Perché la mossa di Zuckerberg è il sintomo di un problema strutturale del mercato AI
A settembre Meta inizierà a produrre Iris, il suo primo chip AI proprietario destinato ai data center che fanno girare Facebook e Instagram. Progettato con Broadcom, fabbricato da TSMC, testato in appena sei settimane senza intoppi rilevanti. Numeri che, letti isolatamente, raccontano una storia di esecuzione impeccabile. Ma per chi lavora nell’AI infrastructure — che sia da founder, da investitore o da CTO che deve pianificare il prossimo capex — la notizia interessante non è il chip in sé. È il motivo per cui esiste.
Il vero tema: un margine del 75% è un invito
Nvidia oggi realizza sui prodotti data center margini lordi superiori al 75%, con una quota di mercato degli acceleratori AI stimata tra il 70% e il 90% a seconda della metrica utilizzata. Sono numeri che qualsiasi imprenditore riconosce per quello che sono: una rendita di posizione. E le rendite di posizione, quando il compratore è abbastanza grande da assorbire il costo fisso di progettare un chip proprio, non durano indefinitamente.
Questo è esattamente il calcolo che Meta, Google, Amazon e Microsoft stanno facendo in parallelo. Meta punta a portare la propria capacità di calcolo da 7 a 14 gigawatt tra il 2026 e il 2027, con una spesa in conto capitale fino a 145 miliardi di dollari quest’anno. Su una base di costi di quella scala, anche un risparmio del 20-30% per query — la cifra che alcuni operatori riportano dopo aver spostato carichi di inferenza su silicio proprietario — si traduce in miliardi di dollari l’anno. Non è ottimizzazione marginale: è riscrittura della struttura di costo.
Iris non sostituisce Nvidia. La disciplina, sì
Un punto va chiarito subito, perché la narrazione “Meta molla Nvidia” è fuorviante: Iris affiancherà, non sostituirà, le GPU Nvidia e AMD nei data center Meta. Lo stesso vale per Google (TPU), Amazon (Trainium) e Microsoft (Maia): nessuno di questi programmi ha ancora la scala o la maturità per gestire da solo il training dei modelli frontier.
Quello che cambia non è la dipendenza tecnologica, ma il potere negoziale. Avere un’alternativa interna credibile — anche parziale — sposta la leva contrattuale su prezzo, allocazione e roadmap. È lo stesso motivo per cui, secondo alcune analisi, i buyer che finanziano metà del fatturato data center di Nvidia sono anche quelli che investono di più in alternative proprietarie. Il cliente più importante di Nvidia è anche il suo concorrente più credibile.
Chi altro sta giocando la stessa partita
Iris non è un caso isolato, è l’ultimo tassello di un pattern che si è consolidato nel 2026:
- Google ha esteso l’accordo con Broadcom per la progettazione delle TPU fino al 2031, con la generazione TPU v7 già operativa su gran parte dei carichi di inferenza interni.
- Amazon ha reso Trainium un business da miliardi di dollari, ampliando l’uso oltre il training verso l’inferenza ad alto throughput.
- Microsoft sta scalando Maia per i workload Azure OpenAI.
- OpenAI, pur essendo il cliente Nvidia per eccellenza, ha presentato a giugno il proprio primo chip proprietario, Jalapeno — anch’esso progettato con Broadcom.
Tre di questi programmi passano dallo stesso design partner. Tutti, senza eccezione, vengono fabbricati da TSMC, che resta il vero collo di bottiglia — e il vero vincitore — indipendentemente da quale marchio finisca stampato sul chip.
Cosa significa per chi costruisce sopra questo stack
Per un founder AI-native, il messaggio operativo è duplice:
Nel breve termine, nulla cambia. La capacità Blackwell di Nvidia resta vincolata dall’offerta più che dalla domanda, e i programmi custom dei big tech restano riservati a carichi interni: nessuna azienda terza potrà comprare un chip Iris. Chi dipende da GPU a noleggio (cloud AI, inference-as-a-service) continuerà a scontare i prezzi decisi da Nvidia e dai rivenditori cloud.
Nel medio termine (3-5 anni), la pressione sui margini è la variabile da monitorare. Alcune proiezioni indicano che gli ASIC custom potrebbero erodere la quota Nvidia sull’inferenza dal 90% a una forbice 20-30% entro il 2028, mano a mano che due terzi del calcolo AI si sposta proprio verso l’inferenza — il segmento dove il vantaggio dei chip general-purpose conta meno. Se questo scenario si materializza anche solo parzialmente, i prezzi del compute AI a noleggio potrebbero scendere prima di quanto molti business plan attuali ipotizzino. Chi sta costruendo modelli di pricing per servizi AI B2B farebbe bene a stress-testare le proprie assunzioni di costo su un orizzonte a tre anni, non solo sui prezzi correnti.
Il rischio di leggere Iris come una vittoria definitiva
Vale la pena una nota di cautela, perché il mercato ha reagito con entusiasmo — il titolo Meta è salito di circa il 6% alla notizia — ma l’entusiasmo va calibrato. Sviluppare un chip data center costa tra i 300 e i 500 milioni di dollari e richiede anni per raggiungere la maturità di prodotti che Nvidia affina da un decennio. Il fatto che Iris abbia superato il bug-testing in sei settimane è un segnale positivo di esecuzione, non una garanzia di prestazioni competitive su carichi di produzione reali. La vera prova arriverà quando i primi chip usciranno dalle linee TSMC e verranno messi a lavoro sui sistemi di raccomandazione che servono miliardi di utenti ogni giorno.
In sintesi
Iris non è la fine di Nvidia. È la conferma che il mercato dell’AI infrastructure sta entrando in una fase in cui il costo del calcolo, non solo la sua disponibilità, diventa la variabile competitiva decisiva. Per chi investe o costruisce in questo spazio, la domanda utile non è “Nvidia perderà terreno?”, ma “la mia struttura di costo regge se il prezzo del computer scende del 20-30% nei prossimi tre anni?”. Meta, con Iris, ha appena dato la sua risposta.
Fonti: Reuters, CNBC, TechCrunch, Yahoo Finance, Reuters (memo interno Meta), analisi di mercato su margini e quote Nvidia (fonti multiple, luglio 2026)
