevanza su Google News: il 92% dei ricavi dell’azienda dipende ora da questo mercato.

Questa concentrazione rappresenta al tempo stesso il maggiore vantaggio di Nvidia e il suo principale rischio d’investimento. Le vendite nei data center sono aumentate del 92% rispetto a un anno prima, mentre i ricavi totali hanno raggiunto 81,6 miliardi di dollari. In base ai calcoli, questa attività ha prodotto circa il 92,1% dei ricavi trimestrali di Nvidia.

Le percentuali coincidenti sono casuali ma rivelatrici. Una misura la crescita annua, l’altra la concentrazione dei ricavi. Insieme mostrano quanto completamente Jensen Huang abbia legato il futuro di Nvidia alla continuità degli investimenti nell’infrastruttura AI.

L’azienda non è più principalmente un fornitore di processori grafici con una crescente attività nei data center. È diventata un fornitore di infrastrutture AI le cui attività minori incidono appena sul risultato complessivo.

Questa trasformazione ha prodotto una crescita straordinaria di ricavi e utili. Significa però anche che la tesi d’investimento dipende ora in larga misura dal fatto che i clienti continuino a costruire costosi sistemi di calcolo.

La sfida centrale non è quindi Nvidia contro un singolo rivale. È l’aspettativa di Huang di una domanda in espansione per la capacità di calcolo AI contrapposta alla possibilità che la spesa dei clienti finisca per superarne i ritorni economici.

Cosa mostra davvero il dato del 92% dei data center di Nvidia

Gli ultimi risultati di Nvidia confermano che l’infrastruttura AI ha assorbito quasi l’intera azienda.

Nel primo trimestre dell’esercizio fiscale 2027, conclusosi il 26 aprile 2026, Nvidia ha riportato ricavi totali per 81,615 miliardi di dollari. I ricavi dei data center hanno raggiunto 75,2 miliardi di dollari, secondo i risultati trimestrali dell’azienda.

Questa cifra relativa ai data center è aumentata del 21% rispetto al trimestre precedente e del 92% su base annua. I ricavi complessivi dell’azienda sono cresciuti del 20% in sequenza e dell’85% rispetto all’anno precedente.

Gli investitori dovrebbero distinguere tra i due utilizzi del 92%. Nvidia ha riportato ufficialmente che i ricavi dei data center sono cresciuti del 92% rispetto al trimestre dell’anno precedente. Dividendo 75,2 miliardi di dollari per 81,615 miliardi di dollari si osserva inoltre che i data center hanno fornito circa il 92% dei ricavi totali.

Questa distinzione conta perché crescita e concentrazione rispondono a domande diverse. La crescita mostra quanto rapidamente si sia espansa la domanda. La concentrazione mostra quanto dell’attività di Nvidia dipenda ora, in positivo o in negativo, da quella domanda.

Le attività rimanenti hanno contribuito insieme per circa 6,4 miliardi di dollari. È una cifra rilevante se considerata isolatamente, ma troppo piccola per compensare un rallentamento significativo dell’infrastruttura AI.

Nvidia ha inoltre riportato un utile operativo GAAP di 53,5 miliardi di dollari e un utile netto di 58,3 miliardi di dollari. Il suo margine lordo del 74,9% dimostra che i clienti stanno acquistando molto più di semplici componenti indifferenziati.

Stanno pagando per un sistema integrato costruito attorno ad acceleratori, reti, interconnessioni, processori, software e competenze di implementazione. Questo approccio a livello di sistema offre a Nvidia maggiori opportunità di ricavo all’interno di ogni cluster AI.

I sistemi Blackwell illustrano questo cambiamento. I clienti non installano semplicemente singole unità di elaborazione grafica. Implementano rack strettamente interconnessi che combinano hardware di calcolo con networking NVLink, raffreddamento, memoria e software.

I ricavi dei data center di Nvidia seguono quindi la costruzione di quelle che Huang definisce fabbriche AI. Si tratta di grandi strutture di calcolo progettate per addestrare modelli e gestirli su larga scala.

Il termine è utile, ma gli investitori non dovrebbero considerarlo una prova della redditività dei clienti. Una fabbrica AI può generare servizi di valore oppure trasformarsi in un asset costoso con un basso tasso di utilizzo.

Nvidia registra una vendita quando l’infrastruttura raggiunge i suoi clienti. Il rendimento di lungo periodo dipende da ciò che quei clienti costruiscono, dalla frequenza con cui lo utilizzano e da quanto gli utenti saranno disposti a pagare.

Questo divario tra la vendita di Nvidia e il rendimento del suo cliente definisce la questione d’investimento. L’ultimo trimestre dimostra che la domanda di infrastrutture resta intensa. Non risolve la questione se una spesa di questa portata rimarrà economicamente produttiva.

Perché Jensen Huang prevede che la crescita AI di Nvidia continuerà

La tesi di crescita di Huang si basa sull’aumento del fabbisogno di calcolo, non semplicemente su un altro ciclo di addestramento dei modelli.

La prima ondata di domanda è arrivata dalle aziende che addestravano grandi modelli fondazionali. I carichi di lavoro più recenti riguardano sempre più l’inferenza, ovvero l’esecuzione di un modello addestrato per produrre risposte, immagini, codice o azioni.

L’inferenza genera domanda ricorrente perché ogni richiesta utente consuma capacità di calcolo. I modelli che dedicano più tempo al ragionamento possono richiedere una quantità considerevolmente maggiore di elaborazione per ogni risposta.

L’AI agentica aggiunge un ulteriore livello. Un agente AI può pianificare ed eseguire una sequenza di attività, spesso effettuando diverse chiamate al modello prima di completare una richiesta utente.

Huang sostiene che questo carico di lavoro in espansione crei nuovi modelli di scalabilità. Più utenti, ragionamenti più lunghi, media più ricchi e agenti autonomi aumentano tutti la quantità di inferenza che i data center devono servire.

Questo argomento spiega perché Nvidia sottolinei il costo di produzione dei token, le unità generate ed elaborate dai modelli linguistici. I clienti si interessano alle prestazioni dei chip, ma in ultima analisi necessitano di output utilizzabile a un costo accettabile.

Nvidia afferma che il suo hardware, il networking e il software possano ridurre tale costo elaborando più lavoro entro un determinato limite di energia e spazio. Queste affermazioni richiedono comunque test specifici per ciascun carico di lavoro, poiché i risultati effettivi dipendono da modelli, software, utilizzo e progettazione dell’implementazione.

La strategia dell’azienda va inoltre oltre la vendita del suo acceleratore più veloce. Nvidia controlla CUDA, una piattaforma software che gli sviluppatori utilizzano per programmare le sue GPU, e fornisce librerie per carichi di lavoro AI specializzati.

Questa base software riduce l’attrito nell’adozione di ogni nuova generazione hardware. Crea inoltre costi di cambiamento, poiché le organizzazioni hanno dedicato anni alla costruzione di competenze e applicazioni attorno agli strumenti di Nvidia.

Il networking è diventato altrettanto importante. I grandi modelli AI distribuiscono il lavoro su migliaia di acceleratori, rendendo la velocità di comunicazione tra i chip un vincolo prestazionale.

NVLink, InfiniBand e i prodotti Ethernet di Nvidia consentono all’azienda di acquisire una quota maggiore del budget del cluster. Aiutano inoltre Nvidia a vendere un’architettura per data center invece di competere su una singola specifica di processore.

Questa piattaforma più ampia sostiene l’ambizione di Huang per Blackwell e Vera Rubin, la prossima grande architettura di Nvidia. Al GTC 2026, ha previsto almeno 1.000 miliardi di dollari di ricavi cumulativi da Blackwell e Rubin entro il 2027, secondo una previsione sui chip AI.

Questa proiezione è un’aspettativa del management, non un risultato contrattualizzato. Dipende da capacità produttiva sufficiente, energia, finanziamenti, domanda dei clienti e transizioni di prodotto riuscite.

Rubin è entrata in piena produzione nel corso del 2026 e Nvidia afferma che i sistemi dei partner saranno disponibili durante la seconda metà dell’anno. AWS, Google Cloud, Microsoft e altri fornitori dovrebbero implementare infrastrutture basate su Rubin.

Una rapida transizione a Rubin rafforzerebbe la crescita AI di Nvidia in due modi. Creerebbe un ulteriore ciclo di aggiornamento, offrendo al contempo ai clienti un motivo per espandere la capacità per nuovi carichi di lavoro.

Tuttavia, cicli di prodotto rapidi possono anche creare complicazioni. I clienti devono decidere se implementare i sistemi Blackwell già disponibili o attendere Rubin, mentre i fornitori devono gestire esigenze produttive sovrapposte.

Nvidia ha gestito queste transizioni mantenendo margini eccezionali. Gli investitori dovrebbero osservare se questo primato resisterà a sistemi sempre più complessi e a intervalli di rilascio più brevi.

Il vero avversario è il rendimento della spesa per l’AI

La sfida principale di Nvidia consiste nel dimostrare che l’economia dei clienti possa tenere il passo con gli acquisti di infrastrutture.

Nvidia vende a fornitori cloud, aziende internet rivolte ai consumatori, sviluppatori di modelli, imprese e governi. Le loro motivazioni differiscono, ma molti acquisti dipendono in ultima analisi dall’adozione commerciale dell’AI.

I maggiori fornitori cloud stanno aumentando le spese in conto capitale a un ritmo storico. S&P Global Ratings ha stimato che cinque grandi fornitori potrebbero spendere circa 750 miliardi di dollari nel 2026, pari a circa il 38% dei loro ricavi combinati.

Questa stima della spesa in conto capitale copre più dell’hardware Nvidia. Include edifici, sistemi energetici, networking, processori, memoria, terreni e altre infrastrutture.

Tuttavia, questa spesa crea l’ambiente che sostiene i ricavi di Nvidia. Più data center significano di solito maggiori opportunità di vendere acceleratori e le apparecchiature che li collegano.

Microsoft offre un esempio utile di questa tensione. Prevede circa 190 miliardi di dollari di spese in conto capitale nell’anno solare 2026, mentre espande Azure e i propri servizi AI.

Durante la conference call del terzo trimestre fiscale, Microsoft ha discusso di una domanda superiore alla capacità disponibile. Ha inoltre riconosciuto le preoccupazioni degli investitori sui tempi intercorrenti tra la spesa in conto capitale e i ricavi che ne derivano.

Microsoft utilizza hardware Nvidia e AMD mentre sviluppa i propri chip Maia. Questo approccio misto riflette la strategia più ampia dei clienti: acquistare Nvidia dove le sue prestazioni e il suo ecosistema giustificano il costo, quindi usare alternative dove le condizioni economiche sono più favorevoli.

Google segue un modello simile con le proprie Tensor Processing Units. Amazon offre chip Trainium e Inferentia, mentre Meta ha perseguito silicio interno e ampliato l’uso di hardware AMD.

Questi prodotti non devono superare Nvidia in ogni attività. Devono soltanto gestire un numero sufficiente di carichi di lavoro importanti a un costo operativo inferiore.

Il silicio personalizzato può essere particolarmente interessante per attività di inferenza mature e ad alto volume. Un fornitore cloud che conosce il proprio carico di lavoro può ottimizzare l’hardware attorno a requisiti più circoscritti.

Nvidia contrasta questa minaccia con la flessibilità. La sua piattaforma supporta molti modelli e carichi di lavoro, un vantaggio prezioso quando le architetture AI e le richieste dei clienti continuano a cambiare.

Questo vantaggio diventa meno decisivo se i carichi di lavoro si standardizzano. Quando un’azienda sa con precisione ciò di cui ha bisogno, alternative specializzate possono diventare più economiche.

La competizione riguarda quindi il costo totale e la velocità di implementazione, non soltanto la leadership nei benchmark. I clienti considerano energia, networking, compatibilità software, utilizzo, manutenzione e il costo della capacità ritardata.

L’elevato margine lordo di Nvidia indica che i clienti continuano a valorizzare la sua piattaforma completa. Crea però anche un’opportunità economica per i concorrenti che cercano una quota di quei profitti.

La maggiore preoccupazione non è che ogni cliente abbandoni Nvidia. Un graduale cambiamento nel mix dei carichi di lavoro può comunque influire sulla crescita se i clienti riservano i sistemi Nvidia ai compiti più difficili e spostano altrove l’inferenza ordinaria.

Nvidia potrebbe compensare questa pressione se la domanda complessiva di AI crescesse più rapidamente del calo della sua quota. Ecco perché Huang sottolinea la crescita del mercato anziché difendere una categoria fissa di chip.

Per gli investitori, le prove necessarie emergono dai risultati dei clienti. Ricavi cloud, adozione di servizi AI, miglioramenti nella pubblicità, domanda degli sviluppatori e contratti aziendali devono infine giustificare l’infrastruttura.

La concentrazione del 92% di Nvidia trasforma queste dinamiche economiche esterne nella sua variabile centrale. Se i clienti ottengono rendimenti elevati, l’espansione può proseguire. Se i rendimenti deludono, la disciplina negli acquisti si intensificherà.

Ciò che i titoli di Google News non colgono

Il record di ricavi è reale, ma dietro la percentuale del titolo restano nascosti diversi rischi.

In primo luogo, Nvidia dipende da un gruppo concentrato di acquirenti. Tra i suoi clienti figurano distributori, produttori di apparecchiature originali, assemblatori di sistemi, provider cloud e grandi aziende internet.

La documentazione regolatoria dell’azienda identifica la concentrazione dei clienti come un elemento rilevante. Un numero ristretto di clienti diretti può rappresentare porzioni significative dei ricavi trimestrali.

I dati sui clienti diretti non rivelano sempre la domanda finale, poiché un produttore o distributore può servire diversi utenti finali. Ciononostante, ordini di grandi dimensioni possono rendere i risultati trimestrali sensibili ai calendari di implementazione.

Un data center ritardato, una connessione elettrica non disponibile, un problema di raffreddamento o una modifica del finanziamento possono spostare miliardi di dollari da un periodo di rendicontazione all’altro. Questi cambiamenti non indicano sempre una perdita di domanda, ma rendono il percorso di crescita irregolare.

In secondo luogo, la stessa infrastruttura è soggetta a vincoli fisici. I sistemi di IA avanzati richiedono elettricità, apparecchiature di raffreddamento, terreni, rete e costruzioni specializzate.

Nvidia non può risolvere questi colli di bottiglia solo con silicio più veloce. La sua documentazione afferma che la disponibilità di data center, energia e capitale è cruciale per i ricavi futuri.

In terzo luogo, la produzione rimane concentrata. Nvidia fa affidamento su partner esterni per la fabbricazione avanzata dei chip, il packaging, la memoria e l’assemblaggio dei sistemi.

La domanda può superare l’offerta di un singolo componente anche quando le altre parti sono disponibili. Un rack completo non può essere spedito semplicemente perché i suoi acceleratori sono pronti.

In quarto luogo, le restrizioni commerciali hanno rimosso un mercato importante dalle previsioni immediate di Nvidia. Le prospettive dell’azienda non presupponevano ricavi dal calcolo per data center provenienti dalla Cina.

Questa esclusione dimostra solidità, perché Nvidia ha ottenuto risultati record senza fare affidamento su tale opportunità. Mostra anche come le politiche possano rimodellare improvvisamente il mercato indirizzabile dell’azienda.

Lo sviluppo interno cinese di acceleratori aggiunge un’ulteriore incertezza. I controlli sulle esportazioni possono limitare Nvidia, incoraggiando al contempo clienti e governi a finanziare ecosistemi alternativi.

In quinto luogo, i risultati contabili non misurano i rendimenti per gli utenti finali. Nvidia può rilevare ricavi prima che l’acquirente finale dimostri che un’applicazione di IA genera flussi di cassa sostenibili.

Questo è il limite fondamentale nell’usare Nvidia come indicatore dell’intera economia dell’IA. Le sue vendite dicono agli investitori che l’infrastruttura viene costruita, non che ogni servizio in esecuzione su di essa avrà successo.

La distinzione diventa più importante con l’aumento dei requisiti di capitale. I provider cloud possono finanziare lunghi cicli d’investimento, ma gli azionisti pubblici continueranno a esaminare margini e flusso di cassa libero.

Le startup affrontano una pressione ancora maggiore. Molte dipendono da finanziamenti esterni o crediti cloud, sostenendo al contempo costi di inferenza rilevanti. La loro domanda può contrarsi rapidamente se le condizioni di finanziamento peggiorano.

Nessuno di questi rischi invalida gli ultimi risultati di Nvidia. Spiegano perché ricavi record non dovrebbero automaticamente produrre una previsione senza limiti.

Google News può far sembrare ogni sorpresa sugli utili una nuova conferma di dominio permanente. Gli investitori hanno bisogno di uno standard più rigoroso.

Il test corretto è se Nvidia riuscirà a preservare il valore della piattaforma mentre i suoi clienti diventano più sensibili ai prezzi, i rivali migliorano e i vincoli infrastrutturali si intensificano.

Gli investitori dovrebbero inoltre evitare di considerare la cifra del 92% come diversificazione. Networking, acceleratori, processori e software offrono ampiezza di prodotto, ma gran parte di tali ricavi dipende comunque dallo stesso ciclo di capitale dell’IA.

Nvidia dispone di più prodotti all’interno di un unico motore economico dominante. Questo è più solido della dipendenza da un singolo chip, ma più debole rispetto all’avere fonti di domanda non correlate.

Vera Rubin mette alla prova il vantaggio di piattaforma di Nvidia

Rubin mostrerà se Nvidia può trasformare il rapido ricambio dell’hardware in un’economia dei clienti duratura.

Nvidia ha annunciato che la piattaforma Vera Rubin è entrata in piena produzione, con disponibilità presso i partner prevista per la seconda metà del 2026. La piattaforma combina una CPU Vera, GPU Rubin, networking e sistemi a scala rack.

Nvidia afferma che Rubin può ridurre i costi di inferenza rispetto a Blackwell. Questa affermazione conta perché i clienti hanno bisogno di ottenere più output da ogni dollaro investito nell’infrastruttura.

Tuttavia, le dichiarazioni sulle prestazioni dipendono dall’intero ambiente operativo. Un benchmark non può catturare ogni modello, obiettivo di latenza, prezzo dell’energia, stack software o tasso di utilizzo.

Le prove più significative arriveranno dalle implementazioni reali. I provider cloud devono installare i sistemi, rendere disponibile la capacità, attrarre carichi di lavoro e comunicare segnali utili di adozione.

Rubin mette anche alla prova l’esecuzione di Nvidia. I sistemi a scala rack richiedono il coordinamento di più componenti rispetto ai processori standalone.

Un problema relativo a raffreddamento, networking, memoria, software o alimentazione può ritardare l’intera implementazione. La complessità offre a Nvidia più opportunità per aggiungere valore, ma crea più punti di guasto.

La transizione della piattaforma rivelerà anche il comportamento d’acquisto dei clienti. Una forte domanda di Blackwell insieme all’adozione iniziale di Rubin indicherebbe che gli acquirenti hanno bisogno di capacità immediatamente.

Una forte pausa prima del lancio di Rubin suggerirebbe che le tempistiche di rilascio influenzano gli ordini più di quanto implichi l’ampia narrazione della domanda proposta dal management.

La concorrenza rimarrà attiva durante questa transizione. AMD continua a sviluppare acceleratori per data center, mentre i principali provider cloud stanno ampliando i programmi proprietari di chip.

La risposta di Nvidia consiste nel rendere la piattaforma più difficile da sostituire pezzo per pezzo. Un cliente che sceglie Nvidia riceve processori, acceleratori, networking, software, librerie e progetti di implementazione concepiti per funzionare insieme.

Questa integrazione può ridurre il tempo di installazione e il rischio tecnico. Può anche aumentare la dipendenza da un singolo fornitore.

I clienti valuteranno questo equilibrio in modo diverso. Uno sviluppatore di modelli di frontiera può dare priorità alle massime prestazioni e all’accesso rapido a nuove capacità.

Un provider cloud che opera su scala enorme può attribuire maggiore peso alla diversità dell’offerta e al costo unitario. Un’impresa con competenze interne limitate può preferire un sistema completo e supportato.

Rubin non deve eliminare questi compromessi. Deve mantenere i vantaggi di Nvidia sufficientemente preziosi da indurre i clienti a continuare ad accettare un’economia premium.

L’architettura deve inoltre ampliare la domanda oltre una manciata di sviluppatori di modelli. L’adozione aziendale, i progetti di IA sovrana, la robotica, il calcolo scientifico e i sistemi industriali possono offrire ulteriori percorsi di crescita.

Questi mercati hanno cicli di vendita e vincoli di bilancio diversi. Potrebbero non espandersi allo stesso ritmo dell’infrastruttura hyperscale.

Ecco perché il successo di Rubin dovrebbe essere valutato oltre gli annunci di lancio. Gli investitori hanno bisogno di prove su volume delle implementazioni, disponibilità cloud, utilizzo e ricavi dei clienti.

Il risultato metterà alla prova se la strategia di piattaforma di Nvidia produce guadagni ripetibili o accelera semplicemente il ricambio dell’hardware all’interno della stessa base clienti.

Tre segnali che gli investitori dovrebbero osservare ora

Il prossimo trimestre dovrà collegare le vendite record di Nvidia a una domanda sostenuta, implementazioni Rubin di successo e migliori rendimenti per i clienti.

Il primo segnale è il rapporto del secondo trimestre fiscale di Nvidia, previsto per il 26 agosto. Le previsioni sui ricavi, la crescita dei data center, il margine lordo e i commenti del management sull’offerta mostreranno se lo slancio di Blackwell è rimasto intatto.

Un risultato sostenuto da un’ampia domanda dei clienti rafforzerebbe la tesi di Huang. Una crescita trainata principalmente da poche implementazioni insolitamente grandi lascerebbe irrisolte le preoccupazioni sulla concentrazione.

Gli investitori dovrebbero esaminare la crescita sequenziale anziché affidarsi solo ai confronti anno su anno. Le cifre dell’anno precedente diventano confronti più facili o più difficili a seconda delle transizioni di prodotto e degli oneri legati alle esportazioni.

Anche il margine lordo merita attenzione. Margini stabili indicherebbero che Nvidia mantiene il potere di determinazione dei prezzi nonostante avvii complessi di sistemi e una concorrenza crescente.

Un calo significativo potrebbe riflettere il mix di prodotti, i costi di transizione, le condizioni di offerta o i prezzi competitivi. Gli investitori dovrebbero studiare la spiegazione del management prima di considerare un trimestre come un cambiamento strutturale.

Il secondo segnale è la disponibilità di Rubin presso i principali provider cloud. Nvidia afferma che AWS, Google Cloud, Microsoft e altri implementeranno sistemi basati su Rubin.

I soli annunci non sono sufficienti. Gli indicatori più solidi sono istanze generalmente disponibili, accesso dei clienti, capacità significativa e prove che gli sviluppatori stanno spostando i carichi di lavoro di produzione.

Un’adozione rapida sosterrebbe l’affermazione di Nvidia secondo cui i clienti valorizzano i miglioramenti a livello di piattaforma. Ritardi o disponibilità limitata indebolirebbero le aspettative di una transizione generazionale fluida.

Il terzo segnale è il rendimento che gli hyperscaler riportano sugli investimenti nell’IA. Gli investitori dovrebbero monitorare la crescita del cloud, i ricavi dei servizi di IA, i guadagni pubblicitari, l’adozione del software e i commenti del management sull’utilizzo della capacità.

La spesa in conto capitale può rimanere elevata mentre i rendimenti tardano per diversi trimestri. Nel tempo, tuttavia, il divario deve ridursi.

Microsoft, Alphabet, Amazon e Meta non comunicano un’unica misura chiara della redditività dell’infrastruttura di IA. I lettori devono combinare diversi indicatori ed evitare di attribuire all’IA tutta la crescita del cloud o della pubblicità.

Questo lavoro è meno entusiasmante che seguire ogni notizia su Nvidia in Google News. È anche più utile.

Il caso d’investimento diventa più forte se Nvidia continua a crescere mentre i clienti riportano un utilizzo in aumento e ricavi di IA misurabili. Si indebolisce se la spesa aumenta mentre i margini e la monetizzazione dei clienti restano sotto pressione.

Nvidia ha già dimostrato un’esecuzione straordinaria. La sua concentrazione del 92% nei data center significa che gli investitori ora hanno bisogno di prove dalle aziende che acquistano i suoi sistemi.

Una revisione disciplinata può iniziare con comunicati sugli utili, documentazione regolatoria, aggiornamenti sulle implementazioni e metriche dei clienti. Un sistema personale di gestione della conoscenza può aiutare a collegare questi segnali tra diversi periodi di rendicontazione senza fare affidamento su titoli isolati.

La domanda decisiva non è più se Nvidia riesca a vendere infrastruttura per l’IA. Chiaramente ci riesce. La domanda è se l’output economico di tale infrastruttura possa espandersi abbastanza rapidamente da sostenere la prossima aspettativa di Huang da mille miliardi di dollari.