Accedere alle GPU Nvidia per l’intelligenza artificiale non significa necessariamente acquistare i chip. Le imprese possono noleggiare capacità dai grandi cloud, rivolgersi a fornitori specializzati oppure installare server propri. Il confronto pubblicato il 10 ottobre mette in evidenza un mercato nel quale disponibilità, tempi di consegna e condizioni contrattuali contano quanto il modello del processore.
Per Nvidia, la moltiplicazione dei canali amplia le modalità con cui le aziende utilizzano il suo hardware. Per chi compra capacità di calcolo, invece, aumenta il lavoro necessario per confrontare offerte che distribuiscono in modo diverso costi, controllo e responsabilità operative.
323 fornitori censiti, ma 77 esaminati nel rapporto
Il rapporto ClusterMAX 3.0 di SemiAnalysis, datato 23 settembre 2026, porta il perimetro del mercato osservato a 323 fornitori, contro i 209 della versione precedente. L’aumento è di 114 operatori, pari al 54,5%: il calcolo redazionale è 114 diviso 209, arrotondato a un decimale.
Questa cifra va distinta dai 77 fornitori esaminati nella nuova analisi: il censimento più ampio non equivale a una prova tecnica di tutte le offerte. Il rapporto riguarda cluster gestiti, ossia gruppi di acceleratori e servizi necessari per farli lavorare insieme. I test descritti comprendono calcolo, rete, archiviazione e funzionamento dei sistemi, oltre alla raccolta di riscontri dagli utilizzatori.
Grandi cloud e specialisti: capacità e servizi si combinano
La ricognizione pubblicata oggi distingue i grandi cloud di Amazon, Microsoft e Google dai cosiddetti neocloud, operatori concentrati sul calcolo per l’IA. CoreWeave e Nebius rientrano tra i nomi più visibili; esistono anche fornitori più piccoli con offerte specialistiche.
Nelle interviste raccolte, alcuni utilizzatori segnalano che la capacità dei grandi operatori non sempre copre il fabbisogno. Anche nei neocloud, però, possono essere richiesti anticipi e attese prima dell’attivazione. Il nome del fornitore, quindi, non basta a stabilire quante GPU siano disponibili subito.
Il confronto deve partire dal servizio effettivamente incluso. Un server dedicato sul quale il cliente gestisce più componenti tecniche non è equivalente a un ambiente già amministrato dal fornitore. La maggiore libertà di configurazione può trasferire sull’impresa una parte del lavoro che altrove è compresa nel contratto.
Hardware proprio, accordi dedicati e installazione locale
La ricognizione indica altre tre possibilità: portare acceleratori propri nell’infrastruttura di un operatore, stipulare accordi dedicati per grandi quantità di capacità oppure acquistare server da usare nei propri data center. Oracle viene citata per il primo modello, mentre gli accordi tra grandi gruppi illustrano il secondo. Si tratta di modalità già utilizzate, non di nuovi contratti annunciati tutti il 10 ottobre.
Possedere i chip e possedere l’intera infrastruttura sono due scelte diverse. Nel primo caso occorre comunque definire chi assicura spazio, alimentazione, rete e gestione. Nel secondo, quelle responsabilità ricadono sull’organizzazione che opera il data center. Il prezzo dell’acceleratore è dunque soltanto una componente della valutazione.
Il costo utile si misura sul lavoro completato
Un esempio ipotetico chiarisce il confronto. A parità di tariffa per ora prenotata, se un sistema dedica al lavoro utile il 50% del tempo anziché il 100%, il costo per ora utile raddoppia. Il calcolo non descrive le prestazioni di un fornitore specifico: mostra perché disponibilità nominale e capacità realmente utilizzabile non coincidono.
La crescita del numero di operatori offre più alternative, ma non dimostra da sola prezzi inferiori o servizi equivalenti. Per leggere il mercato delle GPU servono insieme hardware, qualità dell’infrastruttura e condizioni dell’accesso: è lì che si decide quanta capacità acquistata diventa effettivo lavoro per l’impresa.
