Anthropic progetta chip AI su misura per Claude: nasce il team di silicio interno

Anthropic ha deciso di non dipendere più soltanto dai fornitori esterni per la potenza di calcolo che alimenta Claude. La società guidata da Dario Amodei sta costruendo un team interno dedicato alla progettazione di chip AI su misura, con un obiettivo dichiarato: co-progettare hardware e modelli perché lavorino in sintonia, così da far correre i suoi sistemi più in fretta e a costi inferiori. La notizia è emersa il 5 agosto 2026 e segna un passaggio delicato nella strategia dell’azienda, che entra in un terreno finora presidiato soprattutto dai giganti della tecnologia.

Non si tratta ancora di un chip pronto per il mercato, ma di una direzione precisa. E il messaggio che arriva dal laboratorio è chiaro: per reggere la domanda di Claude non basta più comprare acceleratori dagli altri.

Cosa ha annunciato davvero Anthropic

La prima a riportare la notizia è stata la testata Business Insider, poi ripresa da diversi media internazionali. Secondo quanto emerso, Anthropic sta cercando ingegneri con esperienza nella progettazione di chip per quello che internamente viene descritto come un custom silicon team, una squadra dedicata al silicio su misura. Gli annunci di lavoro pubblicati dalla società parlano esplicitamente di competenze hardware, dalla microarchitettura alla verifica dei circuiti.

Il punto centrale non è soltanto costruire un acceleratore in più. Anthropic ha spiegato di voler co-progettare hardware e modelli, cioè disegnare i chip tenendo conto di come funzionano davvero i suoi sistemi, invece di adattare i modelli a componenti nati per carichi di lavoro generici.

C’è anche un tassello sulla produzione. Il mese scorso The Information aveva riferito che Anthropic stava valutando Samsung come possibile partner per fabbricare questi chip. Interpellata, l’azienda non ha rilasciato commenti ufficiali, il che è del tutto normale in una fase così iniziale.

Quello che sappiamo, quindi, è un’intenzione strategica accompagnata da assunzioni concrete. Il resto, dai tempi ai volumi di produzione, resta ancora da definire.

Perché Anthropic vuole i suoi chip

La spinta principale ha un nome semplice: domanda. Claude viene usato sempre di più, da sviluppatori, aziende e utenti finali, e ogni risposta generata dal modello consuma potenza di calcolo. Quando gli utilizzi crescono in modo rapido, la disponibilità di hardware diventa il vero collo di bottiglia, prima ancora del talento o dei dati.

Per procurarsi quella potenza, Anthropic ha già stretto accordi importanti con i principali fornitori di infrastruttura. Ha collaborazioni con AWS, con Google, con Nvidia e con AMD, come la recente partnership da due gigawatt siglata con AMD per l’accesso alle GPU Instinct. Sono intese enormi, ma nel contesto attuale rischiano comunque di non bastare.

Il motivo è che tutte le grandi aziende di AI stanno rincorrendo la stessa risorsa nello stesso momento. I contratti per data center e acceleratori vengono firmati a ritmo serrato, e affidarsi soltanto ai partner esterni espone a prezzi in salita e a lunghe code di attesa. Progettare in casa una parte del proprio silicio è un modo per riprendere il controllo su costi e disponibilità.

C’è poi la questione dell’efficienza, che tocca direttamente il conto economico. Ogni volta che un modello come Claude Sonnet 5 risponde a una richiesta, l’operazione ha un costo. Ridurre quel costo per singola risposta, moltiplicato per miliardi di interrogazioni, cambia in modo radicale la sostenibilità del business.

In altre parole, il chip su misura non è un vezzo tecnologico. È una leva finanziaria.

Co-progettare hardware e modelli: cosa significa

La formula usata da Anthropic, co-progettare hardware e modelli, non è uno slogan. È il cuore tecnico della scelta, e vale la pena capirla bene.

I chip di uso generale, come le GPU, sono flessibili e potenti, ma devono servire un’infinità di casi diversi, dai videogiochi alla grafica scientifica fino all’addestramento delle reti neurali. Un acceleratore progettato su misura, al contrario, può essere ottimizzato solo per le operazioni che un modello linguistico compie davvero: la gestione dei meccanismi di attenzione, le moltiplicazioni tra matrici, il modo in cui i dati si spostano tra memoria e unità di calcolo. Se conosci nel dettaglio il tuo modello, puoi ritagliare l’hardware attorno alle sue esigenze specifiche.

Questo approccio riguarda soprattutto l’inferenza, cioè la fase in cui il modello, già addestrato, viene interrogato dagli utenti. È qui che si concentra gran parte dei costi operativi di un servizio come Claude, perché l’inferenza avviene di continuo, per ogni singola richiesta che arriva.

Un silicio disegnato per l’inferenza può risultare più efficiente sul piano energetico e più rapido nel restituire le risposte. E la velocità, oltre a migliorare l’esperienza di chi usa il modello, si traduce anche in un risparmio, perché completare lo stesso lavoro in meno tempo significa occupare meno a lungo le costose risorse di calcolo.

In un mercato in cui la guerra dei prezzi tra i modelli AI si fa sempre più aggressiva, un vantaggio strutturale sui costi di calcolo può diventare un’arma competitiva decisiva. Chi spende meno per far girare i propri sistemi ha più margine per abbassare le tariffe o per investire nella ricerca.

Il rovescio della medaglia è la complessità. Progettare chip è difficile, costoso e lento: servono anni di lavoro, competenze rare e capitali ingenti, oltre a un partner industriale capace di produrli su larga scala e con rese affidabili.

Anthropic non è la prima: la corsa al silicio proprietario

La mossa di Anthropic si inserisce in una tendenza ormai netta. I grandi protagonisti dell’AI stanno tutti cercando di controllare il proprio hardware, per non restare ostaggio di un solo fornitore né dei suoi listini.

OpenAI, per esempio, a giugno ha presentato il suo primo chip su misura, sviluppato insieme a Broadcom e pensato specificamente per l’inferenza. Puoi approfondire nella nostra scheda su Jalapeño, il primo chip di OpenAI per l’inferenza. Google, dal canto suo, utilizza da anni le sue TPU per far girare i modelli Gemini, mentre Meta sta sviluppando gli acceleratori della famiglia MTIA per i propri carichi di lavoro.

Anche Amazon percorre la stessa strada con i chip Trainium e Inferentia, e non è un caso che AWS figuri tra i partner infrastrutturali di Anthropic. Il filo comune è la cosiddetta integrazione verticale: chi controlla insieme modello e hardware punta a un vantaggio difficile da replicare per chi compra tutto sul mercato aperto.

In questo quadro, la scelta di Anthropic appare quasi obbligata. Restare l’unico grande laboratorio senza un progetto di silicio proprio avrebbe significato, nel medio periodo, correre con un peso in più rispetto ai concorrenti.

Cosa aspettarsi ora

Per il momento parliamo di un inizio, non di un traguardo. Le assunzioni per il custom silicon team indicano che il progetto è reale, ma un chip che entri in produzione e alimenti davvero Claude richiederà tempo, con ogni probabilità diversi anni.

Ci sono almeno tre elementi da tenere d’occhio nei prossimi mesi. Il primo è il partner produttivo: la conferma o meno del coinvolgimento di Samsung dirà molto sulla serietà e sui tempi del piano, perché senza una fonderia disposta a fabbricare i chip il progetto resta sulla carta. Il secondo è la strategia multi-fornitore: è quasi certo che Anthropic continuerà a usare le GPU e gli acceleratori di AWS, Google, Nvidia e AMD anche dopo aver sviluppato il proprio chip, perché un silicio su misura affianca l’hardware esistente, non lo sostituisce dall’oggi al domani.

Il terzo elemento è l’impatto sui prezzi. Se Anthropic riuscirà davvero a ridurre i costi di inferenza, potrà tradurli in tariffe più basse per gli sviluppatori oppure in margini più solidi, due leve preziose in un mercato affollato e in perdita per molti attori.

Resta un punto di fondo che vale per tutto il settore. La corsa all’AI non si gioca più soltanto sui modelli e sui dati, ma anche sul silicio che li fa funzionare. La decisione di Anthropic di progettare i suoi chip conferma che la vera frontiera competitiva si sta spostando sempre più verso l’hardware, dove il costo per ogni risposta generata diventa un fattore strategico quanto la qualità del modello.

Se vuoi capire come evolvono queste dinamiche, continua a seguirci: nei prossimi mesi il tema dei chip AI su misura sarà uno dei più caldi del settore, e ti aiuteremo a orientarti tra annunci, partnership e numeri concreti, senza clamore e senza promesse gonfiate.