La corsa all’intelligenza artificiale non riguarda solo software e modelli: al centro c’è anche l’hardware che rende possibile l’elaborazione su larga scala. Nelle ultime notizie dal mondo Amazon, l’amministratore delegato Andy Jassy ha dedicato spazio alla crescita del business dei chip dell’azienda durante la recente call sui risultati trimestrali. I numeri indicano un’accelerazione significativa nel primo trimestre, con una spinta legata sia ai chip per l’AI sia alle CPU per carichi di lavoro sempre più complessi. Per imprese e creator che lavorano con il cloud, queste dinamiche aiutano a capire dove si muove il mercato e perché l’offerta AWS sta puntando con decisione su silicio proprietario.

Crescita del silicio proprietario di Amazon
Andy Jassy ha spiegato che il business dei chip di Amazon ha registrato quasi il 40% di crescita trimestre su trimestre nel Q1 e che il run rate di ricavi annuali ha superato i 20 miliardi di dollari, con tassi di crescita a tre cifre anno su anno. Ha inoltre osservato che, se l’attività fosse considerata come un’azienda “stand-alone” che vendesse i chip prodotti ad AWS e a terze parti, il run rate sarebbe nell’ordine di circa 50 miliardi di dollari. In base alle valutazioni interne citate, il business del custom silicon per data center rientrerebbe ormai tra i primi tre al mondo per questa categoria. Il messaggio è chiaro: l’infrastruttura non è un elemento accessorio, ma una leva industriale e competitiva che sta cambiando i rapporti di forza nel cloud.

Trainium: domanda elevata e roadmap già prenotata
Sul fronte dell’AI, Jassy ha richiamato l’attenzione sugli impegni pluriennali legati a Trainium, citando accordi “molto grandi” con Anthropic e OpenAI, oltre a un numero crescente di aziende che stanno adottando Trainium, come Uber. Amazon indica inoltre oltre 225 miliardi di dollari di impegni di ricavi per Trainium. Dal punto di vista tecnico-economico, Trainium2 viene descritto con un vantaggio di circa il 30% nel rapporto prezzo-prestazioni rispetto a GPU comparabili, al punto da risultare in larga parte esaurito. Trainium3, avviato alle spedizioni all’inizio del 2026 e indicato come 30–40% più efficiente di Trainium2 sul piano prezzo-prestazioni, risulta quasi completamente sottoscritto; anche Trainium4, ancora a circa 18 mesi dalla disponibilità ampia, avrebbe già prenotazioni rilevanti. Per chi pianifica capacità AI, questi segnali suggeriscono un mercato in cui l’accesso a compute specializzato diventa un tema strategico tanto quanto il costo.

Graviton e il ruolo crescente delle CPU nell’AI
Un passaggio chiave riguarda l’idea, ancora diffusa, che l’AI sia “solo una storia di GPU”. Jassy ha evidenziato invece come i workload agentici—ragionamento in tempo reale, generazione di codice, reinforcement learning e orchestrazione di task multi-step—stiano aumentando in modo importante la domanda di CPU. In questo contesto si inserisce l’annuncio del commitment di Meta a utilizzare decine di milioni di core Graviton, per sostenere carichi CPU-intensive collegati all’agentic AI. Secondo quanto riportato, Graviton offrirebbe fino al 40% di migliore prezzo-prestazioni rispetto ad altri processori x86 e sarebbe ormai usato dal 98% dei primi 1.000 clienti EC2. Il quadro che emerge è di una piattaforma che mira a coprire, con Trainium e Graviton, sia l’addestramento e l’inferenza sia i carichi di orchestrazione e post-training, in una fase in cui l’AI passa dal “rispondere” al “fare”.

Conclusione
La crescita dei chip Amazon mostra come l’innovazione nel cloud stia diventando sempre più verticale: hardware, efficienza energetica, disponibilità di capacità e contratti pluriennali si intrecciano con le scelte di prodotto. Per aziende, brand e creator che sviluppano servizi basati su AI, la lezione è operativa: valutare non solo il modello o il framework, ma anche l’infrastruttura sottostante, i vincoli di fornitura e il rapporto prezzo-prestazioni. In uno scenario di aggiornamenti in tempo reale sul mercato dell’AI, pianificare per tempo la strategia cloud e la scalabilità—anche in termini di CPU e non solo di GPU—può fare la differenza tra sperimentare e industrializzare.