Anthropic ha confermato di assumere un team per progettare chip AI custom. L’obiettivo dichiarato è co-sviluppare hardware e modelli per far girare Claude più veloce ed efficiente. Business Insider ha dato la notizia per primo, Anthropic l’ha confermata a TechCrunch.

Il mese scorso The Information segnalava che Anthropic stava cercando Samsung come partner per la produzione. L’azienda ha già accordi per il compute con AWS, Google, Nvidia e AMD, ma comprare GPU altrui non basta più.

Non è una mossa isolata. A giugno OpenAI ha presentato Jalapeño, il suo chip per l’inferenza costruito con Broadcom. Google usa i TPU da anni, Meta sviluppa gli acceleratori MTIA. La competizione fra lab si sposta dai pesi al silicio.

Per chi costruisce agenti, l’effetto indiretto è sul costo per task. Quando un lab progetta il silicio insieme al modello, le ottimizzazioni riguardano operazioni specifiche: inferenza più rapida, contesti più ampi a minor costo, tool-use più efficiente. È la stessa logica per cui, come raccontavamo il 28 luglio, Anthropic indicava i controlli sui chip come leva di governance principale. Ora quella leva la vuole in casa.

La storia è ai primi giorni: ci sono annunci di assunzione, non chip. Ma la direzione è chiara, e chi fa affidamento sulle API di Claude per agenti in produzione dovrebbe guardare come cambia l’infrastruttura sottostante.

Nel dettaglio

Fino a ora i lab AI hanno giocato la partita del compute comprando quante più GPU Nvidia possibile. Anthropic ha accordi con AWS, Google Cloud, Nvidia e, da luglio, un investimento di 5 miliardi di AMD per 2 gigawatt di GPU MI450. La corsa al compute è diventata il fattore discriminante: chi ha più silicio addestra modelli più grandi e serve più utenti.

Ma comprare GPU da altri ha un limite strutturale. I chip general-purpose di Nvidia devono servire molti clienti con carichi diversi. Un chip progettato per un solo modello può ottimizzare le operazioni che quel modello fa di più: la matrice di attenzione, il decoding dei token, il routing nei modelli MoE. Google lo fa con i TPU da anni, e in parte è il motivo per cui Gemini ha costi di inferenza che i concorrenti faticano a eguagliare.

La parola chiave è co-design. Anthropic parla di progettare hardware e modelli insieme, e le decisioni su come funziona l’uno e l’altro vengono prese in parallelo, non in sequenza. Se sai che il tuo modello usa una certa struttura di attenzione, costruisci il silicio per farla girare bene, invece di adattare il modello a un chip che esiste già.

OpenAI ha fatto la stessa scelta a giugno con Jalapeño, il chip per l’inferenza costruito con Broadcom. Meta ha i suoi MTIA. Google ha i TPU. La tendenza è chiara: i lab frontier vogliono controllare la pila completa, dai pesi al silicio.

Per chi costruisce agenti, l’effetto concreto è sul prezzo e sulla latenza. Se Anthropic riesce a ottimizzare il silicio per le operazioni che Claude fa di più (leggere contesti lunghi, chiamare strumenti, ragionare a passi), il costo per task scende. È la direzione che il mercato ha preso da settimane: quando le prestazioni convergono, il prezzo per task decide, e i lab cercano di abbassarlo anche dal lato hardware.

I limiti sono netti. Ci sono annunci di assunzione e un job listing, non chip funzionanti. Il ciclo di sviluppo di un chip custom richiede anni, e Anthropic sta iniziando. La partnership con Samsung è allo stage di scouting, come riporta The Information, non di produzione. E c’è una domanda aperta: se ogni lab controlla il suo silicio, la portabilità dei modelli e gli standard aperti diventano più fragili. Anthropic ha creato MCP, il protocollo per collegare gli agenti ai sistemi esterni, ma la verticalizzazione sull’hardware aggiunge un livello di lock-in che il protocollo non risolve.