Google ha annunciato un investimento fino a 40 miliardi di dollari in Anthropic: 10 miliardi cash, 30 miliardi vincolati a milestone tecnologiche, 5 gigawatt di compute Google Cloud distribuiti su cinque anni. Nel primo trimestre 2026 le AI startup hanno assorbito 242 miliardi di dollari su un totale globale di 297 miliardi di venture funding (l’81%). Quattro deal record (OpenAI 122 miliardi, Anthropic 30 miliardi, xAI 20 miliardi, Waymo 16 miliardi) hanno totalizzato 188 miliardi. Il compute è diventato l’asset scarso. Per chi non ha accesso ai gigawatt, le strade alternative sono tre.
I 297 miliardi del primo trimestre 2026
Mai successo prima nella storia del venture capital.
I dati di PitchBook e Crunchbase per il primo trimestre 2026 hanno superato ogni proiezione. Il venture funding globale ha toccato 297 miliardi di dollari, di cui 242 destinati a startup AI. È l’81% del totale concentrato su un singolo settore. I quattro deal record raccontano la concentrazione. OpenAI ha chiuso una raccolta da 122 miliardi di dollari guidata da SoftBank, valutazione 500 miliardi USD post-money. Anthropic ha chiuso 30 miliardi guidata da Lightspeed con partecipazione Google, valutazione 350 miliardi USD pre-fresh-rounds. xAI ha raccolto 20 miliardi a valutazione 200 miliardi USD. Waymo, controllata Alphabet ma con raccolta indipendente, ha chiuso 16 miliardi.
I quattro deal sommano 188 miliardi di dollari, il 78% del totale AI funding del trimestre. Significa che il restante 22% (circa 54 miliardi) è ripartito su tutte le altre AI startup mondiali. Concentrazione che racconta una verità precisa: la frontiera dei modelli base richiede capitali fuori scala rispetto a qualsiasi altro settore tecnologico storico.
L’investimento Google in Anthropic: la struttura
L’annuncio del 24 aprile 2026 ha dettagli operativi che meritano lettura. Google ha impegnato 10 miliardi di dollari cash immediati, 30 miliardi vincolati a milestone tecnologiche (capacità di prossimi modelli, performance su benchmark concordati, deployment su Google Cloud), 5 gigawatt di compute Google Cloud distribuiti su cinque anni come parte dell’accordo strategico.
La componente compute è il punto più rilevante. 5 gigawatt corrispondono grossomodo a 4-5 milioni di GPU Blackwell GB300 in inferenza continua, ovvero la più grande capacità computazionale dedicata a un singolo cliente nella storia di Google Cloud. Per Anthropic significa accesso garantito alla scala necessaria per addestrare modelli di frontiera fino al 2030. Per Google significa un cliente vincolato che giustifica investimenti di gigafactory dedicate. L’investimento è anche una scelta competitiva: posiziona Anthropic come la principale alternativa a OpenAI nel duopolio dei modelli di frontiera, alimentato da capitali Microsoft (per OpenAI) e Google (per Anthropic). L’asimmetria capitalistica ha conseguenze sull’industria intera.
xAI Colossus 2 e SpaceX: la scala parallela di Musk
Mentre Google e Microsoft consolidano gli investimenti nelle loro alleate, Elon Musk costruisce una scala parallela.
Il 18 aprile 2026 xAI ha attivato Colossus 2, l’estensione del data center di Memphis, raddoppiando la capacity a 1,5 gigawatt operativi. È il singolo data center AI più grande al mondo nel momento in cui scriviamo. SpaceX ha annunciato a marzo 2026 una buyout option da 60 miliardi di dollari su Cursor, l’azienda di sviluppo AI per programmazione fondata nel 2022. Il deal, se finalizzato entro il 2027, integrerebbe Cursor nell’orbita Musk con applicazioni anche in robotica e veicoli autonomi (Tesla, SpaceX). La logica è verticalizzazione: ogni asset AI utile va portato dentro l’orbita aziendale.
Musk dimostra che la scala AI può essere costruita anche fuori dai canali Microsoft e Google, pur richiedendo capitali fuori scala. Il pattern resta: i player del frontiera AI sono pochi, finanziati da fonti diverse ma con dinamiche analoghe. Il mercato si consolida, non si democratizza.
NVIDIA Blackwell GB300: il chip di riferimento 2026
L’hardware racconta lo stesso fenomeno. NVIDIA Blackwell GB300 è il chip di riferimento per i deployment AI 2026, presente in tutti gli Stargate sites di OpenAI, nelle nuove infrastrutture Anthropic, nel Colossus 2 di xAI. La capacità produttiva di TSMC è stata ampliata, ma la domanda supera ancora l’offerta, con liste d’attesa che possono superare i 12 mesi per ordini grandi.
NVIDIA ha trimestrali da circa 90 miliardi di dollari di fatturato AI nel quarto trimestre 2025, oltre il 70% del fatturato totale, posizionando l’azienda come la singola entità più rilevante della catena del valore AI. Il margine operativo sui chip AI è oltre il 70%, livelli che attraggono concorrenza ma che riflettono la scarsità di alternative a parità di prestazioni.
OpenAI ha raddoppiato il proprio team interno di chip AI a 40 ingegneri, con deployment di custom accelerators previsto sui 10 GW di Stargate. La logica è ridurre la dipendenza da NVIDIA, integrando lungo la filiera. Anthropic ha approccio diverso, puntando su una stretta partnership con AWS Trainium e Google TPU, senza chip propri. Google sviluppa internamente i TPU. La filiera del chip diventa parte della strategia industriale.
Cosa significa per chi non ha accesso ai gigawatt
Tre strade praticabili.
Prima strada: l’open source. I modelli aperti come DeepSeek-V4, Falcon-MENA, Gemma 4, Llama 4 (con riserva sul codice di pratica) offrono capacità di alto livello a costi accessibili. Eseguibili on-premise o su cloud non hyperscaler, danno controllo sul dato e prevedibilità sui costi. Il limite è che richiedono competenze tecniche interne (deployment, fine-tuning, monitoraggio) che molte PMI italiane non hanno. La risposta è formazione: AIPIA ha mappato le competenze necessarie nei profili professionali AI della norma UNI 11621-8, in particolare nelle figure di AI Research Scientist e AI Machine Learning Engineer.
Seconda strada: la specializzazione di dominio. Il vantaggio competitivo si sposta dalla scala alla profondità di dominio. Una PMI italiana che possiede dati proprietari, conoscenza del settore e relazioni con il cliente, può costruire un’offerta verticale che i grandi lab non possono replicare con altrettanta precisione. Il punto è scegliere il dominio giusto e investire nei dati.
Terza strada: le partnership cloud strategiche. Tutti i grandi cloud (AWS, Azure, Google Cloud) offrono accesso a modelli di frontiera tramite API, con pricing per token e SLA enterprise. Per la maggior parte delle PMI italiane questa è la via più rapida: nessun investimento in infrastruttura, accesso a modelli sempre aggiornati, scaling automatico. Il limite è la dipendenza dal fornitore e l’aumento dei costi di compute (15-25% sui rinnovi 2026), che richiede attenzione contrattuale e ottimizzazione continua dei costi.
Per chi vuole approfondire le scelte strategiche, il progetto AI Next di AIPIA propone framework operativi per le imprese italiane che devono decidere tra build, buy e partner.
L’asimmetria capitalistica e le sue conseguenze
Quattro conseguenze sistemiche.
Prima: la velocità di rilascio dei modelli di frontiera resta fuori scala rispetto alle alternative. GPT-5.5 ad aprile 2026, Gemini 3.1 Pro a febbraio, Claude Opus 4.7 ad aprile. Tre modelli leader nello stesso trimestre, ognuno frutto di centinaia di milioni di dollari di compute. Seconda: la barriera all’ingresso si alza. Costruire un modello di frontiera competitivo nel 2026 richiede stimati 3-5 miliardi di dollari di sviluppo iniziale, più costi di gestione paragonabili. Pochi attori al mondo possono permetterselo, e il numero diminuisce nel tempo.
Terza: si accentua la dipendenza geopolitica. Tutti i frontier model commerciali sono sviluppati da aziende USA. Mistral è l’eccezione europea ma a una scala inferiore. La Cina ha la sua filiera (DeepSeek, Qwen, GLM) ma con accesso limitato a chip avanzati per le sanzioni. L’Europa è in posizione di consumatore, non produttore di scala. Quarta: il prezzo del compute al cliente finale aumenta. Le tariffe enterprise dei principali provider sono in salita, e i contratti di lungo termine (3-5 anni) sono diventati la norma per ottenere prezzi competitivi. Le imprese italiane che pianificano deployment AI per il 2027 dovrebbero negoziare contratti pluriennali nel 2026.
La traiettoria 2027 per chi sceglie oggi
I 12-18 mesi che vengono saranno decisivi per le imprese italiane che vogliono usare AI in produzione. Tre indicatori operativi guidano le scelte. Primo, l’efficienza per task: scegliere modelli di taglia adeguata. Un GPT-5 mini o un Claude Haiku possono fare il lavoro di un GPT-5 standard al 10% del costo per molti use case routinari. Secondo, la diversificazione fornitori: dipendere da un singolo provider espone a rischio prezzo e a rischio servizio. Architetture multi-modello sono ormai lo standard. Terzo, la valutazione di make-versus-buy: alcune funzioni AI specifiche conviene costruirle in-house su modelli open, altre conviene comprarle dai grandi provider. La regola operativa è semplice: tutto ciò che è core al business e usa dati proprietari di valore tende verso il build, tutto il resto verso il buy.
Il compute scaling è una variabile strategica del 2026, non una nota a margine tecnica. Le imprese italiane che lo trattano come tema di sviluppo software non capiscono il livello di gioco. Quelle che lo trattano come scelta strategica sui fornitori, sui costi e sull’autonomia operativa stanno meglio posizionate per il 2027 e oltre.
Il muro economico e fisico del compute non è un problema, è il vincolo che ridefinisce le priorità. Capire questo vincolo, oggi, è il primo asset competitivo. La scala dei lab globali è impari, ma la scelta operativa di un’impresa italiana che usa l’AI bene è ancora aperta.
