Meta ha bisogno di Gemini

Meta ha scelto Gemini di Google per alcuni carichi di lavoro, segno di una dipendenza strutturale

La scorsa settimana è emerso un dettaglio che suona come un paradosso nell’industria dell’intelligenza artificiale: Google ha limitato l’accesso ai modelli Gemini a un suo grande cliente. Quel cliente è Meta — la stessa azienda che sviluppa Llama, la famiglia di modelli linguistici open source che nelle intenzioni dichiarate dovrebbe rappresentare l’alternativa indipendente alle piattaforme proprietarie. Il fatto che chi semina modelli aperti finisca per raccogliere servizi dalla concorrenza è più di una curiosità da addetti ai lavori. È il sintomo di una tensione strutturale: la fame di calcolo per l’IA sta crescendo più in fretta della capacità di qualunque fornitore cloud di soddisfarla, per quanto grandi siano gli assegni firmati per nuovi chip e data center.

La vicenda è istruttiva perché ribalta uno dei presupposti su cui si regge l’intero dibattito sull’IA generativa: l’idea che basti investire abbastanza denaro in silicio e infrastrutture per scalare senza limiti. I fatti, emersi nei giorni scorsi, raccontano una realtà diversa. Persino un hyperscaler come Google, con le sue reti di data center distribuiti su scala planetaria, si trova a dover razionare l’accesso ai propri modelli più avanzati. E a farlo proprio nei confronti di un’azienda che, sulla carta, dovrebbe essere in grado di fare da sé.

Quando il rivale diventa fornitore

Meta sviluppa Llama, una famiglia di modelli linguistici di grandi dimensioni rilasciati con licenze aperte. Eppure, stando a quanto ricostruito da fonti giornalistiche che hanno seguito la vicenda, l’azienda di Mark Zuckerberg è diventata dipendente da Gemini di Google per soddisfare determinate esigenze operative. Non è un dettaglio minore: significa che per alcune funzioni — probabilmente legate a carichi di lavoro interni, ricerca o elaborazione su scala — Meta ha scelto di appoggiarsi ai modelli del principale concorrente anziché usare i propri.

L’ironia è evidente. Meta ha costruito la propria reputazione nell’IA proprio sull’apertura e l’autosufficienza: Llama è il modello open weight più diffuso, usato da sviluppatori e aziende che vogliono evitare la dipendenza da fornitori come OpenAI o Google. Ma quando si tratta di potenza di calcolo grezza e di modelli già pronti per determinati compiti, nemmeno il creatore di Llama può fare a meno di bussare alla porta del vicino. Google ha imposto un tetto all’uso di Gemini a Meta e ad altri clienti che si sono visti negare la capacità richiesta — una decisione che rivela quanto questa dipendenza sia ormai strutturale.

E qui si apre la domanda successiva: perché Google, che ha tutto l’interesse commerciale a vendere accesso ai propri modelli, decide di chiudere i rubinetti? La risposta sta nei limiti fisici di un’infrastruttura che, nonostante investimenti da decine di miliardi di dollari, non riesce a tenere il passo.

L’infrastruttura scricchiola

Nonostante la spesa in chip, data center e reti elettriche abbia raggiunto cifre che si contano in decine di miliardi di dollari all’anno, anche le aziende tecnologiche più capitalizzate faticano a ottenere potenza di calcolo sufficiente per sostenere la domanda in rapida crescita di modelli avanzati e servizi di IA. Il problema non è soltanto la disponibilità di GPU — per quanto le forniture di NVIDIA continuino a rappresentare un collo di bottiglia noto a tutti — ma l’intera catena dell’infrastruttura cloud: dalla capacità di raffreddamento dei data center alla banda di rete interna, fino alla semplice disponibilità di energia elettrica sufficiente ad alimentare cluster che consumano sempre di più.

Un grande modello linguistico come Gemini, quando viene servito in produzione, non è un software che gira su un server e basta. Ogni richiesta attiva una cascata di operazioni su centinaia o migliaia di acceleratori, con latenze che devono restare sotto determinate soglie per risultare utilizzabili. Moltiplicare questa architettura per decine di migliaia di clienti simultanei — ciascuno con i propri carichi di lavoro, picchi di utilizzo e requisiti di latenza — richiede una pianificazione dell’overprovisioning che consuma margini operativi e satura rapidamente qualunque capacità installata. Google lo sa bene, perché gestisce questa infrastruttura sia per i propri prodotti interni sia per i clienti della piattaforma cloud. Ed è proprio questa doppia pressione — servire sé stessi e servire gli altri — a creare il punto di rottura che è emerso la scorsa settimana.

Il dettaglio tecnico che rende la situazione particolarmente acuta per Meta è la natura del carico di lavoro. I modelli linguistici di grandi dimensioni non sono tutti uguali quando si tratta di consumo di risorse: l’inferenza su Gemini — la fase in cui il modello genera effettivamente testo, codice o analisi — è notoriamente dispendiosa in termini computazionali, e Google ha probabilmente calcolato che servire Meta ai livelli richiesti avrebbe sottratto capacità ad altri clienti o ai propri servizi. Quando un fornitore cloud dice che semplicemente non può fornire la capacità richiesta, non sta negoziando: sta descrivendo un limite fisico.

La decisione di Google offre uno spaccato piuttosto raro sulle pressioni infrastrutturali e sui colli di bottiglia che si stanno accumulando nell’intera industria dell’IA. Non è una questione di budget o di volontà strategica: è un problema di capienza.

La corsa nell’orto del vicino

Da questa tensione emergono conseguenze pratiche che chiunque operi nel settore — dai responsabili tecnici delle grandi aziende agli sviluppatori indipendenti — sta già affrontando. Dipendere da un fornitore che è anche un concorrente diretto complica qualunque pianificazione a medio termine: le tempistiche di accesso ai modelli diventano incerte, le garanzie di capacità evaporano, e la possibilità stessa di scalare un servizio basato su IA si scontra con decisioni prese a chilometri di distanza, in sale riunioni dove si decide a chi assegnare la potenza di calcolo disponibile quel trimestre.

Per Meta, il tetto imposto da Google significa dover rivedere l’allocazione di risorse tra modelli interni e servizi esterni, con potenziali rallentamenti su progetti che erano stati calibrati su una certa disponibilità di calcolo. Per il resto del mercato, il segnale è netto: se nemmeno un’azienda con il potere finanziario e tecnico di Meta può contare su un accesso garantito ai modelli di un hyperscaler, cosa possono aspettarsi le imprese più piccole o i team di ricerca che non hanno l’opzione di sviluppare modelli propri?

La domanda che resta aperta è se questa scarsità sia un fenomeno temporaneo — destinato a rientrare quando nuovi data center entreranno in funzione e nuove generazioni di chip arriveranno sul mercato — oppure se stiamo entrando in una fase in cui la crescita della domanda di calcolo per l’IA sarà strutturalmente più rapida della crescita dell’offerta. Se così fosse, la dipendenza incrociata tra concorrenti che abbiamo appena visto emergere non sarebbe un’anomalia, ma il nuovo assetto permanente del settore.

Chi fa IA oggi deve calcolare non solo i chip a disposizione, ma l’accesso effettivo alla fornitura. L’immagine che resta, al netto degli annunci e delle roadmap, è quella di un costruttore di case che ha i mattoni ma aspetta l’acqua dal rubinetto del vicino. E il vicino, a un certo punto, ha chiuso la valvola.