Intelligenza artificiale, il limite è l'energia. La sfida dei data center e il caso Lektra

La competizione nell'intelligenza artificiale viene spesso misurata attraverso la dimensione dei modelli, la disponibilità dei chip e la velocità con cui le aziende introducono nuovi servizi. Dietro questa corsa esiste però un'infrastruttura fisica che ne determina le possibilità di sviluppo: i data center e l'energia necessaria per alimentarli.

Ogni servizio di intelligenza artificiale richiede risorse di calcolo. L'addestramento dei modelli più complessi, l'inferenza su larga scala e le applicazioni aziendali possono richiedere server specializzati, acceleratori grafici e sistemi di raffreddamento. Con l'aumento della domanda, cresce anche la necessità di strutture capaci di ospitare queste risorse e garantire continuità operativa.

Il problema è che la costruzione di nuova capacità informatica non dipende soltanto dalla disponibilità di capitale e hardware. Servono terreni, connessioni elettriche, autorizzazioni, infrastrutture di rete e sistemi di gestione termica. In alcuni mercati, questi elementi stanno diventando fattori determinanti per la velocità di espansione del settore.

La domanda di calcolo incontra i limiti della rete elettrica

I data center sono infrastrutture ad alta intensità energetica. La loro espansione può aumentare la pressione sulle reti elettriche locali, soprattutto quando grandi complessi vengono concentrati in aree già caratterizzate da una domanda elevata.

Un articolo di revisione pubblicato nel dicembre 2025 sulla rivista Energies analizza le difficoltà tecniche che emergono dall'integrazione dei data center AI nei sistemi elettrici, tra cui la crescita dei carichi, la pianificazione della rete e la gestione della domanda. Fonte scientifica.

Il problema non si risolve semplicemente producendo più elettricità. La disponibilità di energia deve coincidere con il luogo nel quale viene richiesta, con la capacità delle infrastrutture di trasportarla e con i tempi necessari per realizzare nuove connessioni.

Un progetto può disporre di finanziamenti e hardware, ma rimanere rallentato dall'assenza di una connessione elettrica adeguata. Allo stesso modo, un sito con energia disponibile non è automaticamente idoneo a ospitare un data center: servono connettività, sicurezza, sistemi di raffreddamento, affidabilità operativa e requisiti tecnici compatibili con i carichi di lavoro previsti.

Questa distinzione è importante per comprendere l'economia delle infrastrutture AI. Il costo di un servizio di calcolo non dipende soltanto dal prezzo delle GPU. Deve comprendere anche energia, installazione, manutenzione, rete, raffreddamento, ammortamento delle apparecchiature e utilizzo effettivo della capacità disponibile.

Quando una parte di questi costi aumenta, il vantaggio competitivo può spostarsi verso gli operatori capaci di installare risorse rapidamente, utilizzare meglio gli impianti e mantenere elevati livelli di occupazione dei server.

I tempi di costruzione diventano un fattore competitivo

I grandi data center offrono vantaggi importanti: economie di scala, concentrazione delle competenze tecniche, gestione centralizzata e possibilità di ospitare grandi quantità di hardware. Tuttavia, la realizzazione di nuove strutture può richiedere tempi significativi, soprattutto quando occorrono nuove connessioni elettriche o autorizzazioni.

Per il mercato AI, il tempo necessario a rendere disponibile capacità aggiuntiva può diventare importante quanto il costo dell'investimento. Le imprese che sviluppano modelli, software e servizi digitali devono poter accedere alle risorse di calcolo in funzione delle proprie esigenze, senza sostenere costi eccessivi per capacità inutilizzata o attendere a lungo l'espansione delle infrastrutture.

Da qui nasce l'interesse per modelli alternativi, tra cui il cloud specializzato, le infrastrutture distribuite e i sistemi di calcolo installati più vicino ai luoghi nei quali esistono già risorse energetiche e connessioni utilizzabili.

La distribuzione, tuttavia, non rappresenta una soluzione universale. Un'infrastruttura composta da molti nodi deve affrontare problemi di coordinamento, manutenzione, sicurezza, disponibilità dell'hardware e gestione delle connessioni. Inoltre, non tutti i carichi di lavoro possono essere distribuiti indifferentemente: alcune applicazioni richiedono una rete a bassa latenza o una capacità di calcolo concentrata.

L'integrazione tra energia rinnovabile e capacità di calcolo

Un'altra direzione di sviluppo consiste nel collegare più strettamente la produzione energetica alla domanda di calcolo. Siti dotati di impianti rinnovabili e sistemi di accumulo possono rappresentare una possibilità per installare infrastrutture informatiche, purché siano disponibili condizioni tecniche ed economiche adeguate.

Il principio è valorizzare risorse già presenti, evitando di considerare ogni nuova capacità di calcolo come un progetto che debba necessariamente partire dalla costruzione di un grande campus dedicato.

Questo approccio può favorire una maggiore flessibilità, ma richiede un'analisi accurata. La produzione rinnovabile può essere variabile; l'accumulo ha costi e limiti; i carichi di lavoro AI possono richiedere continuità operativa. Il sistema deve quindi garantire un equilibrio tra disponibilità energetica, affidabilità e costo del servizio.

Anche il rapporto tra energia rinnovabile e intelligenza artificiale va valutato senza semplificazioni. Alimentare un data center con energia proveniente da fonti rinnovabili non elimina automaticamente l'impatto ambientale dell'hardware, della costruzione o dei consumi complessivi. Il risultato dipende dall'origine dell'energia, dal funzionamento dell'impianto e dall'effettiva efficienza delle operazioni.

La questione industriale è capire se questi modelli riescano a offrire capacità di calcolo competitiva, riducendo i tempi di installazione o migliorando l'utilizzo delle risorse energetiche.

Il business del calcolo oltre i grandi operatori cloud

Il mercato delle infrastrutture AI apre spazi a diversi livelli della filiera. Accanto agli hyperscaler, che investono in grandi complessi, operano provider specializzati, società che noleggiano GPU e aziende che sviluppano piattaforme per coordinare risorse distribuite.

Il potenziale commerciale è legato alla capacità di rispondere a esigenze specifiche: disponibilità rapida di GPU, prezzi competitivi, configurazioni dedicate, distribuzione geografica o servizi specializzati per determinati settori.

Per gli operatori emergenti, però, la domanda commerciale deve tradursi in capacità operativa. Una lista di potenziali clienti non equivale a contratti firmati, così come la domanda di GPU non genera ricavi finché le risorse richieste non sono disponibili e utilizzate.

Gli indicatori da osservare comprendono il numero di GPU effettivamente installate, il tasso di utilizzo, il costo per unità di calcolo, i ricavi ricorrenti, i margini operativi e il capitale necessario per espandere la capacità. È inoltre fondamentale distinguere tra risorse già operative e progetti ancora in fase di sviluppo.

Lektra e il modello delle infrastrutture distribuite

In questo scenario si inserisce Lektra, startup statunitense che sviluppa una piattaforma per realizzare nodi di calcolo AI presso siti energetici distribuiti, in particolare infrastrutture associate a impianti solari e sistemi di accumulo.

Secondo la scheda pubblicata su UCapital Dealflow, il modello prevede che i partner mettano a disposizione energia, spazio e connettività, mentre Lektra fornisce le GPU, il coordinamento cloud e il rapporto con i clienti che necessitano di capacità di calcolo.

La società dichiara di avere già avviato un primo sito operativo a Kearny, nel New Jersey, e riporta una domanda superiore alla capacità GPU allora disponibile. La scheda indica inoltre un obiettivo di raccolta di 25 milioni di dollari e ricavi degli ultimi dodici mesi pari a 4,6 milioni di dollari. Si tratta di informazioni dichiarate nel profilo aziendale, da distinguere dai risultati futuri ancora da verificare.

La crescita del progetto dipenderà dalla capacità di installare nuove GPU, ampliare i siti operativi e soddisfare la domanda senza compromettere l'economia del servizio. Sarà importante verificare anche la continuità dell'alimentazione, l'utilizzo effettivo delle apparecchiature e i costi necessari per mantenere competitiva la piattaforma.

La questione va oltre la singola impresa. Con l'aumento della domanda di intelligenza artificiale, il vantaggio competitivo potrebbe dipendere sempre più dalla capacità di combinare hardware, energia e infrastrutture in modelli economicamente sostenibili. La sfida non consiste soltanto nel costruire più data center, ma nel rendere disponibile il calcolo giusto, nel posto giusto e al costo giusto.

Lektra — Energy-native AI infrastructure platform