Un'indagine condotta da VentureBeat su 107 imprese con più di 100 dipendenti rivela un preoccupante divario computazionale: le organizzazioni stanno acquistando infrastrutture per l'intelligenza artificiale a un ritmo che supera di gran lunga la loro capacità di monitorare e controllare i costi effettivi. Il fenomeno, definito compute gap, rappresenta una sfida critica per la governance dell'IA aziendale.
L'adozione dell'AI in produzione è ancora minoritaria
Solo il 21% delle aziende intervistate dichiara di eseguire carichi di lavoro AI in produzione su larga scala. Il 76% si trova ancora in fase di sperimentazione o con solo alcuni workload in produzione. Questo dato è cruciale perché le decisioni infrastrutturali vengono prese da organizzazioni ancora nelle fasi iniziali, il che significa che la loro impronta di calcolo e i relativi costi sono destinati a crescere rapidamente.
I provider attuali sono hyperscaler e API, ma il futuro punta al cloud specializzato
Oggi la stragrande maggioranza delle aziende utilizza Google Cloud (48%), Microsoft Azure, AWS e le API dei modelli principali (Gemini, OpenAI, Anthropic). I provider di GPU specializzati come CoreWeave, Lambda o Crusoe registrano una presenza quasi nulla. Tuttavia, il 45% delle imprese intende valutare proprio i cloud specializzati per l'IA nei prossimi dodici mesi, una categoria che oggi non utilizzano quasi per nulla. Questo indica una netta intenzione di ripiattaforma.
Sponsored Protocol
Il 64% delle aziende cambierà fornitore entro un anno
Un dato sorprendente è l'elevata propensione al cambiamento: il 64% prevede di sostituire o aggiungere un fornitore di infrastrutture entro dodici mesi, e il 38% entro il trimestre successivo. Nonostante l'interesse per i nuovi entranti, la maggior parte dei movimenti a breve termine riguarda un rimescolamento tra gli incumbent: Microsoft Azure e Google Cloud sono in cima alla lista delle considerazioni di switch, seguiti da OpenAI e Gemini.
Il prezzo a token non è decisivo: contano integrazione e costo totale di possesso
Quando scelgono un fornitore, le aziende danno priorità all'integrazione con lo stack esistente (41%) e al costo totale di possesso (35%). Solo l'8% considera il costo per milione di token come fattore determinante. Questo è positivo, ma emerge una contraddizione: le stesse aziende che dichiarano il TCO come criterio chiave spesso non sono in grado di misurarlo con precisione.
Sponsored Protocol
GPU sottoutilizzate e contabilità approssimativa
L'83% delle aziende che utilizzano GPU riporta un tasso di utilizzo pari o inferiore al 50%, e il 49% opera al 25% o meno. Inoltre, meno della metà (44%) è in grado di tracciare rigorosamente i costi del proprio calcolo AI. Le GPU costose restano inattive per gran parte del tempo, mentre gli investimenti proseguono senza una chiara visibilità economica. Come sottolineato anche in un recente articolo sui rischi di sicurezza dell'AI, Jamie Dimon ha paragonato l'AI Claude Mythos a missili balistici, evidenziando le sfide di governare tecnologie in rapida evoluzione.
Il prossimo collo di bottiglia: dalla potenza di calcolo alla larghezza di banda della memoria
Con l'aumento dell'inferenza su larga scala, il vincolo si sta spostando dai GPU alla capacità di memoria (KV-cache). Tuttavia, circa un'impresa su cinque non riconosce ancora questo cambiamento o non ha iniziato ad affrontarlo. Per chi opera nel settore IT, comprendere queste dinamiche è essenziale: approcci come l'Infrastructure as Code con Terraform possono aiutare a gestire la complessità, ma la visibilità economica resta il vero tallone d'Achille.
Sponsored Protocol
Lo studio di VentureBeat, condotto nel giugno 2026, offre un campione direzionale ma coerente: le aziende stanno spendendo per l'infrastruttura AI più velocemente di quanto possano misurarla. Colmare questo compute gap richiede non solo più hardware, ma soprattutto strumenti di monitoraggio e governance dei costi. Per approfondire, si può consultare la definizione di GPU su Wikipedia.
