Google e SpaceX: il deal da 30 miliardi che ridisegna il compute AI

Il colosso del cloud che si rivolge al colosso dei razzi per affittare GPU. Detta così sembra un titolo da fantascienza, invece è quello che è successo davvero il 5 giugno. Google ha firmato con SpaceX un accordo da circa 30 miliardi di dollari che porterà i datacenter del gruppo a usare, da ottobre, una flotta di 110.000 GPU Nvidia gestita dall'azienda di Elon Musk. Mensilità: 920 milioni di dollari. Durata: fino a giugno 2029.

Il dettaglio importante, perché racconta lo stato dell'industria: Google ha la sua famiglia di chip proprietari (le TPU) e i suoi datacenter sparsi nel mondo. Sta firmando lo stesso. Significa che la pressione sulla capacità di calcolo, anche per chi ha tutto in casa, è arrivata a un punto in cui conviene affittare GPU da chiunque le abbia. Bisogna leggere questo come un termometro, prima ancora che come una notizia di prodotto.

SpaceX entra nell'ecosistema AI, da fornitore di rilievo

La cosa nuova è chi sta dall'altra parte del tavolo. Fino a sei mesi fa SpaceX era percepita come azienda di lanci spaziali con un servizio internet satellitare di contorno (Starlink). Adesso, con questo contratto e con un parallelo accordo da diversi miliardi annunciato anche con Anthropic, SpaceX diventa di fatto un fornitore di compute AI di prima linea, prima dell'IPO che il mercato attende dal 2027. È il classico movimento per costruire bilancio prima di quotarsi.

C'è anche un secondo annuncio, più piccolo nei numeri ma molto più interessante per chi guarda dieci anni avanti. SpaceX ha presentato AI1, il primo satellite con un carico di compute a bordo. La descrizione tecnica dice 150 kW di picco e 120 kW medi, con un design "intercambiabile" sul fornitore di chip. In sostanza l'idea è far girare AI in orbita, vicina al sensore, lontana dalla rete elettrica nazionale, con latenza globale gestibile. Non sostituirà Frankfurt o Milano nei prossimi quattro o cinque anni, ma è la prima volta che qualcuno ne dichiara pubblicamente l'ambizione con numeri precisi.

Perché Google ha bisogno di altre GPU

Vale la pena fermarsi su una contraddizione apparente. Google ha le TPU (Tensor Processing Units), che nelle ultime generazioni hanno raggiunto e in certi compiti superato l'ecosistema Nvidia per training. Allora perché spende quasi 11 miliardi all'anno su GPU prese in affitto?

Tre ragioni concrete.

Inferenza, non solo training. I modelli vanno addestrati una volta, serviti milioni di volte al giorno. Sui carichi di inferenza, dove conta latenza più che picco di calcolo, le GPU Nvidia sono ancora lo standard di fatto. Gli sviluppatori che usano Vertex AI o Gemini API si aspettano determinate caratteristiche, che oggi solo l'ecosistema CUDA garantisce in pieno.

Domanda esplosa. Le richieste di compute dal lato di YouTube (sottotitoli automatici, raccomandazioni, generazione asset), Search (overview generative) e Workspace (Gemini in Docs, Gmail, Meet) sono cresciute più velocemente di quanto Google possa costruire datacenter propri. Anche il datacenter più grande richiede 18-24 mesi tra terreno e accensione.

Diversificazione del rischio. Avere il proprio compute concentrato in pochi siti, in giurisdizioni specifiche, è esposto a black swan: blackout, terremoti, attacchi mirati, contenziosi regolatori. Un mix di compute proprio + GPU affittate altrove riduce la dipendenza.

Cosa significa per le aziende italiane

L'angolo italiano è meno appariscente del titolo, ma è quello che impatta davvero le PMI. Tre conseguenze concrete.

L'Italia accelera sui datacenter, ma per servire l'estero. L'Osservatorio Data Center del Politecnico di Milano stima 25 miliardi di euro di investimenti tra il 2026 e il 2029 sulla penisola, con crescita a doppia cifra. AWS ha già messo a piano 1,2 miliardi aggiuntivi su Milano entro il 2029. Microsoft e Google sono presenti con region italiane. Il punto delicato è il "per chi". I datacenter italiani serviranno soprattutto inferenza di modelli addestrati altrove. L'Italia diventa snodo logistico digitale (latency favorita verso Europa, Africa, Medio Oriente), non centro di training di frontiera. Per le PMI questo è positivo sulla latenza, neutro sul prezzo, irrilevante sulla sovranità del modello.

Il vantaggio Google Cloud nei prossimi 18 mesi diventa concreto. Con questo contratto Google copre il proprio fabbisogno di inferenza per il triennio. Vertex AI, Gemini API e Workspace AI dovrebbero avere meno problemi di throttling rispetto ai competitor. Per chi sta valutando lo stack su cui costruire un agente aziendale o un'integrazione AI, è un fattore in più da pesare nella scelta. Ne abbiamo già discusso, modello per modello, in GPT-5.5 vs Claude Opus 4.7 vs Gemini 3.1 Pro.

Il parallelo che nessuno racconta: ChatGPT cambia da dentro

Mentre Google muoveva 30 miliardi sul compute, OpenAI ha completato la transizione su GPT-5.5 Instant come modello di default di ChatGPT. Il dato che vale la pena tenere è uno solo: il nuovo default produce il 52,5% in meno di allucinazioni rispetto a GPT-5.3 Instant sui prompt di alto rischio (medicina, finanza, diritto). Per chi usa ChatGPT in scenari professionali, è un cambio di qualità che si sentirà nei primi due o tre giorni di uso intensivo.

Insieme al modello sono arrivati due aggiornamenti utili meno chiacchierati. La memoria si comporta in modo diverso, con un meccanismo che OpenAI chiama "dreaming": la memoria si aggiorna sola nel tempo, quindi una frase tipo "vado a Singapore a luglio" diventa "sono tornato da Singapore a luglio" dopo il viaggio. E ogni risposta personalizzata mostra ora le fonti del contesto usato, con la possibilità di correggere o cancellare. Sembra una cosa da geek, in realtà è il primo vero passo verso la trasparenza algoritmica che l'AI Act chiede ai modelli che girano in contesti regolati. Sulla cornice normativa restano valide le coordinate nella nostra guida all'AI Act per le aziende italiane.

La lettura strategica, in due righe

Quello che vediamo in questa settimana è un'unica storia, anche se le notizie sembrano tre. Il compute AI sta diventando una risorsa scarsa abbastanza da costringere Google a noleggiare GPU da Elon Musk. La frontiera della scarsità si sta spostando dal silicio agli orbitanti, con SpaceX che dichiara apertamente di voler vendere compute in orbita. E i modelli che girano sopra a tutto questo stanno migliorando in modo silenzioso e veloce, con qualità di output meno appariscente ma più affidabile.

Per le aziende italiane il consiglio operativo è uno e semplice. Smettere di scegliere il modello AI guardando solo il prezzo per token di oggi. Scegliere guardando l'ecosistema, la capacità del fornitore di garantire compute nei prossimi due anni, e il livello di sovranità dei dati che si è disposti a cedere. Su questo asse, oggi, Google ha appena fatto un colpo importante. Nei prossimi mesi vedremo Microsoft, Amazon e Oracle muoversi nello stesso modo. Per chi non vuole giocare a inseguire, vale la pena passare da una consulenza IT specializzata che mappi le dipendenze reali della propria azienda prima di firmare contratti di lungo periodo.

A margine: 920 milioni di dollari al mese sono più o meno il fatturato annuale di una media impresa italiana strutturata. È utile ricordarlo quando si discute di costi AI in azienda. La curva esponenziale, in questa parte del mondo, è ancora tutta da capire.