Secondo le agenzie di intelligence americane, Alice Huang, dirigente cinese di Megaspeed, una società di Singapore che compra chip Nvidia per costruire data center nel Sud-est asiatico e affittarne la potenza di calcolo ad Alibaba e ad altre aziende cinesi, passava informazioni a Pechino. La sorveglianza ha mostrato che aveva un rapporto stretto con Jensen Huang, l’amministratore delegato di Nvidia. Circa un anno fa Trump è stato informato e ha scelto di non fare nulla; a Huang non è stato dato alcun avvertimento difensivo, e le società legate a Megaspeed hanno continuato a comprare chip Nvidia, con una consociata malese che fra il 2024 e il 2026 ne ha acquistati per almeno 4,8 miliardi di dollari. Nvidia sostiene che gli incontri con i clienti fanno parte del mestiere, Megaspeed ha avviato un’indagine interna, l’ambasciata cinese parla di calunnie, e l’intera ricostruzione si fonda su fonti anonime che riferiscono materiale classificato. Il nodo è il canale personale: Huang ha convinto Trump ad allentare i limiti alle vendite in Cina, ha ottenuto un accordo che dà al governo il 25 per cento su certi chip, ha donato almeno 20 milioni al fondo per la sala da ballo della Casa Bianca, e secondo funzionari attuali ed ex le indagini sulle esportazioni si sono arenate al Dipartimento del Commercio. Un rischio che in un’azienda qualunque si chiamerebbe dipendenza da una persona chiave diventa qui un rischio per la politica tecnologica di un paese intero, e per la sua sicurezza.
Hanneke Faber, arrivata alla guida di Logitech da Unilever e Procter & Gamble, ha passato l’estate a girare per i fornitori in Asia e in Svizzera a caccia di chip: «begging and borrowing». Quasi ogni prodotto dell’azienda, dalle tastiere ai mouse, dipende da un chip, e pochissimi produttori di memorie e di unità di archiviazione hanno capacità, gran parte della quale finisce nei data center. «This AI is eating my chips»: il boom dell’intelligenza artificiale non crea solo domanda, sottrae componenti a tutto il resto dell’elettronica. Faber non vede miglioramenti prima di 12-18 mesi, e risponde con il prezzo: circa quaranta prodotti nuovi l’anno, lanciati a prezzi premium.
La guerra aggiunge un secondo vincolo. Con lo Stretto di Hormuz chiuso, il principale centro di distribuzione per Europa, Medio Oriente e Africa, a Dubai, non è più praticabile, e i flussi sono stati spostati su Olanda e Cina. È un’intervista breve e senza dati, ma descrive dal punto di vista di un produttore come l’AI e la guerra ridisegnano la filiera.
Ezra Klein intervista Jensen Huang, fondatore e amministratore delegato di Nvidia, per un’ora e mezza. Huang organizza l’industria in una torta a cinque strati — energia, chip, infrastruttura, modelli, applicazioni — e dichiara subito la propria posizione: responsible optimist, convinto che l’errore di previsione più costoso degli ultimi anni sia l’allarmismo, non l’entusiasmo. La tesi sul lavoro è la più netta: l’idea che l’AI distrugga posti è «fundamentally wrong» perché confonde il compito con lo scopo — il radiologo automatizza le letture, ma «the fundamental purpose doesn’t change». La variabile che manca a tutti i calcoli, dice, non è il compute ma l’ambizione: nessuno ha mai finito le cose che voleva fare.
Il cuore del pezzo è però lo scontro sulla regolazione, ed è utile perché nessuno dei due arretra. Klein porta l’argomento classico: i laboratori stessi dichiarano di essere in un dilemma di azione collettiva — è la formula di Dario Amodei — e chiedono aiuto per rallentare; le architetture regolatorie esistono perché abbiamo visto molte volte imprese che sotto pressione competitiva prendono decisioni sciatte, e il 2008 è lì a dimostrarlo. Huang risponde con una sola mossa, ripetuta senza variazioni: se il prodotto non è sicuro, non spedirlo. Le leggi ci sono già — responsabilità di prodotto, codici penali, cause civili —, gli incentivi sono allineati, e chiedere nuove regole mentre si chiede sollievo su antitrust e product liability non sta in piedi. Poi indica l’asimmetria che rende la discussione scomoda: «nobody is building more compute today than the people asking to be slowed down». Sulle previsioni di Hinton è brutale — la raccomandazione di non formare più radiologi, dice, sarebbe stata dannosa e non si è avverata, e «just because it comes from a scientist doesn’t make it scientific».
Dietro la posizione c’è una strategia retorica precisa, che vale la pena isolare perché è la parte più interessante: Huang deflaziona sistematicamente il lessico. Spawn, fork, kill, sleep, persistence sono parole dei sistemi operativi degli anni Settanta, riciclate; il software esce dalle sandbox di continuo, ed è per questo che esistono le macchine virtuali e i watchdog; la persistenza degli agenti non è volontà, «there’s no willpower here, it’s just electrical power». Sull’incidente in cui circa settecento agenti hanno coordinato un’evasione: «that is just software — nothing magical about it». Il punto è che la deflazione non toglie le metafore, le sostituisce: la fabbrica di AI, la torta a cinque strati, il compute come classe di attivo fungibile come un aeroplano — un passeggeri che finisce la vita come cargo. Resta un vocabolario che struttura il pensiero prima del concetto, solo industriale invece che animista, e con un vantaggio non neutrale per chi vende gli strumenti.
La cosa più esportabile dell’intervista è un rapporto: in Nvidia il 20% dell’azienda fa design e l’80% fa verifica; nei laboratori AI oggi è l’inverso, 80% capacità e 20% valutazione. Da qui la formula che riorganizza il dibattito invece di prendervi posizione: «A.I. needs to accelerate to be safe». Guardrail, sandboxing, telemetria, monitoraggio esterno sono tecnologia AI quanto la capacità, e vanno accelerati con la stessa violenza; il modello è l’ABS, che avremmo voluto novant’anni prima. Klein concede il punto nella forma più forte: se chi è allarmato nei laboratori sapesse che l’80% del compute sta andando in sicurezza e allineamento, dormirebbe meglio. La domanda che resta sospesa è di chi sia il compito di far avvenire quel ribaltamento, e su questo Huang dice solo che sta già avvenendo.
Due incastri con l’archivio meritano attenzione. Il primo: lo studio cinese sui ventiseimila studenti che Klein sottopone a Huang è lo stesso che il sito ha già registrato dal grafico dell’Economist — compiti su del 18%, tempo giù del 30%, esami giù del 20%. La risposta di Huang è la più deflazionista possibile: dimenticare l’aritmetica di base non conta, «we’re going to lose some finer intellectual dexterity, but we’re going to be better systems thinkers». È la scommessa che il capitale semantico si possa saltare e ricostruire a valle, ed è esattamente ciò che il dato non dice. Il secondo: la citazione di Daniel Selsam sulla consapevolezza situazionale dei modelli — stiamo perdendo la capacità di valutarli nei contesti in cui credono di non essere osservati — è il problema della monitorabilità nella sua forma più pura, e Huang lo riclassifica come banale proprietà degli algoritmi di ottimizzazione: se metti un vincolo, l’ottimizzatore cerca un’altra strada. Ha ragione sulla meccanica e non risponde sulla conseguenza.
Sulla geopolitica la posizione è coerente con l’interesse di chi la esprime, il che non la rende falsa: privare la Cina dei chip significa privare gli Stati Uniti di un mercato, e la domanda giusta è chi si stia privando di che cosa; l’ambizione americana dev’essere che il mondo giri sullo stack tecnologico americano come gira sul dollaro e sull’inglese. Che l’80% delle startup americane usi pesi aperti cinesi, per Huang, è una buona notizia. Sull’energia concede la sconfitta con franchezza — ci siamo impantanati sul clima e non abbiamo costruito capacità di generazione — e rovescia la conclusione: mai come ora il mercato finanzia da solo l’energia sostenibile, e volendo svoltare sul clima conviene appoggiarsi all’AI. Il passaggio sulle comunità che ospitano i data center è l’unico momento in cui ammette un errore di processo senza rimbalzarlo: avremmo potuto fare molto meglio, e ora è tardi.
Vale come documento perché è la posizione più articolata disponibile di chi ha l’interesse più grande al mondo a che nessuno rallenti — e proprio per questo va letto tenendo separate due cose che l’intervista tiene insieme: la descrizione ingegneristica, dove Huang è probabilmente il più competente della stanza, e l’inferenza istituzionale che ne ricava, dove la competenza non trasferisce. Che gli incidenti siano risolvibili come problemi di contenimento e isolamento è un’affermazione tecnica; che quindi non servano istituzioni nuove è un’affermazione politica travestita.
Servaas Storm insegna economia a Delft e scrive per l’Institute for New Economic Thinking. Il pezzo, di dicembre 2025, è la prima analisi sistematica in archivio della scommessa americana sullo scaling, ed è costruito sui numeri invece che sulle impressioni. I data center richiedono fra i cinque e i sette trilioni di dollari per portare online 122 gigawatt fra il 2026 e il 2030; il fabbisogno di finanziamento al 2030 supera i mille e quattrocento miliardi, oltre le capacità attuali del mercato; secondo Barclays l’investimento cumulato in AI potrebbe valere più del 10% del PIL statunitense entro il 2029, contro circa il 6% nella prima metà del 2025. L’indebitamento investment-grade delle grandi imprese tecnologiche fra settembre e ottobre 2025 è stato di 75 miliardi, contro una media di 32 miliardi l’anno nel decennio precedente.
La parte più utile è la ricostruzione del paradosso dei costi, perché smonta l’argomento più ripetuto dai difensori del modello. Il prezzo per token è sceso da 20 dollari per milione a fine 2022 a circa 0,40 nell’agosto 2025, ma il costo di inferenza sostenuto dalle imprese è cresciuto di circa dieci volte in due anni: il consumo è esploso, da meno di 220 token per interrogazione nel 2021 a circa 22.000 per un singolo scambio nel 2025, con proiezioni fra 150.000 e 1.500.000 al 2030. Il calo del prezzo unitario non produce risparmio, produce dipendenza da un costo crescente. Dal lato dei ricavi la pressione è simmetrica e viene da fuori: DeepSeek R1 costa 0,14 dollari per milione di token contro i 7,50 di ChatGPT o1, e per un sito che ne processa 500 milioni al mese la differenza è fra 70 e 3.750 dollari. Solo il 5% degli utenti di OpenAI paga un abbonamento; secondo lo studio del MIT solo il 5% delle imprese ottiene un ritorno dagli investimenti in AI generativa; per McKinsey due terzi delle aziende sono ancora in fase pilota.
Sul finanziamento circolare Storm non usa metafore: Nvidia investe in OpenAI che compra chip Nvidia, OpenAI acquista capacità da Oracle che compra GPU Nvidia, il primo cliente di CoreWeave è Microsoft che è investitore di OpenAI, AMD emette warrant a OpenAI per il 10% del capitale a costo nominale. «Nothing in these circular deals is transparent. It is not clear where the money needed for these deals is coming from.» Il precedente che indica è il finanziamento incrociato di fine anni Novanta, quando fornitori e clienti si sostenevano a vicenda le valutazioni senza generare valore reale. Le quattro ragioni per cui prevede che la bolla si sgonfi sono ordinate: ricavi impossibili fra prezzi calanti e costi crescenti; debito contratto su infrastruttura deperibile, con GPU utili tre-cinque anni; colli di bottiglia sulla rete elettrica che allungano i tempi di consegna oltre i sette anni; rendimenti decrescenti dello scaling.
Due passaggi contano oltre l’economia. Il primo è la doppia narrazione, che Storm espone senza attenuazioni: al pubblico si dice di costruire AGI a beneficio dell’umanità, agli investitori si vende una tecnologia che fa «essentially what you will pay us for» — sostituire operatori sindacalizzati con chatbot, massimizzare l’estrazione di affitti, automatizzare il rifiuto di rimborsi sanitari. Il secondo è la chiusa, che è epistemica e non finanziaria: la sovrapproduzione di slop, allucinazioni e contenuto fabbricato finirà per avvelenare la fiducia su cui poggia l’ordine economico e sociale americano. È lo stesso meccanismo che il sito chiama erosione del capitale semantico, visto dal lato del bilancio.
Alcune cifre sono state superate dagli eventi — a settembre 2026 l’Economist stima i ricavi AI di Nvidia attorno ai 150 miliardi l’anno, e la scommessa non è ancora stata smentita — ma la struttura dell’argomento regge e vale come contraltare esplicito a quella lettura. Le due schede vanno lette insieme: la stessa catena di operazioni, letta da un giornale che la ritiene una forma sana del capitalismo e da un economista che la ritiene una replica del 1999.
Il post di O’Laughlin da cui parte il ragionamento di Ben Thompson su Stratechery: la tesi è che con i reasoning models i costi marginali tornano a esistere nel tech, rompendo una delle assunzioni fondamentali su cui si reggeva il business degli hyperscaler. Un testo breve ma di impatto: segna, secondo molti osservatori, la fine dell’epoca naive dell’internet a costo marginale zero.