Ottobre 2024. Le ricerche di Google per “AI bubble” raggiungono il picco massimo degli ultimi due anni. Sui social, sui blog finanziari, nelle sale riunioni, la domanda è sempre la stessa: siamo di fronte a una nuova bolla tecnologica?
La domanda è legittima. Ma è anche mal posta. Perché quando parliamo di bolle, tendiamo a immaginare situazioni in cui l’entusiasmo irrazionale spinge i prezzi verso livelli insostenibili, scollegati dai fondamentali. E questo, almeno per ora, non è quello che sta accadendo con l’intelligenza artificiale.
I numeri che contano davvero
Partiamo dai fatti. Le grandi piattaforme tecnologiche globali investiranno oltre 600 miliardi di dollari all’anno in infrastrutture AI entro il 2027. Nel primo trimestre del 2025, le spese in conto capitale per data center sono aumentate di oltre il 50% rispetto all’anno precedente. Nel secondo trimestre l’incremento è stato superiore al 40%.
Sono cifre straordinarie. Senza precedenti nella storia del capitalismo moderno. Ma non sono cifre prive di logica.
Quando analizziamo questi investimenti, emerge una dinamica che va oltre l’euforia speculativa. Le aziende che stanno costruendo l’infrastruttura AI non stanno inseguendo un sogno. Stanno rispondendo a una realtà strategica molto concreta: chi non investe oggi rischia di perdere domani. Non in senso metaforico. In senso letterale.
Perchè non è come la bolla Dotcom
Negli ultimi mesi ho riletto parecchio materiale sulla bolla tecnologica di fine anni Novanta. Quello che emerge è illuminante. Nel 2000, al picco della bolla, il rapporto prezzo-utili del settore tecnologico americano superava 50. Oggi siamo intorno a 25. Meno della metà. All’epoca il rendimento sul capitale proprio delle principali aziende tech si aggirava intorno al 28%. Oggi le cosiddette “Magnifiche 7” mostrano un ROE medio del 46%.
Ma c’è un altro elemento, ancora più importante. Alla fine degli anni Novanta, molte delle aziende quotate non avevano ricavi significativi. Figuriamoci utili. Le valutazioni si basavano su proiezioni fantasiose di crescita futura. Oggi, invece, le aziende che guidano il ciclo degli investimenti in AI stanno registrando una crescita degli utili superiore al 20% annuo, con margini operativi elevati e flussi di cassa positivi.
Non è euforia. È redditività.
Il gioco della paura
C’è però un aspetto di questo ciclo che rende tutto diverso. E ha a che fare con la teoria dei giochi.
Immagina di essere il CEO di una grande azienda tecnologica. Sai che i tuoi concorrenti stanno investendo miliardi in AI. Sai che chi costruisce l’infrastruttura prima avrà un vantaggio competitivo enorme. Sai che fermarsi significa rischiare di essere tagliato fuori dal mercato del futuro. Cosa fai?
La risposta è semplice: continui a investire. Non perché sei irrazionale. Ma perché rimanere fuori dal gioco è ancora più costoso che restare dentro.
Questo è quello che gli economisti chiamano equilibrio di Nash. Una situazione in cui ogni giocatore fa la scelta migliore possibile, dato quello che fanno gli altri. E in questo caso, la scelta migliore è investire. Anche quando i rendimenti nel breve termine non sono garantiti.
È un equilibrio che si auto-sostiene. Finché tutti credono che gli altri continueranno a investire, tutti continueranno a investire.
I vincoli che proteggono dai crolli
Ma allora perché questo equilibrio dovrebbe reggere? Perché non dovremmo assistere a un crollo, quando ci si renderà conto che la domanda non è all’altezza dell’offerta?
La risposta sta nei vincoli strutturali che caratterizzano questo mercato. E qui la fisica dell’economia diventa interessante.
L’infrastruttura necessaria per far girare modelli di intelligenza artificiale avanzati richiede energia, semiconduttori, reti, data center. Non si tratta di beni che si possono produrre dall’oggi al domani. I tempi di costruzione di un nuovo data center si misurano in anni, non in mesi. I semiconduttori avanzati richiedono investimenti miliardari e cicli di produzione lunghi. L’energia non si materializza per magia.
Questo crea una dinamica paradossale. Ogni volta che l’offerta di capacità computazionale aumenta, la domanda aumenta ancora di più. Perché nuove applicazioni diventano economicamente sostenibili. Nuovi casi d’uso emergono. Nuovi attori entrano nel mercato.
È quello che gli economisti chiamano Paradosso di Jevons. Quando l’efficienza di una risorsa aumenta, il consumo totale di quella risorsa non diminuisce. Aumenta.
E questo spiega perché, nonostante l’espansione massiccia della capacità, i prezzi della capacità computazionale AI non sono crollati. Anzi, in molti casi sono rimasti sorprendentemente stabili.
Il vero rischio non è la capacità. È la monetizzazione
Se c’è un elemento di fragilità in questo ciclo, non è l’eccesso di investimenti. È la capacità di trasformare quegli investimenti in ricavi sostenibili.
Prendiamo un dato. Le aziende che stanno adottando l’AI nei loro processi interni riportano miglioramenti di efficienza tra il 20% e il 40%. Riduzione dei tempi di sviluppo software, accelerazione nella creazione di contenuti, automazione di processi analitici. I benefici ci sono. E sono reali.
Ma chi sta catturando questo valore? Per ora, in larga parte, gli utenti. Non i fornitori di tecnologia.
Le sottoscrizioni per servizi AI sono ancora relativamente economiche rispetto al valore che generano. Le aziende stanno sovvenzionando l’adozione per costruire ecosistemi, aumentare la base utenti, creare switching cost. È una strategia sensata. Ma significa che il valore creato supera, per ora, il valore catturato.
Questo gap non è un problema. È una caratteristica di ogni nuova ondata tecnologica. All’inizio, il valore si diffonde nell’economia. Poi, con la maturazione del mercato, una quota crescente di quel valore torna ai produttori.
Ma questo passaggio richiede tempo. E richiede esecuzione. Non tutte le aziende che stanno investendo oggi saranno in grado di monetizzare domani.
I segnali da monitorare
Negli ultimi mesi ho costruito un framework mentale per valutare la sostenibilità di questo ciclo. Si basa su cinque segnali chiave.
Il primo è l’accesso al capitale. Finché le grandi piattaforme tecnologiche hanno flussi di cassa robusti e bilanci solidi, possono continuare a investire senza ricorrere a indebitamento eccessivo. Oggi, la maggior parte degli investimenti in AI viene finanziata con flussi di cassa operativi. Non con debito. Questo è un fattore di stabilità.
Il secondo segnale è l’allentamento dei vincoli di offerta. Se i tempi di costruzione di data center si accorciano, se la produzione di semiconduttori accelera, se l’energia diventa meno scarsa, allora la dinamica cambia. Più offerta significa potenzialmente più pressione sui prezzi. E più pressione sui margini.
Il terzo segnale è l’allocazione della capacità. Le grandi piattaforme devono decidere come distribuire la capacità computazionale disponibile. Una parte va ai clienti esterni, per generare ricavi immediati. Una parte va allo sviluppo interno di prodotti. Una parte va alla ricerca di base. Quando la bilancia si sposta troppo verso la monetizzazione di breve termine, significa che la competizione si sta intensificando. Quando rimane bilanciata verso ricerca e sviluppo, significa che il gioco è ancora lungo.
Il quarto segnale è la persistenza delle leggi di scala. Se ogni ordine di grandezza in più di potenza computazionale continua a produrre miglioramenti significativi nelle capacità dei modelli, allora l’incentivo a investire rimane intatto. Se invece i rendimenti marginali iniziano a diminuire, la razionalità economica di continuare a investire diventa più debole.
Il quinto segnale, e forse il più importante, è la prova concreta di monetizzazione. Non basta che l’AI funzioni. Bisogna che le aziende siano disposte a pagare per usarla. E qui i segnali sono contrastanti. Da un lato, vediamo adozione crescente. Dall’altro, il tasso di conversione da utenti gratuiti a clienti paganti è ancora basso. Secondo alcune stime, solo il 3-5% degli utenti di applicazioni AI paga un abbonamento.
Questo non significa che la monetizzazione non arriverà. Ma significa che il percorso potrebbe essere più lungo e più complesso di quanto alcuni si aspettano.
Dove cercare valore
Come investitori, la tentazione è sempre quella di cercare di chiamare il top. Di individuare il momento in cui il ciclo si inverte. Ma questa è una strategia perdente. Perché i cicli non si invertono in un giorno. Si evolvono. Si trasformano.
La domanda giusta da porsi non è “quando finirà questo ciclo?”. La domanda giusta è “chi sarà in grado di estrarre valore duraturo da questo ciclo?”.
E la risposta non è scontata. Non sarà necessariamente chi spende di più. Sarà chi spende meglio. Chi costruisce vere barriere all’entrata. Chi trasforma l’infrastruttura in capacità distintive. Chi riesce a chiudere il gap tra valore creato e valore catturato.
In questo senso, il ciclo dell’AI non è diverso da qualsiasi altra grande transizione tecnologica. All’inizio, l’attenzione è sull’infrastruttura. Poi si sposta sulle applicazioni. Poi sulla capacità di estrarre valore economico sostenibile.
Siamo ancora nella prima fase. La fase in cui si costruiscono i binari. Ma i vincitori saranno quelli che sapranno far correre i treni.
Una riflessione finale
La domanda che mi fanno più spesso è: “Quindi, cosa devo fare?”. E la risposta dipende dall’orizzonte temporale. Se si guarda ai prossimi sei mesi, la volatilità sarà alta. Perché il mercato continuerà a oscillare tra entusiasmo e scetticismo. Tra paura di perdere l’opportunità e paura di perdere capitale.
Ma se si guarda ai prossimi cinque anni, la domanda è diversa. Non è “l’AI è una bolla?”. È “quale parte dell’ecosistema AI sarà in grado di costruire valore duraturo?”.
E a quella domanda, la risposta non sta nei titoli dei giornali. Sta nei fondamentali. Nei flussi di cassa. Nella qualità dell’esecuzione. Nella capacità di navigare un mercato che sta ridefinendo l’economia globale.
Perché alla fine, non importa se qualcuno chiama questo ciclo una bolla o no. Importa solo se sappiamo distinguere chi sta costruendo il futuro da chi sta solo cavalcando l’onda.