Le previsioni di SemiAnalysis sui data center superano i 50 GW mentre il collo di bottiglia si sposta sui chip

Secondo SemiAnalysis, gli operatori di data center aggiungeranno oltre 50 gigawatt di capacità nel corso del 2027, una quantità grosso modo pari alla base installata globale fino al 2024. Le previsioni di SemiAnalysis sui data center si fondano su cantieri visibili, contratti di leasing firmati e apparecchiature già in arrivo nei principali campus. La tesi centrale non è semplicemente che l'intelligenza artificiale richieda più edifici. È che edifici ed energia potrebbero smettere di essere i vincoli più stringenti.

Le prove a sostegno sono insolitamente concrete per una previsione infrastrutturale. SemiAnalysis ha identificato oltre 24 GW distribuiti in 40 campus in fase avanzata di costruzione, con la maggior parte della capacità programmata per il 2027. Secondo quanto riportato, molti edifici sono completati per più della metà. Sistemi di raffreddamento e apparecchiature elettriche sono già installati in diverse sedi.

Questo crea un conflitto più netto rispetto a un'altra ondata di annunci ambiziosi. Hyperscaler e sviluppatori di AI si sono impegnati per anni di capacità prima che domanda, finanziamenti e disponibilità di chip siano pienamente definiti. Se i campus apriranno nei tempi previsti, la carenza del settore si sposterà più in profondità nello stack tecnologico. Acceleratori, memoria, networking e carichi di lavoro dei clienti dovranno arrivare abbastanza rapidamente da riempirli.

La tesi opposta è che l'attività edilizia non garantisce capacità di calcolo produttiva. Le connessioni alla rete possono slittare, le apparecchiature possono arrivare in ritardo e i leasing possono trasformarsi in oneri finanziari. L'espansione del 2027 verificherà quindi se gli impegni firmati rappresentino una domanda durevole di AI o una costosa corsa a riservare infrastrutture scarse.

Cosa contano realmente le previsioni di SemiAnalysis sui data center

L'aspetto più solido della previsione è il ricorso all'avanzamento dei lavori anziché ai soli annunci.

Le previsioni di SemiAnalysis sono state pubblicate il 19 ottobre 2026. Gli autori Jeremie Eliahou Ontiveros, Reyk Knuhtsen e Dylan Patel sostengono che nel 2027 entreranno in servizio oltre 50 GW. Un gigawatt corrisponde a un miliardo di watt di capacità elettrica, anche se gli operatori non utilizzano necessariamente ogni watt disponibile in modo continuo.

Questa distinzione è importante perché le previsioni del settore spesso mescolano capacità pianificata dalle utility, edifici completati, capacità alimentata e tecnologia informatica installata. Queste categorie descrivono fasi diverse di un progetto. Una struttura completata non può eseguire carichi di lavoro AI senza energia, raffreddamento, networking e server. Anche un edificio alimentato contribuisce poco alla capacità di calcolo finché i suoi rack non vengono popolati.

SemiAnalysis cerca di ridurre questo divario monitorando singoli campus attraverso il proprio modello di data center. Il suo rapporto pubblico evidenzia oltre 24 GW in 40 campus in fase avanzata di costruzione. Secondo l'azienda, la maggior parte di tale capacità è attesa nel 2027.

Il rapporto afferma che molti di questi progetti hanno superato il punto intermedio strutturale. Apparecchiature esterne di raffreddamento ed elettriche sono visibili in più siti. Questi indicatori richiedono più capitale e impegno operativo di un acquisto di terreno o di un annuncio preliminare.

I 40 campus non rappresentano inoltre l'intera pipeline. SemiAnalysis afferma di monitorare diverse centinaia di siti in fasi avanzate di costruzione. I campus selezionati illustrano perché l'azienda ritiene che il totale annuale possa superare i 50 GW nonostante i vincoli di manodopera, rete e catena di fornitura.

Il suo titolo più ampio cita circa 60 GW in costruzione. Tuttavia, tale cifra non dovrebbe essere considerata identica alla previsione di consegne per il 2027. I progetti possono estendersi su più anni, aprire in fasi o subire ritardi nella messa in servizio. Il campione da 24 GW offre prove più solide nel breve termine perché si concentra su progetti avanzati con apparecchiature visibili.

Questo approccio spiega anche il disaccordo con le stime più prudenti. Gli investitori che si concentrano sulle code di connessione alla rete o sulle date di completamento annunciate spesso scontano ampiamente i progetti. SemiAnalysis valuta invece l'avanzamento dei lavori a livello di campus e adegua le consegne previste quando siti specifici restano indietro.

Gli autori riconoscono tali ritardi. Citano carenze di manodopera, fornitori in ritardo, difficoltà di raccolta fondi e vincoli nelle infrastrutture elettriche. Affermano inoltre che il loro modello ha già corretto tempistiche aggressive degli sviluppatori quando le prove a livello di progetto si sono indebolite.

Il risultato è una previsione, non una misurazione completata. Tuttavia, ha una base più solida rispetto alla semplice somma in un foglio di calcolo di ogni progetto annunciato. Cemento, apparecchiature di raffreddamento, sottostazioni e locatari con contratti firmati rendono la cancellazione sempre più costosa con l'avanzare dei lavori.

Un campus può comunque mancare il proprio obiettivo dopo tali impegni. La messa in servizio è una sequenza complessa che coinvolge sistemi elettrici, raffreddamento a liquido, networking, test di sicurezza e approvazione delle utility. Ritardi di diversi mesi potrebbero spostare una capacità rilevante da un anno solare all'altro senza cancellare il progetto sottostante.

Questa sensibilità temporale è cruciale. La differenza tra 43 GW e 50 GW può riflettere il momento in cui un progetto diventa operativo, non se alla fine aprirà. I lettori dovrebbero interpretare la previsione come prova di un'accelerazione, piuttosto che come una promessa precisa relativa a dicembre 2027.

Il cambiamento importante è quindi lo slancio visibile. Una quota consistente della capacità prevista è passata dall'intenzione aziendale all'esecuzione fisica. Ciò rende il prossimo vincolo più importante dell'annuncio iniziale.

I leasing firmati trasformano i piani di costruzione in pressione finanziaria

I leasing a lungo termine rendono l'espansione più credibile, ma trasferiscono anche l'ottimismo edilizio nel rischio di bilancio.

SemiAnalysis afferma che, entro la propria data di rilevazione, nel 2026 sono stati firmati poco meno di 1.000 miliardi di dollari in leasing di data center vincolanti o non cancellabili. Il suo titolo fa riferimento a una misura più ampia di 1.300 miliardi di dollari. Queste cifre possono coprire popolazioni contrattuali diverse, quindi non dovrebbero essere trattate come intercambiabili senza il dataset sottostante.

Le informative delle società quotate mostrano indipendentemente un'enorme pipeline di impegni. Un'analisi di Reuters sui leasing ha rilevato circa 1.090 miliardi di dollari in pagamenti futuri presso Microsoft, Meta, Oracle, Amazon e Alphabet. Questi leasing erano stati firmati ma non erano ancora iniziati all'inizio di agosto 2026.

Secondo Reuters, accordi successivi hanno portato il totale noto per queste cinque società a circa 1.160 miliardi di dollari. Microsoft ha comunicato 329,1 miliardi di dollari in pagamenti di leasing non ancora avviati. Meta ha riportato 278,99 miliardi di dollari prima di firmare altri 68 miliardi di dollari in leasing di data center nel corso di luglio.

Oracle ha comunicato 260 miliardi di dollari in impegni non ancora avviati. Alphabet ha riportato 85,2 miliardi, mentre Amazon ha comunicato 137,21 miliardi di dollari nell'ambito di un portafoglio di leasing più ampio. Il dato di Amazon include inoltre asset quali magazzini, uffici, aeromobili e veicoli.

Un leasing non ancora avviato è un accordo firmato per un asset che non è ancora disponibile per il cliente. L'obbligo generalmente non compare come passività di leasing rilevata finché la struttura non entra in servizio. Le aziende comunicano i pagamenti futuri nelle note al bilancio nel periodo intermedio.

Questo trattamento contabile non rende l'impegno nascosto né equivalente al debito convenzionale. I pagamenti futuri dei leasing possono estendersi per molti anni e sono solitamente indicati senza attualizzazione. Tuttavia, la loro portata rivela quanta spesa resti al di fuori delle consuete misure principali delle passività.

I contratti modificano inoltre chi sopporta il rischio di esecuzione. Gli sviluppatori devono finanziare e costruire strutture sulla base della domanda promessa. I locatari devono essere pronti ad accettare la capacità quando diventa disponibile. I clienti cloud e i laboratori di AI devono quindi generare un utilizzo sufficiente a giustificare i conseguenti costi fissi.

Oracle illustra il disallineamento di durata. L'azienda ha dichiarato che i suoi leasing iniziano generalmente tra l'esercizio fiscale 2027 e l'esercizio fiscale 2029 e durano da 15 a 19 anni. Ha inoltre avvertito che i termini dei leasing potrebbero non allinearsi con gli accordi con i clienti. Un cliente che non rinnova potrebbe lasciare Oracle esposta a un impegno infrastrutturale più lungo.

Questo è il nucleo contrapposto della storia: costruzione contrattualizzata contro domanda di calcolo realizzata. I leasing firmati mostrano che le aziende ritengono la capacità destinata a rimanere scarsa. Non dimostrano che ogni megawatt riservato genererà un rendimento interessante.

La recente attività di leasing sostiene la tesi della domanda a breve termine. Un rapporto sulla capacità AI ha citato dati di TD Cowen secondo cui i principali provider cloud hanno preso in leasing oltre 7,4 GW nel corso di un trimestre fiscale. Ciò ha superato la quantità presa in leasing nell'intero anno precedente.

Secondo quanto riportato, Oracle ha assicurato la maggiore capacità nel periodo, in gran parte per carichi di lavoro OpenAI. Google si è classificata seconda, seguita da Fluidstack. Anche Meta, Amazon, CoreWeave e Microsoft sono state partecipanti attive.

Le controparti non sono intercambiabili. Microsoft, Amazon e Google possono collocare capacità dietro piattaforme cloud diversificate. Meta supporta principalmente i propri servizi e modelli AI. Oracle ha un'esposizione concentrata verso un numero minore di grandi clienti AI. Gli operatori specializzati dipendono da finanziamenti, qualità dei locatari e consegne puntuali.

Questa distribuzione conta se la crescita dei ricavi dell'AI rallenta. I provider cloud diversificati possono riutilizzare parte dell'infrastruttura per database, informatica aziendale, storage e carichi di lavoro cloud convenzionali. I campus AI estremamente densi sono meno flessibili perché i loro sistemi di raffreddamento, networking e alimentazione sono progettati per cluster di acceleratori.

Un campus completato crea quindi pressione su diversi gruppi contemporaneamente. Gli sviluppatori hanno bisogno che i locatari accettino la consegna. Gli hyperscaler hanno bisogno di apparecchiature ed elettricità. I laboratori di AI hanno bisogno di ricavi o finanziamenti. I fornitori di chip devono fornire acceleratori, memoria e hardware di networking sufficienti a trasformare l'energia riservata in capacità di calcolo utilizzabile.

I leasing rendono meno probabile un abbandono diffuso, ma aumentano il costo di un errore. Per questo la previsione di SemiAnalysis per il 2027 può essere al tempo stesso credibile e finanziariamente rischiosa.

Il collo di bottiglia si sposta dagli edifici al silicio

Se nel 2027 entreranno in funzione oltre 50 GW, la risorsa limitante diventerà l'hardware che converte l'elettricità in calcolo AI utile.

Un data center è solo lo strato esterno di un sistema AI. Al suo interno, gli acceleratori eseguono i calcoli dei modelli, la memoria ad alta larghezza di banda alimenta tali processori e il networking collega migliaia di dispositivi. Le apparecchiature di raffreddamento rimuovono il loro calore, mentre sottostazioni e sistemi di backup mantengono un'alimentazione affidabile.

SemiAnalysis sostiene che le carenze di chip logici e memoria potrebbero superare edifici ed energia come vincoli nel 2027 e nel 2028. L'affermazione deriva direttamente dalle sue previsioni di costruzione. Campus completati rapidamente competeranno per una catena di fornitura di semiconduttori che non può espandersi alla stessa velocità dell'edilizia in calcestruzzo.

Gli acceleratori ricevono la maggior parte dell'attenzione pubblica, ma un cluster AI contiene diversi componenti soggetti a vincoli. La memoria avanzata si trova accanto ai processori e fornisce dati a velocità estremamente elevate. Switch di rete specializzati, collegamenti ottici e cavi coordinano il lavoro tra i rack. Le apparecchiature di gestione dell'alimentazione regolano sistemi sempre più densi.

Ogni livello ha una diversa tempistica di produzione. Gli impianti di fabbricazione dei semiconduttori richiedono anni per essere sviluppati e qualificati. Il packaging avanzato deve combinare processori e memoria. I fornitori di memoria devono ripartire la produzione tra generazioni di prodotti. I fornitori di networking devono sincronizzare le consegne con l’assemblaggio dei server e la messa in servizio dei campus.

Questo crea un problema di sequenziamento. Gli operatori possono riservare energia prima di sapere quale generazione di chip occuperà un edificio. Possono anche ricevere server prima che un’utility completi l’interconnessione finale. Un ritardo a uno dei due estremi lascia sottoutilizzati asset costosi.

I progetti dei campus complicano ulteriormente la transizione. I nuovi acceleratori possono assorbire più potenza per rack rispetto ai sistemi precedenti. Possono richiedere il raffreddamento diretto a liquido, in cui il refrigerante rimuove il calore più vicino ai chip. Le strutture progettate sulla base di ipotesi di densità meno recenti potrebbero necessitare di retrofit prima ancora che la loro implementazione iniziale sia completata.

L’espansione non è quindi una semplice conversione da gigawatt a prestazioni dei modelli. Due campus con la stessa capacità elettrica possono produrre una diversa capacità di calcolo. La generazione dei chip, l’utilizzo, l’efficienza della rete, l’overhead di raffreddamento e il software influenzano tutti il lavoro utile erogato per watt.

Per questo 50 GW non dovrebbero essere tradotti direttamente in un numero di acceleratori. Gli operatori raramente divulgano configurazioni hardware complete e i piani di implementazione cambiano. Parte della capacità sosterrà storage, networking, servizi cloud convenzionali e overhead delle strutture, anziché processori per l’AI.

Ciononostante, un forte aumento della capacità rafforzerebbe la posizione negoziale dei fornitori di chip. Gli hyperscaler non possono ottenere rendimenti da strutture alimentate ma vuote. Hanno bisogno di acceleratori abbastanza rapidamente da poter iniziare a fatturare i clienti o eseguire preziosi carichi di lavoro interni.

La pressione va oltre Nvidia. I provider cloud continuano a sviluppare processori propri per controllare i costi, migliorare la sicurezza degli approvvigionamenti e ottimizzare l’hardware per modelli specifici. Google ha anni di esperienza con le tensor processing unit. Amazon offre Trainium, mentre Microsoft e Meta hanno perseguito programmi interni di silicio.

I chip personalizzati non eliminano la catena di fornitura. Richiedono comunque fabbricazione, packaging, memoria, circuiti stampati, networking e assemblaggio dei server. Possono diversificare l’offerta di acceleratori, ma creano anche ulteriore lavoro sul software e sull’implementazione.

L’espansione del 2027 metterà alla prova la capacità di queste alternative di raggiungere volumi produttivi. Un acceleratore personalizzato di successo deve fare più che eseguire workload di benchmark. Richiede compilatori stabili, implementazioni efficienti dei modelli, networking affidabile e un’adozione sufficiente da parte dei clienti per mantenere elevato l’utilizzo.

Gli sviluppatori devono inoltre scegliere tra attendere chip più nuovi e implementare l’hardware disponibile. Ritardare può migliorare le prestazioni per watt, ma lascia inutilizzata la capacità presa in leasing. Implementare subito consente di avviare prima il lavoro utile, sebbene l’attrezzatura possa diventare meno competitiva nel corso di un lungo contratto di leasing.

Questo compromesso influenzerà il comportamento d’acquisto in tutto il mercato. Le aziende più grandi possono dividere la capacità tra diverse generazioni di chip e fornitori. I provider cloud più piccoli potrebbero accettare hardware meno efficiente perché non possono attendere i sistemi più richiesti.

Il collo di bottiglia dei chip collega inoltre la spesa per le infrastrutture all’economia dell’AI. Processori più veloci creano valore solo quando i clienti pagano per inferenza, addestramento o accesso al cloud. Se l’efficienza dei modelli aumenta più rapidamente dell’utilizzo, gli operatori potrebbero soddisfare la domanda con meno hardware. Se l’utilizzo si espande attraverso agenti, video e inferenza persistente, anche 50 GW potrebbero sembrare scarsi.

SemiAnalysis sta di fatto scommettendo sul secondo scenario. La sua previsione di crescita della capacità dei data center presume che la domanda contrattualizzata e le prove di costruzione supereranno i vincoli immediati. Il prossimo test sarà capire se la produzione di semiconduttori e i carichi di lavoro paganti riusciranno a tenere il passo con gli edifici in arrivo.

Cosa non dimostra il dato di 50 GW

La costruzione avanzata riduce il rischio di cancellazione, ma non risolve le questioni relative a disponibilità energetica, utilizzo, redditività o impatto ambientale.

La prima incertezza riguarda la misurazione. I partecipanti del settore usano megawatt e gigawatt per descrivere il servizio delle utility, il carico IT critico, i limiti di progettazione dei campus e la capacità per fasi. Una previsione può apparire incoerente quando due fonti conteggiano punti diversi di quella catena.

SemiAnalysis utilizza un modello proprietario dettagliato, ma l’articolo pubblico espone solo una parte della metodologia e dell’elenco dei campus sottostante. I lettori non possono riprodurre in modo indipendente l’intero totale di 50 GW a partire dal materiale pubblicato. Il campione visibile da 24 GW supporta la direzione della tendenza, non ogni componente della previsione.

La seconda incertezza riguarda i tempi di consegna. Un edificio può apparire quasi completo mentre attende trasformatori, quadri elettrici, generazione di backup o l’approvazione dell’utility. Problemi di messa in servizio possono ritardare l’apertura dopo la conclusione dei principali lavori. Tali ritardi contano quando la previsione assegna capacità a uno specifico anno.

La terza incertezza riguarda l’approvvigionamento energetico. Il IEA power outlook prevede che la generazione di elettricità per i data center aumenterà da 460 TWh nel 2024 a oltre 1.000 TWh nel 2030. Nel suo scenario di base, le rinnovabili forniscono quasi metà della domanda aggiuntiva.

I combustibili fossili restano centrali durante l’ondata di crescita a breve termine. L’IEA prevede che gas naturale e carbone soddisferanno oltre il 40% della domanda aggiuntiva di elettricità dei data center fino al 2030. Le code per le connessioni alla rete possono spingere una crescita più rapida verso la generazione in sito o la capacità fossile esistente.

La sfida è particolarmente concentrata negli Stati Uniti. Un aggiornamento del Berkeley Lab stima che i data center potrebbero consumare l’11,8% dell’elettricità degli Stati Uniti entro il 2030. Il suo intervallo di scenari va dal 9,5% al 15,3%.

Questi dati nazionali possono celare problemi regionali più difficili. I campus dei data center si concentrano dove esistono già fibra, terreni, incentivi fiscali e regioni cloud. Le utility locali devono soddisfare grandi carichi relativamente continui anche quando la capacità nazionale di generazione sembra sufficiente.

La U.S. Energy Information Administration prevede che lo sviluppo dei data center guiderà la crescita dell’elettricità nel breve termine. La sua analisi della domanda di rete identifica ERCOT e PJM come le regioni a più rapida crescita fino al 2027. Entrambe ospitano già importanti pipeline infrastrutturali.

I limiti della rete non invalidano automaticamente la previsione. Gli operatori possono assicurarsi generazione dedicata, costruire sistemi behind-the-meter o aprire i campus per fasi. Possono anche spostare i workload tra regioni quando latenza e norme sui dati lo consentono.

Tuttavia, ogni soluzione alternativa ha dei costi. La generazione dedicata a gas può aumentare le emissioni. Le batterie non possono fornire energia continua senza generazione. Le nuove linee di trasmissione affrontano lunghi processi di pianificazione. Spostare i workload può introdurre ritardi di rete o entrare in conflitto con i requisiti dei clienti.

La quarta incertezza è l’utilizzo. Un campus può aprire, accettare server e continuare comunque a operare al di sotto del proprio potenziale economico. L’utilizzo misura quanta capacità di calcolo installata svolge lavoro fatturabile o strategicamente prezioso.

Un basso utilizzo può derivare da problemi software, ritardi dei clienti, limitazioni della rete o un eccesso di offerta di particolari tipi di acceleratori. Un utilizzo elevato può anche nascondere un’economia debole se i provider scontano pesantemente l’accesso per attirare domanda.

La quinta incertezza riguarda il finanziamento. I contratti di leasing a lungo termine rendono più probabile la costruzione, ma creano anche obblighi fissi. Gli sviluppatori di AI devono trasformare l’utilizzo in ricavi prima che gli impegni infrastrutturali superino la loro generazione di cassa.

Le piattaforme più grandi possono assorbire l’inefficienza temporanea più facilmente rispetto ai provider specializzati. Dispongono di clienti cloud consolidati, attività pubblicitarie e prodotti per i consumatori. Gli operatori più piccoli dipendono spesso da pochi inquilini, finanziamenti costosi e ipotesi ottimistiche sui futuri canoni di locazione.

Una flessione non produrrebbe necessariamente file di campus abbandonati. Potrebbe invece manifestarsi come canoni di locazione più bassi, contratti rinegoziati, installazioni di server ritardate o rendimenti inferiori. La capacità potrebbe comunque entrare in funzione, mentre gli investitori sosterrebbero l’aggiustamento.

L’ultima incertezza è l’efficienza tecnologica. I modelli possono diventare meno costosi da addestrare e servire grazie ad algoritmi migliorati, quantizzazione, calcolo sparso e migliore pianificazione. Questi guadagni possono ridurre l’hardware necessario per un workload fisso.

L’efficienza può anche aumentare la domanda totale rendendo i servizi di AI accessibili a più utenti. Questo effetto di rimbalzo è apparso ripetutamente nei mercati informatici. Costi unitari inferiori incoraggiano nuovi prodotti, un maggiore utilizzo e inferenze più frequenti.

Nessuna singola previsione può risolvere questo equilibrio. Il dato di 50 GW mostra che le aziende stanno costruendo sulla base di forti aspettative di domanda. Non dimostra che tali aspettative produrranno rendimenti attraenti in ogni campus.

Tre segnali che metteranno alla prova l’espansione del 2027

La previsione sarà valutata in base alla capacità energizzata, all’hardware installato e alla domanda ricorrente di AI, non soltanto alle fotografie dei cantieri.

Il primo segnale è la conversione dei campus avanzati in capacità IT energizzata. Gli operatori devono completare sottostazioni, connessioni alla rete, sistemi di raffreddamento e messa in servizio prima che un edificio contribuisca con capacità di calcolo utilizzabile.

Gli aggiornamenti trimestrali di utility e sviluppatori dovrebbero rivelare se i progetti aprono secondo i calendari rivisti. Le comunicazioni più utili separeranno gli edifici completati dalla capacità energizzata. Dovrebbero inoltre distinguere i limiti di progettazione dei campus dalla capacità già disponibile per i clienti.

Se la maggior parte del campione avanzato da 24 GW entrerà in servizio nel 2027, la previsione sui data center di SemiAnalysis otterrà un sostegno sostanziale. Un ampio slittamento al 2028 indebolirebbe il suo totale per anno solare senza smentire la tendenza infrastrutturale di più lungo periodo.

Il modello dei ritardi conterà quanto la loro entità. Battute d’arresto isolate sono normali per progetti di questa scala. Carenze ripetute di trasformatori, blocchi della rete o fallimenti della messa in servizio in più regioni indicherebbero un vincolo strutturale.

Il secondo segnale è l’implementazione dell’hardware. Gli investitori dovrebbero monitorare le spedizioni di acceleratori, la produzione di memoria ad alta larghezza di banda, la capacità di packaging avanzato, i ricavi del networking e le installazioni di server. Questi indicatori mostrano se gli operatori riescono a popolare i nuovi edifici al ritmo richiesto.

Le carenze di chip confermerebbero lo spostamento del collo di bottiglia proposto da SemiAnalysis. Gli edifici arriverebbero, ma processori e memoria limiterebbero la capacità produttiva. I provider cloud potrebbero prolungare la vita dell’hardware meno recente o accelerare l’adozione di chip personalizzati.

Un aumento ordinato dell’implementazione dei server supporterebbe una conclusione diversa. Suggerirebbe che i fornitori di semiconduttori hanno anticipato l’ondata di costruzione e si sono espansi con successo. Il vincolo potrebbe quindi spostarsi verso i prezzi dell’energia, i workload dei clienti o l’utilizzo del software.

Il mix hardware fornirà un altro indizio. La rapida adozione di acceleratori progettati internamente dimostrerebbe che gli hyperscaler stanno riducendo la dipendenza da un singolo fornitore. Una concentrazione persistente attorno a un’unica piattaforma di acceleratori manterrebbe elevato il rischio di approvvigionamento.

Il terzo segnale è la domanda ricorrente dopo l’apertura della capacità. I ricavi cloud, l’utilizzo dei servizi di AI, le obbligazioni di prestazione residue e le comunicazioni sui leasing dovrebbero mostrare se i clienti assorbono la nuova infrastruttura.

La domanda deve estendersi oltre i progetti di addestramento dei modelli. L’addestramento è rilevante ma intermittente. L’inferenza, in cui i modelli implementati rispondono a utenti e software, può generare un consumo persistente nelle applicazioni aziendali, nella ricerca, nella programmazione, nei media e negli agenti automatizzati.

L'adozione da parte delle imprese sarà particolarmente importante. Le applicazioni consumer possono generare volumi enormi di richieste, ma i ricavi possono essere incerti. I clienti aziendali offrono contratti e carichi di lavoro ripetibili, pur richiedendo affidabilità, sicurezza e rendimenti misurabili.

La contabilizzazione dei leasing renderà visibile una parte del risultato. Man mano che le strutture diventeranno disponibili, gli impegni non ancora avviati confluiranno in passività e costi rilevati. Le aziende dovranno quindi spiegare come ricavi e utilizzo della capacità si confrontino con tali costi.

Occorrerà osservare i cambiamenti nella durata dei contratti, nelle clausole di rinnovo e nel finanziamento degli sviluppatori. Impegni più brevi potrebbero indicare che gli affittuari desiderano flessibilità. Rinegoziazioni o accettazioni ritardate indebolirebbero la tesi della domanda. Nuovi accordi di lungo periodo la rafforzerebbero.

Questi tre segnali offrono ai lettori un test pratico. Primo: i campus hanno ricevuto energia? Secondo: gli operatori hanno installato una quantità sufficiente di hardware di generazione attuale? Terzo: i clienti hanno generato un utilizzo duraturo dopo il deployment?

Una risposta positiva a tutte e tre le domande renderebbe il 2027 un autentico punto di svolta nell'offerta di capacità di calcolo. Confermerebbe inoltre l'idea che la produzione di chip, più che la costruzione di data center, sia diventata il vincolo più stringente del settore.

Risultati contrastanti richiederebbero un'interpretazione più prudente. Edifici alimentati ma vuoti indicherebbero problemi di hardware o finanziamento. Cluster popolati ma sottoutilizzati segnalerebbero una domanda debole. Una domanda forte frenata da connessioni alla rete ritardate manterrebbe l'energia al centro della vicenda.

Per gli sviluppatori e gli acquirenti aziendali, questa espansione dovrebbe alla fine influire sull'accesso, sulla disponibilità regionale e sui costi di calcolo. Una maggiore offerta può ridurre la scarsità, ma solo se energia e chip arrivano insieme. Gli acquirenti dovrebbero seguire la reale disponibilità dei servizi anziché fare affidamento sui gigawatt annunciati.

La previsione di SemiAnalysis per il 2027 è persuasiva perché gran parte della costruzione è già iniziata. La sua affermazione più difficile comincia dopo l'apertura delle strutture. Il settore dovrà trasformare una capacità elettrica senza precedenti in lavoro di calcolo utile e remunerato.

Nei prossimi trimestri, confrontate la messa in servizio dei campus con le spedizioni hardware e la domanda ricorrente di cloud. Se tutti e tre cresceranno insieme, l'accelerazione sarà reale. Se uno resterà indietro, individuerà il nuovo collo di bottiglia e rivelerà quali impegni sono stati presi troppo presto.