In questo articolo Indice dei contenuti 2 sezioni
I numeri sulle GPU NVIDIA B200 raccontano una storia che in qualsiasi altro settore verrebbe considerata un’anomalia contabile: a circa un anno dalla disponibilità di massa, il loro valore residuo si attesta al 158 per cento del prezzo di lancio. Tradotto, chi possiede quei chip oggi li vede scambiati con un premio del 58 per cento rispetto a quanto li aveva pagati. Non è una svalutazione rallentata, è proprio il movimento contrario.
I dati arrivano da Silicon Data, che da tempo monitora il mercato secondario e i prezzi di noleggio degli acceleratori. Da quando i modelli linguistici di grandi dimensioni hanno preso piede, il valore residuo delle GPU è diventato una specie di termometro per capire in che stato di salute si trovi il super ciclo dell’intelligenza artificiale. E stando alle ultime rilevazioni, quel termometro non è mai stato così alto, nonostante voci autorevoli come Dario Amodei di Anthropic e Sam Altman di OpenAI abbiano invitato a rallentare il ritmo di sviluppo dei modelli.
NVIDIA B200: perché la matematica della svalutazione qui non funziona
Anche le GPU A100 e H100, ormai considerate generazioni precedenti, mantengono valori “ben superiori a quanto implicherebbero piani di ammortamento a tre o cinque anni”, come li definisce Silicon Data. Vale la pena spiegare cosa significa in pratica. L’ammortamento a quote costanti divide il costo iniziale di un’attrezzatura per la sua vita utile stimata. Se un macchinario costa 1.000 euro e si prevede duri cinque anni, ogni anno si svalutano 200 euro. Il valore residuo si ottiene sottraendo l’ammortamento accumulato dal costo originario, quindi dopo due anni resterebbero 600 euro.
Con i chip di NVIDIA questo schema salta completamente. Invece di scendere lungo una linea prevedibile, i prezzi salgono. La spiegazione più immediata sta nella combinazione fra scarsità relativa e domanda che non accenna a raffreddarsi, ma c’è anche un motivo tecnico che pesa parecchio: B200 resta straordinariamente efficiente sui carichi di inferenza. Secondo le stime di SemiAnalysis, parliamo di circa 0,20 euro per un milione di token a 76 token al secondo per utente su DeepSeek R1. Numeri che rendono questi acceleratori difficilmente sostituibili anche ora che esistono alternative più recenti.
Il nodo del finanziamento e i prezzi del noleggio
C’è un effetto collaterale di tutto questo che sta diventando un problema concreto per chi costruisce infrastruttura AI. Il finanziamento delle GPU è ormai uno dei punti dolenti principali del settore. Le startup raccontano che, dove prima bastava prenotare un anno di capacità di calcolo, adesso viene chiesto sempre più spesso di impegnarsi per tre anni, versando fra il 30 e il 40 per cento in anticipo. Non si tratta di condizioni imposte a caso dai fornitori di computing, ma della conseguenza diretta di un mercato in cui l’hardware vale più da usato che da nuovo.
Lo stesso fenomeno si era già visto guardando i prezzi di noleggio raccolti da Silicon Data. A gennaio le GPU B200 si affittavano a una tariffa oraria poco sotto la soglia dei 5 euro. Ad agosto quelle stesse tariffe oscillavano fra 5,50 e 5,80 euro l’ora, con un rincaro compreso fra il 50 e l’80 per cento nel giro di pochi mesi.
Il quadro che ne esce è quello di un’infrastruttura che si comporta più come una materia prima contingentata che come elettronica di consumo destinata a perdere valore. Le rilevazioni di Silicon Data diffuse il 16 settembre 2026 confermano che la dinamica regge anche dopo dodici mesi abbondanti di disponibilità diffusa del B200, un arco di tempo che in qualunque altro comparto tecnologico avrebbe già eroso buona parte del prezzo iniziale.
