La conversazione pubblica sull’intelligenza artificiale generativa è dominata da metriche di adozione, valutazioni miliardarie e narrazioni di crescita quasi inevitabile. Tuttavia, i dati finanziari più recenti suggeriscono una verità meno glamour e decisamente più strutturale: il vero vincolo competitivo non è la domanda, ma il costo marginale del calcolo. In altre parole, l’economia dell’inferenza sta diventando la variabile strategica centrale dell’intero settore AI.

OpenAI e Anthropic stanno entrambe alzando le proiezioni di ricavo per i prossimi anni, segnalando una fiducia crescente nella monetizzazione dell’AI sia nel segmento consumer sia in quello enterprise. Questa traiettoria è coerente con le stime di mercato più ampie. Secondo analisi di Goldman Sachs e McKinsey, la spesa globale in infrastrutture AI, tra data center, chip e cloud, potrebbe superare centinaia di miliardi di dollari entro la fine del decennio, con un impatto macroeconomico paragonabile a quello della rivoluzione cloud degli anni 2010.

Il problema è che la crescita dei ricavi non sta ancora tenendo il passo con la crescita dei costi operativi, in particolare quelli legati all’inferenza. La compressione dei margini lordi osservata nel 2024 non rappresenta un’anomalia temporanea, bensì un segnale sistemico. Quando i margini scendono dal 40% al 33% nonostante l’esplosione della domanda, il messaggio per gli investitori è inequivocabile: il modello economico dell’AI generativa è intrinsecamente capital intensive.

Questo fenomeno diventa ancora più rilevante se confrontato con la narrativa ufficiale del settore, che insiste sulla riduzione del costo per token e sull’efficienza crescente dei modelli. Dal punto di vista tecnico, tali affermazioni sono corrette. Dal punto di vista economico, sono parziali. L’introduzione di modelli multimodali, sistemi di ragionamento avanzato e generazione video aumenta drasticamente l’intensità computazionale per richiesta, neutralizzando gran parte dei guadagni di efficienza hardware.

Uno studio dell’International Energy Agency evidenzia come l’espansione dei data center AI stia accelerando la domanda energetica globale, con un aumento significativo del consumo elettrico legato ai carichi di lavoro di intelligenza artificiale. Questo implica che il costo dell’inferenza non è solo una variabile finanziaria, ma anche infrastrutturale ed energetica.

Il nodo strategico più sottovalutato riguarda la composizione della base utenti. Milioni, o meglio centinaia di milioni di utenti settimanali interagiscono con sistemi AI senza contribuire direttamente ai ricavi. Dal punto di vista di una piattaforma tradizionale, questo sarebbe un asset. Nel caso dell’AI generativa, ogni interazione genera un costo computazionale reale e immediato. Non è traffico gratuito. È traffico con costo marginale positivo.

Quasi metà dei costi di inferenza complessivi è stata destinata al servizio di utenti non paganti, un dato che ridefinisce la logica di espansione tipica delle piattaforme digitali. Diversamente dai social network, dove il costo marginale per utente è relativamente basso, i modelli AI richiedono GPU, memoria ad alte prestazioni e capacità cloud scalabile in tempo reale. Questo trasforma l’acquisizione utenti in un investimento infrastrutturale continuo, non in una semplice strategia di crescita.

Parallelamente, la struttura dei costi cloud sta evolvendo in modo meno favorevole di quanto suggeriscano le curve teoriche di riduzione del costo del calcolo. L’utilizzo di istanze on demand, spesso necessarie per gestire picchi di domanda superiori alle previsioni, comporta tariffe significativamente più elevate rispetto alle risorse prenotate. Questo squilibrio tra domanda reale e capacità pianificata è uno dei fattori chiave che hanno spinto l’aumento dei costi di inferenza oltre le stime iniziali.

Le dinamiche di investimento nel settore rafforzano ulteriormente questa interpretazione. Analisi di mercato indicano che le principali aziende AI stanno destinando decine di miliardi di dollari a infrastrutture di calcolo e data center, con un livello di spesa che ricorda le fasi iniziali dell’espansione cloud di Amazon e Microsoft, ma con costi unitari per servizio significativamente più elevati.

Curiosamente, mentre i margini aggregati si comprimono, emergono segnali di miglioramento nella redditività legata agli utenti paganti. Il cosiddetto margine di calcolo, ovvero il ricavo netto dopo i costi di esecuzione dei modelli, è aumentato sensibilmente nel tempo, indicando che l’ottimizzazione dei workload AI e il routing intelligente tra modelli stanno iniziando a produrre effetti economici concreti. Questo suggerisce che il problema non è la monetizzazione per utente premium, ma la scala del servizio gratuito.

Dal punto di vista strategico, la monetizzazione futura degli utenti non paganti tramite pubblicità, e-commerce e abbonamenti a basso costo rappresenta una scommessa tipica delle piattaforme tecnologiche. Tuttavia, a differenza del modello pubblicitario tradizionale, l’AI introduce un paradosso economico: più l’utente utilizza il servizio, più aumenta il costo operativo prima ancora che si generi un ritorno pubblicitario proporzionale.

L’introduzione di funzionalità ad alta intensità computazionale, come la generazione video e immagini avanzate, ha ulteriormente complicato l’equazione economica. Ogni nuova feature aumenta il valore percepito del prodotto, ma incrementa anche il costo marginale per interazione. In termini finanziari, si tratta di una spirale di valore e costo che deve essere gestita con precisione chirurgica.

Secondo alcune analisi di settore, le aziende AI potrebbero dover raggiungere margini lordi superiori al 60% entro la fine del decennio per allinearsi alle migliori software company quotate. Questo obiettivo appare ambizioso se si considera l’attuale struttura dei costi computazionali e l’escalation della spesa in infrastrutture.

Un altro elemento spesso ignorato riguarda l’effetto dei modelli di ragionamento avanzato. Questi sistemi, progettati per produrre risposte più sofisticate, richiedono catene di calcolo più lunghe e complesse rispetto ai modelli linguistici tradizionali. Dal punto di vista economico, ciò significa che l’innovazione qualitativa del prodotto può tradursi in un aumento non lineare dei costi operativi.

Ironia della storia: il settore che promette automazione radicale e riduzione dei costi cognitivi umani si trova a fronteggiare una crescita esponenziale dei costi computazionali. Una contraddizione solo apparente. In realtà, è la naturale conseguenza di un’infrastruttura tecnologica ancora in fase di scalabilità industriale.

Le proiezioni fino al 2030 indicano che una quota sempre maggiore dei costi di inferenza sarà destinata agli utenti paganti, segnalando un progressivo riequilibrio del modello economico verso segmenti ad alta marginalità. Se questa transizione avrà successo, i margini lordi potrebbero risalire verso livelli comparabili a quelli del software enterprise. Se fallirà, l’AI generativa rischia di diventare un business ad alta crescita ma a bassa redditività strutturale.

Il vero interrogativo, quindi, non è se la domanda per l’intelligenza artificiale continuerà a crescere. Quello appare ormai scontato. La domanda strategica, molto più scomoda, è se il costo dell’intelligenza artificiale su scala globale diminuirà abbastanza rapidamente da trasformare l’adozione massiva in profitti sostenibili. In finanza, come in ingegneria, la scalabilità senza efficienza non è un vantaggio competitivo. È un costo differito che prima o poi presenta il conto.