Il vero collo di bottiglia dell’IA di Microsoft non sono i chip: sono i data center

Copilot è particolarmente esposto a questo compromesso. Il suo modello economico dipende dalla gestione di un numero elevatissimo di richieste d’inferenza a un costo prevedibile. Un acceleratore più efficiente può migliorare i margini, ma solo dopo essere stato collegato a un cluster funzionante.

Maia 200 riduce i costi, non il fabbisogno di elettricità

Maia 200 è progettato soprattutto per l’inferenza, cioè la fase in cui un modello già addestrato genera le proprie risposte. Microsoft sostiene che il chip offra prestazioni FP4 e FP8 superiori rispetto ad acceleratori comparabili di AWS e Google; si tratta però di confronti dichiarati dai produttori, non di benchmark indipendenti eseguiti dall’inizio alla fine.

Altri report stimano per Microsoft e OpenAI un vantaggio sui costi operativi di circa il 30-40% rispetto agli acceleratori Nvidia di fascia alta. Anche questa è una stima riportata, non una garanzia valida per ogni modello, stack software o livello di utilizzo.

La logica strategica è chiara: se Maia 200 mantiene le promesse su scala produttiva, Microsoft può ridurre la dipendenza da Nvidia per alcuni carichi d’inferenza e migliorare la struttura dei costi di servizi come Copilot e Azure OpenAI.

Ma il silicio proprietario non elimina i requisiti fisici. Maia ha comunque bisogno di memoria HBM, packaging avanzato, networking, rack, raffreddamento e megawatt disponibili.

In altre parole, Maia può migliorare l’economia di un data center già operativo. Non può far funzionare un edificio incompleto o privo di alimentazione elettrica.

Maia 300 è una scommessa sulla scala, non capacità già disponibile

Reuters ha riferito che Microsoft potrebbe presentare Maia 300 già in autunno e starebbe discutendo con TSMC la capacità produttiva per oltre 300.000 chip destinati alla consegna nel 2027. Il report descrive anche un obiettivo di lungo periodo superiore al milione di unità.

Questi numeri vanno considerati come piani ancora in fase di negoziazione, non come consegne confermate. Microsoft contesta le cifre riportate e, anche se la capacità presso la fonderia fosse assicurata, l’azienda dovrebbe ancora procurarsi memoria e altri componenti, integrare i sistemi e installarli in strutture dotate di energia.

Se il programma arriverà a regime, Maia 300 potrebbe trasformare l’iniziativa di Microsoft sui chip proprietari da progetto interno relativamente circoscritto a fonte alternativa significativa di capacità d’inferenza. Il risultato dipenderà quindi dalla sequenza delle operazioni: produzione, integrazione dei sistemi e disponibilità dei data center dovranno procedere insieme.

AWS e Google partono da una posizione più avanzata

AWS dispone di una piattaforma di acceleratori proprietari più matura. Amazon ha dichiarato di avere 1,4 milioni di chip Trainium, distribuiti su tre generazioni, già in funzione; secondo TechCrunch, oltre un milione di Trainium2 viene utilizzato da Anthropic per Claude. AWS gestisce inoltre Inferentia come linea distinta, orientata all’inferenza, e ha quindi esperienza sia nell’addestramento sia nell’erogazione dei modelli.

Il programma TPU di Google ha una storia produttiva ancora più lunga. L’architettura Ironwood è descritta come scalabile fino a pod da 9.216 chip. Altri report parlano della possibilità per Anthropic di accedere a un milione di TPU Google, ma si tratta di un impegno di capacità e non di un confronto definitivo con il parco installato.

Non esiste una graduatoria pubblica perfettamente comparabile tra il numero totale di chip per l’IA di Microsoft, AWS e Google. I fornitori conteggiano generazioni, carichi di lavoro, modelli di proprietà e definizioni diverse di capacità “installata”, “distribuita” o “impegnata”.

La conclusione più prudente è quindi più circoscritta: AWS e Google sembrano avanti nella distribuzione di chip proprietari maturi e nell’esperienza operativa, mentre Microsoft sta cercando di colmare il divario con Maia.

La carenza è un problema per tutta l’industria

Microsoft non è l’unica azienda a fare i conti con questi vincoli. Un report riassunto da Ars Technica ha rilevato che circa il 40% dei progetti di data center statunitensi previsti per il 2026 era a rischio di ritardo, citando carenze di manodopera, energia e materiali, oltre alle difficoltà legate ai permessi.

Anche la memoria rappresenta un limite. Le previsioni di settore indicano che nel 2026 i data center potrebbero assorbire oltre il 70% della produzione di memoria di fascia alta, mentre un dirigente di Synopsys ha affermato che la carenza di semiconduttori potrebbe proseguire fino al 2027. Questo può aumentare i costi e allungare i tempi di consegna per altri comparti, anche se l’impatto varia in base al tipo di memoria, al fornitore e ai contratti.

Queste condizioni possono ampliare la distanza tra la capacità d’IA pianificata e quella realmente utilizzabile. Le aziende che dispongono già di siti alimentati, accordi più datati con i gestori elettrici, filiere mature e grandi cluster operativi possono continuare ad aggiungere carichi di lavoro mentre i progetti più recenti aspettano trasformatori, impianti di raffreddamento, tecnici qualificati o connessioni alla rete.

Il verdetto strategico

I ritardi nei data center non rendono incoerente la strategia di Microsoft sull’IA, ma la rendono estremamente sensibile all’ordine di esecuzione. L’azienda può acquistare acceleratori, progettare chip Maia e siglare accordi di produzione; nessuno di questi passaggi crea automaticamente capacità di calcolo destinata ai clienti.

Nel breve periodo, il rischio è una crescita più lenta della capacità Azure e costi marginali d’inferenza più elevati per prodotti come Copilot e Azure OpenAI. Sul piano competitivo, AWS e Google potrebbero sfruttare le proprie installazioni di chip proprietari per offrire prezzi migliori, maggiore disponibilità e un ambiente più familiare agli sviluppatori prima che la nuova ondata di strutture e chip Maia di Microsoft diventi operativa.

Maia 200 può ridurre i costi quando Microsoft riuscirà a distribuirlo su scala. Maia 300 potrebbe diversificare l’offerta nel 2027, se il piano produttivo riportato si concretizzerà. Fino ad allora, la sfida centrale di Microsoft resta semplice da descrivere ma difficile da risolvere: trasformare chip acquistati e piani ambiziosi in capacità alimentata, installata e pronta per la produzione.