Trenta giorni, trentatré anni: Jensen Huang lascia Nvidia
Nel pomeriggio del 12 novembre 2026, ora della costa est, la newsroom di Nvidia ha pubblicato un comunicato di meno di trecento parole. Jensen Huang si è dimesso da presidente, amministratore delegato e membro del consiglio, con effetto immediato.
Nessun periodo di transizione. Nessun «lascerà l’incarico il tal giorno». Nessun titolo di consulente che i fondatori di solito si tengono.
Il titolo ha perso oltre il 10% prima dell’apertura e ha chiuso a -4,34%, bruciando circa 182 miliardi di dollari di capitalizzazione. Il consiglio si è mosso lo stesso giorno: Colette Kress, vicepresidente esecutiva e CFO, è diventata CEO ad interim mantenendo la direzione finanziaria; Harvey C. Jones, ex CEO di Synopsys, è il primo presidente del consiglio in 33 anni. La carica non era mai esistita.
Il comunicato non indica il motivo. Dice che operazioni, impegni con i clienti e roadmap restano come previsto e che i conti del terzo trimestre escono il 17 novembre.
Un necrologio sarebbe facile e poco utile. La domanda migliore è un’altra: quali decisioni di questi 33 anni sono state giudizio personale di Huang e quali sono già diventate memoria muscolare dell’organizzazione. La call del 17 novembre testa la seconda categoria.
Il tavolo al Denny’s
5 aprile 1993, San Jose, California, un tavolo in un Denny’s. Tre persone: Huang, appena uscito da LSI Logic, e Chris Malachowsky con Curtis Priem, entrambi da Sun Microsystems. Capitale iniziale: 40.000 dollari. Huang aveva 30 anni.
Il nome viene dal latino invidia. I primi file usavano il prefisso NV, per next version. Credevano in una cosa concreta: il PC sarebbe passato da macchina da ufficio a dispositivo di consumo, e il primo bisogno di un dispositivo di consumo è l’immagine.
Nel 1993 l’idea non era stravagante. C’erano due dozzine di aziende di chip grafici; tre anni dopo erano settanta. Nel 2006 ne restava una sola indipendente.
Stravagante non era l’idea. Era la dimensione della scommessa.
La prima scommessa sbagliata: NV1 e le superfici quadratiche
La NV1 del 1995 è un errore da manuale, e l’errore stava nella geometria.
Il rendering dei poligoni girava sui triangoli, e DirectX di Microsoft li stava rendendo standard di fatto. NV1 scelse il mapping di texture quadratico: costruire oggetti con patch curve, che in teoria risparmia banda, smussa i bordi ed evita le scalettature dei triangoli.
Sega vi portò l’arcade Virtual Fighter, il primo gioco 3D su un chip Nvidia. La scheda arrivò nei negozi come Diamond Edge 3D.
Il problema non era il calcolo. Era la catena di strumenti. Software di modellazione, asset, motori di rendering e memoria muscolare dei programmatori erano cresciuti intorno ai triangoli. Una scheda che disegna solo curve chiede a un’intera industria di rifare il flusso di lavoro. Nessun vantaggio di prestazioni lo compensa.
Sega annullò l’ordine successivo. Huang volò in Giappone, ammise la rotta sbagliata davanti a Shoichiro Irimajiri e chiese di lasciare i soldi già versati. Lui convertì l’ordine in un investimento da 5 milioni di dollari. Comprò circa sei mesi.
Nel 1996 licenziò più di metà del personale e mise la cassa restante su un progetto non ancora uscito dalla fonderia.
«La nostra azienda è a trenta giorni dalla chiusura.» Lo ripeté in riunione per dieci anni. Non era una metafora. Era il runway.
La seconda scommessa: RIVA 128 e lo standard
La RIVA 128 arrivò nel 1997 come risultato di quella scommessa. Primo processore 3D a 128 bit al mondo, niente curve, solo triangoli, pieno allineamento a Direct3D. Un milione di pezzi in quattro mesi.
Al lancio il saldo copriva una mensilità. La storia viene raccontata come riscatto, ma il punto sfugge: il costo di ammettere una rotta tecnica sbagliata deve essere inferiore alla cassa disponibile. Tra NV1 e RIVA 128 non c’è genio. C’è un’ammissione pubblica e costosa, anche verso il cliente che aveva già pagato.
Qui muore la maggior parte delle aziende. La rotta è sbagliata, ma l’organizzazione non ha il vocabolario per ammetterlo, e le risorse continuano a fluire nel costo affondato.
Inventare una parola: la GPU nel 1999
Gennaio 1999: Nvidia si quota al Nasdaq a 12 dollari per azione.
Ottobre dello stesso anno: GeForce 256. Nvidia conia il termine GPU e gli dà una definizione verificabile: un processore a chip singolo con unità integrate di trasformazione, illuminazione, setup e clipping dei triangoli e rendering, capace di elaborare almeno dieci milioni di poligoni al secondo.
La sostanza era il T&L hardware. Prima la trasformazione dei vertici e l’illuminazione erano lavoro della CPU, e la scheda si limitava a colorare triangoli già calcolati. Portare il T&L sulla scheda le diede un carico di lavoro proprio. Smise di essere una tela.
La cronologia ufficiale offre il confronto: le GPU di oggi elaborano oltre sette miliardi di poligoni al secondo. Ventisette anni, tre ordini di grandezza.
La parola poi uscì dalla grafica e divenne unità di calcolo.
Le aziende che competono sui prodotti spediscono prodotti. Quelle che competono sulle categorie inventano parole. Dare un nome a una cosa è il modo in cui si fissa il tabellone, e chi fissa il tabellone decide su cosa si gioca il turno successivo.
La scommessa che non piaceva a nessuno: CUDA
Nel 2006 l’architettura G80 portò gli shader unificati: pixel e vertici non furono più separati fisicamente e ogni processore di flusso poté eseguire codice generico. Una G80 aveva 128 processori in otto gruppi.
Poi arrivò la decisione più importante della storia dell’azienda, e non fu una decisione di prodotto: aprire quei core programmabili al calcolo non grafico. CUDA uscì nel novembre 2006.
Tecnicamente era modesto: un modello parallelo con sintassi simile a C. I thread si raggruppano in blocchi, i blocchi in griglie; 32 thread formano un warp che esegue un’istruzione per ciclo e si distingue solo per i registri dati. Il programmatore non deve sapere quanti SM ha la scheda, solo rispondere a una domanda: quanti dati indipendenti ha il mio problema.
Quello strato di astrazione è il vero contenuto tecnico della scommessa. Trasforma il parallelismo da dettaglio hardware a modello di programmazione, al prezzo di area di silicio, stack di driver, compilatore, debugger e vent’anni di compatibilità all’indietro.
Commercialmente non fu affatto modesto: CUDA finì su ogni GeForce, comprese quelle comprate solo per giocare.
Wall Street vide un costo. Perché una scheda da gioco deve pagare transistor e validazione per un compilatore che nessuno usa? Nella crisi del 2008 il titolo perse il 70%.
«Stavamo democratizzando il supercalcolo», disse Huang dopo.
Nel 2008 suonava come consolazione. Ci sono voluti sei anni perché diventasse un fatto.
Sei anni dopo: due GTX 580
Nel 2012 tre persone dell’Università di Toronto — Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton — addestrarono una rete convoluzionale su due GeForce GTX 580 consumer per ImageNet. Tasso di errore 15,3%. Secondo posto 26,2%.
Il fatto tecnico importante non fu la vittoria dell’algoritmo. Fu che l’hardware era già lì. Dieci anni di CUDA sugli scaffali significavano che ogni laboratorio al mondo aveva già una macchina capace di fare deep learning; nessuno glielo aveva detto.
L’ecosistema capitalizza così. Non devi convincere nessuno a comprare una scheda nel 2012. Devi fare in modo che la scheda sia sulla sua scrivania nel 2006.
È anche la chiave del fossato. Il 92% del mercato enterprise non regge sul vantaggio di una generazione. Regge perché il codice di qualsiasi paper, su GitHub, si clona e si esegue. Il costo di migrazione vive in milioni di righe di CUDA, non nel chip.
Portare lo scatolone: DGX-1 e il confine di «una sola macchina»
Nell’agosto 2016 Huang guidò fino a San Francisco e portò di persona il primo DGX-1 negli uffici di OpenAI. La macchina costava 129.000 dollari, otto P100 su NVLink. Elon Musk era nella stanza.
Un CEO di un’azienda da decine di miliardi consegna un computer a un laboratorio no-profit nato da pochi mesi, e fa anche il facchino. La storia si racconta per ridere. È il ritratto più preciso dell’azienda: non vendono un chip, vendono un modello di come deve essere il calcolo.
Volta arrivò nel 2017 con i Tensor Core, un’unità di moltiplicazione matriciale 4×4. Gli operatori centrali di un Transformer sono quasi tutti prodotti matriciali a batch, e il crollo dei costi di addestramento tra 2020 e 2025 è venuto metà dal processo e dal packaging, metà dall’avere hardware dedicato a quell’operazione.
Poi la precisione è scesa generazione dopo generazione: FP16 su V100, BF16 e TF32 su A100, FP8 su H100, FP4 su Blackwell. Ogni passo ha fatto lo stesso: togliere dal silicio e dalla banda la precisione che il modello non usa.
Interfaccia generale, nucleo specializzato. È questa combinazione a spiegare perché «i chip dedicati sostituiranno la GPU» viene previsto ogni anno e non accade mai.
## Saldare la moltiplicazione di matrici nel silicio
Volta è arrivata nel 2017 e la V100 ha portato i Tensor Core: un’unità di moltiplicazione-accumulo di matrici 4×4 che completa un lotto di operazioni per ciclo di clock. All’epoca la maggior parte dei framework chiamava ancora cuBLAS in FP32, e il percorso FP16 richiedeva modifiche al codice per essere sfruttato.
Cinque anni dopo è diventato decisivo. Gli operatori centrali di un Transformer sono quasi tutti moltiplicazioni di matrici a batch; la trasposta QK nell’attenzione e la somma pesata dopo la softmax atterrano sull’hardware come GEMM di grandi dimensioni. Il crollo del costo di addestramento tra 2020 e 2025 è venuto metà dal processo e dal packaging, metà dalla decisione di costruire hardware dedicato a quell’operazione.
Poi la precisione è scesa generazione dopo generazione: FP16 su V100, BF16 e TF32 su A100, FP8 su H100, FP4 su Blackwell. Ogni passo ha fatto lo stesso: togliere dall’area di silicio e dalla banda di memoria la precisione numerica che il modello non usa.
A posteriori è stata una copertura intelligente della strategia CUDA: modello di programmazione generale verso l’esterno, hardware dedicato al kernel più frequente verso l’interno.
Interfaccia generale, nucleo specializzato. Questa combinazione spiega perché «i chip dedicati sostituiranno la GPU» viene previsto ogni anno e non accade mai: gli sfidanti perdono per mancanza di generalità, o per non avere i milioni di righe già scritte.
Un fallimento: Tegra
La storia dal 1993 al 2026 contiene più fallimenti che successi. Solo che fanno meno rumore.
Nel 2008 Nvidia lanciò Tegra e attaccò il telefono. Tegra finì nello Zune HD, in qualche tablet e in autoradio, poi Qualcomm e i SoC di Apple lo spinsero fuori dal mercato di massa. Intorno al 2015 il business aveva lasciato la battaglia mobile per cockpit e guida autonoma.
La stessa lezione della NV1, con retta più bassa: un chip più veloce dentro l’ecosistema altrui non batte chi definisce l’ecosistema.
Il ramo che è sopravvissuto — automotive e robotica — è diventato dieci anni dopo la porta d’ingresso dell’IA incarnata.
Da uno a cinque trilioni
H100 è uscita nel 2022. ChatGPT è arrivato pochi mesi dopo. Il tempismo era troppo bello.
La capitalizzazione ha superato 1 trilione nel 2023, 3 nel 2024, e a ottobre 2025 Nvidia è stata la prima azienda oltre i 5 trilioni. La quota enterprise è intorno al 92%.
La fortuna c’è stata. AlexNet girava sulle loro schede; l’operatore centrale di Transformer è una moltiplicazione di matrici; i modelli grandi richiedono migliaia di schede cablate come una macchina. Ma la fortuna spiega le vette, non la presenza su ognuna.
La sua formulazione era la legge di Huang: le prestazioni raddoppiano ogni due anni mentre il costo unitario scende. Non è una riscrittura della legge di Moore; è comprimere architettura, packaging, interconnessione e software in un’unica cadenza. La condizione è che i quattro strati stiano nella stessa azienda e che firmi qualcuno che non debba giustificare la spesa di lungo periodo a una call trimestrale.
Il 2 settembre 2026, parlando con il segretario al Commercio Howard Lutnick, disse: «Potrei smettere di lavorare, ma non voglio perdermelo. Non perderò i prossimi 10, 15 anni.» Aggiunse che prima del 2030 restano da costruire 100 gigawatt di infrastruttura.
Dieci settimane dopo non c’era più.
Due mappe
Il business cinese è lo sfondo delle indagini aperte dopo il 12 novembre.
Nell’ottobre 2022 il Dipartimento del Commercio ha limitato l’export di A100 e H100, e Nvidia ha introdotto le A800 e H800 ridotte. Nell’ottobre 2023 le nuove regole hanno scritto soglie di densità di prestazioni, quei chip sono finiti in lista, poi è arrivato il valzer della H20: limitata, poi licenziata con condizioni nel 2025.
Il risultato è un mix di ricavi cambiato: il data center cinese è passato da oltre un quinto del totale a quasi zero, poi a un recupero parziale. L’ingegneria non risolve, perché ciò che si misura non è la prestazione. È una licenza.
Per questo la lettera arrivata dopo il 12 novembre non parlava di calcolo ma di chi ha approvato cosa e dove sono i verbali. Richard Neal e Ron Wyden hanno chiesto al Dipartimento di conservare i documenti. Sono minoranza: possono chiedere, non obbligare.
La bolletta della fabbrica di IA
A settembre 2026 Huang ha iniziato a chiamare i data center «fabbriche di IA» e ha dato un calendario: 100 gigawatt prima del 2030.
Un grande gruppo nucleare vale circa 1 gigawatt. Il numero sposta il dibattito dalle spedizioni di chip all’energia e al suolo. Lo stesso mese Nebius ha annunciato 40 miliardi di capex per il 2027 e il titolo è sceso del 17%; il cantiere Microsoft nel New Jersey era in ritardo di mesi. Il collo di bottiglia è passato dall’acceleratore alla cabina di trasformazione.
È anche la parte più difficile della successione. Huang non vendeva solo chip. Vendeva l’aspettativa che il calcolo resti scarso, e quell’aspettativa ha bisogno di qualcuno che la ripeta ogni settimana.
Quando l’inferenza prende il comando
Tra 2024 e 2026 la forma della domanda è cambiata. Il capex di addestramento è rimasto enorme ma ha rallentato; è cresciuta l’inferenza: contesto lungo, agenti che chiamano strumenti in ciclo, autoverifica su più passate.
L’economia è diversa. L’addestramento premia i FLOPS di picco e la banda di interconnessione. L’inferenza premia il costo marginale per token: la capacità di memoria decide quanto KV cache entra, la banda decide la velocità di decodifica, la quantizzazione decide che modello sta nella stessa VRAM. Comprimere la KV cache cinque volte significa servire cinque volte la concorrenza su una scheda.
Da qui la spinta a FP4 dopo Blackwell, e da qui compressione della KV cache, decodifica speculativa e scheduling dei batch che occupano gran parte della ricerca 2026.
Per il fossato la svolta gioca contro. L’era dell’addestramento premiava la scheda più veloce. L’era dell’inferenza premia il costo per token più basso, ed è terreno che gli ASIC interni possono prendere: TPU di Google, Trainium di AWS, MTIA di Meta. Huang teneva aperta la distanza con una cadenza annuale di architetture. Se una seconda persona sappia tenerla è la cosa da guardare dopo il 17 novembre.
Sessanta riporti diretti
Il suo stile era anomalo anche per la Silicon Valley. Circa 60 riporti diretti. Nessun colloquio individuale. Nessuna slide.
Tutti mandavano una mail settimanale Top 5 Things: le cinque cose più importanti e a cosa stavi pensando. L’informazione scorreva in orizzontale, invece di salire e scendere la gerarchia. La pratica è sopravvissuta oltre i diecimila dipendenti, al prezzo di un’agenda a pezzi.
«La nostra azienda è a trenta giorni dalla chiusura» era la linea di base emotiva del sistema. Teneva un’azienda da 4 trilioni in tensione. È anche il motivo per cui in 33 anni nessuno è cresciuto fino a diventare successore.
Non è un complotto, è struttura: un CEO che si infila in ogni circuito decisionale critico sopprime sistematicamente la formazione di un secondo decisore.
Dopo il 12 novembre
Kress ha 59 anni. È arrivata come CFO a settembre 2013 dopo quasi 25 anni nella finanza in Texas Instruments, Microsoft e Cisco. Le persone sentite da Reuters la descrivono come l’inverso calmo dello stile conflittuale di Huang.
Il mercato non è convinto. Anshel Sag di Moor Insights and Strategy è diretto: mettere la CFO in interim calma i mercati, ma non è la visionaria di lungo periodo di cui Nvidia ha bisogno.
Circolano tre nomi: Ian Buck, in Nvidia dal 2004, guida hardware e software per l’IA, legato alle origini di CUDA; Rene Haas, CEO di Arm, sette anni vicepresidente in Nvidia; e Lisa Su, CEO di AMD, la concorrente più diretta.
Il 17 novembre dopo la chiusura escono i conti del terzo trimestre. Sarà la prima sessione pubblica di domande della nuova guida.
Lo stesso giorno, Richard Neal e Ron Wyden, i democratici di grado più alto nelle commissioni Ways and Means della Camera e Finanze del Senato, hanno scritto al segretario al Commercio Lutnick su come sono state gestite le vendite di chip Nvidia alla Cina, chiedendo al dipartimento di conservare i documenti. Minoranza: possono chiedere, non obbligare.
La giacca di pelle bianca
In 33 anni l’azienda ha cambiato CEO una volta. Ora l’ha cambiato.
Non si testa la competenza del successore, ma una domanda più silenziosa: di queste scommesse — triangoli, T&L hardware, shader unificati, CUDA, Tensor Core, NVLink — quante erano giudizio personale e quante sono già valori predefiniti dell’organizzazione.
CUDA è la prima metà della risposta. Oltre quattromila librerie accelerate, milioni di sviluppatori, vent’anni di compatibilità. Nessun successore può rovesciarlo, come nessuno rovescia x86. È un asset dell’azienda, non di una persona.
L’altra metà è la tensione dei trenta giorni. Non si scrive in un manuale. Esiste solo se qualcuno la ripete e la dimostra con l’agenda. È un asset personale.
Il comunicato del 12 novembre ha separato le due cose. Il mercato ha prezzato la separazione 182 miliardi.
Il silicio cicla in tre anni. Le architetture in dieci. Gli ecosistemi in venti. Il mandato di una persona è durato trentatré, appena abbastanza per azzeccare una volta tutti e tre gli strati.
La giacca di pelle bianca è ancora nell’armadio. L’uomo che la indossava non è più nella sala riunioni.
Riferimenti
- Comunicato Nvidia (2026-11-12)
- Cronologia aziendale Nvidia
- The Guardian: chi è Colette Kress
- China Youth Net: le dimissioni e i 182 miliardi
- China Youth Daily: fine dell’era Huang
- China News Service: Nvidia annuncia le dimissioni
- The New Yorker: il successo Nvidia come rischio americano
- Paper AlexNet (NIPS 2012)