Lo strato che nessuno controlla ancora è quello di cui tutti avranno bisogno
C'è uno schema che si ripete con sufficiente coerenza da essere preso sul serio: le tecnologie non si concentrano dove si vedono, ma dove si appoggiano. I social network si sono concentrati nella distribuzione, non nei contenuti. Il cloud si è concentrato nell'infrastruttura, non nelle applicazioni. L'intelligenza artificiale sta seguendo la stessa geometria, ma il punto di controllo si trova un livello più in basso rispetto a qualsiasi ciclo precedente.
Nel maggio del 2026, David e Daniil Liberman, imprenditori con precedente esperienza in Snap, hanno pubblicato su Fortune un argomento che merita attenzione per ciò che descrive strutturalmente, non per chi siano loro. La loro tesi è precisa: nell'intelligenza artificiale, chi controlla il calcolo controlla l'accesso, e chi controlla l'accesso controlla chi può anche solo esistere in questa economia. Non è una metafora. È una descrizione operativa di come funziona il mercato oggi.
I numeri che citano sono quelli che danno peso all'argomento. NVIDIA concentra l'85% del mercato delle GPU per i data center. Amazon, Microsoft e Google controllano il 63% della capacità globale di cloud. Gli Stati Uniti gestiscono circa il 75% della capacità mondiale di calcolo ad alte prestazioni per l'intelligenza artificiale. La Cina trattiene circa il 15%. Il resto del mondo si divide il restante 10%.
Questo non descrive un mercato competitivo. Descrive un'infrastruttura geopolitica con facciata di mercato.
Il momento in cui Snap perse senza perdere il prodotto
Il riferimento all'episodio di Snap nel 2018 non è nostalgia. È l'ancora analitica dell'articolo. Gli autori si trovavano a Santa Monica a rivedere le metriche degli utenti attivi giornalieri quando divenne chiaro che il prodotto, pur essendo tecnicamente migliore in alcune dimensioni, non poteva sostenere la crescita di fronte a Instagram. Meta non vinse perché aveva un design migliore. Vinse perché controllava lo strato sotto il design: il grafo sociale, la distribuzione, il pubblico già formato. Snap costruì sulla sabbia che Meta aveva già cementato.
Quell'episodio conta come diagnosi organizzativa perché illustra quando le metriche smettono di misurare ciò che si crede misurino. La retention degli utenti non era il problema di Snap. L'accesso alla distribuzione era il problema. Ma se il pannello di controllo misura soltanto la retention, il team dirigenziale può arrivare tardi alla lettura corretta.
Nell'intelligenza artificiale, l'equivalente è più severo. Un team che costruisce un modello linguistico può avere un'architettura migliore, dati migliori, ingegneri migliori. Ma se non ha accesso a GPU ad alte prestazioni a un prezzo accessibile, se dipende da contratti con hyperscaler che possono cambiare tariffe o politiche di accesso senza preavviso, allora il suo vantaggio tecnico non si traduce in vantaggio competitivo. Lo strato che non controlla lo neutralizza prima che possa essere dimostrato.
È esattamente questo ciò che i Liberman descrivono quando segnalano che i fornitori di intelligenza artificiale hanno ritirato modelli popolari nonostante la resistenza degli utenti, hanno limitato l'accesso alle API senza preavviso, e hanno modificato le capacità degli sviluppatori attraverso politiche che nessun organismo indipendente può verificare. Non è una critica morale. È una descrizione di come opera la dipendenza strutturale quando chi concentra l'infrastruttura decide di cambiare le condizioni.
Perché questa concentrazione è qualitativamente diversa
Quando Meta acquistò Instagram nel 2012 per un miliardo di dollari, il mercato capì che si stava consolidando lo strato di distribuzione sociale. Quando Amazon Web Services scalò fino a diventare la principale fonte di profitti di Amazon, il mercato capì che il cloud si sarebbe concentrato in poche mani. In entrambi i casi, la concentrazione era visibile dallo strato applicativo. Gli utenti, gli sviluppatori e i regolatori potevano vederla perché la sentivano direttamente.
Ciò che l'articolo descrive riguardo all'intelligenza artificiale è diverso in un senso specifico: la concentrazione avviene in uno strato che la maggior parte degli attori di mercato non monitora con rigore. I modelli sono visibili. I chatbot sono visibili. I prodotti di IA che consumano gli utenti sono visibili. Ma le GPU, i data center, i contratti di fornitura di chip ad alte prestazioni e gli accordi di accesso preferenziale al calcolo sono l'infrastruttura dietro al visibile, ed è lì che si sta formando la concentrazione reale.
L'analogia che gli autori usano con Bitcoin ed Ethereum è interessante da un'angolazione diversa rispetto a quella che enfatizzano. Non è solo che i protocolli decentralizzati hanno costruito un nuovo strato sotto il sistema bancario. È che lo hanno fatto perché l'architettura finanziaria esistente aveva attriti e punti di controllo che non potevano essere rimossi dall'interno. La domanda rilevante per l'infrastruttura di intelligenza artificiale non è se Gonka o qualsiasi altro progetto decentralizzato possa spostare AWS o Azure. La domanda è se la struttura degli incentivi di mercato sia sufficiente a produrre alternative valide prima che la concentrazione diventi irreversibile.
L'evidenza storica nei mercati infrastrutturali suggerisce che quella finestra è stretta. Una volta che gli hyperscaler raggiungono certi livelli di capacità installata, le economie di scala e i costi di cambio fanno sì che la struttura si auto-perpetui. Non perché sia illegale cambiare, ma perché il costo operativo di farlo supera il beneficio per la maggior parte degli attori.
Cosa rivela questo su come si progettano — o non si progettano — le scommesse di lungo periodo
C'è una dimensione dell'argomento che l'articolo non sviluppa completamente ma che risulta analiticamente fertile: il problema della concentrazione nel calcolo non riguarda solo la politica pubblica o il potere di mercato. È anche un problema di come le organizzazioni distribuiscono la propria attenzione tra ciò che funziona oggi e ciò che potrebbe minacciarle domani.
Le aziende che negli ultimi cinque anni hanno costruito dipendenze profonde con gli hyperscaler lo hanno fatto secondo una logica ragionevole: il costo marginale di scalare nel cloud era inferiore al costo di costruire un'infrastruttura propria, e la velocità di accesso al mercato giustificava quella dipendenza. Questa è la logica dello sfruttare ciò che funziona. Il problema è che quella stessa logica, applicata senza contrappeso, produce organizzazioni che arrivano al punto di blocco senza averlo anticipato.
Lo schema che i Liberman identificano nel mercato del calcolo è esattamente lo stesso che appare nelle organizzazioni che hanno sfruttato eccessivamente il loro modello centrale e sono arrivate tardi a capire che il terreno si era mosso sotto di loro. Snap, nel loro racconto, non perse perché smise di innovare sul prodotto. Perse perché non aveva una risposta strutturale alla dipendenza nello strato di distribuzione. L'apprendimento organizzativo rilevante è che le dipendenze che non vengono gestite strategicamente diventano, nel tempo, posizioni di vulnerabilità che non si possono negoziare quando il fornitore decide di cambiare i termini.
Questo vale per le startup di intelligenza artificiale che oggi operano su API di modelli di terze parti. Vale per le PMI che stanno costruendo il proprio strato di dati sull'infrastruttura di un singolo fornitore cloud. Vale per i paesi che non hanno una propria politica di calcolo e assumono che la disponibilità dell'infrastruttura statunitense sia un dato permanente dell'ambiente.
I controlli all'esportazione di chip avanzati menzionati nell'articolo non sono un esempio ipotetico di come il calcolo possa essere usato come strumento geopolitico. Sono la prova che lo è già. Quando una potenza può decidere a quali paesi consentire l'accesso a un certo livello di capacità computazionale, e quella decisione influisce direttamente su quali applicazioni di intelligenza artificiale possono essere costruite in quei territori, la conversazione ha smesso da tempo di riguardare la concorrenza di mercato. Due paesi stanno fissando le condizioni di accesso per 191. Questo è il design attuale del sistema.
L'asimmetria linguistica segnalata dagli autori aggiunge uno strato ulteriore che di solito non appare nelle analisi sulla concentrazione di mercato. I modelli linguistici addestrati prevalentemente in inglese non favoriscono solo gli utenti anglofoni in termini di qualità dei risultati. Li rendono finanziariamente più efficienti: i prompt in altre lingue consumano più token per produrre lo stesso output, il che si traduce in costi più elevati e limiti di contesto più restrittivi per gli utenti che non operano in inglese. Una tariffa uniforme non è un prezzo uguale. È una tariffa che discrimina per lingua con la struttura tecnica come meccanismo.
Il calcolo come prerequisito, non come vantaggio
C'è una distinzione che l'articolo stabilisce con precisione e che merita essere sottolineata perché cambia la natura dell'analisi strategica. Nei social network, si poteva costruire una piattaforma alternativa. TikTok ha dimostrato che era possibile. Il capitale sociale non era fisicamente concentrato; era distribuito nelle abitudini di attenzione degli utenti, e quelle abitudini potevano essere reindirizzate.
Nell'intelligenza artificiale, il calcolo non è un vantaggio competitivo. È il piano di partecipazione. Senza accesso a GPU ad alte prestazioni non si può addestrare un modello competitivo. Senza contratti cloud non si può operare l'inferenza su scala. Senza chip avanzati, un intero paese resta escluso da certe capacità. La concentrazione in questo strato non genera svantaggio competitivo: genera esclusione diretta.
Questo rende le implicazioni organizzative più urgenti rispetto ai cicli precedenti. Un'azienda che dipendeva da Facebook per la distribuzione poteva, con sforzo e risorse, tentare di costruire un pubblico per altre vie. Un'azienda che dipende dall'infrastruttura di calcolo concentrata in tre attori non ha oggi, un'alternativa strutturalmente equivalente a cui ricorrere se quegli attori cambiano le condizioni.
La promessa di progetti come Gonka, il protocollo decentralizzato che gli stessi autori stanno costruendo, è creare quella alternativa prima che la finestra si chiuda. Non devono essere migliori di AWS nelle condizioni di AWS. Devono essere sufficientemente funzionali da far sì che la dipendenza smetta di essere totale. Questo è un soglia più modesta e più realistica che conquistare quote di mercato agli hyperscaler.
Ciò che il mercato non ha ancora risolto è se quella soglia possa essere raggiunta con sufficiente velocità da avere effetto prima che la concentrazione si consolidi in un punto dal quale non genera pressione al cambiamento. I cicli precedenti suggeriscono che l'infrastruttura che arriva in ritardo raramente cambia la struttura del mercato. Quella che arriva prima del momento di chiusura può fissare le regole del prossimo gioco.
---
L'articolo dei Liberman descrive con precisione una dinamica strutturale già in corso. Ma il problema che segnalano non riguarda solo il mercato né la regolazione: è un problema di progettazione di dipendenze che la maggior parte delle organizzazioni sta costruendo oggi senza gestirle come rischio strategico. Quando il calcolo diventa il prerequisito dell'esistenza e quel prerequisito è nelle mani di tre attori che possono cambiare i propri termini unilateralmente, le aziende che non hanno una politica esplicita di fronte a quella dipendenza non stanno delegando una decisione tecnica. Stanno cedendo una posizione che poi non si recupera con velocità.
