Il costo dell’AI non resta confinato alla fattura delle API. Sta entrando nel prezzo della memoria, nelle scelte dei produttori di server e nella disponibilità di energia. Le notizie del 15 e 16 settembre 2026 descrivono lo stesso problema da quattro punti diversi: la capacità fisica torna a decidere tempi, margini e continuità operativa.
SK hynix e Intel: la memoria cerca nuove fabbriche
Reuters ha riferito che SK hynix e Intel stanno discutendo possibili forme di produzione di chip di memoria negli Stati Uniti. Le ipotesi comprendono l’affitto di parte del sito Intel in Ohio oppure una joint venture con grandi operatori cloud interessati a garantirsi le forniture.
Il condizionale conta. SK hynix ha chiarito che le opzioni sono esplorative e che non esistono accordi o decisioni definitive. Anche il tipo di memoria eventualmente prodotto non è noto. La notizia utile, quindi, non è una fabbrica già decisa: è il fatto che produttori e hyperscaler stiano valutando strutture industriali nuove per ridurre il rischio di approvvigionamento.
Apple valuta un server AI con tecnologia Nvidia
Apple starebbe considerando un ritorno al mercato dei server enterprise con un sistema dedicato all’inferenza AI. Secondo il resoconto di Reuters basato su The Information, il progetto userebbe chip Apple M8 Ultra e potrebbe adottare NVLink Fusion di Nvidia per collegarli. L’uscita non sarebbe prevista prima del 2029 e il progetto potrebbe ancora cambiare o essere cancellato.
Qui il segnale è architetturale. Progettare il processore non basta: servono interconnessioni, memoria e integrazione con lo stack del data center. È lo stesso motivo per cui una PMI non dovrebbe valutare un servizio AI soltanto dal modello dichiarato. Latenza, capacità disponibile, portabilità e costi di inferenza incidono sul risultato quanto il benchmark del modello.
La scarsità di RAM arriva nei dispositivi
La domanda dei data center sta assorbendo capacità produttiva verso memorie ad alto margine. Il 16 settembre, Tom’s Hardware ha riportato che per Fairphone la memoria è arrivata a pesare quasi il 60% della distinta base di un dispositivo. I produttori più piccoli stanno anticipando gli ordini, modificando i progetti e controllando i componenti per evitare chip contraffatti.
Fairphone conferma il meccanismo di fondo: la domanda AI ha ristretto l’offerta di memoria per computer e server tradizionali, mentre i grandi produttori hanno spostato l’attenzione sulla DRAM per server. Per chi acquista notebook, NAS o server locali, il preventivo di oggi non è una base affidabile per il budget del prossimo rinnovo.
L’energia diventa una voce del progetto AI
BloombergNEF stima che nel 2035 i data center statunitensi potrebbero consumare circa 18 miliardi di piedi cubi di gas naturale al giorno, quasi il doppio della previsione formulata nove mesi prima. TechCrunch riporta che i soli impianti collegati alla rete potrebbero aggiungere 15 miliardi di piedi cubi al giorno alla domanda del settore elettrico.
È una previsione, non un consumo già misurato. Resta però un indicatore concreto: energia e connessione alla rete possono limitare nuova capacità prima ancora della disponibilità dei chip. Chi dipende da una sola regione cloud eredita anche questo rischio, insieme a prezzi e indisponibilità locali.
La take operativa per PMI e professionisti
Il punto non è comprare hardware in anticipo. È smettere di trattare l’AI come un costo software stabile. Nei prossimi preventivi separerei quattro voci: token o licenza, capacità di calcolo, memoria e trasferimento dei dati. Aggiungerei poi un’alternativa eseguibile per i workflow critici.
- misurare costo e latenza per singolo task, non per milione di token;
- verificare una seconda regione o un secondo provider prima che serva;
- bloccare configurazioni e prezzi dell’hardware solo quando esiste un carico reale;
- mantenere esportabili prompt, dati e log per evitare un lock-in operativo.
Per scegliere tra GPU locale e API cloud conviene partire dal carico effettivo dell’agente AI. Per il quadro economico più ampio resta utile anche l’analisi su GPU, data center e costi infrastrutturali. Il modello può cambiare in una settimana; memoria, energia e contratti si cambiano molto più lentamente.