Circa un miliardo di dollari, sui 12,93 che Nvidia pagherà per Hugging Face, è destinato agli incentivi per trattenere i dipendenti dopo il closing, e la proporzione dice già qualcosa su cosa si stia comprando: quasi l’8 per cento del prezzo va alle persone, in un’azienda il cui prodotto principale è un catalogo di file che chiunque può scaricare gratuitamente.
I ricavi annualizzati stanno intorno ai 150 milioni, il multiplo sfiora le ottantasei volte, e la società non ha ancora chiuso un bilancio in utile. Nessuna di queste cifre si spiega guardando il conto economico. Si spiegano guardando la posizione, perché Hugging Face è il luogo dove diciotto milioni di sviluppatori e duecentomila aziende decidono quale modello finisce dentro un prodotto, e quella decisione, ripetuta milioni di volte, è la merce più preziosa dell’attuale catena del valore dell’intelligenza artificiale.
Indice degli argomenti:
Ottantasei volte i ricavi per una società non ancora in utile
Il conto economico di Hugging Face è quello di una software house di medie dimensioni in crescita rapida. I ricavi ricorrenti sono passati da circa cinquanta milioni alla fine del 2024 a oltre centocinquanta a metà 2026, con un modello freemium che porta a pagamento una quota di utenti nell’ordine del 3 o 4 per cento, poco più di duemila clienti paganti e la parte grossa del giro d’affari costruita su abbonamenti premium e servizi gestiti per le imprese. Delangue dichiara la società vicina al pareggio.
Il resto del prezzo lo spiega la scala della piattaforma. Nel 2021, l’anno prima che ChatGPT accendesse la corsa, il catalogo contava 13.590 modelli aperti; oggi ne conta quasi tre milioni, insieme a mezzo milione di dataset e un milione di applicazioni. In dieci anni l’azienda ha raccolto poco più di 400 milioni di capitale di rischio, e viene venduta a più di trenta volte quella cifra.
Vale la pena mettere questa operazione accanto a un’altra della stessa stagione, perché insieme dicono qualcosa che separate non si vede: Stripe ha rilevato OpenRouter per oltre 7 miliardi, il marketplace che instrada le chiamate API di decine di migliaia di sviluppatori. In pochi mesi lo strato intermedio dell’AI aperta, quello che distribuisce i pesi e quello che instrada le chiamate, è stato prezzato con i multipli della distribuzione anziché con quelli del software.
È la conferma economica di un fatto che chi progetta sistemi ha già capito da mesi, cioè che il modello si comporta come una commodity e il margine si è spostato su chi lo mette in mano a qualcuno.
Per Nvidia è la più grande acquisizione piena di una società della sua storia, molto oltre i 6,9 miliardi pagati per Mellanox nel 2020, e resta seconda per valore assoluto solo ai venti miliardi versati alla fine del 2025 per gli asset di Groq.
La polizza di Nvidia contro il silicio dei suoi clienti
Su una scala come quella di Nvidia, 12 miliardi pesano come un dettaglio di allocazione. Il New York Times allinea le cifre: 197 miliardi di attività correnti, quasi 60 miliardi di utile nell’ultimo trimestre, ricavi più che raddoppiati su base annua a 96,22 miliardi, una capitalizzazione oltre i 5.400 miliardi, e una cinquantina di miliardi già investiti nei laboratori che sviluppano modelli avanzati, cifra che la direzione finanziaria descrive come una frazione piccola del flusso di cassa atteso. Il quotidiano americano parla di un ruolo da banca centrale della Silicon Valley, e per chi valuta la solidità di un fornitore la conseguenza pratica è che questa piattaforma non avrà problemi di capitale per i prossimi anni.
La ragione industriale dell’acquisto è però più semplice e più difensiva di quanto la costruzione finanziaria suggerisca. I clienti maggiori di Nvidia stanno progettando processori propri: OpenAI ha presentato con Broadcom, a fine agosto, rivendicazioni di prestazione del proprio chip di inferenza contro i sistemi Blackwell, e Anthropic si muove nella stessa direzione. Quando la domanda è concentrata su pochi laboratori che costruiscono l’alternativa in casa, moltiplicare gli sviluppatori che addestrano e servono modelli aperti su hardware standard diventa la migliore assicurazione sulla domanda futura.
Huang lo dice in modo abbastanza esplicito nella dichiarazione ripresa dal Financial Times, spiegando che i pesi aperti permettono ad aziende, università e istituzioni pubbliche di costruire su capacità avanzate «without training every model from scratch or paying frontier-model prices for every task», senza addestrare ogni modello da zero né pagare prezzi da frontiera per ogni singolo compito. È il ragionamento che qualunque responsabile di budget fa da mesi, diventato la tesi commerciale del principale fornitore di hardware del pianeta.
Software che si assembla invece di comprarsi
Qui sta la parte che tocca direttamente chi costruisce sistemi in azienda, e tocca la natura di quello che compriamo quando compriamo software.
Il perimetro tradizionale era un prodotto: una licenza, un fornitore, un contratto con livelli di servizio, un ciclo di aggiornamenti. Il perimetro attuale è un assemblaggio, con pesi scaricati da un registro pubblico, un livello di inferenza che può stare su tre fornitori diversi, un’orchestrazione scritta in casa e una batteria di valutazioni per capire se il modello nuovo regge i casi d’uso di quello vecchio.
La commoditizzazione dei pesi non ha ridotto il lavoro, l’ha spostato dalla selezione del fornitore all’ingegneria di integrazione e alla misurazione continua.
Il valore economico ha seguito lo stesso movimento, e questo spiega perché un produttore di chip compri un catalogo. Le voci che generano ricavi su Hugging Face sono la scoperta dei modelli, la valutazione, gli endpoint di inferenza gestiti, l’hosting per le imprese, cioè i servizi che stanno attorno all’artefatto gratuito.
Nel bilancio di un’azienda utilizzatrice la stessa dinamica si legge al contrario: la riga del costo per token si comprime anno su anno, la riga dell’integrazione e della governance cresce, e chi ha costruito la propria previsione di spesa soltanto sulla prima si troverà a spiegare uno scostamento sulla seconda.
C’è poi la questione della trasparenza, che nel discorso pubblico viene sistematicamente confusa con l’apertura della licenza. Pesi pubblici significa che l’artefatto è ispezionabile, scaricabile, modificabile. Non significa sapere su quali dati è stato addestrato, chi controlla il calcolo su cui girerà, quali azioni abbia compiuto un agente in produzione la settimana scorsa. La trasparenza dell’artefatto non è la governance della filiera, e la distinzione ha conseguenze contrattuali molto concrete per chi opera in settori regolati.
Una scena vale l’intero paragrafo. Hugging Face ha subito quest’estate un attacco informatico condotto da agenti sfuggiti al controllo umano durante i test di OpenAI, e Delangue ha raccontato di averlo risolto usando una versione Nvidia di un modello aperto cinese. Modelli americani fuori controllo, una piattaforma nata francese e incorporata a New York, un rimedio cinese ricompilato da un produttore di GPU: è la catena di fornitura reale di chi fa software oggi, e nessuna casella di un questionario di conformità la descrive.
Neutralità hardware, dove il vantaggio non viene mai dichiarato
L’impegno di Nvidia sulla neutralità è formulato con precisione e va registrato per quello che dice: «Nvidia compute will not be required to build on or deploy through Hugging Face», si legge nell’annuncio, il calcolo Nvidia non sarà necessario per costruire o distribuire attraverso la piattaforma, che continuerà a sostenere sviluppo e deployment su cloud e acceleratori differenti. È una promessa sul requisito, e non riguarda la convenienza relativa.
La differenza tra le due cose contiene tutto il rischio operativo. Nessuno vieterà di servire un modello su acceleratori concorrenti; il vantaggio, osserva Futurum, passerebbe dai percorsi di inferenza ottimizzati per una sola architettura, dal peso relativo dei fornitori terzi dentro il marketplace di inferenza della piattaforma, dai target di deployment proposti per primi a chi ha una scadenza domani mattina.
Il precedente più vicino è GitHub, comprato da Microsoft nel 2018 fra preoccupazioni identiche sulla neutralità: l’operazione fu autorizzata, e otto anni dopo un concorrente costruisce campagne commerciali sull’erosione dell’indipendenza della piattaforma e sulle priorità di prodotto assorbite dall’integrazione di Copilot.
C’è un secondo rischio, meno discusso e più fastidioso da gestire. Nella raccolta di capitale del 2023 erano entrati in Hugging Face Google, Amazon, Intel, AMD, Qualcomm e IBM, cioè quasi tutti i concorrenti diretti dell’acquirente. Se anche solo un paio di loro cominciassero a indirizzare le proprie comunità di sviluppatori verso registri alternativi, un’azienda che dipende da un unico punto di distribuzione si troverebbe a gestire una frammentazione che oggi non ha.
Il monito che Huang rivolge agli altri amministratori delegati, quando raccomanda di non lasciare che un singolo fornitore possieda la propria intelligenza artificiale, si applica per intero anche alla piattaforma che ha appena comprato.
Mirror dei pesi, astrazione dell’inferenza, clausole di reversibilità
Il closing è atteso nella prima metà del 2027 e resta subordinato alle autorizzazioni antitrust negli Stati Uniti e in Europa, dove l’esame di una concentrazione di questa dimensione è obbligatorio. Restano quindi diciotto mesi in cui sulla piattaforma non cambierà nulla, e sono il tempo utile per fare quattro cose che nei progetti che seguo finiscono quasi sempre in fondo alla lista.
- Copia locale dei pesi effettivamente in produzione, in un registro sotto controllo diretto, con la versione esatta e il digest. È igiene di base, indipendente da chi possieda l’hub, e sorprende quante organizzazioni scarichino a ogni deploy da un indirizzo pubblico che non governano.
- Astrazione del livello di inferenza dietro un’interfaccia interna, così che sostituire il modello sottostante sia una modifica di configurazione anziché un progetto. Il test è semplice: quanto costerebbe, in giorni-persona, spostare il carico su un secondo fornitore.
- Misurazione del costo per compito su almeno due acceleratori diversi, ripetuta con cadenza fissa. È l’unico modo per accorgersi se i default della piattaforma stanno diventando lentamente più convenienti su una sola architettura, e per farlo servono numeri propri, non benchmark pubblici.
- Clausole di neutralità e reversibilità nei contratti con i fornitori di inferenza, insieme al registro di provenienza dei modelli, con licenza, origine dei pesi e soggetto che li serve. Gli obblighi di trasparenza dell’AI Act applicabili dal 2 agosto chiedono già di documentare buona parte di questo, e conviene costruirlo una volta sola invece di ricostruirlo a ogni audit.
La commoditizzazione del software è una buona notizia per chi compra, perché abbassa la soglia di ingresso e sposta la competizione sulla qualità dell’integrazione, dove un’azienda di medie dimensioni può ancora battere una grande. Porta con sé un cambio di natura del rischio che conviene guardare in faccia, perché il fornitore da cui dipendiamo ha smesso di essere quello che ci vende un contratto ed è diventato quello che ospita il file da cui parte il nostro servizio.
Le organizzazioni che hanno fatto questo esercizio sul cloud cinque anni fa, mappando dipendenze e vie di uscita prima di averne bisogno, oggi negoziano da una posizione migliore. Sui modelli, la finestra per farlo con calma si chiude nel 2027.
Partecipa alla community