Bolla o non bolla? Questo è il quesito che molti fra analisti, consulenti finanziari e gestori del risparmio ci stanno ponendo in merito al tema dell’intelligenza artificiale. Da un lato, infatti, sono numerosi coloro che identificano nell’AI un game changer in grado di rivoluzionare la società e generare a livello economico quei benefici effetti, in primis in termini di produttività, di cui le economie occidentali e non solo (vedasi Cina) hanno un disperato bisogno. Dall’altro c’è tuttavia anche chi denuncia pericolose affinità con la bolla Dot.Com di inizio Millennio e si chiede con crescente apprensione se i ricavi in termini di fatturato derivanti dalla messa a terra dell’intelligenza artificiale presso gli utenti finali permetteranno di ripagare gli enormi investimenti che lo sviluppo di questa tecnologia comporta; dalle infrastrutture energetiche, alla produzione di microprocessori per arrivare ai ben noti data center che, negli Usa, quasi nessuno vuole ma che pullulano all’orizzonte come enormi cattedrali nel deserto.
Per cercare di fare chiarezza su questo complesso argomento, ci soffermeremo innanzitutto sulle fasi delle quali si costituisce la catena del valore dell’intelligenza artificiale, facendo poi qualche considerazione sulle possibili evoluzioni del mercato.
La catena del valore dell’AI
I Large Language Model
Al cuore del concetto di intelligenza artificiale si trovano i Modelli Linguistici di Grandi Dimensioni (Large Language Model), oggi evoluti in modelli multimodali ovvero strutture matematiche in grado di comprendere ed elaborare suoni, immagini e video. Tali modelli presentano una struttura e meccanismi di funzionamento che riproducono, almeno in parte, ciò che avviene all’interno del cervello umano essendo basati sulle cosiddette reti neurali ovvero reti di neuroni artificiali collegati fra loro. Pensiamo, a titolo di esempio, al ben noto chatbot conversazionale ChatGPT sviluppato da OpenAI, con cui, nel 2022, venne introdotta al mondo l’intelligenza artificiale generativa, a Claude di Anthropic oppure alla famiglia di modelli linguistici sviluppati dalla cinese Deepseek, la quale, in molti ricorderanno, con il suo modello Deepseek-R1 mandò in subbuglio, nel Gennaio dello scorso anno, il mercato azionario Usa; si trattava infatti di un modello linguistico open source[1], quindi gratuito, sviluppato a costi molto minori rispetto agli omologhi Usa a pagamento.
Ci troviamo a valle della catena del valore dell’AI. I servizi basati sull’intelligenza artificiale vengono, a questo livello, venduti agli utilizzatori finali, privati e imprese: tale passaggio costituisce il vero test di sostenibilità relativo al business dell’intelligenza artificiale. Se i guadagni non si concretizzassero per le varie OpenAI, Anthropic, Google Deepmind, o per le numerose start-up impegnate nella creazione di propri modelli di intelligenza artificiale, gli effetti si ripercuoterebbero lungo tutta supply chain, mettendo in discussione, almeno in parte, le centinaia di miliardi di USD di investimenti nella relativa infrastruttura. I recenti risultati resi noti da Anthropic e OpenAI evidenziano un notevole aumento del fatturato rispetto allo stesso periodo dell’anno scorso, inducendo ottimismo in merito all’adozione di strumenti di intelligenza artificiale da parte di privati e imprese; la prima evidenzia ricavi prospettici per l’anno in corso di 65 Mld (qualora mantenga il ritmo di vendite registrato a Luglio) ovvero sette volte quanto evincibile dal trend di Dicembre 2025 (una crescita verticale dei volumi) mentre per la seconda tale dato si attesta a 40 Mld, con una crescita addirittura del 20% mese su mese a Luglio. Tuttavia, i punti d’incertezza, come vedremo, non mancano.
Hyperscaler e data center
Per funzionare adeguatamente questi modelli necessitano di essere addestrati. Ma cosa significa? Significa che essi imparano ad eseguire un determinato compito non seguendo un set di rigide regole scritte, per esempio, da un team di ingegneri, bensì analizzando dati, imparando dagli esempi, correggendo gli errori e implementando le loro capacità con il passare del tempo. Si tratta, in altri termini, di scatole vuote, come definite da Papa Leone nell’ambito della sua enciclica Magnifica Umanitas, le quali crescono, apprendono e affinano le loro capacità in modo autonomo. L’addestramento di questi modelli necessita di grandi quantità di dati, attinti essenzialmente dal Web, e di enormi capacità computazionali. E qui entrano in gioco i ben noti data center, termine con cui ognuno di noi ha ormai iniziato a familiarizzare. Ma di cosa si tratta esattamente? Si tratta di enormi strutture fisiche che ospitano al loro interno sistemi informatici, server, sistemi di archiviazione, apparecchiature di rete, dispositivi di sicurezza e sistemi di alimentazione e raffreddamento; ciò rende evidente come l’intelligenza artificiale sia molto più “fisica” di quanto si sarebbe talvolta portati a pensare. In questo caso, i protagonisti sono i cosiddetti Hyperscaler ovvero aziende come Meta, Alphabet, Amazon e Microsoft oppure, guardando alla Cina, Alibaba e Tencent; queste società stanno investendo centinaia di miliardi di dollari in data center la cui capacità computazionale viene poi ceduta in uso agli sviluppatori di Modelli Linguistici nell’ambito della loro offerta di servizi cloud o utilizzano nello sviluppo dei loro modelli proprietari (vedasi Llama di Meta). Il grafico sottostante evidenzia l’enorme mole di investimenti in data center da parte degli Hyperscaler Usa:
Fonte: Factset
Al cuore dei Data Center: i fornitori di microprocessori
Di fondamentale importanza nel consentire ai data center di svolgere le loro funzioni sono i microprocessori o microchip. Si tratta di dispositivi elettronici di dimensioni estremamente ridotte, costituiti da circuiti integrati incisi su una sottile piastrina di materiale semiconduttore, generalmente silicio, progettati per svolgere funzioni logiche, di memoria o di controllo. In questo caso, il nome più noto è senza dubbio quello di Nvidia con i suoi processori grafici GPU (Graphics Processing Unit); qui la complessità della catena del valore dell’AI appare evidente: i microprocessori non vengono infatti materialmente prodotti dall’azienda americana bensì ivi solamente progettati. La fabbricazione è infatti affidata ad attori esterni, in primo luogo alla società taiwanese Taiwan Semiconductor (TSMC). Ma a sua volta, TSMC nulla potrebbe senza i macchinari per la litografia, prodotti questa volta da una società europea, ovvero il leader olandese ASML; probabilmente, una delle poche carte a disposizione dell’Europa per poter trattare con Cina e Usa in tema di AI da una posizione non subalterna. Risulta evidente come la presenza di pochi attori decisivi della catena del valore dell’AI dislocati a livello globale renda la stessa potenzialmente molto fragile non da ultimo a fronte delle dispute geopolitiche fra potenze: cosa avverrebbe per esempio, in caso di presa, più o meno pacifica, di Taiwan da parte della Cina?
Procedendo ulteriormente a valle del processo produttivo dell’AI, troviamo infine una moltitudine di aziende non strettamente collegate al settore tecnologico. Pensiamo, per esempio, alle aziende fornitrici di energia: l’elevato consumo di energia da parte dei data center ne rende necessario il collegamento a reti energetiche in grado di produrre e distribuire energia su vasta scala. Inoltre, l’enorme calore da essi generato necessita di potenti sistemi di raffreddamento, coinvolgendo aziende operanti nella refrigerazione industriale; la materiale costruzione dei data center sta mobilitando il settore delle costruzioni e così via….
AI: un ecosistema in evoluzione
Quanto esposto finora evidenzia come la catena del valore dell’intelligenza artificiale si suddivida in una fase di creazione dell’infrastruttura (fase di sviluppo), dominata dagli Hyperscaler, i produttori di microprocessori e le aziende operanti in settori tradizionali dell’economia a valle della catena stessa e una fase in cui tale tecnologia viene messa a disposizione degli utenti finali dagli sviluppatori di LLM; sia di clienti privati (essenzialmente tramite chatbot conversazionali) sia delle imprese, le quali integrano l’AI nei processi aziendali tramite le Application Programming Interface (API); questa distinzione risulta di fondamentale importanza per comprendere, interpretare e contestualizzare le attuali dinamiche di mercato. Per esempio, quali informazioni possiamo trarre dai brillanti risultati e dalla guidance forniti recentemente da Nvidia o dalle stellari performance di aziende come Micron, quest’ultima propiziata da un colossale deficit di offerta di chip di memoria? Certo, essi danno evidenza di una fase di sviluppo dell’infrastruttura AI che procede a ritmo elevatissimo fungendo da volano per tutta l’economia Usa; tuttavia, nulla ci dicono delle dinamiche che intervengono a valle del processo. Da questo punto di vista, quanto è sostenibile il business degli sviluppatori di LLM quali Anthropic e OpenAI? Il fatturato di queste aziende è, come detto, in forte crescita, tuttavia, altrettanto elevati sono i costi iniziali sostenuti per l’allenamento di modelli che vengono rilasciati praticamente a ciclo continuo. E se, nel secondo trimestre di quest’anno, Anthropic ha conseguito un utile operativo positivo, evidenziando una storica svolta verso la sostenibilità del suo modello di business, si discute molto della sostenibilità finanziaria di OpenAI, schiacciata nel 2025 da Usd 34 Mld di costi. Inoltre, dal punto di vista dell’utente finale, è necessario evidenziare come, uscendo dai classici abbonamenti mensili generalmente pagati dal cliente retail a fronte dei quali lo stesso ha la possibilità di porre infinite serie di quesiti alla Chat Gpt di turno, quando parliamo di aziende il pagamento si basi sul consumo; in altre parole, ogni volta che il cervellone dell’AI si mette a funzionare si ha un consumo di token, ovvero l’unità di misura utilizzata in questo ambito. Ora, sebbene il costo unitario di questi ultimi sia in forte diminuzione, a seguito di elevate richieste inviate all’algoritmo, i costi per l’utente possono divenire esorbitanti.
Il caso Uber è emblematico: ai più attenti non sarà sfuggito come, nei mesi scorsi, la società abbia dichiarato di aver esaurito il suo Budget annuale per l’utilizzo di strumenti di AI nei primi 4 mesi di quest’anno, prevedendo poi dei limiti di spesa mensili per i suoi dipendenti. Ciò induce a pensare che le imprese, dopo la sbornia iniziale in cui i vertici, soprattutto in settori quali il software, hanno favorito l’utilizzo intensivo di AI, potrebbero divenire più caute e attendere di essere maggiormente confortate dai guadagni in termini di produttività prima di effettuare massicci investimenti aggiuntivi in tale tecnologia.
Ma un’alternativa potrebbe anche consistere nel rivolgersi ai più “generosi” sviluppatori di modelli open source cinesi; tendenza questa molto diffusa fra le imprese americane come evidenzia il grafico sottostante nonché preoccupante per i fornitori a pagamento di modelli di intelligenza artificiale.
Il recente acquisto per Usd 13 Mld, da parte di Nvidia, di Hugging Face, la maggiore piattaforma Usa di modelli di intelligenza artificiale open source sembra essere volto ad anticipare uno scenario di questo tipo. Nel caso in cui il mercato viri con decisione verso modelli di intelligenza artificiale open source, il colosso Usa vuole infatti assicurarsi che i servizi cloud sui quali essi vengono fatti girare (in questo caso messi a disposizione da Hugging Face), siano alimentati dai suoi microprocessori.
Ma quali sarebbero le conseguenze per l’intero settore se, nell’eventualità prospettata, l’AI divenisse equiparabile ad una sorta di commodity ovvero un bene standardizzato facilmente acquistabile sul mercato a costi contenuti? L’intera catena dell’AI crollerebbe? Probabilmente no: certo il business degli sviluppatori puri di LLM a pagamento (es. OpenAI) ne risulterebbe fortemente penalizzato; tuttavia, i cosiddetti fornitori di “pale e picconi” all’intelligenza artificiale ovvero i vari Nvidia, Amazon, Alphabet ne uscirebbero, probabilmente, ancora una volta vincitori, potendo continuare a fornire microprocessori e potenza computazionale ad un mercato presumibilmente più vasto a causa della riduzione dei costi.
Tutto ciò ad una condizione tanto ovvia quanto profondamente trascurata; che l’AI si traduca in quel volano di produttività che ne costituisce il fine ultimo. Ma ciò sta avvenendo? In parte sì, anche se sembra il mercato sia andato un po’ oltre nelle sue valutazioni.
Da un lato, il grafico che segue evidenzia come, in effetti, l’economia Usa si trovi attualmente in una fase di recupero della produttività. Tuttavia, i buoni dati al riguardo necessitano di ulteriori conferme nonché di crescere ulteriormente. In altri termini, la crescita della produttività è buona ma non estrema!
Dall’altro, come evidente nel prossimo grafico, gli analisti stimano, nei prossimi 5 anni, tassi di crescita degli utili delle imprese dell’S&P 500 in forte aumento, addirittura il doppio (troppo?) rispetto alla media storica, prefigurando un vero e proprio cambio di passo proprio in termini di produttività dell’economia in conseguenza dell’applicazione ad ampio spettro dell’AI.
Reference Shelf
–AI token prices are hitting new record lows
https://www.cnbc.com/2026/09/01/ai-token-prices-lows.html
–Anthropic tells investors annualized revenue run rate climbed to $65 billion in July
https://www.cnbc.com/2026/08/17/anthropic-says-annualized-revenue-climbed-to-65-billion-in-july.html
[1] Il termine “open source” si riferisce al codice LLM e all’architettura sottostante del modello, i quali sono accessibili al pubblico. Ciò significa che sviluppatori e ricercatori sono liberi di usare, migliorare o modificare in altro modo il modello.
