Nvidia sta per comprare Hugging Face per 12,93 miliardi di dollari. Una mossa che secondo molti osservatori può servire a diversificare il mercato, sostenendo i modelli open, alternativi a quelli dei colossi.
Al tempo stesso è inevitabile notare il paradosso: l’acquisizione andrà a concentrare di più il mercato, nelle mani di un soggetto, Nvidia, che si candida a essere sempre più il baricentro della filiera AI. Punto di tramite tra infrastrutture (chip), modelli e, con Hugging Face, piattaforme di distribuzione.
Indice degli argomenti
L’acquisizione di Hugging Face da parte di Nvidia
Vediamo i numeri. Nvidia ha raggiunto l’accordo definitivo il 2 settembre; il closing è previsto nella prima metà del 2027 e resta subordinato alle autorizzazioni regolatorie. Il prezzo comprende circa 11,9 miliardi destinati agli azionisti e fino a un miliardo in incentivi azionari per trattenere i dipendenti di Hugging Face.
La dimensione strategica si comprende dai numeri della piattaforma: più di 18 milioni di sviluppatori, oltre tre milioni di modelli, 500 mila dataset e un milione di applicazioni. Più di 200 mila imprese la utilizzano per individuare, valutare, personalizzare o mettere in produzione sistemi di AI. Nvidia ha promesso che Hugging Face continuerà a supportare modelli, cloud e processori concorrenti e che l’hardware Nvidia non sarà necessario per utilizzare la piattaforma.
È proprio questa promessa a indicare quale sarà uno dei nodi dell’operazione. Nvidia non compra semplicemente un’altra società di AI: mette le mani, se l’acquisizione sarà approvata, su una delle principali infrastrutture di distribuzione dell’AI aperta.
Perché Hugging Face è diventata un’infrastruttura dell’intelligenza artificiale
Hugging Face ha assunto progressivamente per i modelli AI un ruolo per certi aspetti analogo a quello svolto dai repository di software nel mondo dello sviluppo. Un’impresa, una pubblica amministrazione, un’università o uno sviluppatore possono cercare un modello, confrontarlo con altri, scaricarlo, modificarlo, effettuare fine-tuning e distribuirlo nella propria infrastruttura.
Qui occorre però distinguere open source e open-weight, termini spesso utilizzati impropriamente come sinonimi. In un modello open-weight sono disponibili i parametri numerici appresi durante l’addestramento, sufficienti per eseguirlo e normalmente anche per adattarlo. Non significa necessariamente che siano aperti anche codice, dati di addestramento, metodologia e ogni altro componente.
La distinzione non è soltanto terminologica. È presente anche nell’AI Act europeo: alcune esenzioni previste per i modelli general purpose distribuiti con licenza libera e open source richiedono non soltanto la disponibilità dei pesi ma anche determinate condizioni di apertura e trasparenza; inoltre le esenzioni non valgono per i modelli classificati a rischio sistemico.
Per le aziende il punto economico rimane comunque importante. Poter scaricare un modello consente di evitare la dipendenza esclusiva dall’API di un singolo fornitore, scegliere dove eseguire l’inferenza, effettuare personalizzazioni profonde e, in determinati volumi e casi d’uso, ridurre i costi.
Questo non significa che un modello aperto sia automaticamente meno costoso. Gestire autonomamente GPU, sicurezza, aggiornamenti, orchestrazione e monitoraggio ha un prezzo. Ma cambia la struttura del costo e soprattutto aumenta il potere contrattuale dell’utilizzatore: il modello può essere spostato da un cloud all’altro o installato su infrastrutture proprie, almeno in teoria.
Ed è qui che la questione industriale si incontra con quella della sovranità digitale.
Il paradosso della sovranità: più controllo sul modello, più concentrazione nello stack
Jensen Huang, ceo e fondatore di Nvidia, ha inserito esplicitamente la “sovranità” tra i benefici dei modelli aperti. La tesi è comprensibile: se un ospedale, un’amministrazione o un’impresa può scaricare un modello ed eseguirlo nella propria infrastruttura, conserva un controllo sui dati e sul funzionamento del sistema che non possiede quando tutto passa attraverso una API proprietaria.
È anche la posizione che l’Europa sta progressivamente facendo propria. La nuova strategia europea sull’open source considera infatti le tecnologie aperte uno strumento per ridurre lock-in e dipendenza dai fornitori extraeuropei. La Commissione riconosce esplicitamente che una parte rilevante del valore creato dalle comunità open source europee viene oggi catturata da imprese collocate fuori dall’Unione.
L’acquisizione di Hugging Face rivela però una contraddizione, si diceva.
Un’organizzazione europea può diventare più autonoma da OpenAI o Anthropic utilizzando un modello open-weight, ma continuare a dipendere da tecnologie americane per quasi tutto ciò che lo circonda: GPU, librerie software, networking, cloud e ora anche una delle principali piattaforme di distribuzione dei modelli.
La sovranità dell’utilizzatore e la sovranità della filiera non sono quindi la stessa cosa.
È possibile avere il pieno possesso dei pesi di un modello e contemporaneamente dipendere da Nvidia per l’hardware e dal suo ecosistema software per farlo funzionare in modo efficiente. Se poi anche il principale luogo nel quale quei modelli vengono pubblicati, classificati e messi a disposizione del mercato appartiene al produttore dominante di acceleratori AI, una dipendenza viene ridotta mentre un’altra può rafforzarsi.
Dalla GPU al modello: Nvidia sale lungo tutta la catena del valore
L’operazione va letta nella trasformazione di Nvidia da produttore di chip a fornitore di una piattaforma AI sempre più completa.
Alle GPU si sono aggiunti networking, sistemi completi per data center, CUDA, librerie software, strumenti di sviluppo, modelli propri e investimenti nelle cosiddette neocloud. Con Hugging Face arriva un ulteriore livello: quello nel quale sviluppatori e imprese scelgono quale modello utilizzare.
Questa integrazione offre a Nvidia un evidente vantaggio industriale. Più numerosi e competitivi diventano i modelli aperti, meno il mercato dell’AI dipende da un piccolo gruppo di laboratori proprietari come OpenAI, Anthropic o Google. E più modelli, sviluppatori e applicazioni esistono, maggiore può diventare la domanda complessiva di capacità di calcolo.
È particolarmente importante perché alcuni dei maggiori clienti di Nvidia stanno contemporaneamente sviluppando acceleratori propri. Sostenere un ecosistema molto più frammentato di produttori di modelli permette quindi al gruppo di ridurre la dipendenza dai pochi hyperscaler e frontier lab che oggi acquistano enormi quantità di GPU.
La concentrazione dei ricavi rimane infatti notevole: nel primo semestre dell’esercizio fiscale 2027 tre clienti diretti hanno rappresentato rispettivamente il 16, il 15 e il 13 per cento delle entrate Nvidia.
Hugging Face offre la possibilità di allargare la base della piramide: non soltanto poche aziende che addestrano giganteschi modelli frontier, ma milioni di sviluppatori e centinaia di migliaia di imprese che eseguono modelli differenti.
Il nodo concorrenza: una piattaforma aperta controllata dal leader dei chip
È anche il motivo per cui l’acquisizione sarà probabilmente osservata con attenzione dalle autorità antitrust.
Non necessariamente perché Nvidia debba trasformare Hugging Face in una piattaforma chiusa. Anzi, l’azienda ha formalizzato nell’accordo l’impegno a continuare a consentire l’utilizzo di modelli e dataset scelti dagli utenti e a supportare processori di altri produttori.
Il problema concorrenziale può essere più sottile.
Chi controlla una piattaforma dispone di numerosi modi per influenzarne l’ecosistema senza vietare formalmente i concorrenti: integrazioni migliori, ottimizzazioni tecniche, servizi enterprise, accesso alla capacità di calcolo, strumenti di inferenza, visibilità dei modelli e standard utilizzati dagli sviluppatori.
Le autorità hanno già individuato questa dinamica come uno dei temi sensibili dell’AI. Un’indagine della Federal Trade Commission sulle partnership tra grandi cloud provider e sviluppatori di modelli ha segnalato, tra i possibili problemi, l’aumento dei costi di switching, l’accesso privilegiato a informazioni tecniche e commerciali e gli accordi che legano finanziamento e acquisto di servizi cloud.
Nel caso Nvidia-Hugging Face la questione sarà ancora diversa, perché si tratta di un’acquisizione verticale. Ma la domanda di fondo è simile: quante parti della catena dell’AI può controllare lo stesso soggetto prima che la possibilità teorica di scegliere tra più fornitori venga ridotta dalla convenienza pratica di restare all’interno dello stesso ecosistema?
Nvidia come “banca centrale” dell’AI, con rischio cicolarità.
C’è poi un secondo fenomeno che l’acquisizione aiuta a mettere a fuoco: la crescente circolarità finanziaria degli investimenti nell’intelligenza artificiale.
Il New York Times descrive Nvidia come una sorta di “central banker” della Silicon Valley. Negli ultimi anni l’azienda non si è limitata a vendere GPU: ha utilizzato l’enorme liquidità generata dal boom dell’AI per investire nei produttori di modelli, finanziare fornitori di cloud e garantire la realizzazione di data center nei quali verranno installati i suoi stessi sistemi. Il quotidiano rileva che questa struttura ha alimentato critiche sulla circolarità di alcune operazioni: società tecnologiche ricevono capitale da imprese dalle quali successivamente acquistano capacità di calcolo, cloud o hardware.
Il meccanismo può essere rappresentato così: Nvidia genera cassa vendendo acceleratori; una parte di quella cassa viene investita in aziende AI o utilizzata per sostenere finanziariamente nuovi data center; quelle società possono così acquistare o affittare infrastruttura basata su GPU Nvidia; le vendite contribuiscono a generare nuova cassa che può essere nuovamente investita nell’ecosistema.
Non è un fenomeno limitato a Nvidia. Le grandi partnership tra cloud provider e produttori di modelli hanno spesso combinato partecipazioni societarie e impegni di spesa sul cloud dello stesso investitore. È proprio uno degli elementi rilevati dalla FTC nella sua analisi del mercato.
Ma Nvidia ha portato il meccanismo a una nuova scala.
CoreWeave e il maxi data center per OpenAI: come funziona il circuito
Un esempio è CoreWeave. Nel gennaio 2026 Nvidia ha investito altri 2 miliardi di dollari nella società, una delle principali AI cloud nate intorno alla disponibilità di GPU Nvidia. Contestualmente le due aziende hanno ampliato la collaborazione per costruire oltre 5 GW di AI factory entro il 2030.
Un caso ancora più impressionante è quello dell’Ohio. In agosto Nvidia ha assunto garanzie legate alla costruzione del campus PORTS-Pike di SB Energy, destinate a sostenere inizialmente 4,25 GW di capacità IT. Nei documenti depositati alla SEC il limite complessivo potenziale delle garanzie arriva a 105 miliardi di dollari. La capacità sarà utilizzata attraverso contratti ventennali da OpenAI e il campus ospiterà sistemi di calcolo Nvidia; il produttore di chip ha inoltre annunciato un investimento da 1,5 miliardi in SB Energy.
Sono operazioni che mostrano quanto sia cambiato il mestiere di Nvidia. Non basta più progettare il miglior acceleratore: occorre fare in modo che esistano i data center, l’energia, il credito, i clienti e gli sviluppatori necessari a utilizzarlo.
L’acquisto di Hugging Face aggiunge al circuito anche la domanda proveniente dal livello software e dai modelli.
Investimenti circolari significa bolla?
È però troppo semplice concludere che la presenza di flussi circolari dimostri automaticamente l’esistenza di una bolla.
In molti settori ad alta intensità di capitale i produttori hanno finanziato direttamente o indirettamente i propri clienti. Il vendor financing è servito storicamente a far nascere nuovi mercati, dalle telecomunicazioni alle grandi infrastrutture industriali.
Nel caso dell’AI esiste inoltre un problema concreto: per creare domanda futura occorre costruire oggi infrastruttura estremamente costosa. Senza garanzie e capitali messi a disposizione dai soggetti con i bilanci più forti, molte società non riuscirebbero ad accedere alle decine di miliardi necessarie per edificare data center e acquistare acceleratori.
La vera discriminante è quindi un’altra: alla fine del circuito deve comparire una domanda esterna capace di generare ricavi e margini sufficienti.
Se imprese, consumatori e pubbliche amministrazioni utilizzeranno su larga scala applicazioni AI economicamente sostenibili, il capitale anticipato oggi avrà finanziato la costruzione di una nuova infrastruttura industriale.
Se invece una parte troppo grande della domanda di GPU continuerà a dipendere dal denaro fornito direttamente o indirettamente dagli stessi produttori di infrastruttura, il sistema diventerà molto più fragile.
Dove sono i rischi della circolarità finanziaria
Il primo rischio è confondere la crescita degli investimenti con la crescita della domanda finale. Un ordine di GPU finanziato attraverso capitale o garanzie provenienti dallo stesso ecosistema tecnologico non fornisce lo stesso segnale economico di un acquisto pagato con il cash flow generato da clienti finali.
Il secondo riguarda la concentrazione. L’intero sistema è composto da un numero relativamente limitato di chipmaker, hyperscaler, sviluppatori di modelli e AI cloud che contemporaneamente sono clienti, fornitori, investitori e partner gli uni degli altri.
Il terzo è tecnologico. I data center vengono finanziati su orizzonti pluriennali, mentre gli acceleratori AI vengono sostituiti da nuove generazioni a una velocità molto elevata. La redditività delle infrastrutture dipende quindi dall’utilizzo effettivo della capacità nel corso del tempo, non soltanto dal valore dei contratti annunciati alla loro costruzione.
Infine c’è il rischio finanziario vero e proprio: garanzie, debito e contratti di lungo periodo trasferiscono nel futuro una parte del rischio che oggi non appare immediatamente nei ricavi dei produttori di tecnologia.
Non significa che il sistema sia destinato a rompersi. Significa che, per valutare la solidità del boom dell’AI, diventa sempre meno sufficiente osservare soltanto capex, GPU vendute e valutazioni delle start-up. Conta capire chi paga alla fine della catena e con quali ritorni economici.
Per l’Europa Hugging Face è un test della nuova strategia di sovranità
L’acquisizione arriva proprio mentre Bruxelles sta cercando di passare da una concezione prevalentemente normativa della sovranità digitale a una politica industriale che copra l’intero stack.
Il 3 giugno la Commissione ha presentato il European Technological Sovereignty Package, che mette insieme Chips Act 2.0, Cloud and AI Development Act, strategia europea sull’open source e piano per digitalizzazione e AI nel settore energetico. L’impostazione è esplicitamente verticale: semiconduttori, infrastrutture, cloud, software e intelligenza artificiale devono essere considerati parti della stessa dipendenza strategica.
È esattamente ciò che mostra la strategia di Nvidia.
Il Cloud and AI Development Act introduce inoltre una definizione graduata di sovranità. Al primo livello conta che dati e infrastruttura siano collocati nell’Unione; ai livelli successivi entrano indipendenza da Paesi terzi, trasparenza della supply chain software, controllo societario europeo e, al livello più elevato, capacità di controllare integralmente lo stack senza interferenze di Paesi terzi.
È un modo molto più realistico di affrontare il problema. Installare in Italia un modello open-weight non rende automaticamente “sovrana” un’AI se quel modello viene eseguito su una catena tecnologica che non può essere sostituita o controllata.
Gigafactory e open source: la risposta europea
L’Europa sta cercando di intervenire anche sull’altro grande collo di bottiglia: il calcolo.
A luglio l’UE ha aperto la procedura per creare fino a sette AI Gigafactory, sostenute da fino a 10 miliardi di finanziamenti pubblici europei e nazionali con l’obiettivo di mobilitare almeno altri 20 miliardi privati. Le strutture dovranno affiancarsi alle 19 AI Factories e fornire capacità per addestramento, fine-tuning e inferenza a imprese, start-up, università e amministrazioni.
Anche qui, tuttavia, emerge il problema mostrato dall’acquisizione Hugging Face. Costruire data center europei non è sufficiente se i processori, il software di base, i modelli o le piattaforme sulle quali vengono distribuiti rimangono concentrati altrove.
La strategia europea sull’open source nasce precisamente da questa constatazione: apertura del codice e dei modelli può ridurre il lock-in, ma occorrono anche capacità di manutenzione, imprese in grado di trasformare quei progetti in prodotti, procurement pubblico, infrastrutture e soggetti europei capaci di catturarne il valore economico.
Hugging Face è quasi un caso di scuola. L’apertura crea un enorme bene comune tecnologico; il valore economico e strategico generato dalla comunità può però concentrarsi nel proprietario della piattaforma che la organizza.
Il nuovo risiko dell’AI è tra piattaforme, non soltanto tra modelli
Per questo l’operazione Nvidia-Hugging Face sposta ulteriormente il terreno della competizione.
La prima fase della corsa all’AI è stata raccontata prevalentemente come una sfida tra modelli: GPT contro Claude, Gemini, Llama, DeepSeek e gli altri sistemi emergenti.
La fase successiva riguarda invece il controllo delle infrastrutture attraverso le quali quei modelli vengono costruiti e utilizzati: chip, energia, data center, cloud, framework software, repository, servizi di inferenza e canali di distribuzione.
Nvidia sembra voler occupare più livelli possibili senza necessariamente chiuderli. Anzi, il modello economico può richiedere proprio il contrario: mantenere un ecosistema aperto, popolato da moltissimi modelli concorrenti, perché ogni nuovo modello e ogni nuova applicazione rappresentano potenzialmente altra domanda di calcolo.
È un modello di potere diverso da quello di un produttore che cerca di imporre un unico sistema proprietario.
La piattaforma può restare aperta e contemporaneamente diventare sempre più centrale.
Hugging Face, Nvidia e il decollo dell’open: cosa cambia per imprese e PA
Per un’impresa europea la lezione principale è quindi che open non equivale automaticamente a sovrano.
La valutazione di un progetto AI dovrebbe comprendere non soltanto la possibilità di accedere ai pesi del modello, ma anche la capacità di spostarlo su un’altra infrastruttura, utilizzare hardware alternativo, conservare internamente modelli e dataset, cambiare cloud provider, conoscere la licenza applicabile, controllare dove transitano i dati e mantenere un piano di uscita dal fornitore.
Lo stesso principio dovrebbe entrare negli acquisti pubblici. Una PA che vuole ridurre la dipendenza tecnologica non può limitarsi a chiedere che il modello sia open source o open-weight: deve valutare l’intera catena, compresi compute, orchestrazione, servizi gestiti, aggiornamenti e possibilità concreta di migrazione.
L’acquisizione di Hugging Face rende questo problema più evidente.
Da un lato potrebbe accelerare enormemente l’adozione dei modelli aperti, abbassare le barriere di ingresso e offrire ad aziende e amministrazioni più alternative ai grandi modelli proprietari. È la scommessa dichiarata da Nvidia e potrebbe effettivamente aumentare la capacità degli utilizzatori di controllare la propria AI.
Dall’altro, una parte ancora maggiore dell’infrastruttura che rende possibile quella libertà finirebbe sotto il controllo della stessa società.
È il paradosso che accompagnerà la prossima fase dell’intelligenza artificiale: più apertura dei modelli non significa necessariamente meno concentrazione del mercato. E la vera sovranità digitale non si misurerà dal numero di modelli che possiamo scaricare, ma dal numero di dipendenze tecnologiche dalle quali siamo realmente in grado di uscire.
Partecipa alla community