Meta sta valutando la creazione di un’attività cloud dedicata all’intelligenza artificiale, con l’obiettivo di rendere disponibili a sviluppatori e imprese parte della capacità di calcolo costruita per sostenere i propri modelli, i sistemi di raccomandazione e i servizi AI interni. Il progetto segnerebbe un passaggio rilevante per l’azienda, finora concentrata soprattutto sull’uso diretto dell’infrastruttura nei prodotti consumer e nelle attività pubblicitarie.
L’ipotesi è quella di offrire potenza di calcolo per l’addestramento e l’inferenza dei modelli, cioè per le due principali fasi operative dell’AI. La prima riguarda l’elaborazione dei grandi dataset necessari per sviluppare un modello, mentre la seconda comprende le risorse richieste per farlo funzionare in produzione, generando risposte, classificazioni, immagini, analisi o automazioni per gli utenti finali.
Il nuovo servizio potrebbe quindi consentire alle aziende di noleggiare GPU, server AI e capacità infrastrutturale attraverso un modello simile a quello dei principali provider cloud. In parallelo, Meta starebbe considerando la possibilità di offrire accesso ai propri modelli AI attraverso una piattaforma gestita, permettendo agli sviluppatori di utilizzare modelli linguistici e multimodali senza doverli installare, configurare o gestire direttamente su infrastrutture proprietarie.
La differenza rispetto a un cloud tradizionale sarebbe nella forte specializzazione sull’AI. Meta dispone già di data center progettati per carichi di lavoro ad alta intensità computazionale, reti ad alta velocità, infrastrutture ottimizzate per grandi cluster GPU e sistemi costruiti per eseguire modelli su scala molto ampia. La trasformazione di parte di queste risorse in un servizio commerciale permetterebbe di monetizzare l’investimento in hardware e capacità energetica anche oltre i prodotti Facebook, Instagram, WhatsApp e Meta AI.
L’interesse per un’offerta di questo tipo nasce anche dalla crescente domanda di compute AI. Le aziende che sviluppano modelli generativi devono affrontare costi elevati per GPU, memoria, archiviazione, rete e raffreddamento, mentre le startup spesso dipendono da fornitori esterni per addestrare modelli o gestire applicazioni basate su agenti AI. Un’infrastruttura Meta rivolta al mercato potrebbe collocarsi tra i grandi hyperscaler e i cosiddetti neo-cloud, piattaforme concentrate quasi esclusivamente sul noleggio di potenza GPU.
Per essere competitiva, Meta dovrebbe offrire non solo hardware disponibile, ma anche strumenti di orchestrazione, gestione delle istanze, sicurezza, controllo degli accessi, monitoraggio dei costi, API, archiviazione dei dati e integrazioni con i flussi di sviluppo aziendali. L’accesso a una GPU non basta infatti a costruire un ambiente cloud utilizzabile in modo stabile: le imprese richiedono isolamento tra clienti, disponibilità geografica, continuità operativa, protezione dei dati, logging e procedure di conformità.
Un’altra possibile direzione riguarda l’accesso a più modelli attraverso un unico livello infrastrutturale. Un servizio di questo tipo potrebbe permettere di scegliere modelli Meta oppure modelli di altri fornitori, mantenendo gestione delle credenziali, fatturazione, capacità computazionale e monitoraggio all’interno della stessa piattaforma. L’impostazione ricorderebbe i cataloghi di modelli già proposti da alcuni cloud provider, dove lo sviluppatore può distribuire applicazioni AI senza amministrare direttamente cluster, server o runtime complessi.
Il progetto resta collegato alla strategia più ampia di Meta sugli investimenti in AI. L’azienda ha aumentato in modo significativo la spesa per data center, chip, rete ed energia, con infrastrutture progettate per sostenere modelli sempre più grandi e un numero crescente di utenti. Vendere capacità in eccesso o rendere disponibili servizi AI a pagamento potrebbe trasformare una parte di questi costi in una nuova fonte di ricavi ricorrenti.
L’ingresso di Meta nel mercato cloud metterebbe quindi l’azienda in concorrenza con Amazon Web Services, Microsoft Azure e Google Cloud, ma anche con operatori più recenti focalizzati sulle GPU. La vera sfida non sarebbe soltanto costruire potenza di calcolo, ma renderla accessibile, affidabile e conveniente per chi deve sviluppare, addestrare e distribuire applicazioni AI su larga scala.