Anthropic ha deciso di progettarsi i chip in casa. Il 5 agosto 2026 il laboratorio guidato da Dario e Daniela Amodei ha aperto le candidature per un "custom silicon team", una squadra interna di ingegneri elettronici che dovrà disegnare acceleratori su misura per far girare i modelli Claude in modo piu' veloce e, soprattutto, meno costoso. E' la conferma pubblica di una svolta di cui si parlava da mesi: dopo aver costruito uno dei modelli linguistici piu' usati al mondo, Anthropic vuole controllare anche il pezzo di hardware su cui quel modello gira.
Cosa ha annunciato Anthropic e con quali obiettivi
Gli annunci di lavoro pubblicati dall'azienda cercano ingegneri con esperienza nella progettazione di circuiti integrati, con un profilo ibrido hardware-software: persone capaci di lavorare al confine tra l'architettura del chip e l'architettura del modello. L'idea di fondo e' il cosiddetto co-design: invece di adattare il modello all'hardware esistente, si disegnano insieme silicio e rete neurale, cosi' che ogni transistor sia ottimizzato per il tipo di calcolo che Claude esegue davvero. Secondo le prime ricostruzioni, l'obiettivo dichiarato internamente e' ambizioso: ridurre di circa la meta' il costo per token dell'inferenza, cioe' quanto Anthropic spende ogni volta che Claude genera una risposta.
Il tema del costo non e' secondario. La domanda per Claude e per l'assistente di programmazione Claude Code e' cresciuta a ritmi che mettono sotto pressione i margini: piu' utenti significano piu' GPU affittate, piu' energia, piu' data center. Progettare un chip specializzato per l'inferenza e' il modo con cui i grandi laboratori provano a spezzare questa spirale.
Perche' un chip su misura fa la differenza sui conti
Le GPU general purpose, come quelle di Nvidia, sono straordinariamente flessibili ma pagano quella flessibilita' in efficienza: una parte del silicio e dell'energia serve a gestire casi d'uso che a un laboratorio di IA non interessano. Un acceleratore progettato solo per far girare i propri modelli puo' eliminare quel sovraccarico, ottimizzando memoria, larghezza di banda e formati numerici (come l'FP8 o formati ancora piu' compatti) attorno all'architettura reale del modello. Il risultato atteso e' un rapporto prestazioni/costo migliore proprio sull'inferenza, che e' la fase piu' ripetitiva e quindi la piu' costosa nel lungo periodo.
Anthropic non abbandona Nvidia: la strategia multi-chip
Va chiarito un punto, perche' e' facile fraintendere: questa non e' una fuga da Nvidia. Anthropic ha ribadito di voler mantenere un approccio multi-fornitore e le partnership gia' attive. Oggi l'azienda usa i chip Trainium di Amazon Web Services, le TPU di Google, le GPU di Nvidia e quelle di AMD. Il chip proprietario si aggiungerebbe a questo mosaico come leva di ottimizzazione dei costi, non come sostituto immediato. In passato, tra l'altro, si era parlato di contatti con Samsung come possibile partner di produzione, dato che Anthropic non possiede fonderie e dovrebbe affidare la fabbricazione a terzi.
OpenAI, Google e Meta: la corsa al silicio proprietario
Con questa mossa Anthropic entra in un club sempre piu' affollato. Google progetta le TPU da oltre un decennio ed e' oggi l'esempio piu' maturo di verticalizzazione. Meta sviluppa i propri acceleratori MTIA. OpenAI, a giugno 2026, ha presentato un chip per l'inferenza realizzato con Broadcom, mentre Amazon spinge la famiglia Trainium/Inferentia. Il messaggio comune e' che, alla scala attuale, comprare esclusivamente hardware di terzi diventa un costo strategico difficile da sostenere: chi vuole restare in prima fila prova a possedere una parte della propria catena del silicio.
Cosa cambia per chi usa Claude e per il mercato
Nel breve periodo non cambiera' nulla di visibile per chi usa Claude sul web, nell'app o via API: progettare, validare e produrre un chip richiede anni, non settimane. Ma la direzione e' chiara. Se Anthropic riuscisse davvero a dimezzare il costo per token, avrebbe piu' spazio per abbassare i prezzi delle API, aumentare i limiti d'uso dei piani o investire i risparmi in modelli piu' grandi. Per il mercato, il segnale e' che il valore nell'IA si sta spostando anche verso il basso dello stack tecnologico, dove il vantaggio competitivo si misura in watt e in dollari per token. Restano le incognite: costruire silicio competitivo e' difficile e rischioso, e i primi risultati concreti non arriveranno prima di un paio d'anni.
