Autore di immagini · divulgatore e formatore AI
Prima di comprare una scheda più potente, guarda quella che hai 13 min di lettura
Intelligenza Artificiale ·

Prima di comprare una scheda più potente, guarda quella che hai

Un sondaggio piccolo, tre fonti che vendono qualcosa e un conto che puoi fare stasera sulla tua macchina.

📌 Questo pezzo parte da un sondaggio piccolo, con i suoi limiti, e da tre fonti che vendono tutte qualcosa. Te lo dico subito perché i numeri sull’AI vanno letti sapendo chi li ha contati e perché. La parte utile per te sta in fondo: come guardare quanto lavora davvero la tua scheda video o il tuo Mac, prima di comprare altro.

Il 21 ottobre 2026, sul palco del GTC di Berlino, Jensen Huang dice alle aziende che per far parte dell’economia dell’AI non basta consumare l’AI: bisogna produrla. Te la riporto come l’ha riportata VentureBeat: io non ho aperto né il video né la trascrizione del keynote. Nell’originale:

“To be part of this AI economy, you don’t want to just be consuming the AI; you want to be producing the AI.”

Il giorno dopo, il 22 ottobre, la stessa VentureBeat pubblica un articolo di Rob Strechay con un titolo che sembra una risposta a distanza: Nvidia vende le “fabbriche di AI”, ma l’81% delle aziende dichiara schede che girano a metà capacità o meno.

Precisazione di calendario, perché è facile farsi l’idea sbagliata: i dati del sondaggio sono di settembre. Non sono una replica al keynote. È l’articolo che esce il giorno dopo, e l’accostamento lo ha fatto la testata.

Ora la domanda che ti riguarda, e che trovi a fine pezzo con gli strumenti per rispondere: la scheda video che hai sulla scrivania, in questo momento, sta lavorando davvero?

Il numero giusto (e quello sbagliato)

Foglio con un grafico a barre disegnato a mano, quasi tutte a metà altezza, e una lente d'ingrandimento appoggiata su una barra.

Partiamo dall’81%, perché è il numero che rimbalzerà ovunque, di solito detto male.

Il sondaggio è il “VB Pulse” di settembre, parte del report AI Infrastructure and Compute di VentureBeat Intelligence. Hanno risposto 102 persone qualificate, in organizzazioni con almeno 100 dipendenti. Dentro ci sono anche consulenti che rispondono per conto di un cliente. Di questi 102, 68 hanno l’AI in produzione e hanno indicato un valore di utilizzo delle GPU. Di questi 68, 55 dichiarano un utilizzo medio del 50% o meno. Gli altri 13 stanno sopra. Fa 81%.

Fermati un attimo sui verbi, perché qui si gioca tutto.

  • Non è l’81% delle schede. È l’81% dei rispondenti. Una persona che risponde per un’intera azienda conta uno, che abbia dieci schede o diecimila.
  • Non è telemetria. Nessuno ha letto un contatore. Le persone hanno dichiarato un valore. Lo scrive VentureBeat stessa: i risultati sono auto-riferiti, da un gruppo che si è auto-selezionato.
  • “50% o meno” include il 50%. Chi sta esattamente a metà è nel gruppo. Quindi “meno della metà” sarebbe una frase sbagliata.

Quello che non so, e che l’articolo non dice: da quali paesi vengono i rispondenti, di che settori sono, come era formulata esattamente la domanda. Sono lacune vere. Se qualcuno ti cita l’81% senza dirti nulla di tutto questo, ha tolto la parte che serve a capire quanto pesa.

Quindi cosa ci portiamo a casa da questo numero? Non la dimensione del fenomeno nel mondo: un campione così non può dirla. Ci portiamo un’altra cosa, più interessante, che trovi più avanti: cosa fanno queste aziende sapendolo.

Cosa vende Nvidia, e con quale metro

Prima una nota su chi parla. Nvidia, nel suo glossario, definisce una “AI factory” come un’infrastruttura di calcolo specializzata, pensata per creare valore dai dati, che gestisce tutto il ciclo di vita dell’AI: dall’acquisizione dei dati all’addestramento, alla messa a punto, fino all’uso intensivo dei modelli già pronti. Il prodotto principale di questa fabbrica, sempre secondo la definizione di Nvidia, è “intelligence, measured by token throughput”.

Traduzione da collega: l’unità di misura del successo è quanti token produci. Un token è un pezzetto di testo che il modello elabora, un po’ come le battute che escono da una macchina da scrivere. Non quanto della macchina stai usando.

È una scelta di misura, non un errore. Ma è una misura che premia chi produce di più, e chi vende le macchine ha tutto l’interesse a farti guardare quella. Nvidia è parte in causa: la uso per dirti cosa sostiene, non come fonte neutrale.

Per dare l’ordine di grandezza della spinta commerciale, una riga e basta, niente Borsa: nel trimestre chiuso a luglio 2026 (comunicato del 26 agosto) Nvidia ha dichiarato 96,2 miliardi di dollari di ricavi, +106% sull’anno, di cui 89,0 miliardi dal Data Center, +117%. Il rapporto fa oltre il 92%: questo è un calcolo mio, su cifre ufficiali.

Chi ha misurato davvero, e cosa vende

Se il sondaggio è dichiarato, c’è qualcuno che ha provato a misurare? Sì, e il numero è ancora più basso. Con una premessa che non è di contorno.

Cast AI ha pubblicato ad aprile 2026 il suo State of Kubernetes Optimization Report. Dice che l’utilizzo medio delle GPU nei cluster analizzati è del 5%. Qui non c’è un sondaggio: sono dati di utilizzo reali, su “decine di migliaia” di cluster. Con tre paletti:

  1. Il perimetro è solo quello dei cluster Kubernetes in cloud. Kubernetes, per capirci, è il sistema che molte aziende usano per distribuire i lavori sulle macchine di un data center. Non è “tutte le GPU del mondo”.
  2. Cast AI vende software di ottimizzazione per Kubernetes. Un 5% fa vendere bene un prodotto che promette di alzarlo.
  3. Non so se quel 5% includa notti e weekend: né il comunicato né l’articolo che lo riprende lo dicono. Non ti dico che li include.

Sempre Cast AI, nello stesso report: utilizzo della CPU sceso dal 10% all’8% in un anno, memoria dal 23% al 20%. E una frase di Laurent Gil, co-fondatore e presidente dell’azienda:

“At 5% utilization, the math doesn’t work.”

Quando il conto non torna, il pensiero va al prodotto che lo fa tornare. Lo dico senza malizia, ma lo dico.

Poi ClearML, in un report sull’infrastruttura AI riportato da HackerNoon a gennaio 2026. Qui il tema non è la percentuale d’uso ma come si organizzano i lavori:

  • il 44% ammette di assegnare i lavori alle GPU a mano, oppure di non avere una strategia di utilizzo;
  • il 27% ha un pannello che assegna le schede in automatico;
  • il 23% usa ancora richieste fatte a mano, una alla volta;
  • il 35% trova “difficile” o “molto difficile” dare accesso alle risorse ai team AI.

Limiti: il campione non è indicato, e ClearML vende proprio software di orchestrazione GPU (code, pool di risorse, schede frazionate, scheduler). Il titolo dell’articolo parla di “milioni” sprecati, ma in pagina non c’è nessuna cifra in dollari, quindi quel “milioni” lo lascio fuori.

Ora mettiamo in fila i tre numeri: 81%, 5%, 44%. Tre metodi diversi (sondaggio, misura su cluster, sondaggio sui processi). Tre perimetri diversi. Tre fonti con interessi diversi. Non si sommano e non si confrontano come se fossero la stessa cosa. Quello che si può dire è che, guardandoli tutti, la direzione è la stessa: molto sottoutilizzo, dichiarato o misurato. Il quanto resta aperto.

Perché si compra lo stesso

Eccoci al punto che per me è la vera notizia. Non è che le GPU siano ferme: è cosa fanno le aziende sapendolo.

Tra i 55 rispondenti che dichiarano un utilizzo al 50% o meno, il 71% prevede di adottare una piattaforma nuova, aggiuntiva o sostitutiva entro 12 mesi. Sul totale dei 102 la quota è del 63%. Chi dichiara di usare poco quello che ha, in maggioranza pianifica di aggiungere altro.

Secondo dato, e qui ti prego di non fonderlo col primo: il 91% di chi prevede di adottare una piattaforma non ha una cifra di ritorno sull’investimento rivista e firmata dalla finanza. Attenzione alle basi. Il 71% riguarda i 55 sotto la soglia. Il 91% riguarda tutti quelli che prevedono di adottare una piattaforma. Il sondaggio, per come lo riporta VentureBeat, non dice quanti, tra i 55, siano senza quella cifra. Sono due fotografie diverse, non un unico gruppo di persone che “compra senza ROI”.

Attenzione: questo non vuol dire che non misurano. L’utilizzo lo hanno dichiarato, quindi lo conoscono. Sanno, e pianificano di comprare lo stesso. “Senza fare i conti” è la mia lettura di quel 91% senza ROI firmato dalla finanza, non una formula del sondaggio.

Cosa li spinge? I fattori d’acquisto citati sono: integrazione con cloud e dati esistenti (48%), prestazioni (42%), disponibilità di GPU (35%), costo per milione di token (23%, era l’11% ad agosto, ma con gruppi di rispondenti diversi). L’utilizzo di ciò che hai già non compare tra quelli citati: non dico che sia assente dalle loro decisioni, dico che non è tra i fattori riportati.

Sulle cause del sottoutilizzo ho una sola voce, ed è quella di Cast AI: nel report il sovradimensionamento della CPU è passato dal 40% al 69% e quello della memoria arriva al 79%.

C’è anche un’obiezione seria, e te la devo: una scheda al 40% non è per forza uno spreco. Può servire margine per i picchi. Non ho trovato nessuna fonte che indichi una soglia “giusta” di utilizzo, quindi non ne invento una. Il pezzo non dice “spreco”: dice guarda e fai il conto.

Il paragone con i server, letto come una storia

Gli ordini di grandezza ricordano qualcosa che il settore ha già vissuto. Per anni i server aziendali hanno lavorato a una frazione della loro capacità.

Secondo Gartner, riportata da InfoWorld il 31 dicembre 2010, l’utilizzo complessivo dei server era ancora al 18%, quello dei server x86 al 12%. Uno studio del NRDC del 2014, citato da ENERGY STAR, trovava un utilizzo medio “still just between 12 and 18 percent”. Nota importante: il 2014 è un momento in cui la virtualizzazione (far girare più macchine virtuali su una sola fisica) era già avviata. Non è la foto del “prima”.

Onestà sul paragone: quelli sono stime d’analista, i nostri sono un sondaggio e la telemetria di un fornitore. Gli ordini di grandezza sono simili, il metodo no. Chiamalo una lettura, non un dato. Mi serve per dirti una cosa sola: non è la prima volta che si compra capacità prima di aver riempito quella che c’è.

Il banco di lavoro del creativo: guarda, metti in fila, poi fai il conto

Scrivania con un portatile che mostra un grafico di attività con picchi alternati a tratti piatti, una pila ordinata di schede in fila e un cartellino del prezzo.

Veniamo a te. Non hai un data center. Hai magari un Mac con la scheda integrata, un PC con una scheda Nvidia, o un abbonamento a servizi in cloud. Il riflesso è lo stesso: il tempo di render è lungo, la generazione di immagini è lenta, e la risposta istintiva è “serve più potenza”. Prima di rispondere così, tre mosse.

1. Guarda quanto lavora la macchina

Su Mac. Apri Monitoraggio Attività, poi dal menu Finestra scegli Cronologia GPU. È la guida ufficiale di Apple. Se vedi molte barre blu alte e fitte, vuol dire carico pesante, e Apple stessa suggerisce di valutare una GPU esterna per una parte del lavoro. Se le barre sono basse e rade durante il tuo lavoro tipico, hai un’informazione preziosa prima di comprare. Se poi ti chiedi cosa puoi far girare in locale sul tuo Mac, ne ho scritto in Ho scaricato un’AI sul mio Mac al Lago di Ledro. Ecco perché dovresti farlo anche tu.

Su una scheda Nvidia. Lo strumento da riga di comando si chiama nvidia-smi (cioè si usa scrivendo un comando in una finestra di testo, invece di cliccare) ed è documentato da Nvidia. Attenzione a cosa misura: la percentuale di tempo, nell’ultimo intervallo di campionamento, in cui sulla scheda c’era almeno un lavoro in esecuzione. L’intervallo va da un secondo a un sesto di secondo, a seconda del prodotto.

E qui la trappola, che è una mia deduzione dalla definizione e che ti consiglio di tenere a mente: un 100% non vuol dire che la scheda è al massimo. Vuol dire che aveva del lavoro in corso. È come dire che un cuoco è “occupato” perché c’è una pentola sul fuoco: non ti dice se sta usando tutti i fornelli. Per lo stesso motivo, un 40% non è un verdetto: è un indizio.

(Non ho verificato se nvidia-smi funzioni su tutte le schede da gaming della serie GeForce: se la tua è una di quelle, prova e vedi cosa ti risponde.)

2. Metti in fila i lavori

Il secondo riflesso da evitare è lanciare tutto insieme e restare a guardare la barra. Un esempio concreto e verificato sulla documentazione ufficiale è ComfyUI, il programma a nodi per generare immagini e video:

  • il pulsante Run non esegue subito: mette il workflow in coda; con Shift lo mette in testa alla coda;
  • Batch count dice quante volte il workflow va in coda a ogni avvio (di default 1);
  • il contatore Active jobs mostra i lavori in coda e in corso e apre la coda stessa; con il clic destro la svuoti;
  • Cancel ferma il lavoro in corso.

In pratica: prepari dieci varianti, le metti in coda, ti alzi e vai a fare altro. La macchina lavora mentre tu fai il tuo mestiere, invece di restare ferma tra un tuo clic e l’altro. Non ti prometto che questo risolva la lentezza: ti dico che è il primo posto in cui guardare, prima del portafoglio.

Per gli altri programmi che usi, quelli di fotografia e di montaggio, so che molti hanno una coda di esportazione, ma non ho verificato le procedure sulla documentazione ufficiale e non voglio dirti dove cliccare a memoria. Cerca “coda” o “esportazione in batch” nel manuale del tuo software e fai la prova con un piccolo lavoro.

3. Solo dopo, fai il conto (con i prezzi datati)

Se, dopo aver guardato e messo in fila, la macchina è davvero al limite, a quel punto compra o noleggia. Con il conto in mano.

Il noleggio a ore è un’alternativa all’acquisto. Dal listino di RunPod al 23 ottobre 2026: una RTX 4090 va da 0,34 $/h (livello Community) a 0,89 $/h (Secure); una H100 (una scheda da data center) da 1,99 $/h (PCIe Community) a 3,99 $/h (SXM Secure): sono le varianti del listino. I prezzi cambiano spesso: datali sempre, e controlla il listino il giorno in cui decidi.

Un esempio di conto, fatto da me con le cifre sopra: cento ore di render o generazione su una RTX 4090 costano tra 34 e 89 dollari. Se la tua scheda oggi è ferma per gran parte della giornata, o se lo sai solo dopo aver guardato la Cronologia GPU, quel numero ti dice quanto vale davvero un acquisto. È un esercizio: sostituisci le tue ore e confronta con il prezzo della scheda che hai in mente.

Un’idea, infine, da una fonte che ha qualcosa da vendere: un manager di Red Hat, in un post di marzo 2025, propone di usare le GPU di giorno per il lavoro che richiede risposta immediata e di notte e nel weekend per quello che può aspettare. Attribuiscila a lui: è la tesi di un vendor. Ma trasportata al tuo studio è di buon senso: le cose lunghe che non ti servono subito (un video da renderizzare, un lotto di immagini) mettile in coda per quando non lavori.

Gli altri numeri del post sono stime dell’autore senza fonte, e li lascio lì.

Cosa porti a casa

  1. Quando leggi “l’81% delle aziende”, sai chi ha contato cosa. 55 rispondenti su 68, auto-riferito, campione piccolo e auto-selezionato. Non l’81% delle schede, non telemetria. Idem per il 5% di Cast AI (misura vera, ma solo cluster Kubernetes in cloud, da chi vende ottimizzazione) e per il 44% di ClearML (da chi vende orchestrazione).
  2. Guarda quanto lavora la tua macchina: Cronologia GPU su Mac, nvidia-smi su Nvidia. Ricordati che “attiva” non significa “satura”.
  3. Metti in fila prima di comprare: la coda di ComfyUI è un esempio, ma l’idea vale per qualsiasi lavoro lungo.
  4. Fai il conto del noleggio a ore con i prezzi del giorno, e confrontalo con quello che vuoi comprare.

La regola è una: nessun acquisto senza aver guardato quanto usi quello che hai e senza aver fatto il conto. Le aziende del sondaggio, a leggerlo bene, ci fanno da specchio: dichiarano di usare poco e in molti pianificano di comprare comunque, e in gran parte senza una cifra di ritorno firmata dalla finanza. Non so se abbiano torto, è un campione piccolo. Ma tu il conto puoi farlo stasera.

Cosa ti chiedo: apri la Cronologia GPU o nvidia-smi durante il tuo prossimo lavoro pesante, e scrivimi (rispondendo a questa mail o nei commenti) cosa vedi. Mi interessa capire se la tua scheda lavora davvero o aspetta te.

Fonti

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it

Leggi anche

AI