Come funziona il mercato del compute AI, un business in evoluzione

La potenza di calcolo che alimenta l’intelligenza artificiale sta diventando un mercato finanziario. Dopo aver trasformato il settore dei semiconduttori e spinto la costruzione di data center, il compute attira banche d’investimento, fondi infrastrutturali, operatori di Borsa e società specializzate nei derivati. Il prezzo di un’ora di utilizzo di una GPU comincia ad avere indici di riferimento e contratti per coprirsi dalle oscillazioni, come avviene da tempo per petrolio ed elettricità.

Il passaggio più significativo è arrivato nell’agosto 2026: Nvidia ha annunciato intese preliminari con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs e KKR per creare piattaforme capaci di mobilitare oltre 500 miliardi di dollari di capitali di terzi nel tempo. Intanto CME Group e Intercontinental Exchange (ICE) preparano futures sui prezzi di noleggio delle GPU. La prima data prevista da CME, il 5 ottobre, è però saltata: l’autorità statunitense sui derivati, la CFTC, ha prorogato la valutazione dei contratti fino al 9 novembre 2026.

Dietro queste operazioni c’è un’industria con molti centri di profitto: chi progetta chip, chi li fabbrica, chi produce memorie e reti, chi monta i server, chi costruisce e raffredda i data center, chi affitta le GPU e chi rivende le risposte dei modelli AI. Ogni passaggio crea ricavi, costi, rischi e nuovi intermediari. Per capire il business del compute AI occorre seguire sia il percorso fisico dei componenti sia quello del denaro.

Quanto vale il mercato del compute AI e perché cresce

Nell’analisi Is AI Computing Power Becoming a Commodity?, pubblicata il 23 luglio 2026, Boston Consulting Group (BCG) stima il mercato del compute per l’AI in 360 miliardi di dollari nel 2025 e ne prevede la crescita fino a circa 2.300 miliardi nel 2030. Sono valutazioni di un mercato che comprende hardware, noleggio della capacità e servizi finali di elaborazione, da leggere come stima di attività economica e previsione, anziché come ricavi di un unico comparto o investimenti già impegnati.

BCG ipotizza anche che mercati più trasparenti possano liberare fino a 140 miliardi di dollari di valore annuo al 2030: fino a 100 miliardi da una migliore formazione dei prezzi e dagli scambi e oltre 40 miliardi da costi di finanziamento inferiori nello scenario di investimenti infrastrutturali più elevati. È il valore potenziale di un mercato più efficiente, ottenuto con scenari e ipotesi, non un guadagno che le società abbiano già realizzato. Per individuarne i beneficiari bisogna scomporre la catena industriale.

Dai chip alle risposte dei chatbot: tutti gli anelli della filiera

Il processo parte dall’hardware, ma termina molto più lontano. Una società può comprare una GPU, incorporarla in un server, collocare quel server in un edificio alimentato e connesso, affittarne il tempo a uno sviluppatore e fatturare infine all’utente le risposte del modello. Il medesimo calcolo può quindi generare ricavi in segmenti diversi, attraverso transazioni fra imprese che operano su livelli differenti.

Mappa della filiera del compute AI: attività e operatori

Fonti: documentazione dei produttori, risultati societari e iniziative di mercato citati nel testo (2026). Gli operatori sono esempi, con attività talvolta presenti in più anelli.

Progettisti, fonderie, macchine e memorie: il primo livello

Nvidia e AMD sviluppano architetture e piattaforme per l’accelerazione del calcolo. Progettare un chip e fabbricarlo sono attività industriali differenti: gran parte della produzione più avanzata è affidata a fonderie come TSMC, mentre la realizzazione dei semiconduttori dipende anche da fornitori di apparecchiature come ASML, Applied Materials e Lam Research. L’integrazione di chip e memorie in un unico package rende cruciali le tecnologie di confezionamento avanzato.

Il peso economico di questa parte della filiera emerge dai risultati di TSMC relativi al terzo trimestre 2026: 46,72 miliardi di dollari di ricavi trimestrali, in crescita del 41,2% annuo in valuta statunitense. La domanda di tecnologie di processo avanzate sostiene il comparto, mentre la capacità delle fonderie e del packaging condiziona quanti acceleratori possono arrivare al mercato. Le memorie ad alta larghezza di banda (HBM), fondamentali per alimentare rapidamente le GPU con i dati, aprono un ulteriore mercato per SK hynix, Samsung e Micron.

Nvidia e SK hynix hanno formalizzato nel giugno 2026 una collaborazione pluriennale sulla memoria per le infrastrutture AI.

La competizione riguarda anche il software e i circuiti costruiti per clienti specifici. L’ecosistema CUDA di Nvidia e quello ROCm di AMD influenzano i costi di sviluppo e di migrazione. Google utilizza le proprie TPU, mentre altre grandi piattaforme commissionano chip personalizzati a partner specializzati. Google ha reso generalmente disponibile la TPU Ironwood nel marzo 2026; AMD ha presentato la piattaforma rack-scale Helios nel luglio 2026.

Chi controlla gli strumenti software e le architetture può trattenere valore anche quando il prezzo della singola GPU cambia.

Server, rack e reti: dove entrano Dell e HPE

Un acceleratore isolato non basta per addestrare un grande modello. Occorrono CPU, memoria, storage, alimentazione, schede di rete e collegamenti ad alta velocità fra migliaia di processori: i dati devono circolare senza lasciare le GPU in attesa. Dell Technologies, Hewlett Packard Enterprise e Supermicro sono fra le aziende che integrano tali componenti in server e rack, affiancate da produttori a contratto e ODM come Quanta, Wiwynn e Foxconn. Nvidia, AMD, Broadcom e Arista partecipano anche alla dimensione delle reti e dell’interconnessione.

L’assemblaggio è ormai un business di decine di miliardi. Nei risultati del secondo trimestre dell’esercizio 2027, chiuso il 31 luglio 2026, Dell ha comunicato 16,4 miliardi di dollari di ricavi trimestrali da server ottimizzati per l’AI, 60,9 miliardi di nuovi ordini nel trimestre e un portafoglio ordini residuo di 95 miliardi. La sua previsione per l’intero esercizio 2027 è arrivata a 74 miliardi di ricavi dai server AI: una misura della rapida espansione della domanda, soggetta all’effettiva consegna e fatturazione degli ordini.

Per questi produttori il valore dipende dalla capacità di integrare e consegnare sistemi complessi, gestire supply chain e assistenza, adattarsi ai nuovi modelli di acceleratori. Un ordine di server crea a sua volta domanda a monte per chip e componenti e, a valle, per gli edifici e gli impianti capaci di ospitarli.

Data center, elettricità e raffreddamento: il vincolo fisico

Il livello successivo è quello delle infrastrutture. Operatori e sviluppatori immobiliari devono assicurarsi terreni, autorizzazioni, connessioni elettriche, linee in fibra, impianti di continuità e sistemi di raffreddamento. Aziende come Vertiv, Schneider Electric ed Eaton forniscono parti essenziali dell’infrastruttura; Equinix e Digital Realty operano nell’ospitalità e nelle infrastrutture per data center. Un server già acquistato produce capacità vendibile soltanto quando è installato, alimentato e collegato.

Le installazioni fanno crescere anche la domanda di elettricità. L’Agenzia internazionale dell’energia, nel rapporto Key Questions on Energy and AI del 2026, prevede che i consumi elettrici globali dei data center salgano da circa 485 TWh nel 2025 a 950 TWh nel 2030; quelli dei data center orientati all’AI crescerebbero ancora più rapidamente, fino a triplicare. La disponibilità di rete e di apparecchiature elettriche può rallentare i progetti. I contratti pluriennali di fornitura energetica e le coperture sul prezzo dell’elettricità rappresentano così un ulteriore livello di gestione del rischio, distinto dalla futura negoziazione del costo orario delle GPU.

Nell’Italia industriale la filiera ha una ricaduta concreta: Vertiv ha annunciato nel luglio 2026 un ampliamento del polo di Tognana, vicino a Padova, dedicato al raffreddamento per data center.

Hyperscaler, neocloud e broker: vendere ore di GPU

Una volta disponibile, la capacità deve trovare clienti. Amazon Web Services, Microsoft Azure, Google Cloud e Oracle Cloud sono grandi piattaforme con infrastrutture proprie e acquistate. CoreWeave e Nebius rappresentano invece le neocloud, operatori specializzati in cloud e GPU per l’AI. Alcuni clienti comprano elaborazione per poche ore; i più grandi stipulano accordi pluriennali per assicurarsi interi cluster. Gli hyperscaler possono essere contemporaneamente costruttori, venditori e compratori di capacità, quando integrano quella interna con quella affittata da altri.

La scala dei contratti può essere enorme. Un esempio è l’accordo quinquennale tra Nebius e Microsoft, descritto nel bilancio di Nebius: il valore stimato può arrivare a circa 17,4 miliardi di dollari fino al 2031, subordinatamente alla messa a disposizione dei cluster. Nel secondo trimestre 2026 CoreWeave dichiarava un revenue backlog di circa 104 miliardi di dollari, ossia ricavi futuri attesi da obblighi e impegni contrattuali. I volumi servono a sostenere gli investimenti, ma per trasformarli in fatturato occorre consegnare il servizio lungo tutto il periodo pattuito.

Fra grandi contratti e acquisti occasionali è cresciuto un livello di intermediazione. Il servizio Nvidia Compute MatchMake permette di cercare capacità presso cloud partner certificati per piattaforma, regione e date e poi di negoziare la prenotazione. Compute Exchange lavora anche sul mercato secondario di GPU fisiche, usate o in eccedenza, dove conta lo stato delle apparecchiature.

Queste piattaforme mettono in contatto domanda e offerta di prodotti differenti: una prenotazione di capacità futura, un’ora di GPU immediatamente utilizzabile e la proprietà di una scheda sono tre merci distinte.

Dal compute ai token: il prodotto finale dell’AI

L’ultima trasformazione avviene quando un laboratorio o un fornitore di API utilizza l’hardware per far funzionare un modello. Nell’addestramento vende o consuma grandi quantità di capacità per costruire e aggiornare i modelli; nell’inferenza il modello già addestrato risponde alle richieste degli utenti. In questo secondo caso il prezzo può essere espresso per milione di token in input e output, o tramite un canone. Un token misura il testo elaborato o generato, mentre un’ora-GPU misura il tempo di una risorsa hardware: il passaggio dall’una all’altra unità dipende da modello, dimensione del prompt, batch, cache, ottimizzazioni e prestazioni richieste.

È qui che l’economia della filiera incontra quella delle applicazioni. Se un modello produce più token utili con le stesse GPU, il costo unitario del servizio diminuisce; se gli utenti moltiplicano le richieste e impongono tempi di risposta ridotti, può aumentare il fabbisogno di capacità. Per questo i prezzi dei servizi AI e i prezzi all’ingrosso del compute possono muoversi anche in direzioni diverse. Il passaggio da GPU a token moltiplica le modalità di vendita e rende più difficile stabilire un prezzo comparabile.

Perché non esiste un prezzo unico del compute

Una Borsa ha bisogno di definire con precisione ciò che viene comprato. Nel compute, però, un’ora di H100 a Francoforte e un’ora di B200 negli Stati Uniti non sono automaticamente equivalenti. Cambiano generazione e memoria del processore, tipo di server, numero e velocità delle connessioni, disponibilità degli altri nodi, latenza, affidabilità, diritti d’uso e collocazione geografica dei dati. Anche una stessa GPU può essere dedicata o condivisa e offerta a prezzo spot oppure tramite riserva pluriennale.

La variabilità è anche temporale. BCG ricostruisce per la Nvidia H100 prezzi di noleggio intorno a 8 dollari all’ora nei picchi dei primi mesi del 2024, circa 1,96 dollari alla fine del 2025 e 2,64 dollari nell’aprile 2026. La quotazione riflette sia la domanda sia l’arrivo di nuova offerta e di tecnologie concorrenti. Quando esce una generazione più efficiente, la vecchia può perdere valore anche in un mercato complessivamente in espansione.

Per valutare un’offerta aziendale, dunque, il costo orario è soltanto il punto di partenza. Nell’addestramento contano tempo effettivo per completare il lavoro e comunicazioni fra GPU; nell’inferenza contano costo per token utile, velocità, disponibilità del modello, caching e risposta sotto carico. La residenza dei dati, il traffico in uscita, lo storage e le condizioni di cancellazione o migrazione possono aggiungere costi e vincoli.

È questa eterogeneità a rendere preziosi i broker, ma anche difficile creare indici affidabili.

Primo mercato finanziario: credito, fondi e GPU come garanzia

Le differenze fra capacità disponibile, costo orario e valore del servizio introducono un problema per chi investe: come finanziare impianti che inizieranno a generare cassa solo dopo la consegna? La costruzione di capacità precede spesso di anni gli incassi. Prima di poter vendere compute, un operatore deve finanziare chip costosi, server, edifici e allacciamenti. Se usa prestiti, i finanziatori esaminano i contratti dei clienti, il valore residuo delle GPU e la probabilità che il data center entri in funzione nei tempi previsti.

Il compute sta così entrando nel finanziamento infrastrutturale, un settore in cui il credito può essere rimborsato attraverso i flussi generati dall’utilizzo futuro degli impianti.

Le intese Nvidia con i sei grandi investitori istituzionali puntano a creare veicoli di finanziamento replicabili per i clienti della filiera. I 500 miliardi indicati sono capitali che le piattaforme si propongono di mobilitare nel tempo, attraverso memorandum d’intesa, e non un fondo già raccolto o un finanziamento versato da Nvidia. Sul piano operativo CoreWeave, nell’agosto 2026, ha chiuso una linea di prestito da 2,6 miliardi di dollari collegata all’espansione della propria infrastruttura e ai contratti commerciali: un esempio concreto di come la domanda di GPU possa essere trasformata in un’operazione di credito.

I rischi di questo meccanismo sono emersi con forza nell’ottobre 2026. Secondo una ricostruzione Reuters del 16 ottobre, il rendimento di alcune obbligazioni CoreWeave emesse a giugno, inizialmente al 9,675%, è arrivato intorno al 15% durante le vendite sul debito societario. Se i finanziamenti diventano più cari, anche un operatore con grandi contratti futuri può trovare difficile rendere profittevole la crescita. Il prezzo del capitale diventa una variabile del prezzo del compute.

Si aggiunge un problema di concentrazione: grandi fornitori possono investire nei propri clienti e impegnarsi ad acquistare servizi da loro. Nel rapporto trimestrale depositato da Nvidia alla SEC risultavano, al 26 luglio 2026, circa 36 miliardi di dollari di impegni contrattuali per servizi cloud presso partner della propria filiera. Queste relazioni aiutano a finanziare nuove installazioni e ad assorbire capacità, ma legano la solidità dei ricavi a un insieme ristretto di controparti interdipendenti. Per valutare queste garanzie, finanziatori e investitori hanno bisogno anche di prezzi di riferimento indipendenti e osservabili della capacità di calcolo.

Secondo mercato finanziario: indici dei prezzi, futures e swap

Una volta stabilito che cosa può essere venduto, il passo successivo è misurarne il prezzo con regolarità. Società come Silicon Data e Ornn raccolgono dati sulle tariffe di noleggio GPU per costruire benchmark, ossia valori di riferimento verificabili. Un produttore può usarli per negoziare una tariffa; una banca per stimare il rischio di un prestito; una Borsa per calcolare il valore finale di un derivato. L’indice è il ponte fra il contratto commerciale e il contratto finanziario.

Il progetto più definito è quello fra CME Group e Silicon Data. CME ha pubblicato le caratteristiche di due futures: uno riferito ai prezzi di noleggio delle Nvidia H100 (codice GPU1) e uno alle B200 (GPU2). Ogni contratto rappresenterebbe 730 ore-GPU, l’equivalente convenzionale di un mese di capacità, con scadenze mensili fino a 36 mesi e regolamento in denaro. Alla scadenza si scambia la differenza economica calcolata sull’indice: nessuno deve trasportare fisicamente una GPU o mettere a disposizione un server.

L’avvio fissato inizialmente per il 5 ottobre 2026 è stato posticipato. Nella lettera del 21 settembre la CFTC ha prorogato il riesame fino al 9 novembre per approfondire le questioni nuove e complesse sollevate dai contratti. La stessa autorità, con una consultazione pubblica avviata il 19 agosto, ha richiesto osservazioni su liquidità, tutela dei clienti e possibilità di manipolazione.

Il 22 ottobre anche Kalshi ha chiesto di poter tornare a quotare contratti sul costo del compute, confermando l’interesse di altri mercati per la nuova attività. Alla data del 24 ottobre 2026 i futures CME sono un progetto con specifiche pubblicate, non un mercato già operativo.

La standardizzazione viene affrontata con metodi differenti. Anche ICE e Ornn hanno annunciato contratti basati sull’Ornn Compute Price Index, alimentato da prezzi delle transazioni spot; una seconda iniziativa ICE con NATIVX punta sul COIL Index, che cerca di normalizzare capacità di calcolo, energia e connettività. Architect Financial Technologies ha annunciato una Borsa americana dedicata al compute e un accordo con Compute Desk per collegare i contratti finanziari agli scambi di capacità fisica. Le diverse piattaforme stanno sperimentando modi differenti di rendere paragonabile una risorsa che cambia rapidamente.

Gli strumenti finanziari legati al compute, nell’ottobre 2026

Fonti: CME, CFTC, ICE, Architect e FalconX.

Come un’azienda potrebbe coprirsi dal rialzo dei prezzi

Il funzionamento si capisce con un esempio ipotetico, costruito sulle dimensioni contrattuali proposte da CME. Una società prevede di acquistare 730 ore-GPU di H100 e calcola un costo di 2 dollari all’ora: la spesa attesa è di 1.460 dollari. Se, al momento dell’acquisto, la tariffa salisse a 3 dollari, la spesa diventerebbe 2.190 dollari, cioè 730 in più. Una posizione lunga su un future con la stessa esposizione potrebbe generare, in condizioni ideali, un guadagno di 730 dollari e compensare l’aumento.

Il risultato effettivo dipenderebbe dal prezzo al quale il future è stato acquistato, dai costi di transazione e soprattutto dalla corrispondenza tra l’indice finanziario e il servizio reale comprato. Se il cliente paga per un cluster con rete ad alta velocità in Europa ma l’indice misura prezzi di GPU isolate presso altri fornitori, resta un rischio di base: i due prezzi possono variare in modo differente.

I derivati riducono un’esposizione specifica, ma non assicurano l’accesso alle macchine quando servono.

Le prime operazioni esistono già fuori dalle grandi Borse

In attesa dei futures regolamentati, le prime transazioni si stanno svolgendo attraverso contratti negoziati direttamente fra controparti, detti over the counter (OTC). Il 27 maggio 2026 FalconX ha annunciato uno swap sul prezzo futuro del compute H100, indicizzato all’OCPI di Ornn. Il 2 giugno Polymarket ha comunicato un’operazione a sei cifre fra FalconX e Anera Labs, collegata al prezzo delle GPU H100 tramite l’indice Ornn. Luxor propone a sua volta forward, swap e opzioni per operatori che vogliono fissare in anticipo parte dei ricavi o dei costi.

Il passaggio dal prezzo delle GPU al prezzo delle risposte dell’AI sta aprendo un ulteriore segmento. Il 7 ottobre Architect ha lanciato Liquid Inference, una piattaforma in cui fornitori diversi competono per eseguire richieste ai modelli, con offerte che tengono conto di prezzo, velocità, qualità e trattamento dei dati.

Qui si scambia un servizio di inferenza erogato tramite API, mentre i futures hanno come sottostante un indice di prezzo: meccanismi diversi che possono coesistere lungo la stessa catena economica.

Chi fa il mercato: i nuovi ruoli di Wall Street

Per funzionare, un mercato di derivati ha bisogno di operatori disposti a comprare e vendere con continuità, assorbendo temporaneamente il rischio: sono i market maker. Silicon Data ha raccolto 30,5 milioni di dollari nell’agosto 2026 con investitori fra cui CME Ventures, DRW, Jump, VanEck e altri. DRW e Jump Trading stanno quindi entrando nella fase in cui i prezzi della capacità AI possono diventare anche prodotti da negoziare e da usare per operazioni di copertura. Come riferisce The Economist nell’approfondimento del 22 ottobre 2026, Jump ha inoltre acquisito la startup Ito Markets per rafforzare la propria attività sul compute.

È importante distinguere questa nuova attività dalle forme di investimento già note. L’indice PHLX Semiconductor (SOX) di Nasdaq segue le azioni delle società dei semiconduttori: sale o scende in base alle valutazioni in Borsa e agli utili attesi delle imprese. Gli ETF settoriali offrono esposizione a quelle azioni. Un future sul noleggio di H100 segue invece il prezzo di un servizio industriale specifico; può diminuire anche mentre aumentano i profitti di produttori di chip più moderni, o viceversa. Sono rischi economici diversi.

Accanto a finanziatori, sviluppatori di indici, intermediari OTC e market maker, per un vero mercato organizzato servono camere di compensazione che garantiscano il regolamento e regole su margini, controlli e concentrazione delle posizioni. L’autorità americana sta esaminando proprio queste condizioni. L’esperienza dei mercati di materie prime indica che la liquidità può crescere nel tempo, ma richiede contratti affidabili, dati robusti e partecipanti disposti a utilizzarli.

Chi guadagnerà davvero dal mercato del compute AI

Quotazioni e coperture possono rendere più efficiente lo scambio di capacità; resta da capire chi riuscirà a produrla e venderla con margini durevoli. Il mercato potrebbe distribuire il valore in modo molto diverso lungo la filiera. I progettisti di acceleratori e i produttori di memorie traggono vantaggio dalla vendita di componenti; gli integratori guadagnano sulla consegna dei sistemi; chi gestisce data center deve ottenere ricavi sufficienti a pagare infrastrutture, energia, manutenzione e capitale; i fornitori di AI applicativa cercano di aumentare l’output utile per euro speso.

Non tutti beneficiano allo stesso modo di prezzi di noleggio in aumento: sono positivi per chi vende capacità disponibile, ma pesano su chi la compra per offrire servizi a tariffa fissa.

Tre variabili determineranno la sostenibilità del nuovo business. La prima è il tasso di utilizzo: una GPU inattiva continua a generare ammortamento e costi finanziari. La seconda è il ritmo di innovazione: processori e modelli più efficienti possono rendere rapidamente meno competitiva una parte dell’hardware installato. La terza è la solidità dei contratti: lunghe prenotazioni sostengono il finanziamento, ma la concentrazione su pochi clienti e l’eventuale revisione degli accordi espongono gli operatori a perdite.

Il paragone con il petrolio aiuta a capire perché nascano indici e contratti futures, ma l’analogia con l’elettricità è spesso più utile. Il compute è legato a un luogo, a una rete, a una generazione tecnologica e a una scadenza; può essere spostato trasferendo i lavori o i dati, con costi e limiti. Il futuro più plausibile è un insieme di mercati con prezzi differenziati per tipo di acceleratore, area geografica e qualità del servizio, raccordati da benchmark e strumenti di copertura.

È in questo passaggio che il business dell’intelligenza artificiale cambia scala: dalla vendita dei chip alla gestione finanziaria della capacità di elaborazione. I nuovi intermediari possono rendere più trasparenti prezzi e rischi, permettere a operatori più piccoli di finanziarsi e aiutare le aziende a prevedere i costi. La prova decisiva sarà la domanda finale: quanti servizi AI utili e remunerativi riuscirà a sostenere tutta questa infrastruttura, dopo avere pagato hardware, energia e capitale?