
Di Fabrizio Rinaldi. Contesto di cronaca verificato il 12 novembre 2026.
Per anni Jensen Huang ha incarnato il boom dell’intelligenza artificiale: l’ingegnere con la giacca di pelle capace di spiegare una GPU a una sala di sviluppatori e di convincere un governo a investire in infrastrutture nazionali. A novembre, a riportarlo al centro dell’attenzione pubblica è stato un documento di tutt’altro genere.
L’8 novembre Nvidia ha pubblicato il suo messaggio ai dipendenti, nel quale ammette l’infedeltà e chiede scusa alla famiglia e ai colleghi. «Sono stato infedele a mia moglie», scrive. L’ammissione è arrivata dopo le notizie su una relazione con Alice Huang, un’imprenditrice cinese legata alla società cloud Megaspeed International, con sede a Singapore. Reuters non ha potuto verificare indipendentemente l’accusa secondo cui sarebbe una risorsa dell’intelligence cinese, che Pechino ha respinto. Il messaggio di Huang non identifica la persona con cui ha avuto la relazione. Ammettere un’infedeltà non significa ammettere un’attività di spionaggio. [1] [2]
Le conseguenze aziendali sono comunque serie. Il consiglio di amministrazione di Nvidia ha annunciato un’indagine indipendente, precisando l’8 novembre di non avere ragioni per ritenere compromessi segreti aziendali o sicurezza nazionale. Il 10 novembre i consiglieri indipendenti hanno incaricato consulenti legali esterni. Il 12 novembre Reuters riportava discussioni sul futuro di Huang, non una decisione annunciata di rimozione. Sono fasi distinte di una vicenda in corso, non un verdetto già scritto. [3] [4] [5]

La violazione della fiducia mi interessa perché guidare un’azienda significa anche rispondere delle proprie scelte, soprattutto quando i rapporti commerciali incrociano tecnologie sensibili. Mi interessa molto meno trasformare la sofferenza di una famiglia in intrattenimento. Il lavoro più utile è capire la persona che ha costruito quell’influenza, l’azienda che ha contribuito a creare e i presupposti della sua visione del futuro tecnologico. Né lo scandalo né la giacca di pelle bastano a spiegare Jensen Huang.
Da Taiwan all’industria americana dei semiconduttori
Nato a Taiwan nel 1963, Huang ha trascorso parte dell’infanzia in Thailandia prima di essere mandato negli Stati Uniti con il fratello maggiore, prima dell’arrivo dei genitori. Ha frequentato un collegio nel Kentucky in circostanze difficili e in seguito si è stabilito con la famiglia in Oregon. È stata un’infanzia da immigrato, fatta di separazioni, adattamento e lavoro, piuttosto diversa dal percorso senza attriti che spesso si ricostruisce quando un fondatore ha ormai raggiunto il successo. [6] [7]
Si è laureato in ingegneria elettrica alla Oregon State University nel 1984 e ha conseguito un master a Stanford nel 1992, mentre lavorava a tempo pieno. Prima di Nvidia ha progettato microprocessori in AMD e lavorato in LSI Logic. Il celebre legame con Denny’s ha due capitoli: lì aveva lavorato come lavapiatti e cameriere; anni dopo vi si incontrava con Chris Malachowsky e Curtis Priem per discutere il progetto di una nuova azienda. [7] [8] [10]
Quelle esperienze aiutano a comprendere il suo linguaggio pratico. Torna spesso sui vincoli, sull’architettura e sul lavoro necessario per far funzionare un’idea. Eviterei però la tentazione di spiegare ogni scelta di un adulto attraverso le difficoltà dell’infanzia. Una biografia può chiarire un modo di pensare senza diventare una giustificazione della condotta o una diagnosi psicologica.

Nvidia nasce per la grafica, prima di diventare centrale nell’AI
Huang, Malachowsky e Priem hanno fondato Nvidia nell’aprile del 1993. L’opportunità era il mercato emergente della grafica tridimensionale, soprattutto nei videogiochi, non un piano per dominare l’AI generativa trent’anni dopo. Il contributo strategico di Huang conta, ma va letto insieme al lavoro tecnico dei cofondatori e di generazioni di ingegneri. [9]
La giovane azienda ha anche commesso errori. Il chip NV1 utilizzava un approccio grafico diverso dai poligoni triangolari su cui si basava Direct3D di Microsoft. I risultati commerciali furono deludenti e Nvidia dovette cambiare direzione. Nel suo racconto a Stanford, Huang descrive una ripartenza che passava dallo studio di manuali di grafica, invece di difendere la scelta iniziale solo perché il team ci aveva investito. È una lezione meno celebrativa, ma più utile, dell’immagine di un genio le cui prime intuizioni erano sempre giuste. [10] [11]
Nel 1999 Nvidia presentò la GeForce 256, commercializzata come la prima GPU, cioè un’unità di elaborazione grafica. Il progresso importante consisteva nell’integrare una parte consistente delle operazioni grafiche che altrimenti avrebbero gravato sul processore centrale. La grafica richiedeva molte operazioni in parallelo, e quella capacità avrebbe trovato impieghi ben oltre il rendering di un videogioco. [6] [9]
CUDA, presentata nel 2006, contribuì a trasformare quella possibilità in una piattaforma di calcolo utilizzabile. Dava agli sviluppatori un modo per programmare le GPU Nvidia anche per elaborazioni generiche, comprese quelle scientifiche. L’hardware da solo non bastava: servivano strumenti che permettessero di sfruttare il calcolo parallelo senza dover trattare ogni problema come un problema grafico. [6] [9]
L’esempio decisivo per l’AI arrivò nel 2012. Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton dimostrarono un importante progresso nella classificazione delle immagini con la rete neurale oggi conosciuta come AlexNet. Il loro paper descrive un addestramento eseguito su due GPU Nvidia GTX 580. Il risultato apparteneva ai ricercatori, mentre Nvidia forniva l’hardware e una piattaforma programmabile che avevano contribuito a rendere praticabile l’esperimento. [12]
Questa distinzione dei meriti conta. Nvidia non ha inventato l’AI; ha contribuito a rendere possibili elaborazioni AI sempre più ambiziose. La sua importanza successiva è cresciuta attraverso lo sviluppo continuo di acceleratori, software e dell’ecosistema che li circonda. I modelli sono ciò che la maggior parte degli utenti vede, ma addestrarli e farli funzionare richiede infrastruttura, e Nvidia ha costruito un’attività attorno a quella necessità. [6] [9]
Addestrare un modello significa usare degli esempi per modificarne i parametri; utilizzare il modello addestrato per ottenere un risultato si chiama inferenza. AlexNet illustra la prima attività, mentre un sistema che risponde a una richiesta o classifica una nuova immagine svolge la seconda. Entrambe richiedono calcolo. Il progresso della ricerca era quindi anche una dimostrazione di ciò che diventa possibile quando gli algoritmi hanno a disposizione hardware e software adeguati, non soltanto un miglioramento dell’aspetto della grafica computerizzata. [12]
Per me il risultato interessante è il collegamento tra un business di successo nella grafica e un investimento di più lungo periodo nel calcolo, capace di rispondere a problemi ancora poco conosciuti. Serviva pazienza verso una piattaforma prima di poter nominare ogni sua applicazione futura. Quando i ricercatori dimostrarono che cosa poteva fare, Huang investì in quella direzione. È una capacità di giudizio strategico notevole, senza bisogno di credere che avesse previsto ChatGPT seduto a un tavolo di Denny’s.

La sua filosofia unisce ambizione e consapevolezza delle difficoltà
Al summit SIEPR di Stanford del 2024, Huang sosteneva che carattere e resilienza si costruiscono attraverso le battute d’arresto. L’augurio rivolto agli studenti di ricevere «ampie dosi di dolore e sofferenza» attirò comprensibilmente l’attenzione, insieme alla sua affermazione che avere aspettative basse fosse un vantaggio. Il senso non era scegliere obiettivi modesti, ma evitare di aspettarsi un percorso facile o di considerare ogni delusione un motivo per fermarsi. [13]
Capisco il valore di quell’atteggiamento. Un progetto lungo difficilmente sopravvive se ogni ostacolo viene interpretato come la prova che l’idea non valesse nulla. Ma la sofferenza non diventa utile solo perché una persona di successo l’ha attraversata. Imparare dalle difficoltà è diverso dal crearne di evitabili per gli altri. La disponibilità di un fondatore a sopportare la pressione non gli dà il diritto di pretendere gli stessi sacrifici da chiunque gli lavori accanto.
Anche la sua filosofia manageriale merita di essere esaminata oltre i titoli. A Stanford ha descritto la volontà di ridurre i livelli organizzativi che deformano le informazioni e di rifiutare l’idea che il possesso delle informazioni debba essere la fonte del potere manageriale. I problemi devono essere abbastanza visibili da permettere alle persone di ragionarci insieme. È un argomento a favore di meno silos, non di un’azienda senza coordinamento o responsabilità. [10]
C’è però una tensione. Una struttura più piatta può far circolare meglio la conoscenza e, allo stesso tempo, concentrare un gran numero di relazioni attorno all’amministratore delegato. Eliminare un livello intermedio non significa automaticamente distribuire l’autorità finale. La crisi attuale rende questa distinzione particolarmente concreta: un’organizzazione può essere collaborativa sul piano ingegneristico e dipendere comunque molto dal giudizio di una sola persona.

La sovranità AI deve parlare anche di hardware
L’argomento di Huang a favore dell’AI sovrana parte da una preoccupazione legittima. I Paesi dovrebbero poter produrre intelligenza a partire dalla propria lingua, dalla propria storia e dalle conoscenze delle proprie istituzioni, invece di limitarsi a consumare sistemi progettati altrove. Al World Governments Summit del 2024 ha invitato i governi a costruire infrastrutture e modelli AI che riflettano i loro dati e la loro cultura. Il keynote di Berlino del 2026 ha esteso il messaggio alle competenze industriali europee. [14] [19]
Trovo questa visione più convincente dell’idea che un unico modello dominante a livello globale possa rappresentare adeguatamente ogni società. Le capacità locali possono sostenere lingue, servizi pubblici e settori specializzati che altrimenti resterebbero marginali nelle priorità di prodotto di qualcun altro. Ma in questa proposta la parola «sovrana» porta con sé una promessa impegnativa.
Quanto è sovrana l’AI di un Paese che controlla i dati e il modello, ma non può sostituire il fornitore estero dei chip che li rendono utilizzabili?
Non significa sostenere che la sovranità nazionale richieda di produrre ogni componente in casa. Significa riconoscere che sovranità dei dati, controllo operativo e autonomia tecnologica sono dimensioni diverse. Un data centre gestito localmente può continuare a dipendere da acceleratori progettati all’estero, interfacce software, apparecchiature sostitutive e autorizzazioni per acquistare la generazione successiva di capacità di calcolo.
La dimensione hardware comprende la possibilità di ottenere i chip, mantenere i sistemi, trasferire le elaborazioni verso architetture alternative e capire quali restrizioni potrebbero interrompere l’accesso. A monte ci sono le capacità di progettazione e produzione dei semiconduttori, che non si costruiscono ribattezzando un server importato come infrastruttura sovrana. Controllare dove sono conservati i dati risolve un problema importante, ma non risponde a tutti gli altri.
Il ruolo di Nvidia nella proposta di Huang è esplicito. La sua tecnologia abilita l’AI nazionale e aziendale, mentre il messaggio del luglio 2025 promuoveva anche uno stack tecnologico americano come base sulla quale far funzionare i modelli per uso civile. Le due posizioni possono coesistere: un Paese può ottenere un controllo significativo sulle proprie applicazioni mentre un fornitore conquista una presenza duratura nella sua infrastruttura. [15] [19]
La parte difficile è rendere visibile questo accordo. I governi devono distinguere una dipendenza accettabile da una che non sanno gestire e verificare la possibilità di migrazione, invece di limitarsi a prometterla. Anche la sovranità culturale va esaminata: un modello addestrato localmente non rappresenta automaticamente tutti gli abitanti di un Paese, né garantisce loro una voce sull’uso delle proprie informazioni.
Considererei l’AI sovrana un insieme di capacità da costruire e difendere, non un’etichetta assegnata in base al luogo in cui si trova un rack. Lo stesso approccio di pensiero sistemico che aiuta le organizzazioni a capire le proprie dipendenze serve anche qui: controllare una parte del sistema non equivale a controllarlo tutto.

La Cina è un mercato, un ecosistema e un problema di sicurezza
La posizione di Huang sulla Cina diventa più comprensibile se letta attraverso la strategia di piattaforma di Nvidia. Nell’intervista con Ben Thompson del maggio 2025 sosteneva che escludere la tecnologia americana avrebbe incoraggiato la crescita di ecosistemi alternativi. Riconosceva la forza tecnica di Huawei e DeepSeek, invece di presumere che limitare l’accesso ai chip avrebbe cancellato le capacità ingegneristiche cinesi. [16]
La logica commerciale è chiara. Le installazioni hardware attirano sviluppatori; gli sviluppatori costruiscono applicazioni e strumenti; le applicazioni rendono la piattaforma più utile per i clienti successivi. Per Nvidia, l’accesso alla Cina riguarda quindi la diffusione futura del suo ecosistema oltre alle vendite immediate. Agli Stati Uniti Huang propone l’adozione più ampia della tecnologia americana come fonte di influenza. [15] [16]
È un argomento serio, non neutrale. A proporlo è chi guida l’azienda che beneficia di un accesso più ampio. Il suo vantaggio commerciale, però, non dimostra che l’argomento sia sbagliato. I decisori pubblici devono valutare la possibilità di rafforzare piattaforme concorrenti insieme ai rischi di fornire capacità a soggetti o applicazioni vietati. Quei rischi non si risolvono con un discorso commerciale sicuro di sé, e le restrizioni per la sicurezza nazionale non devono diventare la prova che un’intera popolazione sia nemica.
Anche le regole richiedono più precisione di «la Cina è esclusa». Una norma americana in vigore da gennaio 2026 consente di sottoporre le esportazioni di chip della classe H200 che rispettano determinati requisiti a una valutazione condizionata delle licenze, caso per caso. Non è un accesso libero. A novembre Reuters riportava che l’approvazione cinese per le importazioni su larga scala restava un ostacolo separato. Autorizzazione all’esportazione, autorizzazione all’importazione e consegna effettiva non sono la stessa cosa. [17] [18]
Le accuse che coinvolgono Huang non dimostrano che la sua posizione politica fosse dettata di nascosto da un altro governo. Per affermarlo servirebbero prove. Rendono però più importante un controllo indipendente sui rapporti sensibili. Una strategia tecnologica va valutata nel merito, mentre eventuali conflitti o condotte scorrette devono essere esaminati con un processo capace di mettere in discussione anche chi l’ha proposta.

Gli agenti trasformano un modello in un sistema che può agire
L’enfasi di Huang sugli agenti riguarda il passaggio dalla generazione di una risposta allo svolgimento di un’attività. Un agente combina un modello con strumenti, conoscenze e un sistema di orchestrazione che gli permette di perseguire dei compiti. L’accesso a file aziendali, applicazioni o servizi esterni gli dà conseguenze pratiche che vanno oltre la qualità della sua prosa. [19]
È anche un cambiamento commerciale rilevante. Nell’intervista a Stratechery del 2025, Huang descriveva l’AI in parte come lavoro, sostenendo che agenti e robot potessero estendere la spesa tecnologica oltre i tradizionali budget IT, fino ai costi delle operations. Nvidia fornirebbe quindi il calcolo non soltanto per il software utilizzato dalle persone, ma anche per quello che svolge una parte del loro lavoro. [16]
La sua posizione sulla sicurezza merita di essere presa sul serio. Il keynote di Berlino richiede ambienti isolati, monitoraggio e privilegi assegnati in modo circoscritto, e presenta Nvidia OpenShell come un ambiente di esecuzione pensato per controllare l’accesso di un agente ai sistemi che lo circondano. Dare all’agente soltanto i permessi necessari a un compito è molto più sensato che concedergli un accesso generale e sperare che si comporti bene. [19]
Un ambiente di esecuzione sicuro non esaurisce però le responsabilità di chi lo mette in produzione. Un agente può restare entro i propri permessi tecnici e prendere una decisione che non avrebbe mai dovuto essergli delegata. Il controllo degli accessi può impedirgli di aprire un file non autorizzato; non stabilisce se le informazioni in un file autorizzato siano complete, se un’azione proposta sia equa o se la persona che ne subisce le conseguenze possa contestarla.
Per un’azienda, il lavoro concreto comprende decidere quali azioni richiedano approvazione umana, come rilevare gli errori e chi rimanga responsabile. Poter fermare un agente conta, ma conta anche riconoscere quando non gli andrebbe affidata una decisione. L’approccio ingegneristico di Huang offre meccanismi utili. Dovrebbe contribuire alla governance, non prenderne il posto.

L’ottimismo sulla crescita non garantisce l’esito per il lavoro
La visione più ampia di Huang è che un calcolo meno costoso e più capace espanda l’ambizione: le organizzazioni troveranno altre cose da fare invece di limitarsi ad acquistare meno. La storia di Nvidia rende comprensibile questa convinzione. Una tecnologia sviluppata per i videogiochi ha contribuito a creare domanda in ambiti che non appartenevano al suo mercato originale. [9] [16]
Il suo ottimismo sull’occupazione non equivale esattamente ad affermare che nessuno perderà il lavoro. Nell’intervista del 2025 riconosceva esplicitamente che alcuni posti sarebbero andati persi, mentre prevedeva che ne sarebbero stati creati molti. Resta una previsione, non un risultato misurato della prossima fase dell’AI. [16]
La mia preoccupazione riguarda la distanza tra un’economia che cresce e l’esperienza di un singolo lavoratore. Un’azienda può produrre di più e avere bisogno di meno persone per una determinata attività. I nuovi ruoli possono nascere in un altro luogo, richiedere qualifiche diverse o arrivare quando qualcuno ha già perso il reddito. Il lavoro necessario per costruire un data centre non compensa automaticamente la perdita di un impiego d’ufficio.
L’esito sociale dipende dalle scelte di investimento, dalla formazione, dal potere contrattuale e dalla distribuzione dei benefici. Sono decisioni umane e istituzionali, non proprietà garantite da una GPU. Un racconto ottimista delle possibilità tecnologiche diventa più utile quando comprende il costo della transizione e una responsabilità credibile verso le persone che lo sostengono.

Capire Huang senza rinunciare al proprio giudizio
A Huang va riconosciuto il contributo alla costruzione di una piattaforma di calcolo che ha cambiato ciò che ricercatori e aziende potevano tentare. La sua storia mostra adattamento tecnico, investimenti prolungati e capacità di collegare l’ingegneria ai mercati emergenti. Mostra anche il valore del lavoro di persone i cui nomi attirano molta meno attenzione di quello dell’amministratore delegato.
La sua visione propone idee serie: capacità AI locali, dialogo con una Cina tecnicamente capace, agenti controllati e un’economia che usa il calcolo per fare di più. Meritano tutte un esame, perché ciascuna unisce un’opportunità reale a dipendenze irrisolte e interessi commerciali.
La crisi attuale deve mettere alla prova la responsabilità di chi guida l’azienda, non diventare un pretesto per cancellare il contributo di Nvidia o presumere una colpevolezza su accuse ancora non dimostrate. Allo stesso modo, i risultati tecnologici non devono sottrarre un leader al controllo.
Per me la posizione utile è prendere sul serio la sua ingegneria, mantenendo un giudizio autonomo sulla società che ci costruiamo attorno. Significa saper spiegare quali dipendenze un Paese è in grado di gestire e quali decisioni un’azienda ha delegato, garantendo a chi viene chiamato ad adattarsi una partecipazione credibile ai benefici. Huang può contribuire ad ampliare ciò che il calcolo rende possibile; decidere che cosa affidargli rimane una nostra responsabilità.

Riferimenti
- Nvidia: Messaggio di Jensen Huang ai dipendenti, 8 novembre 2026.
- Reuters: Chi è Alice Huang, 10 novembre 2026.
- Nvidia: Il consiglio annuncia un’indagine indipendente, 8 novembre 2026.
- Nvidia: I consiglieri indipendenti incaricano consulenti esterni, 10 novembre 2026.
- Reuters: Discussioni del consiglio e aggiornamenti della crisi, 12 novembre 2026.
- Computer History Museum: Biografia di Huang e contributo al calcolo.
- Oregon State University: Biografia dell’ex studente Jen-Hsun Huang.
- Stanford Technology Ventures Program: Biografia di Jensen Huang.
- Nvidia: Cronologia aziendale, fondazione, grafica, CUDA e AI.
- Stanford GSB: Huang su decisioni, informazioni e organizzazione, 25 aprile 2024.
- Jon Peddie: Il processore quadratico NV1 di Nvidia, 22 giugno 2021.
- Krizhevsky, Sutskever e Hinton: ImageNet classification with deep convolutional neural networks, 2012.
- Stanford SIEPR: Huang su AI, resilienza e leadership, 7 marzo 2024.
- Nvidia: Huang sull’AI sovrana al World Governments Summit, 12 febbraio 2024.
- Nvidia: Le visite di Huang a Washington e in Cina, 14 luglio 2025.
- Ben Thompson: Intervista a Huang su controlli dei chip, AI factory e imprese, 19 maggio 2025.
- BIS: Revisione condizionata delle licenze per chip avanzati, 15 gennaio 2026.
- Reuters: Approvazioni cinesi all’importazione e consegne Nvidia, 5 novembre 2026.
- Nvidia: Keynote di Berlino su AI sovrana e sicurezza degli agenti, 21 ottobre 2026.
- New York Times: Riproduzione pubblica del messaggio ai dipendenti, 9 novembre 2026.

Share your thoughts