INCHIESTA | CHI GOVERNA LA FRONTIERA — 03
OpenAI rimanda l’IPO, Anthropic chiede di rallentare la frontiera mentre affronta impegni giganteschi sul compute, Oracle cerca di tenere insieme crescita, debito e cash flow, mentre Nvidia continua invece a scommettere sull’espansione dell’infrastruttura. La safety è un problema reale. Ma il suo arrivo coincide con il momento in cui la corsa all’AI deve cominciare a dimostrare di essere economicamente sostenibile.
Per tre anni la regola dell’intelligenza artificiale è stata relativamente semplice: correre. Più parametri, più compute, più GPU, più data center. Un modello più potente avrebbe generato più utenti, più ricavi e, prima o poi, abbastanza valore da giustificare la montagna di capitale necessaria per costruire quello successivo.
Poi, quasi contemporaneamente, alcuni degli uomini che hanno spinto più forte sull’acceleratore hanno cominciato a parlare di freni.
Dario Amodei sostiene che sia necessario rallentare la crescita delle capability dei frontier model, Sam Altman dice di essere d’accordo, Elon Musk condivide almeno parte della diagnosi e Demis Hassabis avverte da tempo che la capacità di controllare questi sistemi deve tenere il passo con la loro potenza.
È possibile che abbiano ragione, ma la richiesta di rallentare arriva in un momento particolare.
OpenAI ha appena escluso una quotazione nel 2026. Anthropic si prepara invece alla propria IPO mentre cerca di dimostrare agli investitori di poter trasformare una macchina estremamente costosa in un’impresa redditizia. Oracle sta finanziando una delle più aggressive espansioni infrastrutturali della propria storia mentre il free cash flow rimane negativo. Wall Street comincia a chiedersi se quasi 800 miliardi di dollari di capex AI nel solo 2026 continueranno davvero a crescere allo stesso ritmo.
E Nvidia, l’azienda che più di tutte guadagna quando quel ritmo aumenta, non sembra avere alcuna intenzione di rallentare.
Tutto questo evidentemente non dimostra che il pacing sia nato per ragioni finanziarie, ma rende inevitabile una domanda: quanto del nuovo rallentamento dell’AI riguarda anche l’economia della corsa?
Altman mette la safety davanti all’IPO
Sam Altman ha fatto qualcosa di piuttosto insolito per il Ceo di una delle aziende più attese dai mercati finanziari: ha collegato esplicitamente la decisione di non quotare OpenAI nel 2026 alla sicurezza dell’intelligenza artificiale.
“Given everything happening with safety”, ha spiegato, questo sarebbe un momento poco opportuno per andare in Borsa e alla domanda se il 2026 fosse ormai escluso, la risposta è stata netta: “I would say not 2026”.
Non significa che l’IPO sia stata rinviata esclusivamente per questo. Già nei mesi precedenti erano circolate indiscrezioni su uno slittamento e Altman non ha formalmente annunciato una quotazione nel 2027.
Ma il linguaggio utilizzato conta. Per la prima volta la safety entra direttamente dentro una decisione di corporate finance ed è facile capire perché.
Una società privata può decidere che il prossimo modello debba aspettare tre mesi perché i test non sono soddisfacenti. È una scelta costosa e deve comunque risponderne ai propri investitori. Per una società quotata quella stessa decisione diventa immediatamente anche una variabile di mercato.
Nel mezzo ci sono guidance, crescita, margini, consensus, prezzo delle azioni e via dicendo. La Borsa non impedisce di rallentare, ma rende continuamente visibile il prezzo economico del rallentamento.
OpenAI ha scelto, almeno per ora, di non aggiungere anche quella pressione.
Anthropic fa esattamente il contrario
Qui la storia diventa più interessante. Dario Amodei è stato il più esplicito nel chiedere di rallentare la crescita delle capability. Eppure Anthropic, al momento, continua a preparare la propria quotazione: Reuters indica che il marketing dell’IPO potrebbe iniziare non prima di metà ottobre.
Contemporaneamente l’azienda sta facendo arrivare agli investitori un altro messaggio. Secondo il Financial Times, Anthropic prevede un adjusted operating income positivo per il secondo trimestre consecutivo. I margini lordi sarebbero superiori all’80% prima del revenue sharing con partner come Amazon e, soprattutto, prima dei costi di training. Reuters non ha verificato autonomamente questi dati.
Quest’ultima precisazione è fondamentale, perché il training è precisamente una delle componenti economiche sulle quali il pacing potrebbe intervenire.
Anthropic non è improvvisamente diventata una macchina da cash flow. Ma sta mostrando che il business dei modelli esistenti può diventare molto redditizio mentre costruire quelli successivi continua a essere straordinariamente costoso.
Ed è qui che safety e finanza cominciano a guardarsi negli occhi.
Anthropic ha già prenotato il futuro
Il problema è che rallentare oggi non cancella gli impegni presi ieri. Anthropic ha costruito una rete di accordi sul compute di dimensioni impressionanti.
Solo il contratto con Nscale vale circa 45 miliardi di dollari in sei anni e dovrebbe mettere a disposizione dell’azienda 460 megawatt di sistemi Nvidia Vera Rubin in West Virginia. A questo si aggiungono gli accordi con Amazon e altri fornitori e, secondo il Financial Times, impegni superiori a 150 miliardi di dollari per utilizzare chip AI di Google ospitati in data center dedicati.
Questi numeri producono un apparente paradosso: l’azienda che chiede di rallentare la frontiera sta contemporaneamente assicurandosi quantità gigantesche di capacità di calcolo.
In realtà le due cose possono essere perfettamente compatibili, perché pacing non significa necessariamente meno compute, dipende da cosa si fa con quel compute.
Training e inference non sono la stessa economia
Qui si trova probabilmente il punto più importante dell’intera discussione.
Addestrare il prossimo frontier model significa spendere capitale per costruire qualcosa che ancora non produce ricavi. È molto simile, economicamente, alla ricerca e sviluppo.
Fare inference significa invece utilizzare i modelli esistenti per rispondere agli utenti, far funzionare agenti, scrivere codice, analizzare documenti, gestire applicazioni aziendali. Ed è proprio lì che una parte crescente dell’AI viene monetizzata.
Il pacing potrebbe quindi non significare meno AI ma meno corsa alla prossima frontiera e più sfruttamento economico di quella già raggiunta.
Il Financial Times ha osservato proprio in queste ore che rinviare alcuni dei giganteschi costi di training potrebbe perfino migliorare il valore economico degli investimenti nei frontier lab, lasciando più tempo per monetizzare i modelli esistenti.
È una distinzione fondamentale.
Per mesi abbiamo ragionato come se esistesse una sola equazione – “modelli più potenti → più compute → più capex → più ricavi” – ma il pacing rompe quella linearità.
Un laboratorio potrebbe rallentare la frequenza dei grandi training run e contemporaneamente aumentare l’utilizzo della capacità già disponibile attraverso inference, agenti e clienti enterprise.
Naturalmente non tutto il compute è perfettamente fungibile. Hardware, architetture e workload possono rendere impossibile spostare automaticamente una GPU dal training all’inference, ma la direzione economica è chiara.
Il problema potrebbe non essere quanto compute consumerà l’AI. Potrebbe diventare per che cosa lo consumerà.
Poi c’è Oracle
Se OpenAI e Anthropic rappresentano la domanda, Oracle mostra cosa accade dall’altra parte della catena quando quella domanda deve diventare infrastruttura.
L’azienda sta investendo miliardi nei data center necessari alla crescita dell’AI, ma deve contemporaneamente contenere i costi. Il piano di ristrutturazione per l’esercizio 2026 è salito a circa 2,8 miliardi di dollari, mentre Oracle prevede di raccogliere 40 miliardi tra debito ed equity nell’anno fiscale in corso.
Nel trimestre appena pubblicato il free cash flow è rimasto negativo per 5,4 miliardi di dollari. La buona notizia è un backlog enorme: 664 miliardi di dollari. Quella meno comoda è che trasformare quel backlog in cash richiede tempo, infrastruttura e capitale.
Morningstar ha osservato che potrebbero servire anni prima che il cloud raggiunga una scala capace contemporaneamente di sostenere l’espansione della capacità e produrre free cash flow positivo.
Oracle diventa così uno dei punti più interessanti dell’intera catena finanziaria dell’AI, perché prende una promessa futura, la domanda di compute, e la trasforma oggi in data center, server, contratti energetici e debito.
Se la velocità della frontiera cambia, il timing tra investimento e ritorno diventa ancora più importante.
Non significa che Oracle abbia costruito data center che resteranno vuoti. Significa che il valore economico di quell’infrastruttura dipende sempre più da quanto rapidamente la domanda riuscirà a monetizzarla.
Il mercato ha capito immediatamente il problema
Wall Street non ha aspettato che qualcuno definisse esattamente cosa significhi pacing. Lunedì scorso i titoli legati all’hardware AI sono stati tra i più colpiti, mentre alcuni software hanno reagito meglio. Reuters ha descritto una vera rotazione: chip in vendita, software relativamente favorito.
La logica è intuitiva: se il ritmo della costruzione della frontiera rallenta, chi utilizza l’AI potrebbe continuare a guadagnare mentre chi dipende dalla crescita esponenziale della capacità necessaria per costruirla potrebbe essere più esposto.
Un analista ha riassunto bene la questione: il pacing trade non riguarda necessariamente la scomparsa della domanda di compute. Riguarda quale domanda sopravvive a un ritmo più lento.
E oggi, 15 settembre, il nervosismo continua. BofA stima per Microsoft, Alphabet, Amazon, Meta e Oracle circa 788 miliardi di dollari di capex nel 2026 e quasi 1.080 miliardi nel 2027. Reuters osserva che gli investitori aspettano ormai segnali concreti (ordini cancellati, data center rinviati, construction deal sospesi) prima di poter parlare di un vero rallentamento.
Ed è qui che entra Jensen Huang
Nvidia occupa una posizione quasi perfettamente speculare rispetto ai frontier lab. Per OpenAI e Anthropic il compute è una risorsa indispensabile, ma è anche un costo, per Nvidia è il prodotto.
Un frontier lab può avere interesse economico a utilizzare più intensamente il modello esistente prima di spendere altri miliardi per costruire quello successivo mentre Nvidia ha invece bisogno che la domanda complessiva di acceleratori continui ad aumentare.
Non sorprende quindi che Jensen Huang abbia scelto una linea diversa. Non rifiuta la safety, ha espresso apertura verso evaluator indipendenti e controlli sui modelli, ma non sostiene un rallentamento sistemico della frontiera.
È una differenza sottile e importantissima: safety sì, pacing no.
Per Nvidia lo scenario ideale rimane quello nel quale training, inference, agenti e applicazioni enterprise crescono contemporaneamente.
E la finanza sta già costruendo strumenti intorno a questa ipotesi. Reuters stima che tra il 2026 e il 2030 possano essere necessari circa 3.600 miliardi di dollari di investimenti nell’infrastruttura AI, mentre stanno nascendo perfino mercati futures sul prezzo del compute Nvidia per rendere quella capacità più facilmente finanziabile.
Il compute sta diventando non soltanto infrastruttura, sta diventando un asset finanziario.
E allora chi beneficia davvero del pacing?
È la domanda più delicata e sarebbe sbagliato rispondere troppo rapidamente.
OpenAI potrebbe beneficiare di più tempo per monetizzare i modelli esistenti e rinviare parte dei costi della prossima frontiera.
Anthropic potrebbe fare lo stesso mentre cerca di dimostrare agli investitori che Claude può produrre margini.
Gli hyperscaler potrebbero utilizzare capacità destinata al training per servire una domanda crescente di inference.
Le aziende software potrebbero beneficiare di una fase nella quale la priorità passa dalla costruzione del modello all’utilizzo del modello.
Nvidia e parte della filiera infrastrutturale, invece, potrebbero soffrire se il pacing si traducesse davvero in una crescita più lenta della domanda complessiva di compute.
Ma nessuno di questi effetti dimostra perché Amodei o Altman abbiano assunto le loro posizioni.
La causalità non può essere invertita. Il fatto che una misura produca un beneficio economico per qualcuno non dimostra che sia stata proposta per produrre quel beneficio.
Ed è qui che passa il confine tra analisi e dietrologia.
La coincidenza che vale la pena osservare
Resta però una coincidenza temporale difficile da ignorare. Il dibattito sul rallentamento arriva proprio mentre l’AI passa dalla fase nella quale il capitale sembrava quasi illimitato a quella nella quale deve cominciare a dimostrare cosa produce.
I frontier lab si avvicinano ai mercati pubblici, le agenzie di rating cominciano a valutare il loro debito, gli hyperscaler devono giustificare capex sempre più grandi, Oracle deve trasformare backlog in cash flow, iI data center devono trovare energia, i finanziatori devono stabilire quanto valgano GPU che diventano tecnologicamente obsolete sempre più rapidamente e gli investitori cominciano a chiedersi non soltanto quanto crescerà l’AI, ma quanto renderà il capitale necessario per farla crescere.
Persino il mercato del credito sta entrando nella partita. OpenAI e Anthropic stanno cercando di ottenere rating investment grade mentre continuano a sostenere costi enormi per compute, ricerca e personale; contemporaneamente Oracle è diventata una sorta di benchmark, con il suo rating BBB- e un’esposizione crescente all’infrastruttura AI.
Non è il contesto in cui nasce il problema della safety, ma è il contesto economico nel quale quel problema deve essere risolto.
Il pacing potrebbe essere anche una nuova fase industriale
Forse quindi stiamo utilizzando la parola sbagliata. “Rallentamento” suggerisce meno AI mentre potrebbe invece trattarsi di una transizione di fase.
La prima fase della corsa era dominata dalla capability: costruire il modello più potente possibile prima degli altri. La seconda potrebbe essere dominata dalla monetizzazione: utilizzare più intensamente ciò che è già stato costruito e contemporaneamente training più controllati, evaluation più lunghe e intervalli maggiori tra una generazione di frontier model e quella successiva.
Se accadesse, il pacing non rappresenterebbe la fine del boom dell’AI, potrebbe rappresentare il tentativo di trasformarlo da corsa alla capacità in economia della capacità.
Per alcuni attori sarebbe una cattiva notizia, per altri potrebbe essere esattamente ciò di cui avevano bisogno.
Il rischio è reale. Anche i conti
La tentazione più semplice sarebbe scegliere uno dei due racconti. Il primo dice che Amodei, Altman e gli altri hanno visto qualcosa nei modelli che li ha convinti che sia necessario rallentare.
Il secondo sostiene che aziende impegnate in una corsa finanziariamente sempre più difficile abbiano improvvisamente scoperto la convenienza economica della prudenza.
Probabilmente è una falsa alternativa. Un rischio tecnologico può essere reale, un CEO può crederci sinceramente, così come una misura di safety può essere necessaria. E quella stessa misura può contemporaneamente modificare costi, margini, barriere competitive, fabbisogno di capitale e valore delle infrastrutture.
Il fatto che un rischio di safety sia reale non significa che la regolazione di quel rischio sia economicamente neutrale.
È questo il punto che Wall Street ha iniziato a prezzare. Per tre anni il mercato ha finanziato una sola traiettoria: più modelli, più GPU, più data center, più energia, più capitale.
Ora i leader della stessa industria stanno introducendo una variabile che quella traiettoria non aveva previsto: il tempo.
Più tempo tra un modello e l’altro, più tempo per testarlo, più tempo per monetizzare quello precedente, più tempo, forse, prima di spendere il prossimo miliardo.
La questione non è quindi se l’AI smetterà di consumare compute ma come cambierà l’economia del compute se la frontiera smetterà di accelerare continuamente.
Per OpenAI e Anthropic potrebbe significare spendere diversamente, per Oracle significa recuperare il capitale già impegnato.
Per Nvidia significa dimostrare che inference e agenti possono continuare a far crescere la domanda anche se il training rallenta mentre per Wall Street significa scoprire se quasi 800 miliardi di dollari di investimenti annuali erano il costo necessario per costruire un nuovo mercato oppure il prezzo di una corsa che aveva bisogno di accelerare continuamente per giustificare se stessa.
Il pacing nasce come risposta a un problema di sicurezza, ma potrebbe diventare il primo vero stress test economico dell’AI.
Se rallentare richiede qualcuno che misuri il rischio, resta un’ultima domanda: chi controlla i controllori? Nel prossimo capitolo, gli evaluator indipendenti e il nuovo potere di certificare la frontiera.
.
→ Vai alla pagina dell’inchiesta “Chi governa la frontiera”