Per gran parte dell'ultimo decennio, la domanda per un'azienda che adottava un nuovo software era quale strumento acquistare. Con l'AI la domanda è diventata un'altra: dove verrà eseguito il calcolo, e a quale prezzo. Un modello che legge contratti, una pipeline che trasforma migliaia di fotografie in un gemello 3D, un agente che smaltisce un arretrato durante la notte: tutti consumano tempo GPU, memoria ed energia, e questo consumo non si ferma dopo il progetto pilota.
L'accesso alla capacità di calcolo a un costo sostenibile sta diventando un prerequisito per usare l'AI. Le organizzazioni che ne dispongono possono sperimentare, iterare e portare i workload in produzione. Quelle che non ne dispongono restano ferme alla demo.
Cosa dicono i numeri nel 2026
Il mercato invia segnali contrastanti, ed entrambi contano.
- Le GPU meno recenti diventano più economiche, le più nuove no. L'AIMultiple Cloud GPU Price Index, che monitora 75 fornitori, indica per settembre 2026 una mediana on-demand di 3,25 dollari l'ora per una H100 e di 4,40 dollari per una H200, mentre una B200 si attesta a 6,52 dollari. La mediana per la generazione di chip più recente è più che raddoppiata da ottobre 2024, passando da 2,12 a 4,72 dollari l'ora.
- Lo stesso chip può costare sei volte di più a seconda di chi lo vende. Nello stesso indice, un'ora di H200 va da circa 2 dollari a quasi 14 dollari. Dove si acquista conta quanto cosa si acquista.
- I giganti spendono su una scala che nessun altro può eguagliare. Secondo i conteggi degli analisti basati sulle indicazioni delle società, la spesa in conto capitale di Amazon, Alphabet, Microsoft e Meta per il 2026 supera complessivamente i 700 miliardi di dollari. La maggior parte della capacità più recente è impegnata per loro e per i loro clienti più grandi.
- L'energia è il prossimo vincolo. L'Agenzia internazionale dell'energia prevede che il consumo di elettricità dei data center più che raddoppi entro il 2030. La nuova capacità oggi attende gli allacciamenti alla rete elettrica, non solo i chip.
- Il prezzo di un token continua a scendere, la bolletta no. Il Ramp AI Index riporta che il prezzo medio pagato dalle imprese statunitensi per milione di token è sceso del 41% tra marzo e settembre 2026. L'utilizzo cresce più rapidamente di quanto calino i prezzi, soprattutto quando gli agenti iniziano a eseguire autonomamente attività in più passaggi.
L'effetto si vede nell'adozione. Secondo Eurostat, nel 2025 il 55% delle grandi imprese dell'UE utilizzava l'AI, contro il 17% delle piccole. Il divario non riguarda l'interesse. Riguarda chi può permettersi l'infrastruttura, le persone per gestirla e il rischio di spostare i dati.
Tre opzioni, nessuna davvero adatta
Un'organizzazione che detiene dataset ampi e di valore (scansioni, archivi, disegni, modelli, dati di ricerca) si trova di solito davanti a tre scelte.
- Noleggiare da un hyperscaler. La capacità c'è, ma i prezzi sono pensati per i grandi clienti e i dati devono essere trasferiti sull'infrastruttura di qualcun altro prima che qualsiasi lavoro possa iniziare.
- Acquistare l'hardware. Le GPU restano inattive per gran parte del mese tra un picco e l'altro, e qualcuno in azienda deve gestirle, aggiornarle e metterle in sicurezza.
- Affidare i dati a un fornitore di servizi. Il controllo è perso. Non si decide più dove vanno i file e si paga di nuovo per ogni lavoro.
I programmi pubblici aiutano in misura marginale. Le EuroHPC AI Factories offrono modalità di accesso gratuito per PMI e startup, e il bando per le AI Gigafactories si chiude il 12 novembre 2026. Sono preziosi per la ricerca e l'addestramento dei modelli, ma vengono assegnati tramite candidature e non sono progettati per eseguire i workload di produzione quotidiani di un'azienda.
DePIN: molta capacità, poca fiducia
Le reti di infrastruttura fisica decentralizzata (DePIN) seguono una strada diversa. Aggregano GPU inutilizzate di data center, aziende e privati e le noleggiano, spesso a prezzi ben inferiori a quelli degli hyperscaler. L'idea è solida: nel mondo molta potenza di calcolo resta inutilizzata per gran parte della giornata.
I problemi sono altrettanto concreti, e sono documentati dalla ricerca indipendente:
- La capacità dichiarata non è la capacità reale. Un nodo può pubblicizzare una GPU che non possiede, oppure una GPU condivisa, limitata nelle prestazioni o incompatibile con il lavoro.
- La disponibilità è variabile. I nodi entrano ed escono dalla rete. Un lungo lavoro di rendering o di addestramento ha bisogno di checkpoint e di un luogo in cui proseguire quando un nodo scompare.
- La localizzazione è sconosciuta. Per molti dataset, l'esecuzione «da qualche parte nella rete» semplicemente non è consentita.
- I risultati sono difficili da verificare. Dimostrare che un calcolo è stato eseguito correttamente su una macchina non affidabile è ancora un problema di ricerca aperto.
Una capacità economica di cui non ci si può fidare non è utilizzabile per dati che contano. La questione non è se la capacità distribuita sia più economica. È se possa essere governata.
Ha un workload pesante e nessun luogo adeguato in cui eseguirlo? Ci descriva i dati e i vincoli. Parli con il team di TrustTwin OS.
Come lo Smart Compute Router e i nodi DePIN si integrano in TrustTwin OS
TrustTwin OS tratta il calcolo come un unico continuum di esecuzione. Il lavoro può essere eseguito sui nostri nodi gestiti, su nodi installati sull'hardware del cliente o sulla capacità inutilizzata che clienti e partner mettono a disposizione della rete, inclusa la capacità DePIN. Ciò che cambia non è dove si trovano le GPU. È il fatto che ogni lavoro attraversa la stessa governance prima, durante e dopo l'esecuzione.
Lo Smart Compute Router fa passare ogni workload attraverso sei fasi:
- Classify. Che tipo di lavoro è e quanto sono sensibili i dati.
- Constrain. Le politiche di residenza e sicurezza applicate come limiti vincolanti. Un profilo solo UE esclude completamente i fornitori non europei. Se una regola di residenza non può essere garantita, il workload non viene eseguito.
- Preflight. GPU, VRAM, CUDA, rete e un'esecuzione minima verificati sul nodo candidato prima che il lavoro venga assegnato. La capacità dichiarata viene controllata, non data per buona.
- Route. Costo, tempo e rischio ottimizzati tra capacità locale, cloud, edge e distribuita, fra i nodi che hanno superato le prime tre fasi.
- Recover. Nuovi tentativi, checkpoint e passaggio a un altro nodo quando un fornitore non risponde.
- Validate. Completezza e qualità del risultato verificate, con una registrazione di dove è stato eseguito ogni passaggio e di quali decisioni sono state prese.
È questo che rende la capacità DePIN utilizzabile per lavori seri. Preflight risponde al problema della capacità che esiste solo sulla carta. Recover risponde ai nodi che si disconnettono. Constrain risponde alla questione della localizzazione. Validate risponde alla domanda se il risultato sia affidabile. Il router non presume che il calcolo distribuito sia affidabile; lo utilizza solo dove i controlli vengono superati.
Perché riduce i costi nel tempo
L'economia deriva dall'architettura. L'elaborazione intensiva viene eseguita senza supervisione sui nostri nodi e su quelli dei partner, a una frazione del costo degli hyperscaler. I clienti possono mettere a disposizione della rete la propria capacità di calcolo quando non ne hanno bisogno, così una workstation che di notte resterebbe inattiva fornisce capacità invece di deprezzarsi. Man mano che altri nodi si aggiungono secondo le stesse politiche, il costo unitario diminuisce per tutti i partecipanti alla rete.
Lo abbiamo verificato dove i dati sono più delicati. In AerariumChain, le scansioni di oggetti insostituibili vengono elaborate su nodi privati e dei partner secondo regole rigorose su dove i dati possono andare. SweetHive porta lo stesso sistema operativo alle piccole e medie imprese, con nodi locali che mantengono file e modelli sulle macchine dell'azienda.
Cinque domande da porre a qualsiasi fornitore di capacità di calcolo
- Potete garantire dove vengono elaborati i miei dati, e cosa succede se non potete?
- Verificate la capacità reale di una macchina prima che il mio lavoro inizi?
- Cosa succede a un lavoro lungo quando un nodo si guasta a metà?
- Come verificate che il risultato sia completo e corretto?
- Posso vedere, a posteriori, dove è stato eseguito ogni passaggio?
Se le risposte sono vaghe, il prezzo basso non è il prezzo intero.
Fonti
- AIMultiple, Cloud GPU Price Index, dati aggiornati a settembre 2026: aimultiple.com/gpu-index
- Ramp, AI Index, 9 settembre 2026: ramp.com/data/ai-index-sept-2026
- TMT Finance, analisi della capex degli hyperscaler 2026: tmtfinance.com
- Agenzia internazionale dell'energia, Energy and AI: iea.org/reports/energy-and-ai
- Eurostat, Digital economy and society statistics, enterprises: ec.europa.eu/eurostat
- EuroHPC JU, modalità di accesso alle AI Factories e bando AI Gigafactories, 30 luglio 2026: eurohpc-ju.europa.eu
- Ricerca sulla verifica nelle reti GPU decentralizzate: arXiv 2501.05374