Amazon ha un business da 25 miliardi nei chip per l’AI

Il business dei chip custom di AWS cresce a tripla cifra grazie agli accordi decennali con OpenAI e Anthropic

Venticinque miliardi di dollari. Non è il fatturato di una divisione cloud, né il giro d’affari di un hyperscaler minore. È il run rate annuale che il business dei chip personalizzati di Amazon ha appena rivelato, con una crescita anno su anno a tripla cifra. Un dato che fino a ieri non esisteva nei bilanci pubblici e che oggi costringe a ricalibrare qualsiasi analisi sulla supply chain dell’intelligenza artificiale. Per chi segue le dinamiche infrastrutturali — dove ogni punto percentuale di efficienza si traduce in milioni di dollari di margine operativo — il numero ha un significato preciso: il baricentro del silicio per AI si sta spostando, e lo sta facendo lontano dai riflettori delle GPU generaliste.

Il run rate che sposta gli equilibri

Amazon non ha costruito questo business dal nulla in dodici mesi. Il run rate di 25 miliardi si appoggia su un portfolio di silicio che comprende i processori Graviton basati su architettura Arm, i sistemi Nitro che virtualizzano l’I/O degli EC2, e la famiglia Trainium/Inferentia dedicata al machine learning. La novità è il salto generazionale: Trainium3, svelato contestualmente al dato di fatturato, promette fino al 40% in più di rapporto prezzo-prestazioni rispetto a Trainium2. Tradotto: per un laboratorio che spende 100 milioni l’anno in compute per training, il passaggio a Trainium3 libera circa 28 milioni che possono essere reinvestiti in capacità aggiuntiva o trattenuti a margine. Non è un incremento incrementale: è una leva competitiva che modifica i calcoli di make-or-buy delle infrastrutture AI. E dietro questi numeri, ci sono contratti che spiegano molto meglio delle specifiche tecniche dove sta andando il mercato.

Il club dei miliardi: Anthropic, OpenAI e la fuga dai chip generici

Il dato di run rate non esisterebbe senza due accordi che hanno ridisegnato la mappa della domanda di silicio. A febbraio 2026, OpenAI si è impegnata a consumare circa 2 gigawatt di capacità Trainium attraverso l’infrastruttura AWS — un contratto che vincola il laboratorio di Sam Altman al silicio personalizzato di Amazon per una quota significativa del proprio fabbisogno computazionale. Due mesi dopo, ad aprile, Anthropic ha alzato la posta: oltre 100 miliardi di dollari in dieci anni per tecnologie AWS, con l’opzione di assorbire fino a 5 gigawatt di nuova capacità per addestrare ed eseguire Claude. L’impegno copre esplicitamente i chip Graviton e Trainium2 fino a Trainium4, con diritto di acquisto sulle generazioni future. In pratica, Anthropic si è legata alla roadmap del silicio Amazon con un orizzonte che va ben oltre il ciclo di vita di qualsiasi GPU attuale.

Chi vince e chi perde in questa partita? I laboratori di AI ottengono capacità garantita e costi prevedibili in un mercato dove la disponibilità di GPU è strutturalmente sotto stress. AWS incassa impegni decennali che trasformano la volatilità del cloud in ricavi ricorrenti. Chi rischia è chi produce chip generalisti e conta su una domanda frammentata. Secondo Daniel Newman del Futurum Group, gli ASIC personalizzati cresceranno più velocemente del mercato delle GPU nei prossimi anni. Non è una previsione marginale: significa che la fetta di domanda che si rivolge a chip su misura — Trainium, TPU di Google e simili — si espanderà a scapito della quota catturabile dai fornitori generalisti. Per Nvidia, che domina il mercato GPU per data center, non è una minaccia esistenziale nel breve termine, ma è un segnale che i clienti con le tasche più profonde stanno costruendo alternative. E lo fanno su binari proprietari.

La gabbia dorata del silicio su misura

La storia di come Amazon sia arrivata fin qui non inizia con l’AI generativa. Inizia nel 2015, con l’acquisizione di Annapurna Labs, una piccola azienda israeliana di semiconduttori che nessuno, all’epoca, lesse come una mossa destinata a ridefinire l’infrastruttura cloud. Da quell’operazione sono nate cinque generazioni del sistema AWS Nitro — il layer di virtualizzazione che ha progressivamente liberato risorse di calcolo sottraendole all’hypervisor — tre generazioni di processori Graviton, e i chip Trainium e Inferentia ottimizzati per machine learning. Un decennio di iterazioni silenziose che oggi consegnano ad AWS un vantaggio strutturale: il controllo dell’intero stack, dal silicio all’applicazione, senza dipendere da roadmap altrui.

Ma c’è un rovescio della medaglia, e va chiamato con il suo nome: lock-in. Quando un laboratorio firma un impegno che copre Trainium2, Trainium3 e Trainium4 — con opzione sulle generazioni successive — sta di fatto delegando la propria capacità di innovazione infrastrutturale a un unico fornitore. Ogni dollaro investito nell’ecosistema Trainium è un dollaro che non va in architetture alternative, e la migrazione del carico di lavoro fuori da AWS diventa progressivamente più costosa man mano che l’integrazione con il silicio proprietario si approfondisce. Non è un accidente, è il meccanismo. La domanda che resta aperta — e che nessuno dei comunicati stampa affronta — è se l’AI del futuro sarà addestrata su infrastrutture interoperabili o se i mattoni fondamentali dell’intelligenza artificiale saranno incatenati a singoli giardini recintati, con AWS che si candida a esserne il gatekeeper meglio posizionato. La notizia non sono i chip. La notizia è la rete di dipendenze che Amazon sta tessendo intorno all’intelligenza artificiale. E mentre l’industria si accapiglia sulle performance dichiarate, pochi guardano il lucchetto.